一种基于ASTUKF-GRA-LSTM模型的新能源汽车锂电池健康状态评估方法与流程

一种基于astukf-gra-lstm模型的新能源汽车锂电池健康状态评估方法
技术领域
1.本发明涉及一种锂电池健康状态评估方法，更进一步涉及基于数据驱动的锂电池健康状态评估方法，特别涉及一种基于astukf-gra-lstm模型的新能源汽车锂电池健康状态评估方法。


背景技术：

2.锂电池作为能量储存和提供的一种重要的载体，具备储存方便、使用寿命长等特点，普遍用作新能源汽车的动力源，成为新能源汽车战略长远发展的关键，其健康状态(state of health，soh)得到新能源汽车电池安全领域研究开发人员的高度重视。锂电池在使用过程中，使用寿命会随soh降低衰减，当soh降低到一定程度时，将无法支撑新能源汽车正常运行。近年来，随着直流充电桩的发展建设。准确估计锂电池soh也成为充电设施安全管理的切实需要，若soh预估不准确，将造成一定经济损失，甚至引发充电燃爆等一系列安全事故。因此，精确掌握当前电池的健康状态对于降低电池运行风险、保证直流充电桩安全工作具有重要作用。电池精确的健康状态评估结果不仅表明了锂电池的老化程度，也为充电设置有序充电控制提供了有价值参照，是新能源汽车安全管理的重要监测指标。
3.由于新能源汽车锂电池电化学机理复杂非线性，应用场景多样，通过普通的测量方法很难准确估计电池soh。目当前已有的电池soh评估方法，一般可分为基于经验或半经验模型、基于电化学/物理方法、基于数据驱动方法。
4.基于电化学/物理的方法也是非统计方法，它们通常利用数学和物理技术来简化电化学模型，以描述电池在整个电池寿命期间的健康水平。然而，电化学模型通常与偏微分方程耦合，导致偏微分方程计算所需的计算强度阻碍了其可行性。数据驱动方法由于其无模型特性而得到更多的关注。这些方法通过将外部特征映射到电池容量损失来构建电池退化。此外，一些方法关注全局退化的趋势和以前的能力作为输入组件，由此衍生出了支持向量机(support vector machine，svm)、贝叶斯网络、自回归模型和高斯过程回归(gaussian process regression，gpr)等多种方法。虽然数据驱动方法具有良好的非线性特性和估计精度，但其依赖高质量的数据集以实现有效训练目的。
5.目前，一些研究和文献发现，电池的劣化与充电过程中的端电压密切相关。充电端子电压被认为是反映电池剩余容量的特征，深入分析，在充电过程中综合考虑容量和电压是反映电池退化的关键。为此在某些研究方法中，提出了增量容量(incremental capacity，ic)作为评价电池健康状况的特征，ic可以通过对充电/放电容量随电压变化的微分来计算。该ic曲线对充放电电压平台区具有较高的分辨率，并且可以从曲线的峰值幅值和位置提取出老化机理。此外，ic研究已经验证了在线soh估计的不同角度，如区域、位置和梯度。基于ic曲线，使用高斯函数建立退化模型的可行性和准确性。通过分析容量退化模型，实现了电池soh的估算。然而，该方法仅从峰值和位置获取健康特征(health features，hfs)。这些高频滤波器鲁棒性不强，易受噪声干扰。此外，所提出的方法不能适应可变的驾
驶周期，特别是在浅充/放电场景。综上所述，ic在实现soh估计方面具有良好的性能。然而，在电能曲线中捕捉峰值存在一个困难的问题，即峰值被测量噪声淹没。


技术实现要素：

6.本发明的目的在于克服现有技术的不足之处，本发明提出一种基于astukf-gra-lstm模型的新能源汽车锂电池健康状态soh评估方法，通过自适应卡尔曼滤波，实现对锂电池充电历史数据进行增强，利用灰色关联分析法，实现了对健康性能指标的精确提取，并与lstm神经网络相结合，基于综合能源服务平台获取新能源电动汽车历史数据实现了锂电池soh的精确评估。
7.本发明解决其技术问题是采取以下技术方案实现的：
8.一种基于astukf-gra-lstm模型的新能源汽车锂电池健康状态soh评估方法，包括如下阶段：
9.1)自适应强跟踪无迹卡尔曼滤波算法，
10.(1)第一步进行初始化，设定观测器初值即x0，p0，q0，r0，其中x0为状态量矩阵，状态变量u1、u2分别为电池的soc、rc网络两端电压，p0为评估协方差矩阵，q0为模型误差矩阵，r0为测量协方差矩阵，并根据时间更新以及测量更新进行先验估计和后验估计，非线性系统的状态空间方程如式(1)所示，其中k表示离散时刻，{wk}、{vk}为零均值白噪声，且{wk}与{vk}中的任意元素两两不相关，{wk}与{vk}的方差分别为qk、rk、γk为噪声驱动矩阵，
