基于双向长短期记忆网络含间接健康指标的锂电池SOH估计

方斯顿; 刘龙真; 孔赖强; 牛涛; 陈冠宏; 廖瑞金

doi:10.7500/AEPS20230627011

您当前的位置：

首页 >

文章列表页 >

基于双向长短期记忆网络含间接健康指标的锂电池SOH估计

学术研究 | 更新时间：2025-06-16

- 基于双向长短期记忆网络含间接健康指标的锂电池SOH估计
- State-of-health Estimation for Lithium-ion Batteries Incorporating Indirect Health Indicators Based on Bi-directional Long Short-term Memory Networks
- 电力系统自动化 2024年48卷第4期页码：160-168
- 作者机构：
  
  输配电装备及系统安全与新技术国家重点实验室（重庆大学），重庆市400044
- 作者简介：
  
  方斯顿(1991—)，男，博士，教授，博士生导师，主要研究方向：综合能源系统、能源交通融合。E-mail：fangston@cqu.edu.cn
  刘龙真(2000—)，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：1244832860@qq.com
  孔赖强(1997—)，男，博士研究生，主要研究方向：储能系统建模与多状态评估。E-mail：konglaiqiang@163.com
  牛涛(1992—)，男，通信作者，博士，研究员，博士生导师，主要研究方向：交直流混联大电网分析、安全、控制、运行与优化。E-mail：niutthu@qq.com
- 基金信息：
  
  国家电网公司科技项目(5108-202218280A-2-314-XG)
- DOI：10.7500/AEPS20230627011
  中图分类号：
- 收稿：2023-06-27，
  
  修回：2023-11-17，
  
  网络出版：2024-01-03，
  
  纸质出版：2024-02-25
- 稿件说明：
移动端阅览
方斯顿,刘龙真,孔赖强等.基于双向长短期记忆网络含间接健康指标的锂电池SOH估计[J].电力系统自动化,2024,48(4):160-168.

FANG Sidun,LIU Longzhen,KONG Laiqiang,et al.State-of-health Estimation for Lithium-ion Batteries Incorporating Indirect Health Indicators Based on Bi-directional Long Short-term Memory Networks[J].Automation of Electric Power Systems,2024,48(4):160-168.
方斯顿,刘龙真,孔赖强等.基于双向长短期记忆网络含间接健康指标的锂电池SOH估计[J].电力系统自动化,2024,48(4):160-168. DOI： 10.7500/AEPS20230627011.

FANG Sidun,LIU Longzhen,KONG Laiqiang,et al.State-of-health Estimation for Lithium-ion Batteries Incorporating Indirect Health Indicators Based on Bi-directional Long Short-term Memory Networks[J].Automation of Electric Power Systems,2024,48(4):160-168. DOI： 10.7500/AEPS20230627011.

摘要

快速准确地对锂离子电池进行全寿命周期的健康状态(SOH)估计有助于提高储能设备的安全可靠性。提出一种基于间接健康指标(IHI)和鲸鱼优化算法(WOA)优化的双向长短期记忆(BiLSTM)网络相结合的锂电池SOH估计模型，该模型考虑了未来状态对当前SOH的影响。首先，对锂电池恒流恒压（CC-CV）充放电过程进行分析，提取出多个随充放电循环动态变化的电压、电流、温度的时间特征作为IHI，并加入放电负载电压下降时间这一指标；然后，通过相关性分析，从各IHI中筛选出和容量关联度高的IHI作为输入特征；最后，建立基于WOA优化的BiLSTM网络的电池SOH估计模型，并利用美国国家航天航空局锂电池数据集对2个不同工况下的电池SOH进行估计。结果表明，所提方法可有效提高SOH的估计精度。

Abstract

Rapid and accurate estimation of the state of health (SOH) of lithium-ion batteries throughout their entire life cycle can help improve the safety and reliability of energy storage equipment. An SOH estimation model is proposed

which combines indirect health indicators (IHIs) with bi-directional long short-term memory (BiLSTM) network optimized by the whale optimization algorithm (WOA). The model takes into account the influence of future states on the current SOH. First

the constant current-constant voltage charging and discharging process of lithium-ion battery is analyzed

multiple time characteristics of voltage

current

and temperature that dynamically change with charging and discharging cycles are extracted as IHIs

and the indicator of discharging load voltage drop time is added. Then

through correlation analysis

selected IHIs with high correlation to capacity are set as input features. Finally

a BiLSTM network optimized by WOA is established as the battery SOH estimation model

and the NASA lithium-ion battery dataset is used to estimate the battery SOH under two different operating conditions. The results indicate that the proposed method can effectively improve the estimation accuracy of SOH.

