基于AED-CEEMD-Transformer的锂离子电池健康状态估计.pdf
《基于AED-CEEMD-Transformer的锂离子电池健康状态估计.pdf》由会员分享,可在线阅读,更多相关《基于AED-CEEMD-Transformer的锂离子电池健康状态估计.pdf(12页珍藏版)》请在咨信网上搜索。
1、第 12 卷 第 10 期2023 年 10 月Vol.12 No.10Oct.2023储能科学与技术Energy Storage Science and Technology基于AED-CEEMD-Transformer的锂离子电池健康状态估计陈锐1,丁凯1,祖连兴1,许青松1,王宗标1,罗大思1,苏敬江1,胡圣1,毛冀龙2(1长园深瑞能源技术有限公司,广东 珠海 519000;2强电磁工程与新技术国家重点实验室(华中科技大学),湖北 武汉 430074)摘要:锂电池健康状态(state of health,SOH)的精确预测评估对电池设备安全稳定运行极为重要,通过对SOH的快速准确预测,可
2、以提高电池设备的安全性并降低出现故障的风险。针对难以精确预测锂离子电池SOH的问题,本文采用电池容量作为SOH的指标,提出一种利用平均欧几里得距离(average euclidean distance,AED)和互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)方法建立基于Transformer网络结构的锂离子电池健康状态估计算法。首先,我们利用AED评估电池数据库中的电池与待预测电池初期循环容量之间的相似度,并选出具有相似容量退化趋势的电池作为训练集以提高模型的训练速度,然后利用CEEMD方法将电池容量曲
3、线分解为容量再生部分以及退化趋势部分,将各个分量分别使用Transformer网络来建立锂电池退化模型,进而得到锂离子电池的SOH预测结果。本文使用分别来自斯坦福大学与马里兰大学的两个具有不同充放电策略与不同测试环境下的锂离子电池数据集来验证了所提出的电池预测算法的准确性。本文所提模型的均方根误差均能控制在4%以内,具有较好的精确性,并通过与基于LSTM、RNN、GRU的常用锂离子电池健康状态估计算法结果的比较,验证了所提出估计方法的优越性。关键词:锂离子电池;Transformer网络;电池健康状态;平均欧几里得距离;联合互补集合经验模态分解doi:10.19799/ki.2095-4239
4、.2023.0440 中图分类号:TM 911 文献标志码:A 文章编号:2095-4239(2023)10-3242-12Prediction of state of health of lithium-ion batteries based on the AED-CEEMD-Transformer networkCHEN Rui 1,DING Kai 1,ZU Lianxing 1,XU Qingsong 1,WANG Zongbiao 1,LUO Dasi 1,SU Jingjiang 1,HU Sheng 1,MAO Jilong 2(1 CYG SUNRI CO.,LTD.,Zhuh
5、ai 519000,Guangdong,China;2 State Key Laboratory of Advanced Electromagnetic Engineering and Technology(Huazhong University of Science and Technology),Wuhan 430074,Hubei,China)Abstract:The accurate prediction and assessment of the state of health(SOH)of lithium-ion batteries are extremely important
6、for the safe and stable operation of the battery equipment.Quickly and accurately predicting the SOH can enhance the safety of battery devices and reduce the failure risk.This study proposes an algorithm for estimating the health status of lithium-ion batteries based on the transformer network struc
7、ture to address the challenge of accurately predicting their SOH.This algorithm utilizes the battery capacity as the SOH indicator,incorporating the average Euclidean distance(AED)and complementary ensemble empirical mode decomposition(CEEMD)methods.First,the AED is used to assess the similarity bet
8、ween 储能测试与评价收稿日期:2023-06-25;修改稿日期:2023-07-14。第一作者及通信联系人:陈锐(1977),男,硕士,高级工程师,研究方向为电化学储能设备及系统,E-mail:。引用本文:陈锐,丁凯,祖连兴,等.基于AED-CEEMD-Transformer的锂离子电池健康状态估计J.储能科学与技术,2023,12(10):3242-3253.Citation:CHEN Rui,DING Kai,ZU Lianxing,et al.Prediction of state of health of lithium-ion batteries based on the AED
