CN106908736B - 锂电池剩余寿命预测方法 - Google Patents

Abstract

锂电池剩余寿命预测方法，涉及一种锂离子电池循环寿命预测技术，为了解决现有锂电池剩余寿命预测方法依赖精确的物理模型或复杂的信号处理技术，需要昂贵的投入，或现有方法基于浅层结构，这会限制故障预测的性能并且容易遭受维数灾难的问题。获得依据充放电周期的锂电池容量退化数据集，对数据进行预处理，构建DBN和RVM的融合模型，训练DBN模型和RVM模型，采用训练结束的DBN和RVM的融合模型预测锂电池剩余寿命。本发明适用于预测锂电池剩余寿命。

Description

锂电池剩余寿命预测方法

技术领域

本发明涉及一种锂离子电池循环寿命预测技术。

背景技术

锂电池由于其安全可靠的工作性能业已成为能源、汽车工程和航空工程等领域研究的焦点。锂离子电池广泛应用于航空、航天、卫星、军事、电动车等应用系统。然而锂电池的性能会随着循环充放电的使用过程而逐渐下降，电池容量会逐渐衰减，直到最终无法有效充满电而报废，所以锂电池的循环使用寿命是有限的，精确预测锂电池的剩余循环使用寿命是这些系统安全和可靠运行的关键。为叙述简便，以下将剩余循环使用寿命简化为剩余寿命(remaining useful life，RUL)。因而研究可靠精确的锂电池剩余寿命预测方法从而避免灾难事故的发生和降低维修成本就变得十分重要。

锂电池剩余寿命的预测方法可以分为三类：基于模型的方法、数据驱动的方法和融合的方法。基于模型的方法能较好地反映电池的物理和电化学特性，但是基于模型的方法很难监测电池内部状态并且精确的物理模型通常很难获得。数据驱动方法因其灵活及易于操作的特点成为是一个更受欢迎的方法。然而，数据驱动方法对数据的依赖较大，如数据的不确定或不完整会明显的影响数据驱动方法的性能。单一方法通常很难准确描述电池退化的非线性和充分适应不断变化的电池操作条件。融合方法具有克服单一方法这一缺陷的潜力。融合方法已经越来越多地受到关注并用于提高电池剩余寿命预测的性能。例如，Xing等人提出一种融合回归模型和粒子滤波(Particle Filter，PF)算法的集成模型预测锂电池的剩余寿命。同样的，Saha等人提出一种组合相关向量机(Relevance Vector Machine，RVM)和粒子滤波PF的电池剩余寿命预测方法。Liu等人开发了一种利用贝叶斯模型平均(Bayesian Model Averaging，BMA)的集成方法组合多个不同核函数构建的RVM子模型用于电池寿命预测。Dong等人提出一个由支持向量回归(Support Vector Regression，SVR)和粒子滤波PF构成的融合故障预测方法。目前这些方法在锂电池剩余寿命预测中已经获得了较好的效果。然而，由于锂电池的多样性和复杂性，目前的方法存在以下缺陷：(1)多数方法依赖精确的物理模型或者复杂的信号处理技术，这都需要昂贵的投入；(2)多数方法如RVM，SVR和PF都是浅层结构，这会限制故障预测的性能并且容易遭受维数灾难。

发明内容

本发明的目的是为了解决现有锂电池剩余寿命预测方法依赖精确的物理模型或复杂的信号处理技术，需要昂贵的投入，或现有方法基于浅层结构，这会限制故障预测的性能并且容易遭受维数灾难的问题，从而提供锂电池剩余寿命预测方法。

本发明所述的锂电池剩余寿命预测方法，该方法包括以下步骤：

步骤一、获得依据充放电周期的锂电池容量退化数据集，对数据归一化为[0,1]区间内，并将数据集划分为两个数据集，分别为训练数据集和测试数据集；在开始预测的点(starting point of prediction，SP)之前的数据用于训练，为训练数据，SP之后的数据用于测试，为测试数据；