关键词

Keywords

references

TANG X P ， ZOU C F ， WIK T ， et al . Run-to-run control for active balancing of lithium iron phosphate battery packs ［J］. IEEE Transactions on Power Electronics ， 2020 ， 35 （ 2 ）： 1499 - 1512 .

李建林，李雅欣，陈光，等 . 退役动力电池健康状态特征提取及评估方法综述［J］. 中国电机工程学报， 2022 ， 42 （ 4 ）： 1332 - 1347 .

LI Jianlin ， LI Yaxin ， CHEN Guang ， et al . Research on feature extraction and SOH evaluation methods for retired power battery ［J］. Proceedings of the CSEE ， 2022 ， 42 （ 4 ）： 1332 - 1347 .

LIU C ， WANG Y J ， CHEN Z H . Degradation model and cycle life prediction for lithium-ion battery used in hybrid energy storage system ［J］. Energy ， 2019 ， 166 ： 796 - 806 .

刘月峰，张公，张晨荣，等 . 锂离子电池RUL预测方法综述［J］. 计算机工程， 2020 ， 46 （ 4 ）： 11 - 18 .

LIU Yuefeng ， ZHANG Gong ， ZHANG Chenrong ， et al . Review of RUL prediction method for lithium-ion batteries ［J］. Computer Engineering ， 2020 ， 46 （ 4 ）： 11 - 18 .

陈万，蔡艳平，苏延召，等 . 锂离子电池的多状态模型剩余寿命预测方法［J］. 科学技术与工程， 2021 ， 21 （ 10 ）： 4078 - 4083 .

CHEN Wan ， CAI Yanping ， SU Yanzhao ， et al . Method for predicting remaining useful life of lithium-ion battery based on multi-state model ［J］. Science Technology and Engineering ， 2021 ， 21 （ 10 ）： 4078 - 4083 .

陈琳，陈静，王惠民，等 . 基于小波包能量熵的电池剩余寿命预测［J］. 电工技术学报， 2020 ， 35 （ 8 ）： 1827 - 1835 .

CHEN Lin ， CHEN Jing ， WANG Huimin ， et al . Prediction of battery remaining useful life based on wavelet packet energy entropy ［J］. Transactions of China Electrotechnical Society ， 2020 ， 35 （ 8 ）： 1827 - 1835 .

RAZAVI-FAR R ， CHAKRABARTI S ， SAIF M ， et al . An integrated imputation-prediction scheme for prognostics of battery data with missing observations ［J］. Expert Systems With Applications ， 2019 ， 115 ： 709 - 723 .

徐宏东，高海波，徐晓滨，等 . 基于证据推理规则CS-SVR模型的锂离子电池SOH估算［J］. 上海交通大学学报， 2022 ， 56 （ 4 ）： 413 - 421 .

XU Hongdong ， GAO Haibo ， XU Xiaobin ， et al . State of health estimation of lithium-ion battery using a CS-SVR model based on evidence reasoning rule ［J］. Journal of Shanghai Jiao Tong University ， 2022 ， 56 （ 4 ）： 413 - 421 .

KHUMPROM P ， YODO N . A data-driven predictive prognostic model for lithium-ion batteries based on a deep learning algorithm ［J］. Energies ， 2019 ， 12 （ 4 ）： 660 .

CHEN L ， ZHANG Y ， ZHENG Y ， et al . Remaining useful life prediction of lithium-ion battery with optimal input sequence selection and error compensation ［J］. Neurocomputing ， 2020 ， 414 ： 245 - 254 .

郑永飞，文怀兴，韩昉，等 . 基于电池外特征的粒子群神经网络电池健康状态预测［J］. 科学技术与工程， 2019 ， 19 （ 36 ）： 184 - 189 .

