基于自动编码器的锂离子电池状态评估方法

韩云飞; 谢佳; 蔡涛; 段善旭; 程时杰

doi:10.7500/AEPS20210305007

您当前的位置：

首页 >

文章列表页 >

基于自动编码器的锂离子电池状态评估方法

学术研究 | 更新时间：2025-06-16

- 基于自动编码器的锂离子电池状态评估方法
- Autoencoder-based State Evaluation Method for Lithium-ion Battery
- 电力系统自动化 2021年45卷第24期页码：41-48
- 作者机构：
  
  强电磁工程与新技术国家重点实验室（华中科技大学），湖北省武汉市 430074
- 作者简介：
  
  韩云飞(1995—)，男，硕士研究生，主要研究方向：电池管理、机器学习在储能系统中的应用。E-mail：M201871373@hust.edu.cn
  谢佳(1981—)，男，博士，教授，主要研究方向：动力电池及其关键材料、电池设计及电池工艺，能源存储与转换技术。E-mail：xiejia@hust.edu.cn
  蔡涛(1974—)，男，通信作者，博士，副教授，主要研究方向：可再生能源系统建模与能量管理、电池储能系统管理与充放电控制、无线电能传输技术等。E-mail：caitao@hust.edu.cn
- 基金信息：
  
  国家自然科学基金委员会-国家电网公司智能电网联合基金资助项目(U196620053)
- DOI：10.7500/AEPS20210305007
  中图分类号：
- 收稿日期：2021-03-05，
  
  修回日期：2021-06-09，
  
  网络出版日期：2021-09-07，
  
  纸质出版日期：2021-12-25
- 稿件说明：
移动端阅览
韩云飞,谢佳,蔡涛等.基于自动编码器的锂离子电池状态评估方法[J].电力系统自动化,2021,45(24):41-48.

HAN Yunfei,XIE Jia,CAI Tao,et al.Autoencoder-based State Evaluation Method for Lithium-ion Battery[J].Automation of Electric Power Systems,2021,45(24):41-48.
韩云飞,谢佳,蔡涛等.基于自动编码器的锂离子电池状态评估方法[J].电力系统自动化,2021,45(24):41-48. DOI： 10.7500/AEPS20210305007.

HAN Yunfei,XIE Jia,CAI Tao,et al.Autoencoder-based State Evaluation Method for Lithium-ion Battery[J].Automation of Electric Power Systems,2021,45(24):41-48. DOI： 10.7500/AEPS20210305007.

摘要

准确的电池状态估计对于确保电池储能系统的安全可靠运行至关重要。电池的健康状态（SOH）虽然能反映电池的老化状态，但SOH估计模型的建立受到实际标签数据难以获得或是测试代价高昂的限制。文中基于无监督机器学习模型，建立了一种新的健康指标对电池进行状态评估。首先，从电池的电压-放电容量曲线选择特征，根据锂离子电池的老化机制将电池状态划分为健康和异常，使用健康的数据对基于卷积神经网络的自动编码器模型进行训练，根据自动编码器的输入、输出计算重构误差，最后将重构误差输入逻辑回归模型对电池状态进行判别。在开源的MIT-Stanford数据集上进行实验，验证了所提方法的有效性。

Abstract

Accurate battery state evaluation is critical to ensure the safe and reliable operation of the battery energy storage system. Although the state of health (SOH) can reflect the aging state of the battery

the establishment of the SOH evaluation model is impeded because the actual label data is hard to obtain or the testing is expensive. Based on an unsupervised machine learning model

a new health indicator is established to evaluate the battery state. Firstly

the characteristics are selected from the voltage-discharge capacity curve of the battery

and the batteries are divided into healthy and abnormal states according to the aging mechanism of the lithium-ion battery. The healthy data is used to train the autoencoder model based on convolution neural network

and the reconstruction error is calculated according to the input and output of the autoencoder. Finally

the reconstruction error is input into the logical regression model to assess the battery state. The experiments on the open-source MIT-Stanford dataset show the effectiveness of the proposed method.

关键词

Keywords

references

李建林，牛萌，王上行，等 . 江苏电网侧百兆瓦级电池储能电站运行与控制分析［J］. 电力系统自动化， 2020 ， 44 （ 2 ）： 28 - 35 .

LI Jianlin ， NIU Meng ， WANG Shangxing ， et al . Operation and control analysis of 100 MW class battery energy storage station on grid side in Jiangsu power grid of China ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 2 ）： 28 - 35 .

贺鸿杰，张宁，杜尔顺，等 . 电网侧大规模电化学储能运行效率及寿命衰减建模方法综述［J］. 电力系统自动化， 2020 ， 44 （ 12 ）： 193 - 207 .

HE Hongjie ， ZHANG Ning ， DU Ershun ， et al . Review on modeling method for operation efficiency and lifespan decay of large-scale electrochemical energy storage on power grid side ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 12 ）： 193 - 207 .

李超然，肖飞，樊亚翔，等 . 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 ， et al . An approach to lithium-ion battery SOH estimation based on convolutional neural network ［J］. Transactions of China Electrotechnical Society ， 2020 ， 35 （ 19 ）： 4106 - 4119 .

NG M F ， ZHAO J ， YAN Q ， et al . Predicting the state of charge and health of batteries using data-driven machine learning ［J］. Nature Machine Intelligence ， 2020 ， 2 ： 161 - 170 .

MARC D ， THOMAS F F ， JOHN N . Modeling of galvanostatic charge and discharge of the lithium/polymer/insertion cell ［J］. Journal of the Electrochemical Society ， 1993 ， 140 ： 1526 - 1533 .