[0011][0012]
非线性系统线性化后的状态空间方程可表示为：
[0013][0014]
其中，系统的参数矩阵为uk为激励源即端电流数据；
[0015]
(2)第二步进行无迹变换，在估计点的附近根据规则选取采样点，也即sigma点，并且必须保证这些采样点的均值和协方差与原状态相同，并通过非线性变换，得到非线性函数点集，求得变换后的均值和协方差；
[0016]
(3)第三步在sigma点卡尔曼滤波算法的基础上增加了渐消因子，用以实时调整误差协方差，以削弱电池等效电路模型失调对测量曲线的影响，以及增强对状态突变的跟踪的能力，自适应强跟踪无迹卡尔曼滤波算法在协方差矩阵中引入了渐消因子：
[0017][0018]
其中γ
k 1
，为渐消因子，
[0019]
(4)其中，残差的协方差表示为：
[0020][0021]
其中，ρ为遗忘因子，取值范围为0《ρ≤1，β为弱化因子。
[0022]
(5)第四步构建自适应因子，采用sage-husa所提出的后验次优无偏估计器来更新噪声的均值和协方差，计算公式如所式(11)所示第一步，其中dk＝(1-b)/(1-b
k 1
)，b为遗忘因子，取值范围为0.9～1，g＝(γ
t
γ)-i
γ
t
,，
[0023][0024][0025][0026][0027]
2)利用灰色关联分析法获取健康性能指标hpi
[0028]
(1)灰色关联分析可以定量分析给定系统中参考因素与其他因素之间的不确定关系，考虑容量序列为参考序列x0＝{x0(k)}，hpi序列作为比较序列，记为xi＝{xi(k)}，则第i个因子的灰色关联系数可表示为:
[0029][0030]
其中，ρ为识别系数，ρ∈[0,1]，ρ在这里取0.5，灰色关联等级通常通过平均灰色关联系数的值来表示，ξi(k)为:
[0031][0032]
(2)选择恒流充电阶段电流a1、全时段充电总电流a、恒流充电阶段时间l1、恒压充电阶段时间l2、总充电阶段温度曲线t、恒流充电阶段温度峰值t1、恒压充电阶段温度峰值t2、充电电流曲线的最大斜率k28个hpi来估算容量，并将其用作下一神经网络学习环节的输入量，
[0033]
3)基于lstm建立长短期记忆神经网络学习。
[0034]
而且，第二步进行无迹变换，具体方法包括：
[0035]
首先，选择2n 1个采样点，也即sigma点，其中n为状态的维数。
[0036][0037]
然后，计算2n 1个采样点所对应的权值。
[0038][0039]
最后，根据式(3)和式(4)描述的无迹变换获得2n 1个采样点(sigma点)及其相对应的权值。
[0040][0041]
而且，确定渐消因子过程如下：
[0042]
残差序列的协方差可以表示为：
[0043][0044]
其中
[0045]
定义
[0046]
则渐消因子可以表示为：
[0047][0048]
而且，lstm由三个门组成，分别是输入门、输出门和遗忘门。
[0049]
lstm各个模块的计算公式为：
[0050]st
＝σ[ws(m
t-1
,i
t
) bs]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式17)
[0051]yt
＝σ[wy(m
t-1
,i
t
) by]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式18)
[0052][0053][0054]jt
＝σ[wj(m
t-1
,i
t
) bj]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式21)
[0055]mt
＝j
t
tanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式22)
[0056]
式中：s
t
，y
t
，j
t
其中分别为lstm的输入门、遗忘门和输出门；ws和bs，wy和by，wj和bj，以及wc和bc分别为输入门、遗忘门、输出门以及单元状态的权重和偏置；m
t-1
为上一时刻的输出；i
t
为t时刻的输入；c
t
为单元状态；为候选状态；m
t
为t时刻的输出，具体的：
[0057]
(1)基于综合能源服务平台获取电动汽车锂电池历史充放电数据集作为astukf-gra-lstm模型数据集，并将该数据集划分为训练集和测试集，其中训练集数据占比70％，测试集占比30％；
[0058]
(2)将(1)中的训练集数据进行归一化处理，使得所有数据在[0,1]之间；
[0059]