步骤二、构建DBN和RVM的融合模型，即构建一个深度置信网络DBN模型和一个相关向量机RVM模型；

步骤三、训练DBN模型和RVM模型；使用训练集训练DBN模型，RVM模型的输入是DBN模型提取出的特征数据；

步骤四、训练的DBN和RVM的融合模型一步一步地回归，直到DBN和RVM的融合模型预测输出的电池容量达到电池容量的失效门限值为止，得到预测的剩余寿命RUL，对预测的RUL与实际的RUL作比较，如果预测的精度满足要求，则训练结束，并执行步骤五，否则，调整DBN模型和RVM模型的参数并返回步骤三；

步骤五、将测试数据输入训练结束的DBN和RVM的融合模型，得到预测的RUL，完成锂电池剩余寿命的预测。

优选的是，步骤三中训练DBN模型的具体过程为：

采用一个双层非监督预训练模型来完全提取从低层到高层的特征数据，该特征数据作为RVM模型的输入，然后利用反向传播(back propagation，BP)算法来全局监督微调DBN参数，从而最小化DBN的训练输出与训练标签的偏差；

为一个训练实例，x_t-nτ,x_t-(n-1)τ,…x_t-2τ,x_t-τ表示训练数据中的一组数据，为该组训练数据对应的训练输出，x_t为该组训练数据对应的训练标签，将训练标签x_t和训练输出做对比得到DBN模型预测的精度，根据训练标签x_t和训练输出的偏差调整DBN模型的参数从而优化DBN模型。

优选的是，步骤三中训练RVM模型的具体过程为：

调整RVM模型的参数，通过最小化RVM的训练输出和训练标签的偏差训练RVM模型。

本发明的目的是提供一种基于DBN和RVM融合的锂电池剩余寿命预测方法，以实现锂电池剩余寿命预测的高精度、高稳定和不确定度表达。DBN模型具有从原始数据中提取特征数据以及降低数据维数的强大能力，同时具有很好的稳定性，但它缺乏不确定度表达能力；RVM模型具有不确定度表达能力但并不稳定。本发明将二者融合获得更好的预测性能，本发明的方法实现了锂电池剩余寿命的高精度、高稳定预测而且具有不确定度表达能力。该方法为融合方法，不存在单一方法存在的依赖精确的物理模型或复杂的信号处理技术的问题，深度置信网不基于浅层结构，避免了基于浅层结构所带来的缺陷。

本发明适用于预测锂电池剩余寿命。

附图说明

图1是具体实施方式中的用于预测器的DBN的结构示意图；

图2是具体实施方式中的DBN用于预测锂电池剩余寿命的流程示意图；

图3是具体实施方式所述的锂电池剩余寿命预测方法的框图；

图4是具体实施方式中的电池容量退化过程曲线；

图5是具体实施方式中的采用三种方法对No.38号电池的预测曲线图；

图6是具体实施方式中的采用三种方法对No.37号电池的预测曲线图；

图7是具体实施方式中的采用三种方法对No.36号电池的预测曲线图；

图8是具体实施方式中的采用三种方法对No.35号电池的预测曲线图。

具体实施方式

具体实施方式一：结合图1至图8具体说明本实施方式，本实施方式所述的锂电池剩余寿命预测方法，该方法包括以下步骤：

步骤一、获得依据充放电周期的锂电池容量退化数据集，即原始数据集；对数据进行预处理，即对数据归一化为[0,1]区间内，并将数据集划分为两个数据集，分别为训练数据集和测试数据集；在开始预测的点(starting point of prediction，SP)之前的数据用于训练，为训练数据，SP之后的数据用于测试，为测试数据；

步骤二、构建DBN和RVM的融合模型，即构建一个深度置信网络DBN模型和一个相关向量机RVM模型；

步骤三、训练DBN模型和RVM模型；使用训练集训练DBN模型，RVM模型的输入是DBN模型提取出的特征数据；

步骤四、训练的DBN和RVM的融合模型一步一步地回归，直到DBN和RVM的融合模型预测输出的电池容量达到电池容量的失效门限值为止，得到预测的剩余寿命RUL，对预测的RUL与实际的RUL作比较，如果预测的精度满足要求，则训练结束，并执行步骤五，否则，调整DBN模型和RVM模型的参数并返回步骤三；

