CN109991542B - 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 - Google Patents

基于wde优化lstm网络的锂离子电池剩余寿命预测方法 Download PDF

Info

Publication number
CN109991542B
CN109991542B CN201910238130.1A CN201910238130A CN109991542B CN 109991542 B CN109991542 B CN 109991542B CN 201910238130 A CN201910238130 A CN 201910238130A CN 109991542 B CN109991542 B CN 109991542B
Authority
CN
China
Prior art keywords
lithium ion
ion battery
data
matrix
discharge
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201910238130.1A
Other languages
English (en)
Other versions
CN109991542A (zh
Inventor
张长胜
吴琼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University China
Original Assignee
Northeastern University China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northeastern University China filed Critical Northeastern University China
Priority to CN201910238130.1A priority Critical patent/CN109991542B/zh
Priority to PCT/CN2019/081355 priority patent/WO2020191800A1/zh
Publication of CN109991542A publication Critical patent/CN109991542A/zh
Application granted granted Critical
Publication of CN109991542B publication Critical patent/CN109991542B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明提供一种基于WDE优化LSTM网络的锂离子电池剩余寿命预测方法，涉及锂离子电池技术领域。该方法首先构造两组锂离子电池监测指标；获取锂离子电池的监测数据，并从中提取出锂离子电池监测指标数据及锂离子电池容量数据；然后确定长短期记忆网络结构，构造基于LSTM的锂离子电池剩余寿命间接预测模型；利用加权差分进化算法优化锂离子电池剩余寿命间接预测模型中的关键参数；利用优化数据确定最优的锂离子电池剩余寿命间接预测模型；最后利用最优锂离子电池剩余寿命间接预测模型预测后期锂离子电池容量数据；本发明提供的基于WDE优化LSTM网络的锂离子电池剩余寿命预测方法，可准确预测锂离子电池容量数据变化规律，有效评估锂离子电池剩余寿命。

Description

基于WDE优化LSTM网络的锂离子电池剩余寿命预测方法
技术领域
本发明涉及锂离子电池技术领域，尤其涉及一种基于WDE优化LSTM网络的锂离子电池剩余寿命预测方法。
背景技术
锂离子电池具有无记忆效应、自放电率低、工作电压高、能量密度大和循环寿命长等优点，现已被迅速而广泛的应用于各个领域，如：新能源汽车、飞行器和航空探测器、工业生产以及不间断电源系统等。锂离子电池剩余寿命预测和健康状态监测对新能源技术的发展起到至关重要的作用。在锂离子电池使用过程中，随着充放电次数的增加，锂离子电池的性能退化是不可避免的。通过对锂离子电池容量进行有效地预测，将会促进锂离子电池技术的持续稳定发展。
目前，锂离子电池寿命的预测方法大致分可以为两类：基于经验的预测方法和基于性能的预测方法。基于经验的方法主要是利用电池历史数据对其寿命进行估计，也可称为基本统计规律法，主要包括循环周期数法、安时法与加权安时法和面向事件的老化累积方法等三种方法。这三种方法只能对锂离子电池剩余寿命给出粗略估计，它们是在对锂离子电池监测数据统计的基础上进行的，只能适用于特殊的条件场合，虽然具有较快的计算速度，但是无法对电池内部的物理和化学的变化过程给出精确的描述，具有较差的适应性，无法适应复杂条件下的预测问题。
