基于集成深度学习的电动汽车动力电池SOH估算方法

基于集成深度学习的电动汽车动力电池soh估算方法
技术领域
1.本发明涉及电动汽车充电安全技术领域，尤其涉及基于集成深度学习的电动汽车动力电池soh估算方法。


背景技术：

2.随着全球能源形势的日渐紧张和减少碳排放的迫切需求，开发和推广替代传统燃油汽车的新型交通工具已成为全球共识。电动汽车具有高能效、低污染、环境友好等优势，正逐渐成为未来交通方式的首选。锂离子电池因其体积小、能量密度高、寿命长、成本低等优点，被广泛的应用于电动汽车动力电池系统中。然而，由于充放电过程中，锂离子电池内部发生的不可逆的物理和化学变化，其性能会随着充放电次数的增加而衰减。为了确保锂离子动力电池性能衰减后工作的安全性和可靠性，需要对其性能进行评估。
3.电池健康状态(state ofhealth，soh)被用作表征电池性能与老化程度，其通常定义为电池当前可用最大容量与出厂额定容量之间的比值。
4.soh受众多因素影响，与电池老化机理相关，对其进行估算具有较高的难度，但对锂离子动力电池安全、高效利用至关重要。目前大部分在线监测系统难以在线评估每个电池单体的soh并对其充电参数进行修正，导致soh较低的电池单体处于过充状态。随着过充行为的累积，电池单体soh会进一步降低，形成恶性循环，加速电池组老化甚至出现由于多频次的过充引发的故障及起火。
5.因此，本发明从电动汽车电池实际工作情况以及常用电池管理系统传感器的采样精度及采样频率限制两个出发点，提出一种基于集成深度学习的电动汽车动力电池soh估算方法，来解决现有技术存在的困难，是本领域技术人员亟需解决的问题。


技术实现要素：

6.有鉴于此，本发明提供了基于集成深度学习的电动汽车动力电池soh估算方法，可适用于不同种充电方式的电池单体soh估算。
7.为了实现上述目的，本发明采用如下技术方案：
8.基于集成深度学习的电动汽车动力电池soh估算方法，包括以下步骤：
9.s1.获取数据步骤：获取充电片段数据；
10.s2.数据划分步骤：将充电片段数据划分为训练数据集和测试数据集；
11.s3.数据切片步骤：根据区间宽度和取样间隔对s2中训练数据集和测试数据集进行数据切片；
12.s4.数据预处理步骤：对s3中数据切片进行归一化处理，得到预处理后的训练数据集和测试数据集；
13.s5.基模型训练步骤：输入预处理后的训练数据集，输出电池soh的估算值，根据输出的估算值和实际值通过反向传播算法调整各模型权重值，进行输出匹配；
14.s6.估算精度判断步骤：判断s5中输出的电池soh的估算值是否满足预测精度，若
满足则进行s7，否则返回s5；
15.s7.训练成本判断步骤：判断s6中输出的电池soh的估算值是否满足训练时间和成本，若满足则进行s8，否则返回s3；
16.s8.元学习器训练步骤：将基模型作为集成模型的元学习器，各基学习器的输出值作为元学习器的输入值，训练元学习器；
17.s9.电池soh的估算步骤：将n个预处理后的测试集数据片段输入到对应的n个基学习器中，得到n个基学习器的soh估算结果，将得到的n个基学习器的soh估算结果输入元学习器得到集成模型的估算结果sohe。
18.上述的方法，可选的，s1中获取的充电片段数据为确定长度确定阶段的片段数据，具体为：
19.将完整的充电过程分成n个充电阶段，每个充电阶段具有相等的宽度δse，n满足式(1)：
[0020][0021]
δse满足式(2)：
[0022][0023]
其中，δs
cmin
为每次电动汽车充电后soc增量的最小值；
[0024]
舍弃充电数据中不完整的部分，则将一段任意长度、任意阶段的充电片段数据转化为了多段确定长度、确定阶段的充电数据。
[0025]
上述的方法，可选的，采用荷电状态曲线舍弃充电数据中不完整的部分。
[0026]
上述的方法，可选的，s4中将充电片段数据进行归一化处理的具体内容为：采用min-max标准化方法进行归一化处理，如式(3)所示：
[0027][0028]
其中，x
norm
为归一化后的数据，x为原始数据，x
max
和x
min
代表所处的充电阶段中原始数据的最大值和最小值。
[0029]
上述的方法，可选的，s5中选用长短期记忆网络与注意机制相结合的网络模型进行基模型的训练。
