一种锂离子电池性能指标估计方法、存储介质及设备与流程

1.本发明涉及电池管理系统技术领域，具体涉及一种锂离子电池性能指标估计方法、存储介质及设备。


背景技术：

2.锂离子电池荷电状态(state of charge,soc)和电池健康状态(state of health,soh)是电池管理系统(battery management system，bms)中的极其重要的参数。电池正常工作状态时，整体是高度复杂的非线性系统，荷电状态soc不可以被直接测量；同样由于电池内部化学的复杂性和测量单个参数的困难，准确估计电池的soh也存在许多挑战。通常对于soc和soh的估计主要根据电池现有可以被测量的量来进行估计，它由电池输出电压、输出电流、电芯温度、电池内阻等多种因素共同影响。利用数据驱动作为主要方法的神经网络具有很强的非线性映射能力，且不需要建立复杂的数学模型，输出将由给定的输入之后经过一系列的机器学习之后得到，可以很好地模拟电池动态特性。文献中介绍了一种利用长短期记忆(long short-term memory，lstm)神经网络结合递归神经网络(recursive neural network，rnn)精确估计锂离子电池荷电状态和电池健康状态的方法。展示了lstm-rnn在不使用任何电池模型、滤波器或卡尔曼滤波器等推理系统的情况下，快速估计soc和soh的能力。鉴于一般的神经网络具有收敛速度慢、容易陷入局部极小值、预测精度普遍不高等问题，通常会采用优化算法来优化网络的权值和阈值。目前对于大型储能soc和soh预测仍然存在更新缓慢、精度不高等的问题。如何选取高效的优化算法与神经网络模型组合，以此建立对时间序列数据分析更具优越性的神经网络模型，提升网络离线训练精度和速度，仍有待研究。


技术实现要素：

3.为了克服上述技术缺陷，本发明提供一种锂离子电池性能指标估计方法、存储介质及设备，其能有效提高模型预测精度。
4.为了解决上述问题，本发明按以下技术方案予以实现：
5.第一方面，本发明提供一种锂离子电池性能指标估计方法，包括步骤：
6.获取锂离子电池历史工作数据，对锂离子电池历史工作数据进行预处理；
7.将预处理后的锂离子电池历史工作数据作为特征变量对lstm网络进行训练；
8.采用蜉蝣优化算法确定lstm网络超参数的初始阈值；
9.将当前锂离子电池工作数据输入已训练的lstm网络，估计锂离子电池性能指标。
10.优选地，所述步骤采用蜉蝣优化算法确定lstm网络超参数的初始阈值包括如下步骤：
11.初始化蜉蝣优化算法的种群规模、进化次数、参数及目标误差值；
12.初始化种群和粒子速度；
13.将种群划分为雌、雄种群；
14.计算每个个体的适应度值，排序获取个体最佳适应度和种群适应度；
15.依次更新个体的速度和位置，并计算每个个体的适应度值，重复此步骤，直至适应度小于误差目标值或达到最大进化次数；
16.输出最佳个体对应的超参数。
17.优选地，所述特征变量包括历史时刻锂离子电池在正常工况下的输出电流、输出电压和电芯温度。
18.优选地，所述特征变量包括历史时刻锂离子电池充电模式下恒流充电时间、放电模式下放电过程中温度差值、阻抗模式下电荷转移电阻。
19.优选地，所述对锂离子电池历史工作数据进行预处理包括：归一化处理、划定时间间隔和制作采样的时间点。
20.优选地，所述超参数包括lstm网络学习率、迭代次数、batch_size、lstm隐含层的节点个数和全连接层的节点个数。
21.优选地，所述lstm网络包含双层隐含层和一个全连接层。
22.第二方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如第一方面所述的锂离子电池性能指标估计方法。
23.第三方面，本发明提供一种设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由所述处理器加载并执行以实现如第一方面所述的锂离子电池性能指标估计方法。
24.与现有技术相比，本发明具有以下有益效果：
25.本技术利用蜉蝣算法优化长短时记忆网络的初始阈值，避免算法陷入局部最优，提高寻优搜索能力和收敛能力，有效提高模型的预测精度和效率。同时，利用同一种lstm网络模型就可以直接估计锂离子电池的电池性能指标，在工业电池管理方面较为便利。
附图说明