针对基于经验的预测方法的不足，基于性能的预测方法具有较强的适用性，它在电池寿命预测的过程中可以使用各种不同的性能模型，同时考虑锂离子电池内部的衰退过程和外力因素的影响。目前，基于性能的预测方法主要包括基于模型的预测方法、基于数据驱动的预测方法和基于融合模型的预测方法三种。基于模型的预测方法，主要是通过分析锂离子电池本身的材料特性、运行条件以及衰退机理来实现锂离子电池的寿命预测。基于数据驱动的预测方法本质是通过深入挖掘锂离子电池健康监测数据中的有效信息，以实现电池剩余寿命预测。它不需要考虑电池内部的物理化学反应，因此该方法可以在一定程度上避免基于模型的预测方法中存在适用性差以及动态准确性差的问题。随着人工智能及计算机硬件性能的不断发展，基于数据驱动的预测方法可以利用原始数据构造相关的行为模型，不需要先验的退化模型，有很好拟合非线性的能力，因此得到广泛关注。越来越多基于神经网络、模糊系统等人工智能技术的预测算法由于其训练速度快、学习能力强等优势，被广泛应用于锂离子电池剩余寿命预测领域。
基于数据驱动的方法主要包括时间序列模型、人工神经网络模型、支持向量机模型、相关向量机模型和高斯过程回归模型五种模型。时间序列模型存在计算简单和复杂度低的优点，但是对预测结果留有较大的置信区间，不具备不确定性表达能力，建模时只是简单的依靠数据，不能结合物理化学变化等信息。人工神经网络模型具有较好的非线性拟合能力，但是在网络训练时需要较多的数据，实际应用时，网络结构的选取对预测结果的影响也较大。支持向量机模型自身也存在着较大的局限性，比如不具备预测结果的不确定性表达能力，当数据量较多时，处理的时间较长等缺点。相关向量机模型是对支持向量机的改进，具备预测结果的不确定性表达的优点，参数可以自动设置，核函数可以任意使用，但是预测结果稳定性较差。高斯过程回归模型对线性或者非线性系统都具有较强的拟合能力，对预测结果具有不确定性表达的能力，但是也存在概率性预测的缺点。
基于融合模型的方法是将多种方法进行组合，可以克服单一模型在使用过程中的缺点和不足，发挥不同模型的长处，具有较好的预测能力。虽然融合模型能够在一定程度上提高预测结果的准确性，但是该类方法也明显存在一些不足，比如：融合模型存在较大的不确定性、计算复杂度过高，因此在实际使用中，仍存在一定的局限性，该类方法的可行性仍有待提高。
长短期记忆网络(Long Short-Term Memory，即LSTM)针对循环神经网络的缺陷进行改进，一是在隐含层的内部添加了遗忘门、输入门和输出门，二是增加一条信息流，用来代表长期记忆，这两项改进使长短期记忆网络具有较好的长短期记忆能量，能够更好的解决时间序列预测问题。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于WDE优化LSTM网络的锂离子电池剩余寿命预测方法，实现对锂离子电池的间接预测。
为解决上述技术问题，本发明所采取的技术方案是：基于WDE优化LSTM网络的锂离子电池剩余寿命预测方法，包括以下步骤：
步骤1：构造两组锂离子电池监测指标；
步骤1.1：构造第一组锂离子电池健康监测指标，具体方法为：
将锂离子电池第s次放电过程所需时间表示为
Figure GDA0002751776090000021
其中N(s)表示锂离子电池样本进行第s次放电过程的总采样点数；第s次放电过程的测量电压变化规律表示为
Figure GDA0002751776090000022
第s次放电过程测量电压最大值对应的时刻为
Figure GDA0002751776090000023
那么
Figure GDA0002751776090000024
第s次放电过程测量电压最小值对应的时刻为
Figure GDA0002751776090000025
那么
Figure GDA0002751776090000026
则基于放电电压的锂离子电池健康监测特征F1[s]如下公式所示：
Figure GDA0002751776090000031
将锂离子电池第s次放电过程的测量电流变化规律表示为
Figure GDA0002751776090000032
第s次放电过程中，测量电流由0mA降至-2mA的时刻为
Figure GDA0002751776090000033
那么
Figure GDA0002751776090000034
且
Figure GDA0002751776090000035
第s次放电过程中，测量电流由-2mA上升至0mA的时刻为
Figure GDA0002751776090000036
那么
Figure GDA0002751776090000037
且
Figure GDA0002751776090000038
则基于放电电流的锂离子电池健康监测特征F2[s]如下公式所示：
Figure GDA0002751776090000039
将锂离子电池第s次放电过程的测量温度变化规律表示为
Figure GDA00027517760900000310
第s次放电过程中，测量温度最小值对应的时刻为
