一种基于等压升能量和改进GRU的锂电池健康状态估计方法

阅读：评论：0

一种基于等压升能量和改进gru的锂电池健康状态估计方法
技术领域
1.本发明属于电池技术领域，更具体地，涉及一种基于等压升能量和改进gru的锂电池健康状态估计方法。

背景技术：

2.随着绿环保意识的提高以及新能源的可持续发展的推动下，锂离子电池凭借着高功率、高能量密度、使用寿命长和环境污染小等卓越的性能优势，而得到各领域的研究和关注。在锂电池的循环使用过程中，健康状态成为评价电池老化程度的关键指标，而电池的老化和再生现象复杂多变，与电池内外部条件都有很大的关系，故准确估计锂电池健康状态是至关重要。
3.近年来，基于数据驱动的方法估计锂电池健康状态被大量的使用，因无需分析锂电池内部电化学机理，只用对电池外部采集的电流、电压等特征进行建模，在计算效率、成本上都具有很大的优势。如常用的支持向量机(svm)、极限学习机(elm)、长短期记忆网络(lstm)等。但这些建模方法受到数据量和测试环境的限制，导致估计模型无法准确的描述电池的衰退过程。而gru作为lstm的变体，利用更少的参数和减少网络的复杂度，在数据的运算负担和收敛速度上都有很大的提升，但电池伴随老化而出现的再生现象和数据的跳变，很容易导致健康状态的估计不准确。
4.数据驱动的方法虽然能高效的建立估计模型，但是特征的分析与提取在很大程度上决定模型的估计精度。如常用的增量分析法对电压、电流和温度等充电曲线提取特征，通过外部细微的特性变化反应出电池内部的剧烈反应。但传统的增量分析法通常应用于恒流充放电模式下的电池老化机理分析，将原始的充放电数据的容量-端电压曲线采用一阶微分求导变换成容量增量-端电压曲线，但在实际测量中存在噪声误差和充电曲线微分求导带来的波动误差，以及精度问题极大的阻碍了该方法的运用。

技术实现要素：

5.为解决当前技术现状中的不足，针对当前健康状态估计方法的采集数据误差大和建模精度不足的问题，本发明提出一种基于等压升能量和改进gru的锂电池健康状态估计方法，通过外部特性表征内部发生复杂和剧烈的电化学反应，快速提取特征，估计模型能有效克服电池的再生现象，提升电池健康状态的估计准确度。
6.为解决上述实际问题，本发明采取的技术方案是：
7.一种基于等压升能量和改进gru的锂电池健康状态估计方法，所述方法包括如下步骤：
8.s1、获取锂电池每个充放电循环的健康状态数据和充电能量数据；
9.s2、从每个充放电循环的充电能量数据中提取等压升间隔能量序列，绘制等压升能量充电曲线，并计算出每个充放电周期所对应的等压升能量充电曲线的峰值序列；
10.s3、将等压升能量充电曲线的峰值序列与健康状态序列进行归一化预处理后作为
输入数据；
11.s4、在gru网络中增加翻转层和概率层，改进gru网络，构建锂电池健康状态的网络估计模型；
12.s5、应用构建的锂电池健康状态网络估计模型对锂电池健康状态进行估计。
13.其中，在所述步骤s1中：
14.充放电循环过程的锂电池健康状态数据序列为h1,h2,...,hn，其中所测量的数据其中hi为第i个充放电循环的电池健康状态，i＝1,2,k,n，n为循环充放电次数，ci为第i个充放电过程锂电池的最大放电容量，c为锂电池的额定容量；充电能量数据为e0,e1,...,e
t
，其中所测量的能量数据ej＝e0+∑uit，其中ej为j时刻充电能量，e0为初始能量，u为充电端电压，i为充电电流，t为充电时间。
15.优选地，所述的步骤s2的过程包括：
16.通过固定电压升值所对应的能量序列e0,e
δv
,
…
,e
mδv
来快速绘制等压升能量充电曲线，计算等压升能量充电曲线的峰值序列为f1,f2,
…
,fn，其中，fi为i个充电循环内等压升能量的最大变化率，e
i,aδv
、e
i,(a+1)δv