9、-CEEMD-Transformer networkJ.Energy Storage Science and Technology,2023,12(10):3242-3253.第 10 期陈锐等:基于AED-CEEMD-Transformer的锂离子电池健康状态估计the initial cycle capacities of the batteries in the battery database and the battery to be predicted.The batteries in the battery database with similar capacity degra
10、dation trends are selected as the training set for improving the models training speed.The CEEMD method is then employed to decompose the battery capacity curve into the capacity regeneration and degradation trend parts.The degradation models for the lithium-ion batteries are separately established
11、using the transformer network for each component.As a result,the predictions for the SOH of lithium-ion batteries are obtained.This study validates the accuracy of the proposed battery prediction algorithm using two lithium-ion battery datasets from Stanford University and the University of Maryland
12、.These datasets comprise batteries tested under different charge-discharge strategies and testing environments.The root mean square error of the proposed model can be controlled within 4%,demonstrating its high accuracy level.The superiority of the proposed estimation method is validated by comparin
13、g it with the commonly used lithium-ion battery health estimation algorithms based on the long short-term memory,recurrent neural network,and gated recurrent unit.Keywords:lithium-ion battery;transformer network;state of health;average euclidean distance;complementary ensemble empirical mode decompo
14、sition在双碳目标的背景下,国家大力扶持新能源,电池储能因其能量密度高、污染低、使用寿命长的特性而得到了迅速发展1。在基于电池的能源系统中,电池系统的健康状态(state of health,SOH)是一个非常重要的监控值2。电池的SOH预测指的是依照电池的历史运行数据预测接下来一段时间内的电池健康状态并给出寿命终点(end of life,EOL)预警3。EOL 指的是电池到达一个濒临不稳定的状态,一般来说,当电池达到EOL时,电池容量会迅速退化,影响设备的工作效率4。因此,准确预测 SOH 有助于优化设备的使用,甚至避免事故发生。然而,锂电池复杂的内部化学结构和不同的工作环境导致锂电池
15、的降解过程相当复杂。因此,很难准确预测锂电池的SOH。目前,SOH预测研究按照预测模型的不同可以分为以下两类;基于物理模型的方法。基于物理模型的方法基于电池的物理化学现象并进行建模5。该方法在熟悉电池内部反应的基础上能够提供电池退化的物理解释。其主要方法主要包括等效电路模型,电化学模型和经验退化模型6,但是由于电池内部的化学相互作用较多,很难从单一的反应推断全局,考虑所有的化学反应又不切实际。同时,模型的建立依赖于电池的内部参数,而内部参数在外部很难观测到,这也进一步影响到了该方法的实用性。数据驱动的方法。与基于模型的方法相比,数据驱动的方法既不考虑电池的内部反应,也不分析电池失效的原因,而是
16、将电池系统视作黑盒,从电池的历史数据中发现并学习电池的退化规律进行预测。因此,数据驱动方法被广泛应用于锂离子电池SOH预测中,包括神经网络7、支持向量机(SVM)8、高斯过程回归(GPR)9、相关向量机(RVM)10等。其中基于神经网络方法的电池寿命预测是当前的学术热点问题。为了实现更稳健的SOH预测,文献11使用深度神经网络来估计电池的充电曲线并由此计算电池的SOH。文献12结合卷积神经网络与双向长短期记忆网络用于电池的RUL预测。文献13使用长短期记忆网络与自回归嵌套序列模型聚合信道和周期信息来对健康状态预测。文献14综合残差神经网络和双向长短期记忆网络的并加入注意力机制来对电池进行预测。
17、通常,这些方法基于电池在较长时间内退化的信息来预测SOH,但是基于RNN结构的神经网络不可避免地会陷入长期依赖性问题,较长时间段内的退化信息会影响其预测的性能。基于注意力结构的Transformer模型15则最近被提出用于序列建模,并正在逐步探索其他用途,包括机器翻译、音乐生成等。Transformer网络模型通过使用自注意机制完全抛弃了传统的水平方向的RNN传播,通过连续叠加自注意层仅在垂直方向传播。这样,每一层的计算都可以并行执行,并且可以通过32432023 年第 12 卷储能科学与技术GPU来加速。电池容量再生是估计SOH需要考虑的一个因素16。容量再生表现为电池下一次循环可用容量的突
