欢迎访问锂电网(li-b.cn),锂电产业链服务全平台!
2021年01月25日   星期一    |  广告单价 |  锂电资讯
首页 > 资讯 > 学术 > 基于卷积神经网络估算锂离子电池健康状态(SOH)的新方法

基于卷积神经网络估算锂离子电池健康状态(SOH)的新方法

来源:电工技术学报 | 作者:wxf | 分类:学术 | 时间:2020-11-27 | 浏览:11994
文章顶部

锂离子电池健康状态(SOH)描述了电池当前老化程度,其估算难点在于缺乏明确统一的定义、无法直接测量以及难以确定数量合适、相关性高的估算输入量。

为了克服上述问题,本文从容量的角度定义锂离子电池SOH,并将锂离子电池恒流-恒压充电过程中的电压、电流、温度曲线作为输入,提出采用一维深度卷积神经网络实现锂离子电池容量估算以获取SOH。

锂离子电池凭借其能量密度高、使用寿命长、自放电率低和清洁可靠等优点,已经被广泛应用。然而,随着锂离子电池充放电循环次数的增加,锂离子电池老化过程不断进行。当锂离子电池老化到一定程度,便无法继续运行,此时很容易发生故障,从而导致高昂的维修成本、巨大的安全风险,甚至产生毁灭性的后果,应该及时更换。

为了量化锂离子电池老化程度,锂离子电池健康状态(SOH)被提出,准确的电池健康状态估算对于锂离子电池最佳性能的发挥和安全运行具有重大意义。

卷积神经网络(CNN)可以被视为一个非线性动态系统的近似器,能够将一段时间内的电压、电流、温度等一系列测量量映射到目标电池健康状态。

具体而言,本文所提出的深度卷积神经网络能够实现锂离子电池恒流-恒压满充过程中所获取的电压、电流、温度的全过程量到当前锂离子电池健康状态之间非线性映射关系的表征。

当深度卷积神经网络完成离线训练后,将锂离子电池进行恒流-恒压满充操作并获取各采样点的电压、电流、温度等测量值,输入完成训练的深度神经网络中,便能获取当前锂离子电池SOH估算值。基于深度卷积神经网络的锂离子电池SOH估算流程如下图所示:

111.jpg

图1 锂离子电池SOH估算流程

其中,图中实线代表训练数据流向,虚线代表测试数据流向。图1中各步骤包括获取训练数据、搭建深度卷积神经网络结构并设置网络参数、训练深度卷积神经网络、实现锂离子电池SOH估算。

为了验证本文所提出的基于深度卷积神经网络的锂离子电池SOH估算方法的有效性,本文首先在NASA锂离子电池随机使用数据集基础上进行锂离子电池SOH估算,如图2所示,并分析了网络输入、模型结构、数据增强对算法准确性和鲁棒性的影响。

2222.jpg

图2 NASA数据集锂离子电池SOH估算结果

为了进一步验证提出的SOH估算方法的适用性,本文还在牛津电池老化数据集上对该方法进行了应用,如图3所示。

3333.png

图3 牛津数据集锂离子电池SOH估算结果

另外,在上述两个数据集上的对比结果如表1所示,该对比结果表明本文所提出的基于深度卷积神经网络(CNN)的锂离子电池SOH估算方法比现有的基于支持向量机(SVM)和高斯过程回归(GPR)的方法具有更高的估算精度。

4444.jpeg

表1 基于不同方法的锂离子电池SOH估算

本文以恒流-恒压充电阶段内的电压、电流、温度曲线作为SOH估算方法的输入,以容量作为输出,并从容量的角度定义锂离子电池SOH。

在锂离子电池使用数据集上的实验结果表明,相对于其他方法所使用的输入而言,本文所选取的可测量具有数量合适、相关性高、易于直接获取的优势。随后,该方法通过一维卷积神经网络,基于卷积核提取电压、电流、温度曲线中的共有特征信息,并映射至SOH。

实验结果表明,所提出的基于卷积神经网络的锂离子电池SOH估算方法能够实现准确的SOH估算。


作者简介

肖飞,教授,博士生导师。海军工程大学舰船综合电力技术国防科技重点实验室大容量电能变换研究方向首席专家,从事电力电子与电气传动中的大容量电能变换技术、电机驱动控制技术、系统集成技术等领域研究。授权专利17项,出版专著1部,发表SCI/EI收录索引的论文80余篇。先后获得国家科技进步一等奖2项、国家科技进步二等奖1项、军队科技进步一等奖4项、何梁何利青年创新奖、中国青年科技奖、求是奖、一等功1次、二等功3次。入选国家“万人计划”、“军队高层次科技领军人才”、教育部“新世纪优秀人才支持计划”、“百千万人才工程”、全国“五四”青年奖章,所在团队获国家科技进步奖创新团队奖、全国“创先争优奖牌”、“创新强军马伟明模范团队”荣誉称号等。当选第七届教育部科技委能源与交通学部委员、中国造船工程学会轮机学术委员会船电技术分会副主任委员、电源学会理事等。

樊亚翔,博士,助理研究员。主要研究方向包括深度学习、电池管理系统、智能状态监测和故障诊断技术。

李超然,博士,工程师。主要研究方向包括舰船综合电力系统、储能装置状态管理及监测、深度学习等。


引用本文

李超然, 肖飞, 樊亚翔, 杨国润, 唐欣. 基于卷积神经网络的锂离子电池SOH估算[J]. 电工技术学报, 2020, 35(19): 4106-4119. Li Chaoran, Xiao Fei, Fan Yaxiang, Yang Guorun, Tang Xin. An Approach to Lithium-Ion Battery SOH Estimation Based on Convolutional Neural Network. Transactions of China Electrotechnical Society, 2020, 35(19): 4106-4119.


分享到:

合作机构: ofweek锂电网 | 电池在线网 | 亚太电池展 | 巨典展览 | 德泰中研 | 振威展览 | 亚化咨询 | 知行锂电 | 高工锂电 | 深圳市电源技术学会

关于我们 | 联系方式 | 免责声明 | 人才招聘

版权所有 copyright © 锂电网(li-b.cn) | 粤ICP备18158530号


扫码关注微信
获取更多商机
×