分别为第i个充电循环内，电池在相邻的第a，a+1个等压间隔的充电能量，a＝0,
…
,m-1，δv为间隔电压，y为充电过程中的总上升电压。
17.进一步，所述的步骤s3的过程包括：
18.采用最大最小值归一化预处理数据，将数据归一化在区间[-1,1]之间；其中，归一化公式为x为预处理数据序列，x
min
为数据序列x中最小值，x
max
为数据序列x中最大值。
[0019]
更进一步，在所述的步骤s4中：
[0020]
翻转层反转输入数据序列顺序，同时读取正向和反向数据，翻转计算公式如下：
[0021]
l＝size(x
*
)；
[0022][0023]
其中，l为一个常数，代表输入序列的长度大小，size为维度函数，为与x
*
同维度的反向序列，flip为翻转函数，dim为反向运算的维度方向；
[0024]
概率层对输入数据按照一定的概率进行保留和删除，概率计算公式如下：
[0025]gi
＝bernoulli(p)；
[0026][0027][0028]
其中，p为一个概率值，0《p《1，gi为概率p的伯努利分布随机生成与数据序列长度相同的0,1序列，为按照概率保留下来的数据，y输出数据，w为保留数据的权重，b为偏置；
[0029]
gru网络中主要数据处理过程如下：
[0030]zt
＝σ1(wz*[h
t-1
，x
t
]+bz)
[0031]rt
＝σ1(wr*[h
t-1
，x
t
]+br)
[0032][0033][0034]
其中，更新门z
t
衡量t-1时刻的信息被保留在t时刻的程度，重置门r
t
用来控制t-1时刻的信息被保留在t时刻候选隐藏信息上的多少，根据t时刻更新门状态和t时刻候选隐藏状态计算输出门的隐藏状态h
t
；wz，wr和wh分别为更新门、重置门和隐藏状态的权重，bz，br和bh分别为更新门、重置门和隐藏状态的偏置；σ1和σ2分别为sigmoid型tanh型激活函数，
⊙
为矩阵元素点乘；
[0035]
取峰值序列和健康状态序列的前k(k＝1,
…
,n-1)个样本值和作为训练集，k＝1,
…
,n-1，取第k+1,k+2,
…
,n个样本值和作为测试集，通过改进的gru网络构建电池健康状态估计模型。
[0036]
更具体地，所述步骤s5的过程包括：
[0037]
用峰值序列的第k+1,
…
,n充放电循环数据作为输入，应用建立的锂电池健康状态估计模型进行估计。
[0038]
与现有技术相比，本发明的有益效果是：
[0039]
采用等压升内的能量变化量与等压差的比值代替传统的增量分析法，克服了实际测量中存在噪声误差和充电曲线微分求导带来的波动误差，通过外部特性表征内部发生复杂和剧烈的电化学反应，有利于特征的快速提取，并在不同充电倍率的条件下，验证该方法的适用性。
[0040]
采用翻转层和概率层改进gru读取、学习历史和未来数据，减少模型神经元之间的相互冗余来克服这一问题，提升模型的泛化性和鲁棒性，解决了电池伴随老化而出现的再生现象和数据的跳变所导致健康状态的估计不准确问题。
附图说明
[0041]
图1是本发明基于等压升能量和改进gru的锂电池健康状态估计方法的流程示意图；
[0042]
图2是本发明实施例提供的不同充电倍率条件下，锂电池健康状态随充放电循环的老化图；
[0043]
图3是本发明实施例提供的不同充电倍率条件下，等压升能量充电曲线图；
[0044]
图4是本发明实施例提供的改进gru模型的整体结构图；
[0045]
图5a至5c是本发明基于等压升能量和改进gru的锂电池健康状态估计方法与两个对比实验的锂电池健康状态估计结果对比图；其中，图5a为0.5c充电倍率下的估计结果，图5b为0.3c充电倍率下的估计结果，图5c为0.2c充电倍率下的估计结果；
[0046]