Figure GDA00027517760900000311
那么
Figure GDA00027517760900000312
则基于放电温度的锂离子电池特征F3[s]如下公式所示：
Figure GDA00027517760900000313
融合上述三组特征，构造第一组锂离子电池健康监测指标I1[s]，其表达式为：
I1[s]＝(F1[s]+F2[s]+F3[s])/3 (4)
步骤1.2：构造第二组锂离子电池健康监测指标，具体方法为：
根据锂离子电池不同放电周期对应的测量结束时间与电池容量之间的关系，构造第二组锂离子电池健康监测指标I2[s]，如下公式所示：
Figure GDA00027517760900000314
其中，N[s]表示锂离子电池样本进行第s次放电过程的总采样点数，其值随放电次数的变化而变化；
步骤2、获取锂离子电池的监测数据，并从中提取出锂离子电池监测指标数据及锂离子电池容量数据，将这些数据划分成训练数据集、验证数据集和测试数据集，同时对这些数据进行归一化处理；
步骤3：确定长短期记忆网络结构，构造基于LSTM的锂离子电池剩余寿命间接预测模型；
所述基于LSTM的锂离子电池剩余寿命间接预测模型包括输入层、LSTM层、第一全连接层、Droupout层、第二全连接层、回归层以及输出层；第一全连接层中每个神经元与前一层的LSTM层进行全连接，起到特征融合的作用；将Droupout层添加到第二全连接层之上，起到防止过拟合和提高泛化能力的作用；所述LSTM层采用LSTM网络，其输入神经元为2个，输入数据为两组锂离子电池健康监测数据，输出神经元为1个，输出数据为锂离子电池容量数据；
步骤4：利用加权差分进化算法(Weight differential evolution，即WDE)优化锂离子电池剩余寿命间接预测模型中的关键参数；
所述锂离子电池剩余寿命间接预测模型中的关键参数包括作为锂离子电池数据划分准则的训练数据的长度numTrain、验证数据的长度numValidation及长短期记忆网络中的隐含层节点数numHiddenUnits、全连接层节点数numfullyConnectedLayer、Droupout层丢弃概率pro_dropoutLayer；训练过程最大训练次数maxEpochs、最小分块尺寸miniBatchSize以及初始学习率initialLearnRate共8个关键参数；
步骤4.1：参数初始化：由上述待优化八个参数构造加权差分进化算法中的种群个体，依据下述公式初始化产生大小为N，维度为D的种群，产生模式矩阵P，其表达式为：
P(i0，j0)～U(low(up)，up(j0))， (6)
其中，i0＝[1：2N]，j0＝[1：D]，i0和j0均为正整数；模式矩阵P的大小为2N×D；low(j0)，up(j0)表示第j0维参数的搜索空间上下边界；U(·)表示连续均匀分布；
则依据模式矩阵P计算得到的适应度值为：
Figure GDA0002751776090000041
其中，
Figure GDA0002751776090000042
表示适应度函数；
所述适应度函数的构造方法为：
在LSTM网络训练阶段，选取到达失效阈值之前的第1次至第numTrain次充放电周期对应的两组电池健康监测数据以及电池容量数据用于训练LSTM网络；选取到达失效阈值之前的第numTrain+1次至第numTrain+numValidation次充放电周期对应的两组电池健康监测数据以及电池容量数据用于验证训练后的LSTM网络的预测能力；
假设利用训练后的LSTM网络预测得到的第numTrain+1次至第numTrain+numValidation次充放电周期电池容量数据YPred为：
YPred＝[yprednumTrain+1，yprednumTrain+2，…，yprednumTrain+numValidation]. (8)
与之相对应的，第numTrain+1次至第numTrain+numValidation次充放电周期对应的真实电池容量数据YReal为：
YReal＝[yrealnumTrain+1，yrealnumTrain+2，…，yrealnumTrain+numValidation]. (9)则基于LSTM的锂离子电池剩余寿命间接预测模型的适应度函数
Figure GDA0002751776090000051
其表达式如下：
Figure GDA0002751776090000052
步骤4.2：选择：通过选择操作从初始化模式矩阵P中选出一个子模式矩阵SubP，其表达式为：
SubP＝P(k)， (11)
其中，k＝j(1：N)，j＝permute(1：2N)，permute为排列函数，表示将整数数组[1，2N]的元素顺序打乱；子模式矩阵SubP的大小为N×D；
则与子模式矩阵SubP对应的适应度值表示为：
fitSubP＝fitP(k)· (12)
步骤4.3：交叉：产生一个新的中间模式矩阵TemP，其表达式为：