[0030]
上述的方法，可选的，还包括在长短期记忆网络中加入recurrent dropout机制提升模型鲁棒性。
[0031]
上述的方法，可选的，s8元学习器训练步骤中选用bp神经网络作为元学习器。
[0032]
上述的方法，可选的，s9中电池soh的估算步骤的具体内容为：bp神经网络包含输入层、隐藏层和输出层；
[0033]
bp神经网络的输入层接收来自各个基学习器给出的电池soh估算值；
[0034]
通过隐藏层进行加权和求和，将加权和求和结果通过激活函数进行非线性转换，得到隐藏层的输出；
[0035]
将隐藏层的输出通过加权和求和的操作，并再次经过激活函数的非线性转换，得到输出层的输出，即得到电池soh的估算值sohe。
[0036]
经由上述的技术方案可知，与现有技术相比，本发明提供了基于集成深度学习的电动汽车动力电池soh估算方法，具有以下有益效果：首先，综合考虑参数可获取性与泛用性，选取电池电压随荷电状态(soc)的变化趋势作为模型的特征参数。然后，提出了基于集成深度学习的动力电池soh估算方法，该方法将充电数据划分成若干片段，再基于每个片段的数据创建若干基模型来估计soh，在此基础上使用集成框架整合来自每个基模型的soh估算值，得到最终的soh估算值。本发明科学合理，适用性强，有助于确保电池系统的安全性和可靠性，在电动汽车快速普及背景下，通过本发明所提出的方法进行电动汽车电池健康度估算具有实际意义。
附图说明
[0037]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0038]
图1为本发明提供的基于集成深度学习的电动汽车动力电池soh估算方法流程图；
[0039]
图2为本发明实施例提供的不同soh所对应的u＝f(soc)曲线；
[0040]
图3为本发明实施例提供的充电阶段与采样点示意图；
[0041]
图4为本发明实施例提供的充电数据的分割示意图；
[0042]
图5为本发明实施例提供的bp神经结构图。
具体实施方式
[0043]
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。
[0044]
参照图1所示，本发明公开了基于集成深度学习的电动汽车动力电池soh估算方法，包括以下步骤：
[0045]
s1.获取数据步骤：获取充电片段数据；
[0046]
s2.数据划分步骤：将充电片段数据划分为训练数据集和测试数据集；
[0047]
s3.数据切片步骤：根据区间宽度和取样间隔对s2中训练数据集和测试数据集进行数据切片；
[0048]
s4.数据预处理步骤：对s3中数据切片进行归一化处理，得到预处理后的训练数据集和测试数据集；
[0049]
s5.基模型训练步骤：输入预处理后的训练数据集，输出电池soh的估算值，根据输出的估算值和实际值通过反向传播算法调整各模型权重值，进行输出匹配；
[0050]
s6.估算精度判断步骤：判断s5中输出的电池soh的估算值是否满足预测精度，若满足则进行s7，否则返回s5；
[0051]
s7.训练成本判断步骤：判断s6中输出的电池soh的估算值是否满足训练时间和成本，若满足则进行s8，否则返回s3；
[0052]
s8.元学习器训练步骤：将基模型作为集成模型的元学习器，各基学习器的输出值作为元学习器的输入值，训练元学习器；
[0053]
s9.电池soh的估算步骤：将n个预处理后的测试集数据片段输入到对应的n个基学习器中，得到n个基学习器的soh估算结果，将得到的n个基学习器的soh估算结果输入元学习器得到集成模型的估算结果sohe。
[0054]
进一步的，s1中获取的充电片段数据为确定长度确定阶段的片段数据，具体为：
[0055]
将完整的充电过程分成n个充电阶段，每个充电阶段具有相等的宽度δse，n满足式(1)：
[0056][0057]
δse满足式(2)：
[0058][0059]
其中，δs
cmin
为每次电动汽车充电后soc增量的最小值；
[0060]
舍弃充电数据中不完整的部分，则将一段任意长度、任意阶段的充电片段数据转化为了多段确定长度、确定阶段的充电数据。
[0061]