图6a至6c是本发明基于等压升能量和改进gru的锂电池健康状态估计方法与两个对比实验的健康状态估计误差对比图；其中，图6a为0.5c充电倍率下的估计误差，图6b为0.3c充电倍率下的估计误差，图6c为0.2c充电倍率下的估计误差。
具体实施方式
[0047]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0048]
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0049]
本发明提供了一种基于等压升能量和改进gru的锂电池健康状态估计方法，采集锂电池每个充放电循环的健康状态数据和充电能量数据；提取每个充放电循环的等压升间隔能量序列，利用等压升内的能量变化量与等压差的比值快速绘制等压升能量充电曲线，并计算出每个充放电周期所对应的等压升能量充电曲线的峰值序列；应用翻转层和概率层改进gru读取、学习历史和未来数据，减少模型神经元之间的相互冗余，基于训练集构建出锂电池健康状态估计模型；应用改进的gru健康状态估计模型对锂电池健康状态进行估计并在不同充电倍率工况下的数据进行验证。本发明通过电池外部特性表征内部复杂和剧烈的电化学反应，能有效反应电池的衰退老化，具有快速、准确等优势的健康状态估计方法。
[0050]
如图1所示，本发明的基于满置电流和二重相关度的锂电池健康状态估计方法包括以下步骤。
[0051]
s1、获取锂电池每个充放电循环的健康状态数据和充电能量数据；
[0052]
在本发明实施例中，在步骤s1中，循环充放电过程的锂电池健康状态数据序列为h1,h2,...,hn，其中所测量的数据其中hi为第i(i＝1,2,k,n)个充放电循环的电池健康状态，n为循环充放电次数，ci为第i个充放电过程锂电池的最大放电容量，c为锂电池的额定容量；充电能量数据为e0,e1,...,e
t
，所测量的能量数据ej＝e0+∑uit，其中ej为j时刻充电能量，e0为初始能量，u为充电端电压，i为充电电流，t为充电时间。
[0053]
s2、从每个充放电循环的充电能量数据中提取等压升间隔能量序列，绘制等压升能量充电曲线，并计算出每个充放电周期所对应的等压升能量充电曲线的峰值序列；
[0054]
在本发明实施例中，在步骤s2中，通过固定电压升值所对应的能量序列e0,e
δv
,
…
,e
mδv
来快速绘制等压升能量充电曲线，计算等压升能量充电曲线的峰值序列为f1,f2,
…
,fn，
其中，fi为i个充电循环内等压升能量的最大变化率，e
i,aδv
，e
i,(a+1)δv
分别第i个充电循环内，电池在相邻的第a，a+1个等压间隔的充电能量，(a＝0,
…
,m-1)，δv为间隔电压，y为充电过程中的总上升电压。
[0055]
s3、将等压升能量充电曲线的峰值序列与健康状态序列进行归一化预处理后作为输入数据；
[0056]
在本发明实施例中，在步骤s3中，采用最大最小值归一化预处理数据，将数据归一化在区间[-1,1]之间；其中，归一化公式为x为预处理数据序列，x
min
为数据序列x中最小值，x
max
为数据序列x中最大值。
[0057]
s4、在gru网络中增加翻转层和概率层，改进gru网络，构建锂电池健康状态的网络估计模型；
[0058]
在本发明实施例中，在步骤s4中，翻转层反转输入数据序列顺序，同时读取正向和反向数据，翻转计算公式如下：
[0059]
l＝size(x
*
)；
[0060][0061]
其中，l为一个常数，代表输入序列的长度大小，size为维度函数，勾与x
*
同维度的反向序列，flip为翻转函数，dim为反向运算的维度方向。
[0062]
概率层对输入数据按照一定的概率进行保留和删除，概率计算公式如下：
[0063]gi
＝bernoulli(p)；
[0064][0065][0066]