Figure GDA0002751776090000053
其中，index＝1：N为区间[1，N]中的正整数；TemPindex的具体计算公式如下：
Figure GDA0002751776090000054
其中，l＝j\k表示整数数组j中去除数组k的其他元素组成的数组；
Figure GDA0002751776090000055
表示按元素相乘；ω为生成各组中间模式向量所需加权系数矩阵，在获取该矩阵时，首先，生成一组中间模式向量所需加权系数ω*，其表达式为：
Figure GDA0002751776090000056
其中，κ～U(0，1)为[0,1]区间均匀分布的随机数，ω*为N×1的随机向量，对ω*进行归一化处理，其表达式为：
ω′＝ω*/∑ω* (16)
最后，将单组加权系数扩展到与中间模式矩阵相同的维数，得到加权系数矩阵ω，其表达式为：
ω＝ω′×Δ (17)
其中，Δ＝[1](1，D)；
步骤4.4：变异：在每次进化过程中定义一个二元映射矩阵M来控制新模式矩阵中的各个参量是否进行变异操作；二元映射矩阵M中，令执行变异操作位置的元素置1，其他位置元素置0，其表达式为：
M(index，J)：＝1， (18)
其中，J＝V(1：[K×D])为长度为K×D的行向量，V＝permute(j0)表示将整数数组[1，K×D]的元素顺序打乱；参数K的计算过程如下：
Figure GDA0002751776090000061
其中，(α，β)～U(0，1)，均为[0,1]之间服从连续均匀分布的随机数；
由此，生成试验模式矩阵T，其表达式为：
Figure GDA0002751776090000062
其中，m＝permute(i)且m≠[1：N]，i为区间[1：N]内的正整数，F为缩放矩阵，通过如下规则产生：
Figure GDA0002751776090000063
其中，λ(·)为[0,1]之间服从正态分布的随机数；
为了确保试验模式矩阵T中的元素位于搜索范围内，对其中元素进行如下处理：
Figure GDA0002751776090000064
依据试验模式矩阵T计算得到的适应度值，如下公式所示：
Figure GDA0002751776090000071
通过对比子模式矩阵与试验模式矩阵的适应度值，利用贪婪选择的方式，来更新子模式矩阵中的元素，如下公式所示：
Figure GDA0002751776090000072
其中，i*∈[1，N]；
利用更新后的子模式矩阵更新模式矩阵P，如下公式所示：
[P(l)，fitP(l)]：＝[SubP，fitSubP]. (25)
至此，WDE算法的进化过程中的选择、交叉及变异操作均已执行，保留本次进化后的全局最优解gbest和全局最小值gmin，其表达式为：
[gmin，gbest]＝[fitP(γ)，P(γ)]， (26)
其中，γ∈i且fitP(γ)＝min(fitP)；
步骤5：利用优化数据确定最优的锂离子电池剩余寿命间接预测模型；
根据优化得到的锂离子电池数据划分准则，将锂离子数据分成训练数据集和测试数据集，将训练集样本作为长短期记忆网络模型的输入；依据优化得到的其他参数训练长短期记忆网络，训练后的长短期记忆网络模型为最优网络结构；
步骤6：利用最优锂离子电池剩余寿命间接预测模型预测后期锂离子电池容量数据；
将从监测数据后期提出的两组锂离子电池健康监测指标输入长短期记忆网络，用于预测对应的锂离子电池容量数据变化趋势，根据预测电池容量数据到达失效阈值时对应的充放电周期次数，估计锂离子电池剩余使用寿命。
采用上述技术方案所产生的有益效果在于：本发明提供的基于WDE优化LSTM网络的锂离子电池剩余寿命预测方法，对锂离子电池放电过程中测量电压、测量电流、测量温度随测量时间的变化规律以及充放电过程所需测量时间的变化规律进行大量统计分析，提出两组能够有效反映锂离子电池容量变化规律的健康监测指标，解决了锂离子电池容量信息采集不便的问题。同时，基于加权差分进化优化LSTM网络的锂离子电池剩余寿命间接预测模型可准确预测锂离子电池容量数据变化规律，有效评估锂离子电池剩余寿命。
附图说明
图1为本发明实施例提供的基于WDE优化LSTM网络的锂离子电池剩余寿命预测方法的流程图；
图2为本发明实施例提供的B0005锂离子电池不同放电周期的测量电压随放电时间的变化规律示意图；
图3为本发明实施例提供的B0005锂离子电池不同放电周期的测量电流随放电时间的变化规律示意图；
图4为本发明实施例提供的B0005锂离子电池不同放电周期的测量温度随放电时间的变化规律示意图；
图5为本发明实施例提供的B0005电池健康监测指标F1随充放电周期变化规律的示意图；图6为本发明实施例提供的B0005电池健康监测指标F2随充放电周期变化规律的示意图；
图7为本发明实施例提供的B0005电池健康监测指标F3随充放电周期变化规律的示意图；
图8为本发明实施例提供的B0005电池健康监测指标I1随充放电周期变化规律的示意图；
