一种基于电池健康特征的最大可用容量估计方法

1.本发明涉及电池技术领域，尤其涉及电池最大可用容量的估计方法。


背景技术：

2.锂电池因其能量密度高、自放电率低、循环性能优越等优点被广泛应用于储能和电动汽车等领域。随着电池的循环使用，锂电池的性能因受自身内外部条件影响，会不断降低直至无法满足设备的需求，甚至会引起锂电池失火爆炸，造成经济损失和人身安全危害。为了确保锂电池能安全、稳定、高效地运行，准确的锂电池可用剩余容量估计模型是十分有必要的。
3.本发明提出了一种基于电池健康特征的电池最大可用容量估计方法。


技术实现要素：

4.本发明的目的是提供一种基于电池健康特征的电池最大可用容量估计方法，以提高电池容量预测模型的准确性。
5.为达到上述目的，本发明采用如下技术方案：
6.一种基于电池健康特征的电池最大可用容量估计方法，包括以下步骤：
7.步骤s1：开展锂电池老化实验，获取电池电压、电流、温度等数据，并采用多项式拟合方法提取电压曲线、电流曲线、温度曲线的拟合参数，作为电池基本健康特征；
8.步骤s2：采用奇异谱分析方法对电池电压、电流数据进行降维、降噪处理，并通过获取的主成分重构电池电压、电流曲线；
9.步骤s3：采用快速傅里叶变换提取电池充放电电压的频域信息；
10.步骤s4：利用相关性分析方法获取与最大可用容量高度相关的电池健康特征；
11.步骤s5：基于梯度提升决策树构建最大可用容量的估计模型。
12.可选的，所述采用多项式拟合方法提取电压曲线、电流曲线、温度曲线的拟合参数，作为电池基本健康特征，具体包括：
13.所采用的多项式拟合公式如下：
[0014][0015]
所采用的多项式拟合求解方法为最小二乘法，并获取多项式参数a1、a2、...、an及r。
[0016]
分析上述多项式参数与电池循环次数之间的关系，并以此作为电池的基本健康特征。
[0017]
可选的，采用奇异谱分析方法对电池电压、电流数据进行降维、降噪处理，并通过获取的主成分重构电池电压、电流曲线，具体包括：
[0018]
首先，将电池电压、电流数据看作为一维时间序列数据，并获取相应的轨迹矩阵。其次，计算并对其进行奇异值分解，得到个特征值
及其相应的特征向量，然后对特征向量进行分组和重构，得到新的电池电压、电流曲线，以此作为电池的健康特征。
[0019]
可选的，采用快速傅里叶变换提取电池充放电电压的频域信息，具体包括：
[0020]
所述频域信息为电池在不同循环次数下的工频幅值参数。
[0021]
可选的，利用相关性分析方法获取与最大可用容量高度相关的电池健康特征：
[0022]
所述相关性分析方法为皮尔逊相关系数法，具体公式如下：
[0023][0024]
可选的，基于梯度提升决策树（gradient boosting decision tree，gbdt）构建最大可用容量的估计模型，并调节模型参数，使预测结果更为精确，具体包括：
[0025]
先设置简单初值，然后每次学习所建立模型损失函数的梯度下降方向，并采用boosting思想叠加每轮学习的结果。
[0026]
基于梯度提升决策树的锂电池最大可用容量估计模型有两个重要的参数需要设置，一是叶节点的数量，二是迭代次数，即树的深度，这两个参数的设置直接关系到模型的预测精度。
[0027]
根据本发明提供的基于电池健康特征的电池最大可用容量估计方法，首先，采用多项式拟合技术、奇异谱分析、快速傅里叶变换等方法提取电池数据的多维度健康特征；然后，利用相关性分析方法获取与最大可用容量高度相关的电池健康特征；最后，基于梯度提升决策树构建最大可用容量的估计模型，并采用多个老化数据集对本发明方法进行验证，具有以下优点：
[0028]
（1）利用奇异谱分析从对电池时间序列数据进行重构，可以从原始数据中分解出更多有用信息，并从中选择若干有意义的分量进行重建，对数据进行降噪。
[0029]
（2）采用快速傅里叶变换提取电池信号的频域信息。
[0030]
（3）采用梯度提升决策树模型，针对锂电池可用剩余容量估计模型调参简单，具有较高的泛化能力和表达能力。
附图说明
[0031]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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一些实施例，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，还可以根据这些附图获得其他的附图。