其中，p(0＜p＜1)为一个概率值，gi为概率p的伯努利分布随机生成与数据序列长度相同的0，1序列，为按照概率保留下来的数据，y输出数据，w为保留数据的权重，b为偏置。
[0067]
gru网络中主要数据处理过程如下：
[0068]zt
＝σ1(wz*[h
t-1
，x
t
]+bz)
[0069]rt
＝σ1(wr*[h
t-1
，x
t
]+br)
[0070][0071][0072]
其中，更新门z
t
衡量t-1时刻的信息被保留在t时刻的程度，重置门r
t
用来控制t-1时刻的信息被保留在t时刻候选隐藏信息上的多少，根据t时刻更新门状态和t时刻候选隐藏状态计算输出门的隐藏状态h
t
；wz，wr和wh分别为更新门、重置门和隐藏状态的权重，bz，br和bh分别为更新门、重置门和隐藏状态的偏置；σ1和σ2分别为sigmoid型tanh型激活函数，
⊙
为矩阵元素点乘。
[0073]
取峰值序列和健康状态序列的前k(k＝1，
…
，n-1)个样本值和作为训练集，取第k+1，k+2，
…
，n个样本值和作为测试集，通过改进的gru网络构建电池健康状态估计模型。
[0074]
s5、应用构建的锂电池健康状态网络估计模型对锂电池健康状态进行估计；
[0075]
在本发明实施例中，在步骤s5中，用峰值序列的第k+1,
…
,n充放电循环数据作为输入，应用建立的锂电池健康状态估计模型进行估计。
[0076]
下面以一个实例来说明本发明提出的基于等压升能量和改进gru的锂电池健康状态估计方法的过程与精确度。
[0077]
实例以三节18650型磷酸铁锂(lifepo4)电池分别进行0.5c，0.3c和0.2c倍率充放电循环实验，额定容量都为2400mah，初始放电容量分别为2391mah，2376mah，2355mah，分别以1.2a，0.72a和0.48a进行恒流充电，当电池端电压上升为4.2v，保持端电压4.2v不变进行恒压充电，当充电电流降至48ma时充电结束。搁置2min后以2.4a电流恒流放电，直至锂电池端电压下降为3v，放电结束。充放电循环次数为750次。其中，图2为不同充电倍率的锂电池健康状态随着充放电循环的容量衰减过程。
[0078]
具体操作步骤如下：
[0079]
(1)基于实验室采集的三种不同充电倍率数据，提取每个充放电循环的等压升间隔能量数据并绘制不同倍率下的等压升能量充电曲线如图3所示，计算750个充放电周期所对应的等压升能量充电曲线的峰值序列和健康状态数据序列。
[0080]
(2)同一充电循环内的峰值数据和健康状态数据作为一组数据，将750组锂电池充电过程的数据按照1：1划分，即1-375组数据为训练集，376-750组数据为测试集，通过翻转层和概率层改进gru建立健康状态估计模型，整体网络结构如图4所示。翻转层按照纵向反转读取输入序列，概率层中神经元的状态信息保留和删除概率均为0.5，gru神经元数量为40，学习率为0.005。
[0081]
(3)应用改进后的gru建立锂电池健康状态估计模型，基于测试集进行锂电池健康状态估计，与此同时，为0.5c，0.3c，0.2c共三种不同的充电倍率电池分别设置了两组对比实验与本发明提出的方法进行对比实验，如表1所示。实验的估计结果对比和误差对比分别如图5、图6所示，表2，3，4分别为0.5c，0.3c，0.2c倍率为对比试验的锂电池健康状态估计结果的平均绝对误差与最大误差，本实验分别采用平均绝对误差(mae)、均方根误差(rmse)、决定系数(r2)作为估计模型的评估指标
[0082]
表1
[0083]
方法输入估计模型本发明提出的方法等压升能量峰值改进gru
比较方法1等压升能量峰值svm比较方法2等压升能量峰值elm
[0084]
表2
[0085]
评价指标本发明提出的方法比较方法1比较方法2mae(％)0.22490.33640.3748rmse(％)0.30920.45620.4934r2(％)99.2997.8597.62