图9为本发明实施例提供的B0005电池健康监测指标I2随充放电周期变化规律的示意图；
图10为本发明实施例提供的采用本发明的锂离子电池剩余寿命间接预测模型对B0005锂离子电池进行预测的结果示意图；
图11为本发明实施例提供的Elman网络结构示意图；
图12为本发明实施例提供的训练集和验证集长度不变时基于WDE优化Elman网络的间接预测模型预测结果示意图；
图13为本发明实施例提供的训练集和验证集长度改变时基于WDE优化Elman网络的间接预测模型预测结果示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例以来源于美国国家航空航天局卓越故障预测研究中心(NASAPrognostic Center of Excellence,PCoE)锂离子电池退化数据，选取其中第一组标号为B0005的锂离子电池样本电池容量数据作为具体实施案例中所用数据。使用本发明的基于WDE优化LSTM网络的锂离子电池剩余寿命预测方法对该锂离子电池的剩余寿命进行间接预测。
基于WDE优化LSTM网络的锂离子电池剩余寿命预测方法，如图1所示，包括以下步骤：
步骤1：构造两组锂离子电池监测指标；
步骤1.1：构造第一组锂离子电池健康监测指标，具体方法为：
将锂离子电池第s次放电过程所需时间表示为
Figure GDA0002751776090000091
其中N[s]表示锂离子电池样本进行第s次放电过程的总采样点数；第s次放电过程的测量电压变化规律表示为
Figure GDA0002751776090000092
第s次放电过程测量电压最大值对应的时刻为
Figure GDA0002751776090000093
那么
Figure GDA0002751776090000094
第s次放电过程测量电压最小值对应的时刻为
Figure GDA0002751776090000095
那么
Figure GDA0002751776090000096
则基于放电电压的锂离子电池健康监测特征F1[s]如下公式所示：
Figure GDA0002751776090000097
将锂离子电池第s次放电过程的测量电流变化规律表示为
Figure GDA0002751776090000098
第s次放电过程中，测量电流由0mA降至-2mA的时刻为
Figure GDA0002751776090000099
那么
Figure GDA00027517760900000910
且
Figure GDA00027517760900000911
第s次放电过程中，测量电流由-2mA上升至0mA的时刻为
Figure GDA00027517760900000912
那么
Figure GDA00027517760900000913
且
Figure GDA00027517760900000914
则基于放电电流的锂离子电池健康监测特征F2[s]如下公式所示：
Figure GDA00027517760900000915
将锂离子电池第s次放电过程的测量温度变化规律表示为
Figure GDA00027517760900000916
第s次放电过程中，测量温度最小值对应的时刻为
Figure GDA00027517760900000917
那么
Figure GDA00027517760900000918
则基于放电温度的锂离子电池特征F3[s]如下公式所示：
Figure GDA00027517760900000919
本实施例分别给出了如图2-4所示的B0005锂离子电池不同放电过程中，测量电压、测量电流以及测量温度随放电时间的变化规律。观察可知，锂离子电池放电过程测量电压最大值与最小值间的时间差随着放电次数的增加不断减小；开始放电时，测量电流由0mA瞬间降低至-2mA；当放电过程将要结束时，测量电流又迅速恢复至0mA。放电过程中，锂离子电池测量温度逐渐降低，当低至某一数值时，测量温度又逐渐回升。对比三幅图可知，不同放电过程中，测量电压、测量电流以及测量温度在放电过程中的突变点较为接近。
本实施例还根据式(1)-(3)所示健康监测特征构造方法，提取B0005锂离子电池样本不同放电周期对应的健康监测特征F1-F3，并与各个电池样本对应的电池容量曲线进行对比，结果如图5-7所示。观察可知，该指标随充放电周期的变化规律与电池容量随充放电周期的变化规律较为一致，且三组健康监测特征的变化规律也十分相近，综上所述，本发明提出的三组健康监测特征可有效反映锂离子电池的退化趋势，能够作为间接性能参数反映锂离子电池的健康状态。
融合上述三组特征，构造第一组锂离子电池健康监测指标I1[s]，其表达式为：
I1[s]＝(F1[s]+F2[s]+F3[s])/3 (4)
融合后的第一组锂离子电池健康监测指标随充放电周期的变化规律与电池容量的对比结果如图8所示。从图中可以看出，融合后的健康监测指标随充放电周期的变化趋势仍与电池容量的变化趋势较为一致，能够有效的反映锂离子电池的电池容量变化规律，可以作为锂离子电池剩余寿命的监测指标。