26.下面结合附图对本发明的具体实施方式作进一步详细的说明，其中：
27.图1为一个实施例中锂离子电池性能指标估计方法的流程图；
28.图2为一个实施例中所述步骤s30的流程示意图；
29.图3为一个实施例中不同方法预测soc对比图；
30.图4为一个实施例中预测soh结果图。
具体实施方式
31.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
32.需要注意的是，本文中所提及的序号，如s1、s2
……
，该些序号仅仅是作为步骤与步骤之间的区分，并不代表该些步骤必须要按照序号的顺序严格执行。
33.本发明提出一种锂离子电池性能指标估计方法，应用于电池设计、电池管理系统
和电池应用等领域中，旨在解决在电池的优化、管理和使用中对电池性能指标预测精度不高的问题，能够提升对于电池性能指标估计预测的精确度，另一方面本技术提出的锂离子电池性能指标估计方法，能够有效提高模型预测精度。
34.如图1所示，为一个实施例中锂离子电池性能指标估计方法的流程图，包括如下步骤：
35.s10：获取锂离子电池历史工作数据，对锂离子电池历史工作数据进行预处理；
36.具体的，历史工作数据可通过对锂电子电池进行测试和监测得到。不同应用领域的工作数据可能会有所不同，取决于特定的使用条件和测试配置。通过分析和理解历史工作数据，可以评估电池的性能和寿命，并为优化电池设计、控制策略和应用场景提供参考和指导；通过对锂离子电池的历史工作数据进行预处理来清洗和准备数据，以提高后续分析和建模的准确性和可靠性，使其适配于后续的分析、建模或其他应用，其中，不同的预处理步骤的选择和实施方式可能会因具体的数据特点和应用需求而有所不同，本技术实施例中，预处理包括但不限于缺失值处理、异常值处理、数据平滑、数据标准化、特征选取和数据平衡。
37.在一些实施例中，所述对锂离子电池历史工作数据进行预处理包括：归一化处理、划定时间间隔和制作采样的时间点。
38.具体的，归一化处理是将数据转换为统一的范围，以消除不同特征之间的量纲差异。对于锂离子电池的历史工作数据，可以应用最大最小归一化(min-max scaling)或z-score归一化等方法。最大最小归一化将数据线性地缩放到指定的范围(通常是0到1之间)，而z-score归一化使用数据的均值和标准差，将数据转换为具有零均值和单位标准差的分布，有助于不同特征之间的可比性和模型训练的稳定性；
39.历史工作数据通常是根据时间序列采集的，因此划定时间间隔是将连续的时间序列数据划分成固定间隔的数据点。划定时间间隔可以根据具体应用的需求进行选择。例如，可以选择将数据点按每小时、每分钟或每秒等进行划分，以适应不同的时间分辨率和分析要求；
40.在划定时间间隔后，可以从每个时间间隔中选择一个或多个时间点来制作采样的时间点。这些采样的时间点是用于进行进一步分析、建模或其他应用的数据点。选择采样的时间点可能根据具体情况而有所不同，可以基于时间点的均匀间隔选择，也可以根据特定需求选择有代表性的时间点。
41.对锂离子电池历史工作数据进行归一化处理、划定时间间隔和制作采样时间点可以使数据更易于处理和分析，并为后续的模型训练、故障诊断、性能评估等提供基础。
42.s20：将预处理后的锂离子电池历史工作数据作为特征变量对lstm网络进行训练；
43.具体的，循环神经网络(recurrent neural network,rnn)是一类以序列数据为输入，在序列的演进方向进行递归且所有节点按链式连接的递归神经网络。常用来处理短期的时间序列信息进行预测。rnn和普通神经网络的最大的区别就是rnn可以保存并且利用上一时刻网络隐藏层的状态。但也存在明显的缺点，就是不能处理很长时间的时间信息，也就是说会对历史信息产生遗忘的情况，导致远离输入层的隐藏层更新缓慢，使得整个网络变得不稳定，参数优化更新变得困难。长短时记忆网络(long short term memory network,lstm)是一种改进之后的循环神经网络，可以解决rnn无法处理长距离的依赖的问题。与传
统rnn循环神经网络相比，长短时记忆网络多了储存单元输出的状态c
t
。在t时刻，lstm单元的输入有三个：当前时刻网络的输入值x
t
、上一时刻lstm的输出值h
t-1
以及上一时刻的单元状态c
t-1
，lstm单元的输出有两个：当前时刻lstm输出值h
t
