本发明属于动力电池管理领域,用于估计充放电循环的锂离子电池健康状态。
背景技术:
1、锂离子电池在使用过程中,其性能会随着充放电循环过程而逐渐衰退,主要体现为可用容量衰减及功率性能下降等。因此为了保障电池能够满足用电设备的电量需求,有必要对以可用容量表征的健康状态(soh,state ofhealth)进行估计。健康状态的估计用于保障电池使用的安全性和可靠性,是电池管理系统的重要功能。
2、现有的基于数据驱动的soh估计方法依据电池既往充放电循环数据,建立数据模型,对目标电池进行soh估计。这种方法对于同一批电池和同样充放电循环模式的电池soh估计具有很好的预测效果,但是当目标电池与数据模型电池存在差异,以及电池处于不同充放电循环模式时,这种方法的估计精度会受到较大影响。因此基于数据驱动的估计方法存在泛化性能和适应能力差的问题。
技术实现思路
1、本发明为解决数据驱动方法对不同批次和不同充放电循环模式电池的soh估计精度低、泛化性能和适应能力差的问题,提出了一种基于寿命预诊断和迁移学习相结合的电池soh估计方法。
2、具体
技术实现要素:
如下:首先需要一批电池的早期充放电循环数据(例如前100次充放电循环数据,电池可以有不同的充放电循环模式),提取电池寿命诊断的两个特征值;然后以特征值为输入,利用聚类算法将电池进行分类,以两类为例,划分为长寿命和短寿命电池;聚类算法同时还可输出两个聚类中心电池,以该聚类中心电池的历史充放电数据为基础,提取健康因子,应用门控循环神经网络(gru,gated recurrent unit)建立两个数据模型,分别为长寿命电池数据模型和短寿命电池数据模型,用于电池的soh估计。
3、对于待估计的目标电池,需要获取其早期循环数据,例如前100次充放电循环数据,提取寿命诊断特征值,根据特征值判断电池的预期寿命。根据预期寿命长短,选用相应的数据模型,再利用早期循环数据对模型进行迁移学习,进行目标电池的soh估计。
4、为了更加清晰地说明本发明的技术方案,以下结合附图和具体实施步骤,对本发明进行进一步详细说明。
5、步骤1,寿命诊断特征值提取。在选取的一批电池前100次循环的数据中,提取每个电池的两个寿命诊断特征值,分别为lpf_1和lpf_2。其中lpf_1的计算如式(1)所示:
6、
7、式中,v和q均为q(v)曲线上的坐标点,q(v)曲线为纵坐标为累积放电容量(ah),横坐标为对应放电电压(v)的曲线。计算式(1)需要有每个电池第10次和第100次累计放电容量随放电电压变化的q(v)曲线。式中,n为q(v)曲线上离散点的数量,n根据实际数据采集点确定,要求两条曲线的采集点数量相同。
8、寿命诊断特征值lpf_2计算如式(2)所示:
9、
10、式中,为δq10-100序列的第i个值,i∈1,2,…,n,为δq10-100序列的平均值。
11、其中,δq10-100序列的计算如式(3)所示,
12、δq10-100=q10-q100 (3)
13、其中,q10为电池第10次循环q(v)曲线的容量序列,q100为电池第100次循环q(v)曲线的容量序列,q10和q100的序列长度统一为n。
14、步骤2,应用k-means聚类算法,将步骤1中提取的每个电池两个寿命识别特征值为输入,将聚类个数设定为2,将所选取的电池分为长寿命电池和短寿命电池两类,同时输出2个聚类中心电池。
15、步骤3,以2个聚类中心电池的历史数据作为基础数据,以1c倍率恒流充电时间和1c倍率恒流充电平均电压作为健康因子输入到gru神经网络中,以电池soh为输出,基于gru神经网络进行数据训练,分别得到用于长短寿命电池预测的soh估计模型,形成soh估计模型库。
16、步骤4,获取待估计电池前100次充放电循环数据,按照式(1)和式(2)提取两个寿命特征识别值,并输入到步骤2的寿命识别聚类算法中,根据待估计电池与聚类中心电池的距离,其中,l1为待估计电池与长寿命电池聚类中心电池的距离,l2为待估计电池与短寿命电池聚类中心电池的距离。确定目标电池的类别,匹配合适的soh估计模型。
17、步骤5,从待估计电池寿命早期采集的数据中提取以1c倍率恒流充电时间,1c倍率恒流充电平均电压和soh序列组成再训练数据,对所匹配的soh数据模型进行迁移学习,在训练过程中仅调整gru神经网络中全连接层的权重和偏置,保持其他层的参数不变,得到迁移模型,实现模型的适应性训练。
18、步骤6,从待估计电池当前循环中在线提取健康因子,即1c倍率恒流充电时间,和1c倍率恒流充电平均电压输入到步骤5训练好的迁移模型中,即可输出soh估计值。
19、与现有技术相比较,本方法首先对电池进行寿命诊断,从而应用符合寿命预期的数据模型,解决了模型的泛化性或需要重新建模的问题;其次,在应用数据模型时,利用早期数据对模型进行迁移学习,在花费很小时间代价的基础上,提高了模型预测精度,解决了模型的适用性问题。在具体实践中,对不同批次电池,和不同充放电循环模式电池的预测中,都取得了很好的预测效果。
1.基于寿命预诊断和迁移学习的锂离子电池soh估计方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的基于寿命预诊断和迁移学习的锂离子电池soh估计方法,其特征在于,寿命特征值的计算,包括lpf_1和lpf_2的计算。