步骤1.2：构造第二组锂离子电池健康监测指标，具体方法为：
根据锂离子电池不同放电周期对应的测量结束时间与电池容量之间的关系，构造第二组锂离子电池健康监测指标I2[s]，如下公式所示：
Figure GDA0002751776090000101
其中，N[s]表示锂离子电池样本进行第s次放电过程的总采样点数，其值随放电次数的变化而变化；
本实施例中，B0005锂离子电池样本每次放电过程的测量结束时间随着充放电次数的变化规律如图9所示。从图可知，B0005锂离子电池对应的该健康指标随着充放电次数的变换规律与电池容量随时间变化规律相差较大，但整体变化规律仍较为一致。
本实施例还分别计算两组电池健康监测特征与电池容量之间的样本皮尔逊系数，相关系数的值越大，表明两者之间的相关性越大；反之，则相关性越低。其计算公式如下：
Figure GDA0002751776090000102
其中，X＝[X1，X2，…，Xn]、Y＝[Y1，Y2，…，Yn]为待分析的两列数组；
Figure GDA0002751776090000103
和
Figure GDA0002751776090000104
为待分析两列数组的平均值。
依据上述公式，计算得到的B0005锂离子电池的两组健康监测特征与电池容量之间的样本皮尔逊系数如表1所示。从表可知B0005锂离子电池样本的两组健康监测指标与对应的电池容量之间的样本皮尔逊系数均大于0.9，两组健康监测指标与对应的电池容量之间具有较高的相关性，可以利用两组健康监测指标有效反映锂离子电池退化情况。
表1B0005锂离子电池样本的两组健康监测指标与电池容量之间的样本皮尔逊系数
Figure GDA0002751776090000111
步骤2、获取锂离子电池的监测数据，并从中提取出锂离子电池监测指标数据及锂离子电池容量数据，将这些数据划分成训练数据集、验证数据集和测试数据集，同时对这些数据进行归一化处理；
步骤3：确定长短期记忆网络结构，构造基于LSTM的锂离子电池剩余寿命间接预测模型；
所述基于LSTM的锂离子电池剩余寿命预测模型包括输入层、LSTM层、第一全连接层、Droupout层、第二全连接层、回归层以及输出层；第一全连接层中每个神经元与前一层的LSTM层进行全连接，起到特征融合的作用；将Droupout层添加到第二全连接层之上，起到防止过拟合和提高泛化能力的作用；所述LSTM层采用LSTM网络，其输入神经元为2个，输入数据为两组锂离子电池健康监测数据，输出神经元为1个，输出数据为锂离子电池容量数据；
步骤4：利用加权差分进化算法(Weight differential evolution，即WDE)优化锂离子电池剩余寿命间接预测模型中的关键参数；
所述锂离子电池剩余寿命间接预测模型中的关键参数包括作为锂离子电池数据划分准则的训练数据的长度numTrain、验证数据的长度numValidation及长短期记忆网络中的隐含层节点数numHiddenUnits、全连接层节点数numfullyConnectedLayer、Droupout层丢弃概率pro_dropoutLayer；训练过程最大训练次数maxEpochs、最小分块尺寸miniBatchSize以及初始学习率initialLearnRate共8个关键参数；
步骤4.1：参数初始化：由上述待优化八个参数构造加权差分进化算法中的种群个体，依据下述公式初始化产生大小为N，维度为D的种群，产生模式矩阵P，其表达式为：
P(i0，j0)～U(low(up)，up(j0))， (6)
其中，i0＝[1：2N]，j0＝[1：D]，i0和j0均为正整数；模式矩阵P的大小为2N×D；low(j0)，up(j0)表示第j0维参数的搜索空间上下边界；U(·)表示连续均匀分布；
则依据模式矩阵P计算得到的适应度值为：
Figure GDA0002751776090000121
其中，
Figure GDA0002751776090000122
表示适应度函数；
所述适应度函数的构造方法为：
在LSTM网络训练阶段，选取到达失效阈值之前的第1次至第numTrain次充放电周期对应的两组电池健康监测数据以及电池容量数据用于训练LSTM网络；选取到达失效阈值之前的第numTrain+1次至第numTrain+numValidation次充放电周期对应的两组电池健康监测数据以及电池容量数据用于验证训练后的LSTM网络的预测能力；
假设利用训练后的LSTM网络预测得到的第numTrain+1次至第numTrain+numValidation次充放电周期电池容量数据YPred为：
YPred＝[yprednumTrain+1，yprednumTrain+2，…，yprednumTrain+numValidation]. (8)
与之相对应的，第numTrain+1次至第numTrain+numValidation次充放电周期对应的真实电池容量数据YReal为：