和当前时刻的单元状态c
t
。
44.s30：采用蜉蝣优化算法确定lstm网络超参数的初始阈值；
45.其中，如图2所示，所述步骤s30包括如下步骤：
46.s31：初始化蜉蝣优化算法的种群规模、进化次数、参数及目标误差值；
47.s32：初始化种群和粒子速度；
48.s33：将种群划分为雌、雄种群；
49.s34：计算每个个体的适应度值，排序获取个体最佳适应度和种群适应度；
50.s35依次更新个体的速度和位置，并计算每个个体的适应度值；重复步骤s35，直至适应度小于误差目标值或达到最大进化次数；
51.s36：输出最佳个体对应的超参数。
52.具体的，本技术实施例采用蜉蝣优化算法(mayfly algorithm,ma)对lstm网络模型各超参数进行合理设置。ma算法是一种新型的寻优算法，根据蜉蝣飞行和繁衍行为规律提出的，是对粒子群优化算法(particle swarm optimization,pso)的一种修改。该算法既收敛速度较快操作又比较简单。
53.假设是时间步长t时雄性蜉蝣i在搜索空间中的当前位置，通过在当前位置上添加速度来改变位置，这样可以表示为：
[0054][0055]
第n代群体中的第i个体的第j维位置的速度可以用以下公式决定：
[0056][0057][0058]
a1和a2是社会作用正吸引系数；pbest
ij
代表蜉蝣历史最优位置；gbestj表示该维度最佳蜉蝣位置；β是蜉蝣能见度系数，控制蜉蝣的能见范围；r
p
表示当前位置与pbest的距离，rg表示当前位置与gbest的距离，距离用欧氏距离表示，计算公式见(1-3)。其中如果该个体使群体中的最优个体则使用公式(1-4)进行移动，为了保证最好的蜉蝣必须不断改变它的速度。其中d是舞蹈系数，r为[-1,1]之间的随机数。这种上下移动在算法中引入了随机系数。
[0059][0060]
假设为在t时刻的雌性蜉蝣i，它的位置更新通过增加速度来更新：
[0061][0062]
雌性的移动方式由适应度决定，每个雌性个体都有对应的雄性个体作为配偶，向自己的配偶移动，若配偶弱于自己则自行搜索。速度更新公式如下：
[0063]
[0064]
其中，代表t时刻的速度；a2是正吸引系数；β是蜉蝣能见度系数；r
mf
代表雌性蜉蝣距离雄性蜉蝣的距离；fl是一个随机游走系数；r为[-1,1]之间的随机数。
[0065]
用交叉算子表示两个蜉蝣的交配过程：在根据适应度排序后的雄雌亲本中，让最好的雄性与最好的雌性繁殖，次好的雄性与次好的雌性繁殖。交叉的结果是生成两个后代，其产生如下：
[0066]
offspring1＝l*male+(1-l)*female
ꢀꢀꢀ
(1-7)
[0067]
offspring2＝l*female+(1-l)*male
ꢀꢀꢀ
(1-8)
[0068]
其中male是父本，female是母本，l是一定范围内的随机数。
[0069]
在本技术实施例中，超参数包括但不限于lstm网络学习率、迭代次数、batch_size、lstm隐含层的节点个数和全连接层的节点个数；先对一组蜉蝣粒子进行初始化初始化，每个粒子对应一组超参数，将学习率、迭代次数、batch_size、lstm隐含层和全连接层的节点个数分别设置为蜉蝣最佳位置。然后利用这组超参数训练神经网络。通过使用长短时记忆网络，对种群中的每个蜉蝣的超参数进行评估，并确定其适应度；根据适应度，更新蜉蝣的位置，以便更有可能找到最佳超参数组合；直到满足停止条件，例如迭代次数达到预定值或找到了全局最优解。
[0070]
s40：将当前锂离子电池工作数据输入已训练的lstm网络，估计锂离子电池性能指标。
[0071]
具体的，对于已训练好的lstm网络，将当前时刻的锂电子电池工作数据输入lstm网络，以对锂离子电池性能指标进行估计。
[0072]
本技术实施例中，电池性能指标包括电池荷电状态soc和电池健康状态soh，对lstm网络训练输入的特征变量包括锂离子电池在正常工况下的输出电流、输出电压和电芯温度，和/或锂离子电池充电模式下恒流充电时间、放电模式下放电过程中温度差值、阻抗模式下电荷转移电阻。
[0073]
具体的，在进行充放电锂离子电池电荷状态soc估计时，lstm网络输入数据由x
t
＝[v
t
，i
t
，t
t
]表示，其中v
t
，i
t
，t
t
表示电池在t时刻的电压、电流和温度。lstm的输出h