(3)从锂电池的数据集中取出容量大小为m的样本
[0060]
(4)从先验分布pz(z)中取出容量为m的样本
[0061]
(5)将从步骤(3)取出的样本作为输入，输入到生成器g中，得到m个生成样本
[0062]
(6)将步骤(5)和步骤(3)的样本输入到判别器d中，输出判别的结果，判别器根据随机梯度上升的方法来更新判别器网络参数；
[0063]
(7)从先验分布中另外再取出容量大小为m的样本，生成器根据随机梯度下降的方法来更新生成器网络参数；
[0064]
(8)反复迭代步骤(3)至步骤(7)，使得模型训练稳定，得到训练好的网络，对生成器的生成数据进行反归一化处理，最终生成样本容量大小为m的生成锂电池样本，补充到原来的数据集，得到扩充后的锂电池数据集；
[0065]
(9)将步骤(8)中扩充后的数据加入到astukf-gra-lstm模型进行训练；
[0066]
(10)训练astukf-gra-lstm模型：(a)对输入的数据进行归一化；(b)训练astukf-gra-lstm模型；(c)如果模型的loss下降，则继续重复(b)步骤，如果loss不继续下降,则开始下一个步骤；
[0067]
(11)得到训练好的astukf-gra-lstm模型。将(1)中的测试集数据输入到训练好的astukf-gra-lstm模型中，并对astukf-gra-lstm的输出进行反归一化，得到soh的估计值。
[0068]
本发明的优点和积极效果是：
[0069]
(1)本发明方法应用自适应强跟踪无迹卡尔曼滤波对ic曲线进行平滑处理，克服直流充电桩统计数据出现曲线断层现象，扩充了充电过程数据的完整性，提高数据统计的严密性与可靠性，增加了计算精度。
[0070]
(2)本发明方法基于ic曲线利用灰色关联分析法进行电池健康指标提取，降低了人为主观干扰，保留了影响soh的全部信息量，提高了astukf-gra-lstm的输入数据的精确性。
[0071]
(3)本发明方法利用长短期记忆神经网络对提取出的健康指标数据进行高效训练，构建电池健康状态精确评估模型，并利用新能源汽车锂电池全生命周期充放电真实数据对模型进行验证。
[0072]
(4)本发明提出基于astukf-gra-lstm模型的新能源汽车锂电池soh在线估计模型，利用astukf算法对锂电池的历史数据进行数据滤波及增强，结合gra与lstm建立锂电池
soh在线评估模型，该方案实现了针对不同型号动力电池soh的快速精确估计。
[0073]
(5)本发明采用纵横真实新能源汽车全生命周期监测数据进行验证，汽车动力电池类型为三元锂电池，从中提取了锂电池每个充放电循环的电压、电流、温度和容量数据，样本容量为1000，将电压、电流、温度数据作为输入，将数据集的充放循环的前70％数据作为训练集，并从剩余的充放电循环开始评估锂电池的soh。lstm模型参数：隐层节点为64，初始学习率为0.7。将本文算法与传统lstm模型、gan-cnn-lstm模型进行对比。结果显示，随着循环次数增加，锂电池soh呈非线性下降。传统lstm模型平均绝对百分误差(mean absolute percentage error，mape)为3.45％，均方根误差(root mean square error，rmse)为2.57％。gan-cnn-lstm模型对应mape为2.1％，rmse为1.99％。而本发明方法对新能源汽车动力soh评估具有较高的正确率，平均绝对百分误差为0.96％，均方根误差为0.57％，平均评估耗时2.1s，远小于传统lstm模型评估耗时8.9s、gan-cnn-lstm模型耗时4.6s。能够有效满足直流充电桩对新能源汽车锂电池健康状态的精确快速动态评估的安全分析需求。该方法具有较高的准确率，这在一定程度上解决了锂电池的soh估计的准确率较低的问题，具备一定的工程应用价值。
附图说明
[0074]
图1为本发明中无迹卡尔曼滤波原理图；
[0075]
图2为本发明中astukf算法流程图；
[0076]
图3为本发明中基于astukf-gra-lstm模型的soh评估流程图；
[0077]
图4为本发明中各模型对应的soh评估结果图。
具体实施方式
[0078]
下面通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。
[0079]
本发明方法数据驱动方法无须分析电池内部机理，可以直接通过历史数据来建立输入特征与电池容量之间的联系，建立一种基于astukf-gra-lstm模型的新能源汽车锂电池健康状态soh评估方法，包括如下阶段：