YReal＝[yrealnumTrain+1，yrealnumTrain+2，…，yrealnumTrain+numValidation]. (9)
则基于LSTM的锂离子电池剩余寿命间接预测模型的适应度函数
Figure GDA0002751776090000123
其表达式如下：
Figure GDA0002751776090000124
步骤4.2：选择：通过选择操作从初始化模式矩阵P中选出一个子模式矩阵SubP，其表达式为：
SubP＝P(k)， (11)
其中，k＝j(1：N)，j＝permute(1：2N)，permute为排列函数，表示将整数数组[1，2N]的元素顺序打乱；子模式矩阵SubP的大小为N×D；
则与子模式矩阵SubP对应的适应度值表示为：
fitSubP＝fitP(k). (12)
步骤4.3：交叉：产生一个新的中间模式矩阵TemP，其表达式为：
Figure GDA0002751776090000131
其中，index＝1：N为区间[1，N]中的正整数；TemPindex的具体计算公式如下：
Figure GDA0002751776090000132
其中，l＝j\k表示整数数组j中去除数组k的其他元素组成的数组；
Figure GDA0002751776090000133
表示按元素相乘；ω为生成各组中间模式向量所需加权系数矩阵，在获取该矩阵时，首先，生成一组中间模式向量所需加权系数ω*，其表达式为：
Figure GDA0002751776090000134
其中，k～U(0，1)为[0,1]区间均匀分布的随机数，ω*为N×1的随机向量，对ω*进行归一化处理，其表达式为：
ω′＝ω*/∑ω* (16)
最后，将单组加权系数扩展到与中间模式矩阵相同的维数，得到加权系数矩阵ω，其表达式为：
ω＝ω′×Δ (17)
其中，Δ＝[1](1，D)；
步骤4.4：变异：在每次进化过程中定义一个二元映射矩阵M来控制新模式矩阵中的各个参量是否进行变异操作；二元映射矩阵M中，令执行变异操作位置的元素置1，其他位置元素置0，其表达式为：
M(index，J)：＝1 (18)
其中，J＝V(1：[K×D])为长度为K×D的行向量，V＝permute(j0)表示将整数数组[1，K×D]的元素顺序打乱；参数K的计算过程如下：
Figure GDA0002751776090000135
其中，(α，β)～U(0，1)，均为[0,1]之间服从连续均匀分布的随机数；
由此，生成试验模式矩阵T，其表达式为：
Figure GDA0002751776090000141
其中，m＝permute(i)且m≠[1：N]，i为区间[1：N]内的正整数，F为缩放矩阵，通过如下规则产生：
Figure GDA0002751776090000142
其中，λ(·)为[0,1]之间服从正态分布的随机数；
为了确保试验模式矩阵T中的元素位于搜索范围内，对其中元素进行如下处理：
Figure GDA0002751776090000143
依据试验模式矩阵T计算得到的适应度值，如下公式所示：
Figure GDA0002751776090000144
通过对比子模式矩阵与试验模式矩阵的适应度值，利用贪婪选择的方式，来更新子模式矩阵中的元素，如下公式所示：
Figure GDA0002751776090000145
其中，i*∈[1，N]；
利用更新后的子模式矩阵更新模式矩阵P，如下公式所示：
[P(l)，fitP(l)]：＝[SubP，fitSubP]. (25)
至此，WDE算法的进化过程中的选择、交叉及变异操作均已执行，保留本次进化后的全局最优解gbest和全局最小值gmin，其表达式为：
[gmin，gbest]＝[fitP(γ)，P(γ)]， (26)
其中，γ∈i且fitP(γ)＝min(fitP)；
步骤5：利用优化数据确定最优的锂离子电池剩余寿命间接预测模型；
根据优化得到的锂离子电池数据划分准则，将锂离子数据分成训练数据集和测试数据集，将训练集样本作为长短期记忆网络模型的输入；依据优化得到的其他参数训练长短期记忆网络，训练后的长短期记忆网络模型为最优网络结构；
步骤6：利用最优锂离子电池剩余寿命间接预测模型预测后期锂离子电池容量数据；
将从监测数据后期提出的两组锂离子电池健康监测指标输入长短期记忆网络，用于预测对应的锂离子电池容量数据变化趋势，根据预测电池容量数据到达失效阈值时对应的充放电周期次数，估计锂离子电池剩余使用寿命。
本实施例采用本发明的锂离子电池剩余寿命间接预测模型处理B0005锂离子电池监测数据。提取该电池样本的两组健康监测指标作为预测模型的输入，利用电池样本的电池容量数据作为预测模型的输出，训练LSTM网络。利用加权差分进化优化锂离子电池剩余寿命间接预测模型中的训练集长度numTrain、验证集长度numValidation、LSTM网络隐含层节点数numHiddenUnits、全连接层节点数numfullyConnectLayer、Droupout层丢弃概率pro_dropoutLayer、训练过程中的最大训练次数maxEpochs、最大训练次数maxEpochs、最小分块尺寸miniBatchSize和初始学习率(initiaLearnRate)等参数，得到结果如表2所示。
