一种基于温度预测的锂电池SOH估计方法

摘要

本发明公开了一种基于温度预测的锂电池SOH估计方法，包括以下步骤：(1)获取锂电池的原始数据集；(2)建立基于ELM的温度预测模型；(3)获取平滑后的温差曲线；(4)健康特征提取和选择；(5)建立基于GRU神经网络的SOH估计模型；(6)划分估计模型训练集和估计模型测试集；(7)训练基于GRU神经网络的SOH估计模型；(8)SOH估计。本发明使用的是具有规律性和稳定性的恒流充电过程中的数据，解决了传统使用放电数据的混乱性和无规律性，同时也比恒流恒压的充电数据更简单。本发明基于部分的充电数据预测充电过程中完整的充电温度曲线，因而很好的解决了传统方法中对于健康特征提取的不足。

说明书

技术领域

本发明涉及电池SOH估计领域，具体涉及一种基于温度预测的锂电池SOH估计方法。

背景技术

SOH作为电池寿命和健康预测的重要指标，其高精度的估计对于避免电池出现潜在故障，确保电池运行安全，以及延长电池寿命具有重要意义。

SOH估计是一个时间序列预测问题，常见的方法主要包括直接测量的方法、基于模型的方法和数据驱动的方法。直接测量的方法对操作条件要求严格，仅适用于实验室离线工作。基于模型的方法的准确性高度依赖于所建立的电池模型。然而，由于锂电池的非线性和时变特性，很难建立一个可靠的模型来全面描述各种任务中的老化动态行为。近年来，由于不需要考虑电池老化过程中复杂的物理化学反应，数据驱动的方法在SOH估算中受到了广泛的关注。但是传统的数据驱动的方法比如：高斯回归、支持向量机以及人工神经网络不能解决时序问题，因而催生了循环神经网络的产生和发展。GRU神经网络由于具有简单的结构和优秀的时间序列处理能力成为了解决时间序列问题的首选方法。数据驱动方法的另外一个关键步骤是健康特征的提取。现今的健康特征提取方法通常需要电池的满充或者满放数据，但在实际应用中很难获得，因为电池充放电曲线的完整性受到终端用户充电习惯的影响。因此，直接测量完整的充放电曲线来估算SOH通常是不可行的。

发明内容

本发明所要解决的技术问题是提供一种基于温度预测的锂电池SOH估计方法来解决现有技术中存在难以直接获取锂电池满充或者满放数据来提取有效健康特征以精准估计SOH的问题。

为解决以上技术问题，本发明的技术方案为提供一种基于温度预测的锂电池SOH估计方法，其创新点在于，包括以下步骤：

(1)获取锂电池的原始数据集：对锂电池进行循环充放电测试，直到锂电池的放电容量低于标称容量的80％，并实时记录锂电池充放电过程中的充放电数据，从充放电数据中提取锂电池的充电数据构成原始数据集；

(2)建立基于ELM的温度预测模型：根据步骤(1)得到的原始数据集建立基于ELM的温度预测模型，并通过基于ELM的温度预测模型得到预测完整的温度预测曲线；

(3)获取平滑后的温差曲线：根据步骤(2)得到的温度预测曲线预测温度，根据预测的温度使用有限差分法计算初始温差曲线，并用卡尔曼滤波算法对初始温差曲线进行滤波处理得到平滑后的温差曲线；

(4)健康特征提取和选择：根据步骤(3)得到的平滑后的温差曲线，提取健康特征，并利用Pearson相关系数法选择出相关性高的健康特征；

(5)建立基于GRU神经网络的SOH估计模型；

(6)划分估计模型训练集和估计模型测试集：将步骤(4)选择出的相关性高的健康特征按照留一验证法划分为估计模型训练集和估计模型测试集；

(7)训练基于GRU神经网络的SOH估计模型：使用估计模型训练集对所述的SOH估计模型进行训练，确定基于GRU神经网络的SOH估计模型；

(8)SOH估计：将估计模型测试集输入到步骤(6)确定的SOH估计模型对SOH进行估计。

进一步的，所述的步骤(1)中的充放电数据包括时间、电流、电压和温度数据。

进一步的，所述的步骤(2)中根据原始数据集建立基于ELM的温度预测模型，并通过基于ELM的温度预测模型得到预测完整的温度预测曲线具体包括以下步骤：

(21)选择步骤(1)中的充电电流计算SOC，公式如下：

SOC

其中，SOC

(22)确定基于ELM的温度预测模型的结构，包括1层有3个节点的输入层、1层有21个神经元的隐藏层和1层有1个节点的输出层，并初始化基于ELM的温度预测模型的阈值和权重；

