一种融合经验模型的数据驱动锂电池SOH估计方法

一种融合经验模型的数据驱动锂电池soh估计方法
技术领域
1.本发明属于锂电池健康状态评估技术领域，更为具体地讲，涉及一种融合经验模型的数据驱动锂电池soh估计方法。


背景技术：

2.电池的健康状态与电动汽车的续航里程、安全性以及可靠性密切相关。由于电池的劣化机制复杂，影响因素众多，因此电池的健康状态soh的准确可靠估计是电池管理技术中的难点问题。
3.以机器学习为代表的数据驱动方法灵活，无需进行数学建模，并且基于神经网络的学习有着良好的非线性映射能力，是目前该领域的研究热点。研究者们提出了多种基于数据驱动的soh估计方法，然而，目前研究主要关注实验条件下具有大量历史数据的动力电池健康状态的预测方法，如何对历史soh数据较少的电池进行性能预测仍是一个较难解决的问题。由于一般神经网络用作回归问题的时候，训练的同时必须要有真实的样本标签才能正确计算损失函数，从而利用误差逆传播算法对网络权重进行更新使网络逐渐收敛，而缺乏历史soh数据的情况下，难以通过传统训练神经网络的方法正确计算损失函数。因此，如何将实验室总结的经验模型所估计到的经验标签用于神经网络的训练从而实现对电池soh估计，仍是一个待解决的现实问题。


技术实现要素：

4.本发明的目的在于克服现有技术的不足，提供一种融合经验模型的数据驱动锂电池soh估计方法，通过机理嵌入的方式修改神经网络损失函数，实现无监督神经网络训练并预测电池的soh。
5.为实现上述发明目的，本发明一种融合经验模型的数据驱动锂电池soh估计方法，其特征在于，包括以下步骤：
6.(1)、提取特征；
7.提取锂电池在每个充电周期内的m个特征向量和当前健康状态量soh，得到锂电池的特征集合d：
8.d＝{(x
1,1
,x
1,2
,
…
,x
1,m
,y1),
…
,(x
i,1
,x
i,2
,
…
,x
i,m
,yi),
…
,(x
n,1
,x
n,2
,
…
,x
n,m
,yn)}
9.其中，i＝1,2,
…
,n，n表示锂电池的总充电周期数；x
i,1
,x
i,2
,
…
,x
i,m
表示锂电池在第i个充电周期内提取的m个特征向量，yi表示表示锂电池在第i个充电周期内提取的soh值；
10.(2)、数据预处理
11.对特征集合d中每个充电周期内的m个特征向量做归一化处理，其中，第i个充电周期内的m个特征向量做归一化处理后表示为：期内的m个特征向量做归一化处理后表示为：表示x
i,m
归一化后的值；
12.最后将锂电池在n个充电周期内的m个特征向量做归一化处理后表示为：x＝{x1,x2,
…
,xi,
…
,xn}；
13.(3)、利用主成分分析法pca进行特征降维；
14.(3.1)、计算x的协方差矩阵x
*
＝xhx
t
，中心矩阵i为单位矩阵，1n×n表示值全为1的n
×
n维矩阵，上标t表示转置；
15.(3.2)、利用主成分分析法pca对协方差矩阵x
*
进行分解，然后选取x
*
的前k个最大特征值所对应的特征向量构成正交变换矩阵a，从而使协方差最小，即满足：最后得到降维后的矩阵x'＝a
t
x＝{x
′1,x
′2,
…
,x
′i,
…
,x
′n}，其中，x
′i为第i个充电周期降维后的特征向量，且x
′i＝(x
′
i,1
,x
′
i,2
,
…
,x
′
i,k
)；
16.(3.3)、将降维后的n个充电周期的特征向量与对应的yi构成数据集d'；
17.d'＝{(x
′
1,1
,x
′
1,2
,
…
,x
′
1,k
,y
′1),
…
,(x
′
i,1
,x
′
i,2
,
…
,x
′
i,k
,yi),
…
,(x
′
n,1
,x'
n,2
,
…
,x'
n,k
,yn)}
18.(4)、利用经验子模型拟合关系曲线；
19.(4.1)、设置三种经验子模型的经验函数f1(n)、f2(n)、f3(n)：
[0020][0021]
其中，n为充电周期数，q
max
(new)为电池最初额定容量，c为放电电流，k1、k2、k3为待估计参数；
[0022]
f2(n)＝γ1n2+γ2n+γ3[0023]
其中，γ1、γ2、γ3为待估计参数；
[0024][0025]
其中，a、b为待估计参数；
[0026]
(4.2)、依据上述三种经验子模型的经验函数，从数据集d'中提取特征向量与对应的soh值，通过拟合工具拟合出电池充电周期数与对应周期内的soh值对应的关系曲线；