THOMAS F F ， MARC D ， JOHN N . Simulation and optimization of the dual lithium ion insertion cell ［J］. Journal of the Electrochemical Society ， 1994 ， 141 ： 1 - 10 .

李晓宇，徐佳宁，胡泽徽，等 . 磷酸铁锂电池梯次利用健康特征参数提取方法［J］. 电工技术学报， 2018 ， 33 （ 1 ）： 9 - 16 .

LI Xiaoyu ， XU Jianing ， HU Zehui ， et al . The health parameter estimation method for LiFePO 4 battery echelon use ［J］. Transactions of China Electrotechnical Society ， 2018 ， 33 （ 1 ）： 9 - 16 .

杨挺，赵黎媛，王成山 . 人工智能在电力系统及综合能源系统中的应用综述［J］. 电力系统自动化， 2019 ， 43 （ 1 ）： 2 - 14 .

YANG Ting ， ZHAO Liyuan ， WANG Chengshan . Review on application of artificial intelligence in power system and integrated energy system ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 2 - 14 .

王守鹏，赵冬梅 . 电网故障诊断的研究综述与前景展望［J］. 电力系统自动化， 2017 ， 41 （ 19 ）： 164 - 175 .

WANG Shoupeng ， ZHAO Dongmei . Research review and prospects for power grid fault diagnosis ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 19 ）： 164 - 175 .

ZHANG Yunwei ， TANG Qiaochu ， ZHANG Yao ， et al . Identifying degradation patterns of lithium ion batteries from impedance spectroscopy using machine learning ［J］. Nature Communications ， 2020 ， 11 ： 1706 - 1711 .

LI Xiaoyu ， WAN Zhenpo ， ZHANG Lei ， et al . State-of-health estimation for Li-ion batteries by combing the incremental capacity analysis method with grey relational analysis ［J］. Journal of Power Sources ， 2019 ， 410 ： 106 - 114 .

李超然，肖飞，樊亚翔，等 . 基于深度学习的锂离子电池SOC和SOH 联合估算［J］. 中国电机工程学报， 2021 ， 41 （ 2 ）： 681 - 692 .

LI Chaoran ， XIAO Fei ， FAN Yaxiang ， et al . Joint estimation of the state of charge and the state of health based on deep learning for lithium-ion batteries ［J］. Proceedings of the CSEE ， 2021 ， 41 （ 2 ）： 681 - 692 .

HONG J ， LEE D ， JEONG E R ， et al . Towards the swift prediction of the remaining useful life of lithium-ion batteries with end-to-end deep learning ［J］. Applied Energy ， 2020 ， 278 ： 115646 .

SHEN S ， SADOUGHI M ， LI M ， et al . Deep convolutional neural networks with ensemble learning and transfer learning for capacity estimation of lithium-ion batteries ［J］. Applied Energy ， 2020 ， 260 ： 114296 .

FORSUELO M . Lifetime prediction for lithium-ion batteries undergoing fast charging protocols ［D］. Cambridge， USA ： Massachusetts Institute of Technology ， 2019 .

DIAO W ， SAXENA S ， PECHT M . Accelerated cycle life testing and capacity degradation modeling of LiCoO 2 -graphite cells ［J］. Journal of Power Sources ， 2019 ， 435 ： 226830 .

CHALAPATHY R ， CHAWLA S . Deep learning for anomaly detection： a survey ［EB/OL］. ［ 2021-03-04 ］. https：//arxiv.org/abs/1901.03407 https://arxiv.org/abs/1901.03407 .

SEVERSON K ， ATTIA P ， JIN N ， et al . Data-driven prediction of battery cycle life before capacity degradation ［J］. Nature Energy ， 2019 ， 4 ： 383 - 391 .

ATTIA P M ， GROVER A ， JIN N ， et al . Closed-loop optimization of fast-charging protocols for batteries with machine learning ［J］. Nature ， 2020 ， 578 （ 7795 ）： 397 - 402 .

SEVERSON K . Machine learning for applications in chemical and biological engineering ［D］. Cambridge， USA ： Massachusetts Institute of Technology ， 2018 .

DUBARRY M ， TRUCHOT C ， LIAW B Y . Synthesize battery degradation modes via a diagnostic and prognostic model ［J］. Journal of Power Sources ， 2012 ， 219 ： 204 - 216 .

LEE J ， KWON D ， PECHT M . Reduction of Li-ion battery qualification time based on prognostics and health management ［J］. IEEE Transactions on Industrial Electronics ， 2019 ， 66 （ 9 ）： 7310 - 7315 .

陈达，朱林，张健，等 . 基于卷积神经网络的暂态电压稳定评估及风险量化［J］. 电力系统自动化， 2021 ， 45 （ 14 ）： 65 - 71 .

CHEN Da ， ZHU Lin ， ZHANG Jian ， et al . Transient voltage stability assessment and risk quantification based on convolutional neural network ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 14 ）： 65 - 71 .

ZHANG A ， LIPTON Z C ， LI M ， et al . Dive into deep learning ［EB/OL］. ［ 2021-03-04 ］. https：//d2l.ai/ https://d2l.ai/ .

VALANT C ， NENADIC N G ， WHEATON J ， et al . Evaluation of 1D CNN autoencoders for lithium-ion battery condition assessment using synthetic data ［C］// Annual Conference of the PHM Society ， September 21-26 ， 2019 ， Scottsdale， USA .

周志华 . 机器学习［M］. 北京：清华大学出版社， 2016 .

ZHOU Zhihua . Machine learning ［M］. Beijing ： Tsinghua University Press ， 2016 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于两阶段特征选择和格拉姆角场的配电网拓扑辨识方法

基于改进生成对抗网络的谐波状态估计方法