ZHENG Yongfei ， WEN Huaixing ， HAN Fang ， et al . Prediction of state of health based on particle swarm neural network with battery external characteristics ［J］. Science Technology and Engineering ， 2019 ， 19 （ 36 ）： 184 - 189 .

郭邦军，李家琦，马小乐，等 . 基于深度学习的动力锂离子电池容量估计［J］. 电池， 2022 ， 52 （ 5 ）： 517 - 521 .

GUO Bangjun ， LI Jiaqi ， MA Xiaole ， et al . Capacity estimation of power Li-ion battery based on deep learning ［J］. Battery Bimonthly ， 2022 ， 52 （ 5 ）： 517 - 521 .

张浩，胡昌华，杜党波，等 . 多状态影响下基于Bi-LSTM网络的锂电池剩余寿命预测方法［J］. 电子学报， 2022 ， 50 （ 3 ）： 619 - 624 .

ZHANG Hao ， HU Changhua ， DU Dangbo ， et al . Remaining useful life prediction method of lithium-ion battery based on Bi-LSTM network under multi-state influence ［J］. Acta Electronica Sinica ， 2022 ， 50 （ 3 ）： 619 - 624 .

郝可青，吕志刚，邸若海，等 . 基于鲸鱼算法优化长短时记忆神经网络的锂电池剩余寿命预测［J］. 科学技术与工程， 2022 ， 22 （ 29 ）： 12900 - 12908 .

HAO Keqing ， LÜ Zhigang ， DI Ruohai ， et al . Remaining useful life prediction of lithium battery based on long short-term memory optimized by whale optimization algorithm ［J］. Science Technology and Engineering ， 2022 ， 22 （ 29 ）： 12900 - 12908 .

SAHA B ， GOEBEL K . NASA Ames Prognostics Data Repository： battery data set ［DB／OL］. ［ 2023-01-01 ］. https：//ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository https://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository ．

WEI J W ， DONG G Z ， CHEN Z H . Remaining useful life prediction and state of health diagnosis for lithium-ion batteries using particle filter and support vector regression ［J］. IEEE Transactions on Industrial Electronics ， 2018 ， 65 （ 7 ）： 5634 - 5643 .

LI N P ， LEI Y G ， YAN T ， et al . A Wiener-process-model-based method for remaining useful life prediction considering unit-to-unit variability ［J］. IEEE Transactions on Industrial Electronics ， 2019 ， 66 （ 3 ）： 2092 - 2101 .

王萍，范凌峰，程泽 . 基于健康特征参数的锂离子电池SOH和RUL联合估计方法［J］. 中国电机工程学报， 2022 ， 42 （ 4 ）： 1523 - 1534 .

WANG Ping ， FAN Lingfeng ， CHENG Ze . A joint state of health and remaining useful life estimation approach for lithium-ion batteries based on health factor parameter ［J］. Proceedings of the CSEE ， 2022 ， 42 （ 4 ）： 1523 - 1534 .

GOEBEL K ， SAHA B ， SAXENA A ， et al . Prognostics in battery health management ［J］. IEEE Instrumentation & Measurement Magazine ， 2008 ， 11 （ 4 ）： 33 - 40 .

樊亚翔，肖飞，许杰，等 . 基于充电电压片段和核岭回归的锂离子电池SOH估计［J］. 中国电机工程学报， 2021 ， 41 （ 16 ）： 5661 - 5670 .

FAN Yaxiang ， XIAO Fei ， XU Jie ， et al . State of health estimation of lithium-ion batteries based on the partial charging voltage segment and kernel ridge regression ［J］. Proceedings of the CSEE ， 2021 ， 41 （ 16 ）： 5661 - 5670 .

HOCHREITER S ， SCHMIDHUBER J . Long short-term memory ［J］. Neural Computation ， 1997 ， 9 （ 8 ）： 1735 - 1780 .

MIRJALILI S ， LEWIS A . The whale optimization algorithm ［J］. Advances in Engineering Software ， 2016 ， 95 ： 51 - 67 .

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

基于条件生成对抗网络曲线生成的短期负荷概率预测

锂离子电池荷电状态估算方法及其应用场景综述

基于自动编码器的锂离子电池状态评估方法