步骤五、将测试数据输入训练结束的DBN和RVM的融合模型，得到预测的RUL，完成锂电池剩余寿命的预测。

步骤三中训练DBN模型的具体过程为：

使用训练集训练DBN模型，采用一个双层非监督预训练模型来完全提取从低层到高层的特征数据，该特征数据作为RVM模型的输入，然后利用反向传播(back propagation，BP)算法来全局监督微调DBN参数，从而最小化DBN的训练输出与训练标签的偏差；

为一个训练实例，x_t-nτ,x_t-(n-1)τ,…x_t-2τ,x_t-τ表示训练数据中的一组数据，为该组训练数据对应的训练输出(即DBN的预测输出)，x_t为该组训练数据对应的训练标签(即DBN的预测输出对应的真实值)，将训练标签x_t和训练输出就能判断出DBN模型预测的精度，根据训练标签x_t和训练输出的偏差调整DBN模型的参数从而优化DBN模型。

步骤三中训练RVM模型的具体过程为：

RVM的输入是DBN模型提取出的特征数据，所谓特征数据也就是DBN模型中顶层预测器的输入数据，然后调整RVM模型的参数，通过最小化RVM的训练输出和训练标签的偏差训练RVM模型。

本实施方式的方法包括三个部分：数据预处理部分，模型训练部分和模型预测部分。

深度学习在图像处理、语音识别等众多领域取得了重大成功。深度学习凭借其在特征提取方面卓越的性能也吸引了故障诊断和故障预测领域的关注。尽管多数深度学习的成功应用聚焦于分类问题，对于解决预测问题方面深度学习也被证明了其有效性，如时间序列预测和剩余寿命预测。广泛使用的深度学习算法包括基于限制玻尔兹曼机(Restricted Boltzmann Machine，RBM)的深度置信网络(Deep Belief Network，DBN)，基于栈式自编码器的深度神经网络(Deep Neural Network，DNN)，以及卷积神经网络(Convolutional Neural Network，CNN)。DNN和DBN非常适合处理一维数据，而CNN更适合处理多维数据。考虑锂电池容量退化数据的特性，本发明采用DBN这种深度学习技术。DBN具有卓越的特征提取和数据降维的能力，而且具有很好的稳定性。

深度置信网络DBN因为其从原始时间序列数据能够有效提取特征信息的优势而逐渐成为一个备受青睐的机器学习方法。DBN的基本原理是实现了一个多层的称为限制玻尔兹曼机RBM的前馈神经网络。图1为一个用于预测器的DBN的结构示意图，包含两个RBM，分别为RBM1和RBM2。每个RBM包含两层，分别称作可见层和隐层。其中RBM1的隐层同时也是RBM2的可见层。当高维数据作为RBM1的可见层输入，那么RBM1的隐层将根据两层之间的连接权重提取输出可见层输入数据的特征，同理RBM2的隐层也会输出其可见层数据(即RBM1的隐层输出数据)的特征。如图1中DBN的输入数据x_t-nτ,x_t-(n-1)τ,…x_t-2τ,x_t-τ是采用滑动窗口策略从锂电池退化曲线数据中获得的，输出数据表示DBN的预测值，也就是说利用前面n个时刻的时间序列数据来预测下一个时刻的时间序列数据，即表示一个训练的实例。

图2为DBN用于预测锂电池剩余寿命的过程，包括以下几步：

步骤1：对于锂电池，首先定义预测问题，确定健康因子；例如以电池容量作为影响电池寿命的健康因子。

步骤2：获得表达健康因子的锂电池容量退化数据集，并归一化数据到[0，1]区间内，然后划分为训练数据集和测试数据集；将在开始预测的点(starting point ofprediction，SP)之前的数据用于训练，SP之后的数据用于测试和评估预测方法的性能，构建一个DBN模型。