[0032]
图1为本发明所述的一种基于电池健康特征的电池最大可用容量估计方法的流程图；
[0033]
图2为本发明所述的电池健康特征提取的网络结构示意图；
[0034]
图3为本发明所述的基于gbdt的电池剩余容量预测的结构示意图；
[0035]
图4为本实例所述的部分电池的gbdt训练结果图，（a）nasa电池数据集：6#、7#和18#用于训练，5#用于测试，（b）cacle电池数据集：cs2_36、cs2_37和cs2_38用于训练，cs2_35用于测试。
具体实施方式
[0036]
下面将结合本发明实施例中的附图面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，都属于本发明的保护的范围。
[0037]
如图1所示一种基于电池健康特征的电池最大可用容量估计方法，包括以下步骤：
[0038]
s1：开展锂电池老化实验，获取电池电压、电流、温度等数据，并采用多项式拟合方法提取电压曲线、电流曲线、温度曲线的拟合参数，作为电池基本健康特征；
[0039]
实验数据来自于美国国家航空航天局（nasa）电池老化数据集和马里兰生命实验室（cacle）电池老化数据集，所述数据包括电池参数及恒流恒压工况时的充放电信息等。
[0040]
其中，nasa锂电池数据集以恒流1.5a将电池电压升高至4.2v，然后以恒压4.2v充电直至电池电流小于20ma,以2a的恒定电流进行放电至电池的截止电压；cacle锂电池数据集以恒流0.55a将电池电压升高至4.2v，然后以恒压4.2v充电直至电池电流小于50ma， 以1.1a的恒定电流进行放电至电池的截止电压2.7v。注意，两组电池的截至容量都是初始容量的70%。
[0041]
构建的多项式拟合函数公式如下：
[0042][0043]
对于充电电流，在恒流充电阶段，提取充电恒流时长最为第一个电池健康特征（f1），在恒压充电阶段，充电电流随着充电时间有着明显的衰退趋势，采用polynomial多项式拟合电流衰减曲线，通过实验验证，当时，电流衰退曲线有着较好的拟合效果，取拟合函数第四项及余项作为电池健康特征f2和f3。对于放电电流，以恒流放电时长作为f4。
[0044]
对于放电电压，可以分为两个阶段，(1)电压衰退阶段，在该阶段采用polynomial多项式拟合电压衰减曲线，通过实验验证，当n＝3时，电流衰退曲线有着较好的拟合效果，取拟合函数第三项及余项作为电池健康特征f5和f6。(2)电压恢复阶段，电压恢复曲线可近似看作一条直线，取电压恢复斜率k1作为f7。
[0045]
对于电池温度，以电池在充电侧，每次循环温度能到达的最大值作为f8以恒流充电阶段温度上升斜率k2以及恒压充电阶段温度下降斜率k3分别作为f9和f10。值得注意的是，在cacle电池数据集中并没有记录电池温度数据。
[0046]
s2：采用奇异谱分析方法对电池电压、电流数据进行降维、降噪处理，并通过获取的主成分重构电池电压、电流曲线；
[0047]
（1）嵌入：将一维时间序列数据转化为其轨迹矩阵：
[0048][0049]
其中为窗口长度，。
[0050]
（2）svd：计算并对其进行奇异值分解，得到个特征值
及其相应的正交特征向量,则，其中,轨迹矩阵的奇异值分解可表示为：
[0051][0052]
其中， 是矩阵的奇异值，为左奇异向量，为右奇异向量。
[0053]
（3）分组：根据所提取成分的不同，将（3）中得到的分成个不同的组并将每组中的矩阵相加。即：
[0054][0055]
（4）重构：将式（4）中的每一个成分子组重构为长度为的序列，其具体方法为：设为维矩阵，矩阵元素为，。定义，，，。重构序列计算公式如下：
[0056][0057]
通过公式对矩阵沿对角线方向求取的所有元素的均值，得到对应值，即得到的重构序列。
[0058]
通过分析公式（2~x）可以得出，对于ssa，最重要的，也是唯一需要设置的参数即观测窗口长度的取值，本实例取，分别将电池循环中的电池充电电流序列，充电电压序列，放电电流序列，放电电压序列通过ssa降噪、重构，通过求取每次循环电池数据主成分下降或上升幅值，得到影响电池健康因子f11、f12、f13、f14。
[0059]
s3：采用快速傅里叶变换提取电池充放电电压的频域信息；
[0060]