[0086]
表3
[0087]
评价指标本发明提出的方法比较方法1比较方法2mae(％)0.20650.31380.3363rmse(％)0.24600.38610.4088r2(％)99.4697.3697.73
[0088]
表4
[0089]
评价指标本发明提出的方法比较方法1比较方法2mae(％)0.21560.36040.4183rmse(％)0.25540.47240.5267r2(％)98.0294.0693.79
[0090]
从锂电池健康状态估计结果的误差对比中可以看出，本发明提出的方法在0.5c，0.3c，0.2c倍率三种不同的充放电倍率循环的实验中都取得了较为准确的soh估计结果，并克服了电池的再生现象，同时本发明提出的方法的r2均大于98％且高于比较方法1和比较方法2的r2，具有更好的拟合度，拟合度越大表明估计模型输入的峰值特征与健康状态具有越好的解释关系，说明本发明提出的基于等压升能量和改进gru的锂电池健康状态估计方法更能有效的追踪电池健康状态的衰退过程，具有误差小、效率高等特点。
[0091]
本发明提出基于等压升能量和改进gru的锂电池健康状态估计方法。该方法为：首先获取锂电池每个充放电循环的健康状态数据和充电能量数据；然后提取每个充放电循环的充电能量数据的等压升间隔能量序列，绘制等压升能量充电曲线，并计算出每个充放电周期所对应的等压升能量充电曲线的峰值序列；最后在gru网络中增加翻转层和概率层，改进gru网络，构建锂电池健康状态的网络估计模型；应用构建的锂电池健康状态网络估计模型对锂电池健康状态进行估计。本发明提出的基于等压升能量和改进gru的锂电池健康状态估计方法通过考虑增量分析法噪声误差和拟合函数后的微分误差，采用等压升内的能量变化量与压差的比值可有效减少误差；改进后的gru在运算成本和估计精度上都有很大的提升，克服了电池老化而出现的再生现象所导致的估计不准确问题，具有极大的指导意义和参考价值。
[0092]
需要指出，根据实施的需要，可将本技术中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
[0093]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含
在本发明的保护范围之内。
[0094]
本发明未详述之处，均为本领域技术人员的公知技术。
[0095]
最后所要说明的是：以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改和等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：

1.一种基于等压升能量和改进gru的锂电池健康状态估计方法，其特征在于，所述方法包括如下步骤：s1、获取锂电池每个充放电循环的健康状态数据和充电能量数据；s2、从每个充放电循环的充电能量数据中提取等压升间隔能量序列，绘制等压升能量充电曲线，并计算出每个充放电周期所对应的等压升能量充电曲线的峰值序列；s3、将等压升能量充电曲线的峰值序列与健康状态序列进行归一化预处理后作为输入数据；s4、在gru网络中增加翻转层和概率层，改进gru网络，构建锂电池健康状态的网络估计模型；s5、应用构建的锂电池健康状态网络估计模型对锂电池健康状态进行估计。2.根据权利要求1所述的基于等压升能量和改进gru的锂电池健康状态估计方法，其特征在于，在所述步骤s1中：充放电循环过程的锂电池健康状态数据序列为h1,h2,...,h
n
，其中所测量的数据其中h
i
为第i个充放电循环的电池健康状态，i＝1,2,k,n，n为循环充放电次数，c
i
为第i个充放电过程锂电池的最大放电容量，c为锂电池的额定容量；充电能量数据为e0,e1,...,e
t