步骤3：用训练集加以训练DBN模型。DBN的参数，如可见层节点数、隐层节点数和学习率等需要预先确定。DBN的训练过程包含一个逐层非监督预训练阶段和一个全局的反向传播算法微调的阶段。预训练阶段旨在完全的从低层到高层的特征数据的提取，同时避免陷入局部最优。微调阶段的网络参数是为了进一步的优化网络性能。

步骤4：使用训练模型预测剩余寿命。

步骤5：比较预测值和实际值，如果性能满足要求，训练的DBN模型应用于实际，否则，调整DBN参数并返回步骤3。

步骤6：将测试数据输入步骤5得到的满足要求的DBN模型，预测锂电池剩余寿命。

然而，DBN缺乏不确定度表达和管理能力，不确定度表达却是剩余寿命预测结果的关键之一。RVM正是一种具备不确定度表达能力的预测算法。

RVM是在支持向量机(Support Vector Machine，SVM)算法的基础上结合了核学习和贝叶斯理论的算法。与SVM相比，RVM由于其较少的超参数有效的降低了计算复杂度和时间损耗。而且，RVM的核函数无需满足Mercer条件。由于结合了贝叶斯理论，RVM可以给出概率式的不确定度表达结果，所以用于电池的剩余寿命预测更具实用价值。对于给定的数据集x_i∈R^d,t_i∈R，RVM模型可以描述为以下公式所示：

t＝Φω+ε (1)

其中，ω＝(ω₀,…,ω_N)^T，Φ是核函数矩阵，Φ＝[φ₁,φ₂,…,φ_N]^T，φ_i(x_i)＝[1,K(x_i,x₁),…,K(x_i,x_N)]，i＝1,2,…,N，K(x_i,x_N)是核函数，ε是服从ε～N(0,σ²)分布的独立误差项，N为正整数。

RVM的缺点在于其长期预测时表现出的低精度和不稳定性。所以，本发明将两种方法集成在一起用于寿命预测，充分发挥DBN的特征提取和数据降维能力，将DBN提取的特征数据作为RVM的输入，从而获得比现有方法更高精度、更稳定和具备不确定度表达结果的预测性能。

以下对本发明的方法进行验证。

1.实验数据集

锂电池实验数据集来自于马里兰大学的高级生命周期工程中心(Center forAdvanced Life Cycle Engineering，CALCE)。采用了BT2000的锂电池实验系统开展的锂离子电池退化实验。电池的额定容量为1.1A·h，实验在室温下进行。包括4组实验数据分别为NO.35、NO.36、NO.37、NO.38，其退化过程曲线如图4所示。

2、评价标准

采用4种评价标准来评价本发明的方法的性能。

Error：剩余寿命预测误差

Error＝|RUL_pred-RUL_true| (2)

MAE：平均绝对误差

RMSE：均方根误差

MRE：平均相对误差

这里RUL_pred代表预测的剩余寿命，其值是由预测结束点EOP减去开始预测的点SP所得，即RUL_pred＝EOP-SP。EOP是预测的容量退化曲线与失效阈值线的交点。RUL_true是实际的剩余寿命，n表示多步预测的步数，x_i表示第i次预测时实际的电池容量，即电池容量的真实值，表示第i次预测时预测的电池容量。

3、实验结果

表1给出了本发明的算法在实验中使用的具体参数，需要说明的是这些参数是反复试验所得。

表1.实验中使用的参数

设置DBN的输入层节点数为150，表示每次采样由{x_i,x_i+1,…,x_i+149}作为输入并且作为输出，x_i是第i个周期实际的电池容量。以No.38号电池为例，总共有900个充放电周期。如果SP设置为700，那么就会形成550个训练样本及200个测试样本。预测过程描述如下：