锂电池电压、电流曲线随着时间变化，可看作电池健康状态的时域信号，通过fft将电池健康状态的时域信号分解成频域信号，可挖掘更多有用的电池信息，且fft对快速变化的信号分解效果更好，可适用于各种工况下电池频域信号的提取。fft基本原理为：对于非周期连续时间信号连续傅里叶变换公式如下：
[0061]
[0062]
式中为的频域表示，为信号角频率。
[0063]
在实际工程中采集到的是连续时间的离散采样值，为采样频率，其有限离散信号的离散傅里叶（dft）变换的定义为：
[0064][0065]
由上式可得到，dft需要计算次乘法和次加法，所需计算时长和计算资源巨大，故fft利用的周期性和对称性：
[0066][0067]
将计算量简称成次乘法和次加法，降低了运算要求，提高了运算速度，值得注意的是，fft不是dft的近似运算，它们是完全等效的。
[0068]
对上述公式分析，多数复杂信号可以被看作是由工频信号与倍频信号的叠加形成，工频信号和倍频信号包含着不同的能量信息，其中最有用的信息即各种信号能量的幅值。从理论上来说，原始信号可以分解出无限的倍频信号，为降低数据的复杂度，只将分解数据得到的工频能量信息的幅值作为电池容量健康因子，在本实例中，设定的工频为50hz，采样频率设定为10，只对电池的充电电压曲线、放电电压曲线进行分解得到电压曲线的工频能量信息的幅值,作为电池健康因子的f15和f16。
[0069]
s4：利用相关性分析方法获取与最大可用容量高度相关的电池健康特征；
[0070]
为了精确反应提出的hfs与电池容量之间的相关性，采用皮尔逊相关系数法来定量描述，皮尔逊相关系数法公式如下:
[0071][0072]
其中和分别代表电池hfs样本和电池容量样本。pearson系数绝对值越接近1，两样本之间的相关性越高。通过皮尔逊相关系数的比较得出：拟合得到的电池hfs不具备泛化性（f1~f10），这是因为电池数据中存在干扰数据，当电池通过ssa和fft降噪处理后，得到的hfs（f11~f16）对不同种类的电池有着良好的适应性。
[0073]
s5：基于梯度提升决策树构建最大可用容量的估计模型；
[0074]
在每次迭代中，gbdt模型将产生一个弱分类器，并且每个分类器将基于前一个分类器的残差进行训练。弱分类器需要足够简单，具有低方差和高偏差。然后通过方差减少来提高分类器的预测精度。gbdt的基本原理如下：
[0075]
（1）通过以下公式建立初始学习机:
[0076][0077]
其中是使损失函数最小化的估计常数值，是均方误差损失函数。
[0078]
（2）计算模型中损耗函数的负梯度作为残差的近似值。残差的计算过程如下所示：
[0079][0080]
（3）生成具有个叶节点的回归树,如下公式表示：
[0081][0082]
（4）通过以下公式估算回归树中叶节点的值：
[0083][0084]
（5）通过前述操作后，可以得到迭代过后的学习机，公式如下所示：
[0085][0086]
（6）经过多次迭代后，最后得到的决策模型如公式所示：
[0087][0088]
如图3所示，本实例中的电池容量预测框架分为两个部分，一是电池模型的在线训练，通过对训练集电池原始数据进行预处理得到电池hfs，通过相关性分析对所得到的hfs进行筛选，得到与电池容量相关性更高的hfs输入有gbdt模型构造的电池容量预测模型。第二部分是离线预测，将测试集电池通过相同的方法处理得到相同的hfs，输入到训练好的电池预测模型中，得到预测结果。
[0089]
在实际场景中，我们很难获取到电池的历史容量数据，故本实例均所采用在两组数据集中选择3个电池作为训练集，一个电池作为测试集；即无历史数据实验方法。如图4所示，为部分电池数据集的训练过程图，其中图（a）以nasa数据集中的#6，#7和#18号电池作为训练集，#5号电池作为测试集；图（b）以cacle数据集中的cs2_36，cs2_37和cs2_38号电池作为训练集，cs2_35号电池作为测试集。从训练结果图（a）来看，当gbdt模型的叶节数目大于30，树的深度设置大于4时，随着树的深度的增加，对模型的预测精度起反作用；当gbdt模型的参数设定为叶子数为30，树的深度为4时，对nasa电池组有着较好的预测能力。从训练过程图4（b）来看，当gbdt模型设置的叶子数目超过30，迭代次数大于4时，模型叶子数与树的深度的增加对模型的cacle电池集的预测精度没有明显的提升；当gbdt模型的参数设定为叶子数为50，树的深度为4时对cacle电池组有着较好的预测能力。