具体的，将实际的充电数据按照设置的充电阶段分割成若干数据部分后，舍弃充电数据中不完整的部分。例如，图4中所示充电数据，被虚线分割为n个部分，其位于充电阶段1和充电阶段n的部分被舍弃，剩余n-2个部分。按照上述方法对充电数据进行处理，就将一段任意长度、任意阶段的充电片段数据转化为了多段确定长度、确定阶段的充电数据。
[0062]
进一步的，采用荷电状态曲线舍弃充电数据中不完整的部分。
[0063]
荷电状态(state ofcharge,soc)被定义为剩余容量与最大可用容量之比，其能够量化当前电池内部所剩能量。如图2所示，u＝f(soc)曲线随着电池soh的降低，其围成的面积越来越大。
[0064]
进一步的，s4中将充电片段数据进行归一化处理的具体内容为：采用min-max标准化方法进行归一化处理，如式(3)所示：
[0065][0066]
其中，x
norm
为归一化后的数据，x为原始数据，x
max
和x
min
代表所处的充电阶段中原始数据的最大值和最小值。
[0067]
具体的，归一化后的数据处于区间[0，1]。
[0068]
进一步的，s5中选用长短期记忆网络与注意机制相结合的网络模型进行基模型的训练。
[0069]
进一步的，还包括在长短期记忆网络中加入recurrent dropout机制提升模型鲁棒性。
[0070]
进一步的，s8元学习器训练步骤中选用bp神经网络作为元学习器。
[0071]
进一步的，s9中电池soh的估算步骤的具体内容为：bp神经网络包含输入层、隐藏层和输出层；
[0072]
bp神经网络的输入层接收来自各个基学习器给出的电池soh估算值；
[0073]
通过隐藏层进行加权和求和，将加权和求和结果通过激活函数进行非线性转换，得到隐藏层的输出；
[0074]
将隐藏层的输出通过加权和求和的操作，并再次经过激活函数的非线性转换，得到输出层的输出，即得到电池soh的估算值sohe。
[0075]
在一个具体实施例中，基于集成深度学习的电动汽车动力电池soh估算方法流程如下：
[0076]
(1)数据处理
[0077]
取电池单体正常充电时的电压及其所对应的soc值作为原始数据，并将其分为训练集与测试集。根据经验以及实际工况确定充电阶段的长度δse和采样间隔δsn，将训练集数据划分为n个片段，每个片段包含n个数据点。使用min-max标准化方法对训练集数据进行归一化处理。
[0078]
(2)模型训练
[0079]
首先，按照本发明所述的基于深度学习的电池soh估算方法构建soh估算基模型。然后，取训练集数据，基于(1)数据处理中划分的n个数据片段，分别训练n个基模型；将模型的估算值与实际值对比，得到各个模型的预测精度；综合考虑模型估算精度与训练成本，判断是否需要重新设置充电阶段长度δse和采样间隔δsn(如图3所示)，当基模型的估算精度与训练成本达到要求后，可将基模型作为集成模型的元学习器。最后，根据本发明所述的方法构建元学习器，将各基学习器的输出值作为元学习器的输入值，训练元学习器。
[0080]
(3)电池soh估算
[0081]
首先，取测试集数据，根据其是否完全的落入某个充电阶段，判断是否激活该充电阶段所对应的基学习器。然后，将数据片段输入对应的基学习器。最后，将各个基学习器的soh估算结果输入元学习器得到集成模型的估算结果sohe。
[0082]
在另一具体的实施例中，包括以下步骤：
[0083]
1、数据预处理
[0084]
为了对本发明所提出的soh估算方法进行验证，本节基于牛津电池老化数据集进行实验。牛津电池老化数据集来自8块钴酸锂离子电池，每块电池的额定容量为740mah。研究人员在40℃恒定环境温度下，使用artemis市区驾驶工况对钴酸锂离子电池进行循环充放电，每100次驾驶工况循环后进行1次1c循环和伪ocv循环并记录时间、电压、电荷和温度。由此可以计算出电池单体正常充电时的电压及其所对应的soc值作为原始输入数据，该次循环后电池的soh值作为输出数据。
[0085]
本实验将其中7号和8号锂离子电池进行1c充电的数据作为测试样本，并将剩下的6块锂离子电池1c充电的数据作为训练样本对模型进行训练。根据调研得到的实际工况，将δse和δsn分别设置为10％和0.1％。由式(1)可计算得分割后生成10个充电阶段，每个阶段包含10个采样点。数据集的充电曲线均为soc从0到100％，而实际工况下的充电数据往往是随机的片段，所以为模拟真实工况，本发明将完整的充电曲线随机裁剪为若干片段。此外，由于某些电池管理系统只会对电池组的整体soc进行估算，而不会对每一个电池单体进行soc的估算。