[0027]
(4.3)、将三种关系曲线加权形成最终关系曲线；
[0028][0029]
其中，f
τ
(n)代表第τ个关系曲线，估计误差中间变量：yi为第i个充电周期的电池实际soh值；
[0030]
(5)、建立机理嵌入的人工神经网络；
[0031]
(5.1)、使用keras工具箱建立一个四层全连接层构成的人工神经网络，每层的神经元个数分别为64、18、9、1，最顶层的全连接层输出预测的电池soh值；
[0032]
然后设置人工神经网络的损失函数：
[0033][0034]
其中，yi′
为第i个充电周期预测的电池soh值，f
empirical
(i)为第i个充电周期的经验估计值，λ为每一轮训练时输入人工神经网络的样本数量，中间变量
[0035][0036]
(5.2)、从数据集d'中提取λ个充电周期内的特征向量与对应的soh值，将每个充电周期内的特征向量输入至人工神经网络，通过训练人工神经网络使其损失函数值收敛，从而得到训练完成的人工神经网络；
[0037]
(6)、锂电池的soh估计；
[0038]
实时采集锂电池在当前充电周期内的m个特征向量，再按照步骤(2)和(3)进行预处理和特征降维，然后输入至训练完成的人工神经网络，从而预测出锂电池在当前充电周期对应的soh值。
[0039]
本发明的发明目的是这样实现的：
[0040]
本发明一种融合经验模型的数据驱动锂电池soh估计方法，通过使用少量带标签的样本，利用三种不同的经验子模型对电池充电循环次数和soh分别拟合出线性关系曲线，将三种关系曲线依据各自对电池实际soh的拟合程度组合成最终的经验模型，把最终经验模型预测出的soh代替电池实际soh嵌入人工神经网络的损失函数中，计算出经验损失，再加上人工经验得出的单调损失，辅助网络进行训练；这样通过机理嵌入的方式可以解决带标签样本较少的小样本环境下对神经网络进行训练的问题，实现接近无监督的神经网络学习，从而具有适用性广、预测精度高、数据依赖低等优点。
[0041]
同时，本发明一种融合经验模型的数据驱动锂电池soh估计方法还具有以下有益效果：
[0042]
(1)、实际使用中的电池，要通过多次充放电循环次数才能获取大量带标签的样本，这一过程需要大量时间消耗，而利用机理嵌入的电池soh预测方法，使得在真实的小样本环境下对电池soh预测成为可能，仅仅通过少量带标签的数据构建经验模型，将经验模型嵌入神经网络后，通过大量不带标签的数据训练神经网络，从而实现真实环境下电池soh预测的需求。
[0043]
(2)、对特征数量的依赖性不强，实验中只提取了五种特征就能实现对电池soh的准确估计，其中有一些特征是在电池充电过程中就可以得到的，这意味着不需要获取充电周期结束后的电池soh就能完成大量特征工程任务，这对于真实环境下对于电池健康状态持续性的监管有着重要意义。
[0044]
(3)、方法使用的神经网络为基于机理嵌入的四层前馈反向传播网络，网络可训练参数少、网络复杂度低，训练阶段所消耗资源少，训练速度快，在真实环境下能提供更快的预测相应，此外，由于机理的嵌入，网络的可解释较强，在真实环境下可以通过具体需求对网络进行微调，这为发明的适用性提供了很大的保障。
附图说明
[0045]
图1是本发明一种融合经验模型的数据驱动锂电池soh估计方法流程图；
[0046]
图2是对型号为b0005的电池，拟合出来的三种关系曲线和加权后的最终关系曲线图；
[0047]
图3是本发明对型号为b0005的电池soh预测结果图；
[0048]
图4是本发明对型号为b0007的电池soh预测结果图；
[0049]
图5是本发明对型号为cs2_33的电池soh预测结果图；
[0050]
图6是本发明对型号为cx2_34的电池soh预测结果图；
[0051]
图7是本发明对型号为cs2_35的电池soh预测结果图。
具体实施方式
[0052]
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
[0053]
实施例
[0054]
为了方便描述，先对具体实施方式中出现的相关术语进行说明：
[0055]
ohm：电池内部电阻值大小；
[0056]
cvtime：电池在充电和放电过程中处于恒定电压(constant voltage，简称cv)状态的时间；
[0057]
cctime：电池在充电和放电过程中处于恒定电流(constant current，简称cc)状态的时间；