(23)选择步骤(1)中的充电电流、充电电压以及步骤(21)得到的SOC作为所述的基于ELM的温度预测模型的输入数据，表示为α

(24)将步骤(23)中ELM的输入数据和对应的标签值以一次完整的充电为基准，划分为n组数据，n的值表示有n组完整的充电过程，每组数据按照70％和30％的比例分别随机分为温度预测训练集和温度预测测试集；

(25)选择步骤(24)得到的n组数据中的任意一组数据的温度预测训练集输入到初始化后的基于ELM的温度预测模型，经过前向传播计算温度预测值T

T

其中，σ表示ELM输入数据与输出数据之间的函数关系；

(26)计算步骤(25)的温度预测值T

其中，N表示温度预测训练集的数据长度，i表示数据序号；

(27)利用梯度下降和后向传播算法训练所述的基于ELM的温度预测模型的权重和阈值；

(28)重复步骤(25)—(27)直至ELM收敛，即确定基于ELM的温度预测模型；

(29)将使得ELM收敛的温度预测训练集所在的同组数据中的温度预测测试集输入到步骤(28)得到的确定的基于ELM的温度预测模型验证模型的准确性；

(210)将使得ELM收敛的温度预测训练集所在的同组数据中的充电电流、充电电压和SOC输入到经过步骤(29)验证过的基于ELM的温度预测模型中，得到预测完整的温度预测曲线。

进一步的，所述的步骤(4)中根据平滑后的温差曲线提取的健康特征包括温差曲线波峰波谷的高度、电压和时间。

进一步的，所述的步骤(4)中根据平滑后的温差曲线需在3.2V到4.0V的电压范围内进行健康特征的提取。

进一步的，所述的步骤(5)中的建立的基于GRU神经网络的SOH估计模型的超参数包括隐藏层数、隐藏层节点数、批处理个数、丢失率、训练代数epoch，且所述的隐藏层数、隐藏层节点数、批处理个数、丢失率、训练代数epoch的确定值分别为2，60，32，0.4，100。

进一步的，所述的步骤(7)中使用估计模型训练集对所述的SOH估计模型进行训练，并使用Adam优化算法对所述的SOH估计模型的训练过程进行优化直至SOH估计模型收敛，确定基于GRU神经网络的SOH估计模型。

与现有技术相比，本发明的一种基于温度预测的锂电池SOH估计方法具有以下优点：

(1)本发明使用的是具有规律性和稳定性的恒流充电过程中的数据，解决了传统使用放电数据的混乱性和无规律性，同时也比恒流恒压的充电数据更简单。

(2)传统的健康特征提取通常是需要完整的充电或者放电数据，但是在实践中很难甚至不可能获得完整的充电或者放电数据，因而加大了健康特征的难度。本发明基于部分的充电数据预测充电过程中完整的充电温度曲线，因而很好的解决了传统方法中对于健康特征提取的不足。

(3)本发明的健康特征从温差曲线波峰波谷的高度、电压和时间的多维度来描述了电池的老化，避免了单一维度的不确定性。

(4)本发明使用预测的温度揭示了温度差分曲线和SOH的变化关系，并通过GRU神经网络挖掘出健康特征与SOH之间的潜在关系，建立了SOH预测模型，实现SOH的精确预测，这为本领域SOH的估计提供了新的思路。

(5)本发明是基于数据驱动的方法，拥有很强的适应性和实际应用潜力。

附图说明

图1表示一种基于温度预测的锂电池SOH估计方法的流程图；

图2表示ELM的结构示意图；

图3表示锂电池Cell 1的温度预测曲线图；

图4表示将图3中的温度预测曲线平滑后的温差曲线图；

图5表示GRU神经网络的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明的技术方案，下面将结合附图和实施例，对本发明的技术方案进行清楚地描述。

本发明提供了一种基于温度预测的锂电池SOH估计方法，本发明的实施方式采用8个额定容量为740mAh的袋状电池作为测试的锂电池，8个锂电池分别命名Cell 1～Cell 8，其具体方法流程图如图1所示，包括以下步骤：

(1)获取锂电池的原始数据集：对锂电池进行循环充放电测试，直到锂电池的放电容量低于标称容量的80％，并实时记录锂电池充放电过程中的充放电数据，从充放电数据中提取锂电池的充电数据构成原始数据集，其中，充放电数据包括时间、电流、电压和温度数据。

(2)建立基于ELM的温度预测模型：根据步骤(1)得到的原始数据集建立基于ELM的温度预测模型，并通过基于ELM的温度预测模型得到预测完整的温度预测曲线，具体包括以下步骤：

(21)选择步骤(1)中的充电电流计算SOC，公式如下：

SOC

其中，SOC

(22)确定基于ELM的温度预测模型的结构，包括1层有3个节点的输入层、1层有21个神经元的隐藏层和1层有1个节点的输出层，并初始化基于ELM的温度预测模型的阈值和权重；其中，如图2所示，为本发明所使用的ELM的结构示意图；