技术特征：
1.一种基于电池健康特征的最大可用容量估计方法，其特征在于，包括以下步骤：步骤s1：开展锂电池老化实验，获取电池电压、电流、温度等数据，并采用多项式拟合方法提取电压曲线、电流曲线、温度曲线的拟合参数，作为电池基本健康特征；步骤s2：采用奇异谱分析方法对电池电压、电流数据进行降维、降噪处理，并通过获取的主成分重构电池电压、电流曲线；步骤s3：采用快速傅里叶变换提取电池充放电电压的频域信息；步骤s4：利用相关性分析方法获取与最大可用容量高度相关的电池健康特征；步骤s5：基于梯度提升决策树构建最大可用容量的估计模型。2.根据权利要求1所述的一种基于电池健康特征的最大可用容量估计方法，其特征在于，所述多项式拟合方法具体包括：所采用的多项式拟合求解方法为最小二乘法，并获取多项式参数a1、a2、...、a
n
及r。分析上述多项式参数与电池循环次数之间的关系，并以此作为电池的基本健康特征。公式如下：3.根据权利要求1所述的一种基于电池健康特征的最大可用容量估计方法，其特征在于，所述奇异谱分析方法具体包括：首先，将电池电压、电流数据看作为一维时间序列数据，并获取相应的轨迹矩阵。其次，计算并对其进行奇异值分解，得到个特征值及其相应的特征向量，然后对特征向量进行分组和重构，得到新的电池电压、电流曲线，以此作为电池的健康特征。4.根据权利要求1所述的一种基于电池健康特征的最大可用容量估计方法，其特征在于，所述频域信息为电池在不同循环次数下的工频幅值参数。5.根据权利要求1所述的一种基于电池健康特征的最大可用容量估计方法，其特征在于，所述相关性分析方法为皮尔逊相关系数法，具体公式如下：6.根据权利要求1所述的一种基于电池健康特征的最大可用容量估计方法，其特征在于，所述梯度提升决策树方法具体步骤包括：先设置简单初值，然后每次学习所建立模型损失函数的梯度下降方向，并采用boosting思想叠加每轮学习的结果。基于梯度提升决策树的锂电池最大可用容量估计模型有两个重要的参数需要设置，一是叶节点的数量，二是迭代次数，即树的深度，这两个参数的设置直接关系到模型的预测精度。

技术总结
本发明公开了一种基于电池健康特征的最大可用容量估计方法。本发明从电流、电压和温度曲线中提取了锂电池健康特征，经处理后对其电池最大可用容量进行估计。首先，采用多项式拟合技术、奇异谱分析、快速傅里叶变换等方法提取电池数据的多维度健康特征；然后，利用相关性分析方法获取与最大可用容量高度相关的电池健康特征；最后，基于梯度提升决策树构建最大可用容量的估计模型，并采用多个老化数据集对本发明方法进行验证。集对本发明方法进行验证。集对本发明方法进行验证。


技术研发人员：王依琳
受保护的技术使用者：湘潭大学
技术研发日：2023.05.15
技术公布日：2023/8/6