[0086]
在实际的工况中，会有无法获取电池单体soc的情况。当遇到这种情况时，本发明使用电池组的整体soc代替电池单体soc。在实际的工况中，电池组中健康度相对较高的单
体，其soc略低于电池组soc，健康度相对较低的单体，其soc值略高于电池组soc。为模拟使用电池组的整体soc代替电池单体soc所造成的误差，本发明对每个充电阶段的上界和下界分别引入平均值为0且幅值为原数据幅值1％～5％的偏置量，最终将原始样本数据扩充了60倍。
[0087]
2、模型参数设定
[0088]
设定基模型个数为10，lstm模型输入层节点数为100，激活函数选用relu。第一个lstm层节点数为10，return sequences参数设置为true，recurrent dropout数值设置为0.5，激活函数选用relu。attention层节点数设置为10。第二个lstm层节点数为5，return sequences参数设置为false，激活函数选用relu。全连接层节点数为100，激活函数选用relu。输出层节点数为1，激活函数选用tanh。
[0089]
目标函数设置为均方误差mse，采用adam自适应优化器最小化目标函数，优化器学习率初始值设置为0.001，一阶动量衰减系数为0.9，二阶动量衰减系数为0.999，最小批量设置为200，迭代次数设置为10000。以上参数的设置依据对不同参数下实验结果进行对比而择优选取。因为需要对10个不同的基模型进行训练，为提高训练效率和避免过拟合，本发明在模型训练的过程中采用动态学习率，根据训练过程中均方误差的变化情况自适应地调整学习率的值。将训练集数据输入模型，经训练后，将测试集数据输入模型，得到soh估算值，并按式(4)计算各个基模型的平均绝对百分比误差(mean absolute percentage error,mape)。
[0090][0091]
式中：为模型给出的soh估算值，sohi为soh的真实值，w为数据个数。
[0092]
然后将各基模型作为集成模型的基学习器。将各基学习器的输出作为元学习器的输入，元学习器输入层节点数为10，激活函数选用relu。隐藏层节点数为18，激活函数选用relu。输出层节点数设置为1，激活函数选用relu。目标函数设置为平均绝对误差mae，采用adam自适应优化器最小化目标函数，优化器学习率为0.001，一阶动量衰减系数为0.99，二阶动量衰减系数为0.999，最小批量设置为1，迭代次数设置为1000。以上参数的设置依据对不同参数下实验结果进行对比而择优选取。将测试集数据输入训练后的集成模型，得到集成模型的soh估算结果。整个估算流程如图1所示。
[0093]
3、模型训练
[0094]
将输入数据按充电阶段进行划分，根据其位置信息确定数据所处充电阶段，进而确定对应的基学习器。如所示的充电数据将激活基学习器2和基学习器3。激活的基学习器根据输入数据特征进行深度学习，输出相应的soh估算值，未激活的基学习器输出为0。然后，将各基学习器的输出作为元学习器的输入，对soh进行进一步的估算与处理。由于本发明元学习器的输入数据存在大量的空值，所以所选择的元学习器应具有较强的自适应性和自学习能力。
[0095]
bp神经网络善于处理非线性问题，这使得它可以更好地处理具有不完整信息的数据，比如含有大量空值的数据。故本发明选用bp神经网络作为元学习器，如图5所示，bp神经网络的基本结构一般包含输入层、隐藏层和输出层。
[0096]
在网络的训练过程中，通过反向传播算法来调整每个神经元之间的权重，使得网
络的输出能够与期望的输出相匹配。bp神经网络具有很好的泛化能力，能够对新的数据进行准确的预测。本发明所使用的bp神经网络输入层节点数为n，代表n个来自基学习器的输入值。其隐藏层节点数可根据实验结果进行对比而择优选取。其输出层有1个节点，代表最终集成模型输出的soh值。
[0097]
4、电池soh估算
[0098]
bp神经网络的输入层接收来自各个基学习器给出的电池soh估算值，通过隐藏层进行加权和求和的操作，并将结果通过激活函数进行非线性转换，得到隐藏层的输出。然后将隐藏层的输出通过加权和求和的操作，并再次经过激活函数的非线性转换，得到输出层的输出。