[0080]
1)自适应强跟踪无迹卡尔曼滤波算法
[0081]
(1)第一步进行初始化，设定观测器初值即x0，p0，q0，r0，其中x0为状态量矩阵(状态变量u1、u2分别为电池的soc、rc网络两端电压)，p0为评估协方差矩阵，q0为模型误差矩阵，r0为测量协方差矩阵，并根据时间更新以及测量更新进行先验估计和后验估计，非线性系统的状态空间方程如式(1)所示，其中k表示离散时刻，{wk}、{vk}为零均值白噪声，且{wk}与{vk}中的任意元素两两不相关，{wk}与{vk}的方差分别为qk、rk、γk为噪声驱动矩阵。
[0082][0083]
非线性系统线性化后的状态空间方程可表示为：
[0084][0085]
其中，系统的参数矩阵为uk为激励源即端电流数据。
[0086]
(2)第二步进行无迹变换，在估计点的附近根据规则选取采样点，也即sigma点，并且必须保证这些采样点的均值和协方差与原状态相同，并通过非线性变换，
[0087]
得到非线性函数点集，求得变换后的均值和协方差，无迹变换原理如图1所示。
[0088]
首先，选择2n 1个采样点，也即sigma点，其中n为状态的维数。
[0089][0090]
然后，计算2n 1个采样点所对应的权值。
[0091][0092]
最后，根据式(23)和式(24)描述的无迹变换获得2n 1个采样点(sigma点)及其相对应的权值。
[0093][0094]
(3)第三步在sigma点卡尔曼滤波算法的基础上增加了渐消因子，用以实时调整误差协方差，以削弱电池等效电路模型失调对测量曲线的影响，以及增强对状态突变的跟踪的能力。自适应强跟踪无迹卡尔曼滤波算法在协方差矩阵中引入了渐消因子：
[0095][0096]
其中γ
k 1
，为渐消因子，而其确定过程如下：
[0097]
残差序列的协方差可以表示为：
[0098]
[0099]
其中
[0100]
定义
[0101]
则渐消因子可以表示为：
[0102][0103]
(4)其中，残差的协方差表示为：
[0104][0105]
其中，ρ为遗忘因子，取值范围为0《ρ≤1，β为弱化因子。
[0106]
(5)第四步构建自适应因子，采用sage-husa所提出的后验次优无偏估计器来更新噪声的均值和协方差，计算公式如所式(8)所示第一步，其中dk＝(1-b)/(1-b
k 1
)，b为遗忘因子，取值范围为0.9～1，g＝(γ
t
γ)-i
γ
t
。
[0107][0108][0109][0110][0111]
astukf算法流程图如图2所示，
[0112]
2)利用灰色关联分析法获取健康性能指标(hpi)
[0113]
(1)灰色关联分析可以定量分析给定系统中参考因素与其他因素之间的不确定关系。考虑容量序列为参考序列x0＝{x0(k)}，hpi序列作为比较序列，记为xi＝{xi(k)}，则第i个因子的灰色关联系数可表示为:
[0114][0115]
其中，ρ为识别系数，ρ∈[0,1]，ρ在这里取0.5。灰色关联等级通常通过平均灰色关联系数的值来表示，ξi(k)为:
[0116][0117]
灰色关联度γi用于度量参考与可比性序列之间的关联度。γi越大，相关性水平越高。如果γi等于1，这两个序列是相同的。因此，我们可以根据灰色关联等级来验证和选择
与容量衰减密切相关的健康性能指标。
[0118]
(2)尽管在不同的实验条件下，不同充放电曲线的灰色关联度不同，但一些hpi明显仍具有较高的关联度。为了保证hpi对不同电池和条件的鲁棒性和准确性，我们选择了恒流充电阶段电流a1、全时段充电总电流a、恒流充电阶段时间l1、恒压充电阶段时间/l2、总充电阶段温度曲线t、恒流充电阶段温度峰值t1、恒压充电阶段温度峰值t2、充电电流曲线的最大斜率k28个hpi来估算容量，并将其用作下一神经网络学习环节的输入量。
[0119]
3)基于长短期记忆神经网络学习
[0120]
lstm是循环神经网络(rnn)的一种变体，其解决了rnn所存在的梯度爆炸与梯度消失的问题，通常用于时间序列评估。lstm由三个门组成，分别是输入门、输出门和遗忘门。lstm各个模块的计算公式为：
[0121]st
＝σ[ws(m
t-1
,i
t
) bs]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式17)
[0122]yt
＝σ[wy(m
t-1
,i
t
) by]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式18)