18、然增加,其特点是短暂且迅速。容量再生增加了容量预测的不确定性。因此,在预测电池寿命时,需要考虑到电池容量再生对于预测的精度影响17,针对此种现象,文献18利用EMD分解进而建立基于高斯过程回归的锂离子电池SOH预测模型。文献19使用EMD分解之后得到的各个子序列建立自回归移动平均(ARMA)模型。而基于EMD改进的互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)在电池健康状态预测中也有应用20,相较于EMD能实现更为准确的预测精度。本文设计了一种基于AED-CEEMD-Transformer的网络模型。首
19、先,平均欧几里得距离(average euclidean distance,AED)被用于从历史测试数据库中挖掘与目标电池最相似的测试数据,然后补充待预测电池的短期测试数据来作为训练集。最后,通过应用互补集合经验模态分解(CEEMD)技术,将原始SOH数据序列分解成具有不同频率的几个分量和一个残差。前者包含关于容量再生的信息,后者包含关于寿命退化趋势的信息。为了解决长期依赖的问题,采用Transformer模型分别对寿命退化部分和容量恢复部分进行预测。最后,将这两个预测组合起来,以获得最终的容量预测输出。为了验证所提出方法的有效性,我们将所提网络模型所获得的结果与常用的几种神经网络模型得到的结
20、果进行了比较以验证方法的有效性。1 网络模型1.1数据的标准化为了减少输入数据分布变化对神经网络的影响,必须对数据进行归一化。设x=x1,x2xn表示长度为n的容量输入序列,使其映射为(0,1:x=xC0,(1)其中C0表示额定容量。1.2基于AED的迁移性测量给定电池平台中具有相同阴极材料系统的电池,它们的容量数据存在一定的相似性。迁移性测量用于测量目标电池和电池平台中的其他电池之间的容量退化曲线的相似性。选择作为参考电池的电池与目标待预测电池相较于其他电池应该最相似,并且具有最高的可转移性,这意味着目标电池和参考电池的曲线不仅应该彼此接近,而且应该具有相似的趋势。选取更好的参考电池的容量数
21、据可以减少训练集数量并减少训练时间。通常,迁移性测量是基于相似性测量方法设计的,该方法可以从许多电池中迅速找到最适合目标电池的参考电池,已经有学者提出了各种相似性测量方法,包括马氏距离(Mahalanobis distance)以及欧几里得距离(Euclidean distance)等。本文使用平均欧几里得距离(Average Euclidean distance,AED)测量方法来评估电池平台下多种电池之间的曲线距离和趋势相似性。欧几里得距离是一种几何距离测量,由欧几里得空间中两点之间的距离导出。作为计算距离的自然度量,它有多种应用。通过欧几里得距离测量的两个电池SOH变化趋势的相似性可以定
22、义如下:EDobj,k=Cobj-Ck2=k=1n(cobj,k-ct,k)2(2)式中,EDobj,k是目标电池与电池平台中第t个电池之间的欧几里得距离,Cobj是包含目标电池的容量数据 cobj,1,cobj,2 cobj,n的容量向量,Ct是包含第i个电池 ct,1,ct,2 ct,n的容量向量,n代表容量曲线包含从1到n个循环的数据。为了消除容量向量的长度(n)变化引起的可转移性测量结果EDobj,k的波动,在欧几里得距离中引入平均运算,得到基于AED的迁移性测量方法。在电池数据库中,任意两组电池的n维容量向量之间的AED由式(3)给出AEDobjectt=-EDobj,t=-EDob
23、j,t/n(3)在模型训练之前,使用公式(3)计算目标电池和电池平台的历史数据库中的每个电池之间的所有AED,并按升序排列,以选择距离最小的电池作为参考电池。由于结合了欧几里得距离和平均计算操作过程,通过曲线接近度和趋势一致性可以容易地选择与目标电池具有更好曲线接近度和趋势一致性的参考电池。通过使用所选取的参考电池来训练模型,避免了用整个电池数据库来训练模型,减少了模型的训练量,同时也减少了训练时间,提高运算效率。3244第 10 期陈锐等:基于AED-CEEMD-Transformer的锂离子电池健康状态估计1.3互补集合经验模态分解CEEMD互补集合经验模态分解(complementary
24、 ensemble empirical mode decomposition,CEEMD)是在经验模态分解(empirical mode decomposition,EMD)的基础上改进而来。EMD是一种经典的具有处理非线性和非平稳数据的方法21。该方法基于瞬时频率和本征函数(intrinsic mode function,IMF)的概念,假设一个时间序列中同时存在许多不同的模态,通过筛选过程将模态提取并逐步分解为有限个独立的固有模态函数分量和平滑趋势分量。由于EMD的实现依赖于信号自身的时域特征而没有预定义的基函数,因此它的实现简单且具有自适应性。然而,EMD 方法的局部特性可能在一个模态中
25、产生尺度非常不同的震荡,或者在不同模态中产生尺度相似的震荡,具有“模式混合”的缺点,为了解决这个问题,有学者提出了一种名为集合经验模式分解(ensemble empirical mode decomposition,EEMD)的噪声辅助数据分析方法,其中真实分量是集合试验的平均值,每个试验都是添加白噪声数据的 EMD 结果。然而,随着平均次数的增加,EEMD 方法的实现变得耗时,此外,添加白噪声的幅值和迭代次数依靠人为的经验设置,而不是自适应添加,设置不当时,平均次数一般在几百次,非常耗时。文献22提出了CEEMD方法,该方法在每个分解阶段的残差中加入正负成对的自适应辅助白噪声,克服了重构误差
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 AED CEEMD Transformer 锂离子电池 健康 状态 估计
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。