[0058]
maximum value of ica curue(maxica)：电池脉冲放电电流曲线的最大值，通常用来描述电池的瞬态放电能力；
[0059]
timeinterval：通常是指电池的放电时间间隔，即电池在两次放电之间所经过的时间；
[0060]
图1是本发明一种融合经验模型的数据驱动锂电池soh估计方法流程图。
[0061]
在本实施例中，如图1所示，本发明一种融合经验模型的数据驱动锂电池soh估计方法，包括以下步骤：
[0062]
s1、锂电池提取特征；
[0063]
提取锂电池在每个充电周期内的m个特征向量和当前健康状态量soh，得到锂电池的特征集合d：
[0064]
d＝{(x
1,1
,x
1,2
,
…
,x
1,m
,y1),
…
,(x
i,1
,x
i,2
,
…
,x
i,m
,yi),
…
,(x
n,1
,x
n,2
,
…
,x
n,m
,yn)}
[0065]
其中，i＝1,2,
…
,n，n表示锂电池的总充电周期数；x
i,1
,x
i,2
,
…
,x
i,m
表示锂电池在第i个充电周期内提取的m个特征向量，yi表示表示锂电池在第i个充电周期内提取的soh值；
[0066]
在本实施例中，对于目标电池，在使用过程中记录其多次充电循环次数以及充放电过程中电压电流等数据，通过这些数据，计算出电池的ohm、cvtime、cctime、maxica和timeinterval这五个特征，提取的五个特征是目前soh预测领域使用较多，效果较好的一些特征，这里我们提取的这些特征是基于电池充放电过程中的特征，在日常使用过程中就能
逐步提取，此外，本发明还可以根据实际情况增加提取的特征种类，这对于预测性能可能会带来良好的提升；在放电过程中提取放电容量，并将放电容量与标称容量的百分比作为真实soh；在本实例中，将电池当前充电循环周期数也作为一个特征，故取m＝6，对于不同型号的电池n的取值不一样，对于型号为b0005的电池，n为165；；
[0067]
s2、数据预处理；
[0068]
在本实施例中，利用python中的sklearn.preprocessing函数对特征集合d中每个充电周期内的m个特征向量做归一化处理，其中，第i个充电周期内的m个特征向量做归一化处理后表示为：处理后表示为：表示x
i,m
归一化后的值；
[0069]
最后将锂电池在n个充电周期内的m个特征向量做归一化处理后表示为：x＝{x1,x2,
…
,xi,
…
,xn}；
[0070]
s3、利用主成分分析法pca进行特征降维；
[0071]
s3.1、计算x的协方差矩阵x
*
＝xhx
t
，中心矩阵i为单位矩阵，1n×n表示值全为1的n
×
n维矩阵，上标t表示转置；
[0072]
s3.2、利用主成分分析法pca对协方差矩阵x
*
进行分解，然后选取x
*
的前k个最大特征值所对应的特征向量构成正交变换矩阵a，从而使协方差最小，即满足：其中，k是降维后的维度大小；最后得到降维后的矩阵x'＝a
t
x＝{x
′1,x
′2,
…
,x
′i,
…
,x
′n}，其中，x
′i为第i个充电周期降维后的特征向量，且x
′i＝(x
′
i,1
,x
′
i,2
,
…
,x
′
i,k
)；
[0073]
在本实施例中，通过pca降维，实际使用的特征维度为4，即k为4，通过去除个别贡献较小的冗余特征，能够做到提高后续神经网络训练效率的同时不会降低预测准确率；
[0074]
s3.3、将降维后的n个充电周期的特征向量与对应的yi构成数据集d'；
[0075]
d'＝{(x
′
1,1
,x
′
1,2
,
…
,x
′
1,k
,y
′1),
…
,(x
′
i,1
,x
′
i,2
,
…
,x
′
i,k
,yi),
…
,(x'
n,1
,x'
n,2
,
…
,x'
n,k
,yn)}
[0076]
s4、利用经验子模型拟合关系曲线；
[0077]
s4.1、设置三种经验子模型的经验函数f1(n)、f2(n)、f3(n)：
[0078][0079]
其中，n为充电周期数，q
max
(new)为电池最初额定容量，c为放电电流，k1、k2、k3为待估计参数；
[0080]
f2(n)＝γ1n2+γ2n+γ3[0081]
其中，γ1、γ2、γ3为待估计参数；
[0082][0083]
其中，a、b为待估计参数；
[0084]