[0099]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.基于集成深度学习的电动汽车动力电池soh估算方法，其特征在于，包括以下步骤：s1.获取数据步骤：获取充电片段数据；s2.数据划分步骤：将充电片段数据划分为训练数据集和测试数据集；s3.数据切片步骤：根据区间宽度和取样间隔对s2中训练数据集和测试数据集进行数据切片；s4.数据预处理步骤：对s3中数据切片进行归一化处理，得到预处理后的训练数据集和测试数据集；s5.基模型训练步骤：输入预处理后的训练数据集，输出电池soh的估算值，根据输出的估算值和实际值通过反向传播算法调整各模型权重值，进行输出匹配；s6.估算精度判断步骤：判断s5中输出的电池soh的估算值是否满足预测精度，若满足则进行s7，否则返回s5；s7.训练成本判断步骤：判断s6中输出的电池soh的估算值是否满足训练时间和成本，若满足则进行s8，否则返回s3；s8.元学习器训练步骤：将基模型作为集成模型的元学习器，各基学习器的输出值作为元学习器的输入值，训练元学习器；s9.电池soh的估算步骤：将n个预处理后的测试集数据片段输入到对应的n个基学习器中，得到n个基学习器的soh估算结果，将得到的n个基学习器的soh估算结果输入元学习器得到集成模型的估算结果soh
e
。2.根据权利要求1所述的基于集成深度学习的电动汽车动力电池soh估算方法，其特征在于，s1中获取的充电片段数据为确定长度确定阶段的片段数据，具体为：将完整的充电过程分成n个充电阶段，每个充电阶段具有相等的宽度δs
e
，n满足式(1)：δs
e
满足式(2)：其中，δs
cmin
为每次电动汽车充电后soc增量的最小值；舍弃充电数据中不完整的部分，则将一段任意长度、任意阶段的充电片段数据转化为了多段确定长度、确定阶段的充电数据。3.根据权利要求2所述的基于集成深度学习的电动汽车动力电池soh估算方法，其特征在于，采用荷电状态曲线舍弃充电数据中不完整的部分。4.根据权利要求1所述的基于集成深度学习的电动汽车动力电池soh估算方法，其特征在于，s4中将充电片段数据进行归一化处理的具体内容为：采用min-max标准化方法进行归一化处理，如式(3)所示：
其中，x
norm
为归一化后的数据，x为原始数据，x
max
和x
min
代表所处的充电阶段中原始数据的最大值和最小值。5.根据权利要求1所述的基于集成深度学习的电动汽车动力电池soh估算方法，其特征在于，s5中选用长短期记忆网络与注意机制相结合的网络模型进行基模型的训练。6.根据权利要求1所述的基于集成深度学习的电动汽车动力电池soh估算方法，其特征在于，还包括在长短期记忆网络中加入recurrentdropout机制提升模型鲁棒性。7.根据权利要求1所述的基于集成深度学习的电动汽车动力电池soh估算方法，其特征在于，s8元学习器训练步骤中选用bp神经网络作为元学习器。8.根据权利要求1所述的基于集成深度学习的电动汽车动力电池soh估算方法，其特征在于，s9中电池soh的估算步骤的具体内容为：bp神经网络包含输入层、隐藏层和输出层；bp神经网络的输入层接收来自各个基学习器给出的电池soh估算值；通过隐藏层进行加权和求和，将加权和求和结果通过激活函数进行非线性转换，得到隐藏层的输出；将隐藏层的输出通过加权和求和的操作，并再次经过激活函数的非线性转换，得到输出层的输出，即得到电池soh的估算值soh
e
。

技术总结
本发明公开了基于集成深度学习的电动汽车动力电池SOH估算方法，涉及电动汽车充电安全技术领域。包括：S1.获取数据步骤、S2.数据划分步骤、S3.数据切片步骤、S4.数据预处理步骤、S5.基模型训练步骤、S6.估算精度判断步骤、S7.训练成本判断步骤、S8.元学习器训练步骤、S9.电池SOH的估算步骤。本发明科学合理，适用性强，有助于确保电池系统的安全性和可靠性，具有实际意义。有实际意义。有实际意义。


技术研发人员：张良 张君宇 吕玲 高天 郑丽冬 王龙飞 吴奇志
受保护的技术使用者：东北电力大学
技术研发日：2023.05.31
技术公布日：2023/9/5