基于RGAN的锂离子电池健康状态估计方法及系统技术方案

本发明专利技术公开了一种基于RGAN的锂离子电池健康状态估计方法及系统，包括：获取锂电池的充放电电压、电流数据并进行预处理；基于锂电池的充电电压数据提取老化特征；将老化特征输入至训练好的基于回归生成对抗网络的SOH估计模型，得到锂离子电池健康状态值。本发明专利技术基于回归生成对抗网络的电池SOH估计方法能够有效检测异常老化特征，防止传感器故障、噪声等干扰SOH估计结果，避免造成SOH估计结果偏离；具有异常老化特征检测精度高、可靠性强，SOH估计精度高的优点，适用于在线SOH估计。适用于在线SOH估计。适用于在线SOH估计。

【技术实现步骤摘要】
基于RGAN的锂离子电池健康状态估计方法及系统


[0001]本专利技术涉及锂离子电池健康状态估计
，尤其涉及一种基于回归生成对抗网络(Regression Generative Adversarial Network,RGAN)的锂离子电池健康状态估计方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]得益于低成本、高能量密度和长循环寿命等优势，锂电池成为大规模储能系统和电动汽车的关键组成器件，其健康状态直接影响储能设施和电动汽车等的安全运行。在实际使用过程中，电池容量会随着充放电循环和放置时间而逐渐衰减，导致设备续航能力显著降低，严重影响用户体验。电池的健康状态(State of Health，SOH)反映当前电池的容量和内阻大小。准确的健康状态估计有利于对电池进行合理管控，能够优化用户使用体验，防止电池加速老化甚至故障的出现。
[0004]由于电池内部电化学反应十分复杂，且外部环境复杂多变，导致准确估计动力电池健康状态十分困难。目前，动力电池的健康状态估计方法主要有三类：直接测量法、模型法和数据驱动法。
[0005]直接测量法采用测量电压、电流信号、阻抗谱等并经过简单的计算估计电池SOH。该方法计算复杂度低，易于实现。然而，此类方法需要额外的设备或特定的工作条件进行数据测量，这限制了实际应用。模型法基于等效电路模型或电化学模型结合自适应算法(卡尔曼滤波、扩展卡尔曼滤波、粒子滤波等)估计电池SOH。此类方法需要在线辨识电池模型参数，计算复杂度高，且准确的电池老化模型十分复杂，将显著增加电池管理系统的计算负担。数据驱动法从外部测量数据(端电压、电流、温度等)提取老化特征(Health Indicator,HI)，结合机器学习算法构建电池SOH估计模型，无需考虑复杂的电池老化机理，且能实现高精度SOH估计。然而，电磁干扰、传感器故障等易于产生异常老化特征，导致显著偏离正常SOH的估计结果。现有方法无法有效检测异常的老化特征，导致模型可靠性低。此外，传统的数据驱动方法泛化能力弱，这限制了其在实际电池管理中的应用。