(23)选择步骤(1)中的充电电流、充电电压以及步骤(21)得到的SOC作为所述的基于ELM的温度预测模型的输入数据，表示为α

(24)将步骤(23)中ELM的输入数据和对应的标签值以一次完整的充电为基准，划分为n组数据，n的值表示有n组完整的充电过程，每组数据按照70％和30％的比例分别随机分为温度预测训练集和温度预测测试集；

(25)选择步骤(24)得到的n组数据中的任意一组数据的温度预测训练集输入到初始化后的基于ELM的温度预测模型，经过前向传播计算温度预测值T

T

其中，σ表示ELM输入数据与输出数据之间的函数关系；

(26)计算步骤(25)的温度预测值T

其中，N表示温度预测训练集的数据长度，i表示数据序号；

(27)利用梯度下降和后向传播算法训练所述的基于ELM的温度预测模型的权重和阈值；

(28)重复步骤(25)—(27)直至ELM收敛，即确定基于ELM的温度预测模型；

(29)将使得ELM收敛的温度预测训练集所在的同组数据中的温度预测测试集输入到步骤(28)得到的确定的基于ELM的温度预测模型验证模型的准确性；

(210)将使得ELM收敛的温度预测训练集所在的同组数据中的充电电流、充电电压和SOC输入到经过步骤(29)验证过的基于ELM的温度预测模型中，得到预测完整的温度预测曲线。

如图3所示，为Cell 1的温度预测曲线图。由图可知，随着充电次数的增加，温度曲线向上平移。从这个角度来看，电池温度可以作为量化SOH变化的重要指标，由于8个锂电池的温度预测曲线图基本相同，本发明的附图中只展示锂电池Cell1的温度预测曲线图。

(3)获取平滑后的温差曲线：根据步骤(2)得到的温度预测曲线预测温度，根据预测的温度使用有限差分法计算初始温差曲线，并用卡尔曼滤波算法对初始温差曲线进行滤波处理得到平滑后的温差曲线；如图4所示，为Cell 1的平滑后的温差曲线图。由图可知，随着充电次数的增加，温差曲线的波峰和波谷的位置都发生了变化。比如：随着充电次数的增加，第1个波峰有向右下方移动的趋势并且波峰逐渐平缓，而第2个波峰有向右上移动的趋势。

(4)健康特征提取和选择：根据步骤(3)得到的平滑后的温差曲线，提取健康特征，健康特征包括温差曲线波峰波谷的高度、电压和时间，本实施方式中，平滑后的温差曲线在3.2V到4.0V的电压范围内进行健康特征的提取，健康特征提取后利用Pearson相关系数法选择出相关性高的健康特征，本实施方式优选出6个相关性高的健康特征。

(5)建立基于GRU神经网络的SOH估计模型，建立的基于GRU神经网络的SOH估计模型的超参数包括隐藏层数、隐藏层节点数、批处理个数、丢失率、训练代数epoch，且所述的隐藏层数、隐藏层节点数、批处理个数、丢失率、训练代数epoch的确定值分别为2，60，32，0.4，100；图5所示，为本发明所使用的GRU神经网络的结构示意图。

(6)划分估计模型训练集和估计模型测试集：将步骤(4)选择出的相关性高的健康特征按照留一验证法划分为估计模型训练集和估计模型测试集。在留一验证法中，每个锂电池的数据都分别作为一次估计模型测试集，剩余7个Cell的数据构成估计模型训练集，最终获得8种不同组合，如表1所示：

表1

(7)训练基于GRU神经网络的SOH估计模型：选取步骤(6)中获得的任意一种组合，然后使用该组合的估计模型训练集训练SOH估计模型，并使用Adam优化算法对SOH估计模型的训练过程进行优化直至SOH估计模型收敛，确定基于GRU神经网络的SOH估计模型。

(8)SOH估计：将使得SOH估计模型收敛的估计模型训练集所在的同组合的估计模型测试集输入到步骤(7)确定的SOH估计模型对SOH进行估计。表2为Cell 1的健康特征和SOH估计值。

表2

在本发明中，使用均方根误差(RMSE)、平均绝对误差(MAE)、最大绝对误差(MAX)以及R–squared(R

其中，N表示时间序列的长度，t表示时间序列的序号，y

8个锂电池(Cell 1～Cell 8)的SOH估计结果如表3所示：

表3

从本实施例的估计结果可以看出，所有电池的均方根误差(RMSE)、平均绝对误差(MAE)和最大绝对误差(MAX)分别在1.2％、1.02％和2.28％以内。而且所有电池的R–squared(R