[0123][0124][0125]jt
＝σ[wj(m
t-1
,i
t
) bj]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式21)
[0126]mt
＝j
t
tanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式22)
[0127]
式中：s
t
，y
t
，j
t
其中分别为lstm的输入门、遗忘门和输出门；ws和bs，wy和by，wj和bj，以及wc和bc分别为输入门、遗忘门、输出门以及单元状态的权重和偏置；m
t-1
为上一时刻的输出；i
t
为t时刻的输入；c
t
为单元状态；为候选状态；m
t
为t时刻的输出。
[0128]
(1)基于综合能源服务平台获取电动汽车锂电池历史充放电数据集作为astukf-gra-lstm模型数据集，并将该数据集划分为训练集和测试集，其中训练集数据占比70％，测试集占比30％。
[0129]
(2)将(1)中的训练集数据进行归一化处理，使得所有数据在[0,1]之间。
[0130]
(3)从锂电池的数据集中取出容量大小为m的样本
[0131]
(4)从先验分布pz(z)中取出容量为m的样本
[0132]
(5)将从步骤(3)取出的样本作为输入，输入到生成器g中，得到m个生成样本
[0133]
(6)将步骤(5)和步骤(3)的样本输入到判别器d中，输出判别的结果。判别器根据随机梯度上升的方法来更新判别器网络参数。
[0134]
(7)从先验分布中另外再取出容量大小为m的样本，生成器根据随机梯度下降的方法来更新生成器网络参数。
[0135]
(8)反复迭代步骤(3)至步骤(7)，使得模型训练稳定。得到训练好的网络，对生成器的生成数据进行反归一化处理，最终生成样本容量大小为m的生成锂电池样本，补充到原来的数据集，得到扩充后的锂电池数据集。
[0136]
(9)将步骤(8)中扩充后的数据加入到astukf-gra-lstm模型进行训练。
[0137]
(10)训练astukf-gra-lstm模型：(a)对输入的数据进行归一化；(b)训练astukf-gra-lstm模型；(c)如果模型的loss下降，则继续重复(b)步骤，如果loss不继续下降,则开始下一个步骤。
[0138]
(11)得到训练好的astukf-gra-lstm模型。将(1)中的测试集数据输入到训练好的astukf-gra-lstm模型中，并对astukf-gra-lstm的输出进行反归一化，得到soh的估计值。整体流程如图3所示。
[0139]
本发明提出基于astukf-gra-lstm模型的新能源汽车锂电池soh在线估计模型，利用astukf算法对锂电池的历史数据进行数据滤波及增强，结合gra与lstm建立锂电池soh在线评估模型，该方案实现了针对不同型号动力电池soh的快速精确估计。
[0140]
本发明采用纵横真实新能源汽车全生命周期监测数据进行验证，汽车动力电池类型为三元锂电池，从中提取了锂电池每个充放电循环的电压、电流、温度和容量数据，样本容量为1000，将电压、电流、温度数据作为输入，将数据集的充放循环的前70％数据作为训练集，并从剩余的充放电循环开始评估锂电池的soh。lstm模型参数：隐层节点为64，初始学习率为0.7。将本文算法与传统lstm模型、gan-cnn-lstm模型进行对比，各算法soh评估结果如图3所示。
[0141]
结果显示，随着循环次数增加，锂电池soh呈非线性下降。传统lstm模型平均绝对百分误差(meanabsolute percentage error，mape)为3.45％，均方根误差(root mean square error，rmse)为2.57％。gan-cnn-lstm模型对应mape为2.1％，rmse为1.99％。而本文方法对新能源汽车动力soh评估具有较高的正确率，平均绝对百分误差为0.96％，均方根误差为0.57％，平均评估耗时2.1s，远小于传统lstm模型评估耗时8.9s、gan-cnn-lstm模型耗时4.6s。综上，本发明能够有效满足直流充电桩对新能源汽车锂电池健康状态的精确快速动态评估的安全分析需求。该方法具有较高的准确率，这在一定程度上解决了锂电池的soh估计的准确率较低的问题，具备一定的工程应用价值。
[0142]
尽管为说明目的公开了本发明的实施例，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换、变化和修改都是可能的，因此，本发明的范围不局限于实施例所公开的内容。