，其中所测量的能量数据e
j
＝e0+∑uit，其中e
j
为j时刻充电能量，e0为初始能量，u为充电端电压，i为充电电流，t为充电时间。3.根据权利要求2所述的基于等压升能量和改进gru的锂电池健康状态估计方法，其特征在于，所述的步骤s2的过程包括：通过固定电压升值所对应的能量序列e0,e
δv
,
…
,e
mδv
来快速绘制等压升能量充电曲线，计算等压升能量充电曲线的峰值序列为f1,f2,
…
,f
n
，其中，，其中，f
i
为i个充电循环内等压升能量的最大变化率，e
i,aδv
、e
i,(a+1)δv
分别为第i个充电循环内，电池在相邻的第a，a+1个等压间隔的充电能量，a＝0,
…
,m-1，δv为间隔电压，y为充电过程中的总上升电压。4.根据权利要求3所述的基于等压升能量和改进gru的锂电池健康状态估计方法，其特征在于，所述的步骤s3的过程包括：采用最大最小值归一化预处理数据，将数据归一化在区间[-1,1]之间；其中，归一化公式为x为预处理数据序列，x
min
为数据序列x中最小值，x
max
为数据序列x中最大值。5.根据权利要求4所述的基于等压升能量和改进gru的锂电池健康状态估计方法，其特征在于，在所述的步骤s4中：翻转层反转输入数据序列顺序，同时读取正向和反向数据，翻转计算公式如下：l＝size(x
*
)；
其中，l为一个常数，代表输入序列的长度大小，size为维度函数，为与x
*
同维度的反向序列，flip为翻转函数，dim为反向运算的维度方向；概率层对输入数据按照一定的概率进行保留和删除，概率计算公式如下：g
i
＝bernoulli(p)；＝bernoulli(p)；其中，p为一个概率值，0<p<1，g
i
为概率p的伯努利分布随机生成与数据序列长度相同的0,1序列，为按照概率保留下来的数据，y输出数据，w为保留数据的权重，b为偏置；gru网络中主要数据处理过程如下:z
t
＝σ1(w
z
*[h
t-1
，x
t
]+b
z
)r
t
＝σ1(w
r
*[h
t-1
，x
t
]+b
r
))其中，更新门z
t
衡量t-1时刻的信息被保留在t时刻的程度，重置门r
t
用来控制t-1时刻的信息被保留在t时刻候选隐藏信息上的多少，根据t时刻更新门状态和t时刻候选隐藏状态计算输出门的隐藏状态h
t
；w
z
，w
r
和w
h
分别为更新门、重置门和隐藏状态的权重，b
z
，b
r
和b
h
分别为更新门、重置门和隐藏状态的偏置；σ1和σ2分别为sigmoid型tanh型激活函数，
⊙
为矩阵元素点乘；取峰值序列和健康状态序列的前k(k＝1,
…
,n-1)个样本值和作为训练集，k＝1,
…
,n-1，取第k+1,k+2,
…
,n个样本值和作为测试集，通过改进的gru网络构建电池健康状态估计模型。6.根据权利要求5所述的基于等压升能量和改进gru的锂电池健康状态估计方法，其特征在于，所述步骤s5的过程包括：用峰值序列的第k+1,
…
,n充放电循环数据作为输入，应用建立的锂电池健康状态估计模型进行估计。

技术总结

本发明提供了一种基于等压升能量和改进GRU的锂电池健康状态估计方法，包括获取锂电池每个充放电循环的健康状态数据和充电能量数据；从每个充放电循环的充电能量数据中提取等压升间隔能量序列，绘制等压升能量充电曲线，并计算出每个充放电周期所对应的等压升能量充电曲线的峰值序列；将等压升能量充电曲线的峰值序列与健康状态序列进行归一化预处理后作为输入数据；在GRU网络中增加翻转层和概率层，改进GRU网络，构建锂电池健康状态的网络估计模型；应用构建的锂电池健康状态网络估计模型对锂电池健康状态进行估计。本发明通过电池外部特性表征内部复杂和剧烈的电化学反应，能有效反应电池的衰退老化，具有快速、准确等优势的健康状态估计方法。优势的健康状态估计方法。优势的健康状态估计方法。