s4.2、依据上述三种经验子模型的经验函数，从数据集d'中提取特征向量与对应的soh值，使用python的scipy.linalg.solve和scipy.optimize.curve_fit函数拟合出电池充电周期数与对应周期内的soh值对应的关系曲线；
[0085]
s4.3、实际操作时，对于每一类经验函数，可以在数据集中多次采样，用每次采样的样本进行经验函数的参数计算，最后对参数求平均得到最终经验函数的参数，将参数带入经验函数就得到了最终关系曲线；
[0086][0087]
其中，f
τ
(n)代表第τ个关系曲线，估计误差中间变量：yi为第i个充电周期的电池实际soh值；
[0088]
在本实施例中，当经验子模型不适合目标电池时，通常具有较高的估计误差从而会被分配一个较低的权重值，而对于精度高的经验子模型，集成模型会给它一个较高的权重，f
empirical
(n)即为集成模型输出的关系曲线。这样就得到了一个更加可靠的关系曲线，也有利于后续机理嵌入神经网络的训练；
[0089]
在本实施例中，针对型号为b0005的电池，拟合出来的三种关系曲线和加权后的最终关系曲线如图2所示。
[0090]
s5、建立机理嵌入的人工神经网络；
[0091]
s5.1、使用keras工具箱建立一个四层全连接层构成的人工神经网络，每层的神经元个数分别为64、18、9、1，最顶层的全连接层输出预测的电池soh值；
[0092]
然后设置人工神经网络的损失函数：
[0093][0094]
其中，yi′
为第i个充电周期预测的电池soh值，f
empirical
(i)为第i个充电周期的经验估计值，λ为每一轮训练时输入人工神经网络的样本数量，对于型号为b0005的电池，本实施例取λ＝0.4n，即λ＝66，对于其他型号电池同理，中间变量
[0095]
s5.2、从数据集d'中提取λ个充电周期内的特征向量与对应的soh值，将每个充电周期内的特征向量输入至人工神经网络，通过训练人工神经网络使其损失函数值收敛，从而得到训练完成的人工神经网络；
[0096]
s6、锂电池的soh估计；
[0097]
实时采集锂电池在当前充电周期内的m个特征向量，再按照步骤(2)和(3)进行预处理和特征降维，然后输入至训练完成的人工神经网络，从而预测出锂电池在当前充电周期对应的soh值。
[0098]
在本实施例中，通过上述方法可以预测型号为b0005的电池得到的结果如图3所示，其中，实线代表电池真实soh，虚线代表经验模型嵌入前的ann预测结果，由于带标签的样本数较小，导致该网络产生了严重的过拟合现象，点划线代表经验模型嵌入后的ann预测结果，可以看出，它的预测值非常接近电池的真实soh。
[0099]
为了证明本发明的方法的普适性，我们还在型号为b0007、cs2-33、cx2-34、cs2-35等电池上进行了实验，实验结果如图4、5、6、7所示，分别对应于型号为b0007、cs2_33、cx2-34、cs2-35，四种电池的充放电参数如表1所示；
[0100]
电池编号标称容量恒流充电电流截止电压b00052000mah2c2.7vb00072000mah2c2.2vcs2-331100mah0.5c2.7vcx2-341350mah0.5c2.7vcs2-351100mah1c2.7v
[0101]
表1
[0102]
如表1所示，这三种型号电池在标称容量、恒流充电电流、截至电压这三个参数上各有不同，这对于一般机器学习算法乃至深度学习算法也是一个较大的挑战，而本发明的融合经验模型的数据驱动soh估计方法，使得在带标签样本稀缺的环境下，实现对电池soh预测的工作从不可能变为可能。在实际结果图中，本发明中基于机理嵌入的人工神经网络都比普通的人工神经网络的效果要好，图3和图4这组实验可以体现在截止电压不同的电池上本发明预测效果，图5和图6这组实验可以体现在标称容量不同的电池上本发明预测效果，图5和图7这组实验可以体现在恒流充电电流不同的电池上本发明预测效果。
[0103]
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

技术特征：
1.一种融合经验模型的数据驱动锂电池soh估计方法，其特征在于，包括以下步骤：(1)、提取特征；提取锂电池在每个充电周期内的m个特征向量和当前健康状态量soh，得到锂电池的特征集合d：d＝{(x
1,1
,x
1,2
,
…
,x