本实验中，No.38、37、36和35号电池的预测起始点SP分别设置为700、600、550和500。4个电池的失效阈值分别设置为0.6680Ah(No.38)、0.7545Ah(No.37)、0.6861Ah(No.36)和0.8191Ah(No.35)。图5至8给出了DBN、RVM以及二者融合的方法预测的曲线。图5是No.38号电池的预测结果，图6是No.37号电池的预测结果，图7是No.36号电池的预测结果，图8是No.35号电池的预测结果。每个图中左下角的矩形框是对EOP交点处的局部放大。其中EOPD为DBN预测曲线与失效阈值水平线的交点，EOPF为本发明的融合方法预测曲线与失效阈值水平线的交点，EOPR为RVM预测曲线与失效阈值水平线的交点，EOL为实际的电池容量曲线与失效阈值水平线的交点。本发明提出的融合方法的预测曲线与失效阈值水平线的交点表明，融合方法得到的预测曲线相比DBN和RVM各自预测的曲线都要更接近实际的退化曲线。实验结果表明本发明提出的融合方法在锂电池剩余寿命预测中具有稳定的性能。

表2给出了本发明的融合方法与DBN及RVM各自方法的预测精度，量化指标为MAE、RMSE和MRE。指标的值越小则表示剩余寿命预测的精度越高。很明显本发明的融合方法在4组电池中的预测性能是最高的。需要说明的是图6和图8中RVM的预测曲线并没有与失效阈值水平线相交，所以在表2中用“-”表示。

表2三种算法的量化结果

表3提供了三种预测算法的RULpred Values剩余寿命预测值和预测误差Predicted Errors。预测误差Error越小RUL_pred预测值越精确。可以看出融合方法的预测误差Predicted error最小，而且融合方法的预测误差Error远远小于DBN和RVM各自的预测误差。以NO.38号电池为例，融合方法的Error是28，而DBN和RVM分别是49和48。表3进一步表明，与DBN和RVM各自算法相比融合方法的性能最好。

表3三种算法的预测值及误差

本发明基于DBN和RVM融合的锂电池剩余寿命预测方法用于锂电池剩余寿命预测，具有长期预测精度高，无需根据电池退化机理构建复杂的电化学退化模型，预测性能稳定和具有不确定度表达等优势。融合方法弥补了DBN算法缺乏不确定度表达能力的缺陷。融合方法弥补了RVM算法预测结果不稳定的缺陷。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。

Claims (1)

1.锂电池剩余寿命预测方法，其特征在于，该方法包括以下步骤：

步骤一、获得依据充放电周期的锂电池容量退化数据集，对数据归一化为[0,1]区间内，并将数据集划分为两个数据集，分别为训练数据集和测试数据集；在开始预测的点SP之前的数据用于训练，为训练数据，SP之后的数据用于测试，为测试数据；

步骤二、构建DBN和RVM的融合模型，即构建一个深度置信网络DBN模型和一个相关向量机RVM模型；

步骤三、训练DBN模型和RVM模型；使用训练集训练DBN模型，RVM模型的输入是DBN模型提取出的特征数据；

步骤四、训练的DBN和RVM的融合模型一步一步地回归，直到DBN和RVM的融合模型预测输出的电池容量达到电池容量的失效门限值为止，得到预测的剩余寿命RUL，对预测的RUL与实际的RUL作比较，如果预测的精度满足要求，则训练结束，并执行步骤五，否则，调整DBN模型和RVM模型的参数并返回步骤三；

步骤五、将测试数据输入训练结束的DBN和RVM的融合模型，得到预测的RUL，完成锂电池剩余寿命的预测；

步骤三中训练DBN模型的具体过程为：

采用一个双层非监督预训练模型来完全提取从低层到高层的特征数据，该特征数据作为RVM模型的输入，然后利用反向传播算法来全局监督微调DBN参数，从而最小化DBN的训练输出与训练标签的偏差；

为一个训练实例，xt-nτ,xt-(n-1)τ,…xt-2τ,xt-τ表示训练数据中的一组数据，为该组训练数据对应的训练输出，x_t为该组训练数据对应的训练标签，将训练标签x_t和训练输出做对比得到DBN模型预测的精度，根据训练标签x_t和训练输出的偏差调整DBN模型的参数从而优化DBN模型；

步骤三中训练RVM模型的具体过程为：

调整RVM模型的参数，通过最小化RVM的训练输出和训练标签的偏差训练RVM模型。