t
是在每个时间步长的soc估计值。按列在.csv文件中连续读取需要输入的历史输出电压、输出电流、电芯温度数据，并且将所有数据进行统一的归一化处理，划定时间间隔，制作采样的时间点。每一个时间点上，分别有一组历史输出电压、输出电流、电芯温度信息。将三个信息为一组的时间序列改写成输入网络的矩阵进行训练。同理，将不同对应时间点测得的历史soc数据归一化后作为输入数据供lstm网络训练；
[0074]
当对于锂离子电池soh的智能估计技术，具体过程如下：
[0075]
在进行充放电锂离子电池健康状态soh预测时，锂离子电池进行完一次充电模式、放电模式、阻抗测试模式后，才作为一次完整的充放电循环。lstm网络输入数据由充放电循环中的x
t
＝[i
t
，t
t
，z
t
]表示，其中i
t
，t
t
，z
t
分别表示电池在t次循环时充电模式恒流充电时间、放电模式中温度差值、阻抗模式下电荷转移电阻组成。lstm的输出h
t
是在每个时间步长的soh估计值。按列在.csv文件中连续读取需要输入的历史时刻锂离子电池充电模式下恒流充电时间、放电模式下放电过程中温度差值、阻抗模式下电荷转移电阻，并且将所有数据进行统一的归一化处理，划定时间间隔，制作采样的时间点。每一个时间点上，分别有一组历史充电时间、温差、电阻信息。将三个信息为一组的时间序列改写成输入网络的矩阵进行
训练。同理，将不同对应时间点测得的历史soh数据归一化后作为输入数据供lstm网络训练。
[0076]
接下来对本技术的锂离子电池性能指标估计方法的的误差进行验证：
[0077]
在本技术实施例中，针对构造的预测模型，分别采用平均绝对百分比误差(mean absolute percentage error，mape)、均方根误差(root mean square error，rmse)、平均绝对误差(mean absolute error，mae)和决定系数r2作为评价标准。各误差计算公式如下所示：
[0078][0079][0080][0081][0082]
式中：y
t
为t时刻电池soc的真实值；为t时刻的预测电池soc值；n为收集电池充放电过程数据量；var为数据集的方差。电池荷电状态soc预测中，mape、rmse和mae的值越小，负荷预测结果越准确。r2越接近1表示在回归分析中自变量对因变量的解释越好，误差越小。
[0083]
为了验证蜉蝣优化算法在soc估计中的作用，分别将同一组电池组的放电数据用来给不同类型的神经网络进行估计，包括ma算法优化后的lstm网络，验证结果如表1和图3所示：
[0084]
表1
[0085][0086][0087]
由表1可知，蜉蝣优化算法有效的改良了误差，在迭代次数较少的情况下能快速的收敛，提高模型的预测精度和效率。过低的误差也可能为数据量较少时产生的过拟合作用。改良后的lstm的预测速度上更快，很适合当前数据集的soc预测工作。
[0088]
同时，验证蜉蝣优化算法在soh估计中的作用，利用ma算法优化后的lstm网络的结果如表2和图4所示：
[0089]
表2
[0090]
[0091]
由表2可知，蜉蝣算法优化的长短时记忆网络可以运用在soh预测的工作中，并且有良好的效果，mape较高可能需要更多的数据以供模型训练。
[0092]
本技术选择对网络模型进行三个历史特征变量的输入，较之只考虑两个历史特征变量输入提高了估计的精度。针对一般神经网络收敛速度慢、容易陷入局部极小值、预测精度不高等问题。利用蜉蝣算法优化长短时记忆网络的初始阈值，避免算法陷入局部最优，提高寻优搜索能力和收敛能力，有效提高模型的预测精度和效率。同时，利用同一种lstm网络模型就可以直接估计锂离子电池的两种状态，在工业电池管理方面较为便利。
[0093]
在一些实施例中，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，使所述处理器实现第一方面提供的锂离子电池性能指标估计方法。
[0094]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读存储介质上，计算机可读存储介质可以包括计算机可读存储介质(或非暂时性介质)和通信介质(或暂时性介质)。
[0095]