技术实现思路

[0006]为了解决上述问题，本专利技术提出了一种基于RGAN的锂离子电池健康状态估计方法及系统，解决了传统人工智能方法无法检测由于噪声、传感器故障等导致的异常老化特征，避免SOH估计结果显著偏离正常值，提高了SOH估计的可靠性，同时结合对抗学习将生成老化特征引入模型训练，有效改善了数据驱动法泛化能力弱的局限性问题。
[0007]在一些实施方式中，采用如下技术方案：
[0008]一种基于RGAN的锂离子电池健康状态估计方法，包括：
[0009]获取锂电池的充放电电压、电流数据并进行预处理；
[0010]基于锂电池的充电数据提取老化特征；
[0011]将老化特征输入至训练好的基于回归生成对抗网络的SOH估计模型，得到锂离子电池健康状态值。
[0012]作为可选的方案，基于锂电池的充电数据提取老化特征，具体包括：
[0013]从锂离子电池恒流充电过程的端电压曲线上提取用来表征电池健康状态的老化特征；所提取的老化特征包括两类：第一类为等电压间隔的充电持续时间，第二类为对固定充电区间中电压的离散积分。
[0014]作为可选的方案，所述基于回归生成对抗网络的SOH估计模型包括：
[0015]采用多层前馈神经网络构建的回归器R、鉴别器D和生成器G；
[0016]所述生成器G生成分布一致的假样本来欺骗鉴别器D，所述鉴别器D学习真实老化特征的分布并判断所述假样本是否满足真实老化特征的分布；所述回归器R学习老化特征与其对应的SOH之间的映射关系。
[0017]作为可选的方案，所述基于回归生成对抗网络的SOH估计模型的训练过程包括：
[0018]获取锂电池的充放电电压、电流数据并进行预处理，得到各个充放电循环的真实健康状态值；
[0019]基于各个充放电循环的充电数据进行老化特征提取，提取每个充放电循环的老化特征；
[0020]所述老化特征与相应的健康状态值构成训练样本集；
[0021]从真实老化特征分布中采样n个样本点以更新回归器R；从噪声先验样本中采样n个噪声样本，从真实老化特征分布中采样n个样本，更新鉴别器D；固定鉴别器D，采样n个带有设定标签的噪声样本，用这些带有标签的噪声样本更新生成器G；重复该过程，直至训练完成。
[0022]作为可选的方案，所述预处理、提取老化特征以及基于回归生成对抗网络的SOH估计模型的过程，均在云端服务器完成。
[0023]作为可选的方案，将老化特征输入至训练好的基于回归生成对抗网络的SOH估计模型，能够通过鉴别器D识别出异常的老化特征。
[0024]在另一些实施方式中，采用如下技术方案：
[0025]一种基于RGAN的锂离子电池健康状态估计系统，包括：
[0026]数据获取模块，用于获取锂电池的充放电电压、电流数据并进行预处理；
[0027]特征提取模块，用于基于锂电池的充电数据提取老化特征；
[0028]健康状态估计模块，用于将老化特征输入至训练好的基于回归生成对抗网络的SOH估计模型，得到锂离子电池健康状态值。
[0029]在另一些实施方式中，采用如下技术方案：
[0030]一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的基于RGAN的锂离子电池健康状态估计方法。
[0031]在另一些实施方式中，采用如下技术方案：
[0032]一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于RGAN的锂离子电池健康状态估计方法。
[0033]与现有技术相比，本专利技术的有益效果是：
[0034](1)本专利技术基于回归生成对抗网络的电池SOH估计方法能够有效检测异常老化特征，防止传感器故障、噪声等干扰SOH估计结果，避免造成SOH估计结果偏离；具有异常老化特征检测精度高、可靠性强，SOH估计精度高的优点，适用于在线SOH估计。
[0035](2)本专利技术基于生成数据和真实数据均用于模型训练，能够起到数据增强的作用，从而增强模型的泛化能力。
[0036]本专利技术的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
附图说明
[0037]图1为本专利技术实施例中的基于回归生成对抗网络的SOH估计模型训练过程示意图；
[0038]图2(a)为本专利技术实施例中的回归器R和鉴别器D的具体结构；
[0039]图2(b)为本专利技术实施例中的生成器G的具体结构；
[0040]图3(a)
‑
(d)分别为RGAN在三元锂离子电池和磷酸铁锂电池上的SOH估计性能示意图；
[0041]图4为(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于RGAN的锂离子电池健康状态估计方法，其特征在于，包括：获取锂电池的充放电电压、电流数据并进行预处理；基于锂电池的充电数据提取老化特征；将老化特征输入至训练好的基于回归生成对抗网络的SOH估计模型，得到锂离子电池健康状态值。2.如权利要求1所述的一种基于RGAN的锂离子电池健康状态估计方法，其特征在于，基于锂电池的充电数据提取老化特征，具体包括：从锂离子电池恒流充电过程的端电压曲线上提取用来表征电池健康状态的老化特征；所提取的老化特征包括两类：第一类为等电压间隔的充电持续时间，第二类为对固定充电区间中电压的离散积分。3.如权利要求1所述的一种基于RGAN的锂离子电池健康状态估计方法，其特征在于，所述基于回归生成对抗网络的SOH估计模型包括：采用多层前馈神经网络构建的回归器R、鉴别器D和生成器G；所述生成器G生成分布一致的假样本来欺骗鉴别器D，所述鉴别器D学习真实老化特征的分布并判断所述假样本是否满足真实老化特征的分布；所述回归器R学习老化特征与其对应的SOH之间的映射关系。4.如权利要求3所述的一种基于RGAN的锂离子电池健康状态估计方法，其特征在于，所述基于回归生成对抗网络的SOH估计模型的训练过程包括：获取锂电池的充放电电压、电流数据并进行预处理，得到各个充放电循环的真实健康状态值；基于各个充放电循环的充电数据进行老化特征提取，提取每个充放电循环的老化特征；所述老化特征与相应的健康状态值构成训练样本集；从真实老化特征分布中采样n个样本点以更新回归器R...

【专利技术属性】
技术研发人员：张承慧，赵光财，段彬，康永哲，蒯宇航，
申请(专利权)人：山东大学，
类型：发明
国别省市：