1,m
,y1),
…
,(x
i,1
,x
i,2
,
…
,x
i,m
,y
i
),
…
,(x
n,1
,x
n,2
,
…
,x
n,m
,y
n
)}其中，i＝1,2,
…
,n，n表示锂电池的总充电周期数；x
i,1
,x
i,2
,
…
,x
i,m
表示锂电池在第i个充电周期内提取的m个特征向量，y
i
表示表示锂电池在第i个充电周期内提取的soh值；(2)、数据预处理对特征集合d中每个充电周期内的m个特征向量做归一化处理，其中，第i个充电周期内的m个特征向量做归一化处理后表示为：的m个特征向量做归一化处理后表示为：表示x
i,m
归一化后的值；最后将锂电池在n个充电周期内的m个特征向量做归一化处理后表示为：x＝{x1,x2,
…
,x
i
,
…
,x
n
}；(3)、利用主成分分析法pca进行特征降维；(3.1)、计算x的协方差矩阵x
*
＝xhx
t
，中心矩阵i为单位矩阵，1
n
×
n
表示值全为1的n
×
n维矩阵，上标t表示转置；(3.2)、利用主成分分析法pca对协方差矩阵x
*
进行分解，然后选取x
*
的前k个最大特征值所对应的特征向量构成正交变换矩阵a，从而使协方差最小，即满足：最后得到降维后的矩阵x'＝a
t
x＝{x
′1,x
′2,
…
,x
′
i
,
…
,x
′
n
}，其中，x
′
i
为第i个充电周期降维后的特征向量，且x
′
i
＝(x
′
i,1
,x
′
i,2
,
…
,x
′
i,k
)；(3.3)、将降维后的n个充电周期的特征向量与对应的y
i
构成数据集d'；d'＝{(x
′
1,1
,x
′
1,2
,
…
,x
′
1,k
,y
′1),
…
,(x
′
i,1
,x
′
i,2
,
…
,x
′
i,k
,y
i
),
…
,(x'
n,1
,x'
n,2
,
…
,x'
n,k
,y
n
)}(4)、利用经验子模型拟合关系曲线；(4.1)、设置三种经验子模型的经验函数f1(n)、f2(n)、f3(n)：其中，n为充电周期数，q
max
(new)为电池最初额定容量，c为放电电流，k1、k2、k3为待估计参数；f2(n)＝γ1n2+γ2n+γ3其中，γ1、γ2、γ3为待估计参数；其中，a、b为待估计参数；(4.2)、依据上述三种经验子模型的经验函数，从数据集d'中提取特征向量与对应的soh值，通过拟合工具拟合出电池充电周期数与对应周期内的soh值对应的关系曲线；(4.3)、将三种关系曲线加权形成最终关系曲线；
其中，f
τ
(n)代表第τ个关系曲线，估计误差中间变量：y
i
为第i个充电周期的电池实际soh值；(5)、建立机理嵌入的人工神经网络；(5.1)、使用keras工具箱建立一个四层全连接层构成的人工神经网络，每层的神经元个数分别为64、18、9、1，最顶层的全连接层输出预测的电池soh值；然后设置人工神经网络的损失函数：其中，y
′
i
为第i个充电周期预测的电池soh值，f
empirical
(i)为第i个充电周期的经验估计值，λ为每一轮训练时输入人工神经网络的样本数量，中间变量(5.2)、从数据集d'中提取λ个充电周期内的特征向量与对应的soh值，将每个充电周期内的特征向量输入至人工神经网络，通过训练人工神经网络使其损失函数值收敛，从而得到训练完成的人工神经网络；(6)、锂电池的soh估计；实时采集锂电池在当前充电周期内的m个特征向量，再按照步骤(2)和(3)进行预处理和特征降维，然后输入至训练完成的人工神经网络，从而预测出锂电池在当前充电周期对应的soh值。

技术总结
本发明公开了一种融合经验模型的数据驱动锂电池SOH估计方法，通过使用少量带标签的样本，利用三种不同的经验子模型对电池充电循环次数和SOH分别拟合出线性关系曲线，将三种关系曲线依据各自对电池实际SOH的拟合程度组合成最终的经验模型，把最终经验模型预测出的SOH代替电池实际SOH嵌入人工神经网络的损失函数中，计算出经验损失，再加上人工经验得出的单调损失，辅助网络进行训练；这样通过机理嵌入的方式可以解决带标签样本较少的小样本环境下对神经网络进行训练的问题，实现接近无监督的神经网络学习，从而具有适用性广、预测精度高、数据依赖低等优点。数据依赖低等优点。数据依赖低等优点。


技术研发人员：盛瀚民 曾文龙 周圆 邵晋梁 马文建
受保护的技术使用者：电子科技大学
技术研发日：2023.05.19
技术公布日：2023/8/28