如本领域普通技术人员公知的，术语计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机可读存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
[0096]
示例性的，所述计算机可读存储介质可以是前述实施例所述的网管设备的内部存储单元，例如所述网管设备的硬盘或内存。所述计算机可读存储介质也可以是所述网管设备的外部存储设备，例如所述网管设备上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。
[0097]
在一些实施例中，提供了一种设备，包括处理器与存储器，所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现本发明第一方面提供的锂离子电池性能指标估计方法。
[0098]
应当理解的是，处理器可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0099]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种锂离子电池性能指标估计方法，其特征在于，包括：获取锂离子电池历史工作数据，对锂离子电池历史工作数据进行预处理；将预处理后的锂离子电池历史工作数据作为特征变量对lstm网络进行训练；采用蜉蝣优化算法确定lstm网络超参数的初始阈值；将当前锂离子电池工作数据输入已训练的lstm网络，估计锂离子电池性能指标。2.根据权利要求1所述的锂离子电池性能指标估计方法，其特征在于，所述锂离子电池性能指标包括电池荷电状态和电池健康状态。3.根据权利要求1所述的锂离子电池性能指标估计方法，其特征在于，所述步骤采用蜉蝣优化算法确定lstm网络超参数的初始阈值包括如下步骤：初始化蜉蝣优化算法的种群规模、进化次数、参数及目标误差值；初始化种群和粒子速度；将种群划分为雌、雄种群；计算每个个体的适应度值，排序获取个体最佳适应度和种群适应度；依次更新个体的速度和位置，并计算每个个体的适应度值，重复此步骤，直至适应度小于误差目标值或达到最大进化次数；输出最佳个体对应的超参数。4.根据权利要求2所述的锂离子电池性能指标估计方法，其特征在于，所述特征变量包括历史时刻锂离子电池在正常工况下的输出电流、输出电压和电芯温度。5.根据权利要求2所述的锂离子电池性能指标估计方法，其特征在于，所述特征变量包括历史时刻锂离子电池充电模式下恒流充电时间、放电模式下放电过程中温度差值、阻抗模式下电荷转移电阻。6.根据权利要求1所述的锂离子电池性能指标估计方法，其特征在于，所述对锂离子电池历史工作数据进行预处理包括：归一化处理、划定时间间隔和制作采样的时间点。7.根据权利要求3所述的锂离子电池性能指标估计方法，其特征在于，所述超参数包括lstm网络学习率、迭代次数、batch_size、lstm隐含层的节点个数和全连接层的节点个数。8.根据权利要求1所述的锂离子电池性能指标估计方法，其特征在于，所述lstm网络包含双层隐含层和一个全连接层。9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如权利要求1至8任一所述的锂离子电池性能指标估计方法。10.一种设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由所述处理器加载并执行以实现如权利要求1至8任一所述的锂离子电池性能指标估计方法。

技术总结
本发明公开了一种锂离子电池性能指标估计方法、存储介质及设备，方法包括步骤获取锂离子电池历史工作数据，对锂离子电池历史工作数据进行预处理；将预处理后的锂离子电池历史工作数据作为特征变量对LSTM网络进行训练；采用蜉蝣优化算法确定LSTM网络超参数的初始阈值；将当前锂离子电池工作数据输入已训练的LSTM网络，估计锂离子电池性能指标。本申请利用蜉蝣算法优化长短时记忆网络的初始阈值，避免算法陷入局部最优，提高寻优搜索能力和收敛能力，有效提高模型的预测精度和效率。同时，利用同一种LSTM网络模型就可以直接估计锂离子电池的电池性能指标，在工业电池管理方面较为便利。便利。便利。


技术研发人员：杨正清 罗仕雄 陈明
受保护的技术使用者：广东九州储能技术股份有限公司
技术研发日：2023.07.27
技术公布日：2023/10/19