表2加权差分进化算法寻优结果统计
锂离子电池样本 B0005
种群大小 20
默认迭代次数 30
最终适应度值 0.0126
训练集长度(numTrain) 93
验证集长度(numValidation) 8
隐含层节点数(numHiddenUnits) 300
全连接层节点数(numfullyConnectLayer) 120
Droupout层丢弃概率(pro_dropoutLayer) 0.2
最大训练次数(maxEpochs) 2700
最小分块尺寸(miniBatchSize) 4
初始学习率(initiaLearnRate) 0.01
将加权差分进化优化后的参数代入预测模型，得到预测后锂离子电池容量数据如图10所示。从图可知，利用本发明的锂离子电池剩余寿命间接预测模型得到的锂离子电池容量数据预测结果与实际电池容量数据十分接近。两者对比，不仅在整体趋势上较为一致，在细节波动上也较为一致。根据预测电池容量数据变化情况，统计其到达失效阈值时的充放电周期结果如表3所示。预测电池容量数据到达失效阈值时对应的充放电周期与实际电池容量数据到达失效阈值时对应的充放电周期仅相差一个周期，预测结果与实际结果也十分接近。由此，证明了本发明的锂离子电池剩余寿命间接预测模型锂离子电池容量数据的变化趋势预测能力较强，能够准确的反映锂离子电池容量数据的变化情况。
表3预测电池容量数据与实际电池容量数据结果对比
锂离子电池样本 B0005
预测数据达到失效阈值时的充放电周期(cycle) 128
实际数据达到失效阈值时的充放电周期(cycle) 129
为了验证本发明的锂离子电池剩余寿命间接预测模型的有效性，本实施例还对本发明的锂离子电池剩余寿命间接预测模型中使用的基于加权差分进化的参数优化算法的有效性进行验证。利用较为常用的遗传算法(GA)、粒子群算法(PSO)以及差分进化算法(DE)优化本发明的锂离子电池剩余寿命间接预测模型的关键参数(三种优化算法的最大迭代次数为100次，种群大小与本章所提模型中种群大小一致)。通过对上述三种优化算法的优化性能进行评估，统计上述三种优化方法在达到本发明的锂离子电池剩余寿命间接预测模型最大迭代次数时的最优适应度值、达到最终稳定状态时的适应度值以及达到最终稳定状态，其结果如表4所示。从表可知，上述三种优化算法的搜索效果相对于本发明所采用的加权进化差分算法的搜索效果仍存在显著差异，上述三种优化算法的搜索速度较慢，且利用上述三种优化算法得到最终稳定状态的适应度值均略差于利用本发明所提模型对应的最优适应度值。由此，证明了本发明所选用的基于加权差分进化的参数优化算法在最优参数搜索方面的优越性。
表4其他优化算法优化结果统计
寻优算法 遗传算法 粒子群算法 差分进化
锂离子电池样本 B0005 B0005 B0005
执行当前迭代次数后的适应度值 0.1392 0.1876 0.1137
达到最终稳定状态时的适应度值 0.1021 0.1162 0.0915
达到最终稳定状态所需迭代次数 82 63 52
为了进一步验证本发明的锂离子电池剩余寿命间接预测模型的有效性，本实施例还对预测模型中使用的基于LSTM网络的预测器的有效性进行验证。作为一种典型的反馈神经网络，Elman网络具有很强的优化计算和联想记忆能力。本实施例选用Elamn网络作用预测器，对比验证本发明的锂离子电池剩余寿命间接预测模型与基于Elman网络的预测模型的预测效果。Elman的网络结构如图11所示，主要包括：输入层、隐含层、连接层和输出层。Elman网络与BP网络相比，在结构上多了一个连接层，用于构成局部反馈。连接层能够记忆过去的状态，并在下一时刻与网络的输入一起作为隐含层的输入，使网络具有动态记忆功能，适合时间序列预测问题。
考虑到Elman网络中连接层、隐含层节点数对预测结果的影响较大，利用不同划分准则得到的训练集、验证集对预测结果的影响也较大。为此，本实施例构造两个对比验证实例。第一个实例中，训练集、验证集划分准则与本发明的锂离子电池剩余寿命间接预测模型采用的训练集、验证集划分准则一致，Elman网络中的连接层、隐含层节点数等两个参数作为待优化参数，以验证集电池容量数据误差最小为目标函数，利用加权差分进化算法优化上述两个参数，利用优化后的Elman网络预测测试集数据对应的锂离子电池容量数据；第二个实例中，将训练集长度、测试集长度以及Elman网络中的连接层、隐含层节点数等四个参数作为待优化参数，利用加权差分进化算法优化上述四个参数，最终实现锂离子电池容量数据预测。
(1)训练集和验证集长度参数不作为待优化变量时的寻优结果
当训练集和验证集长度参数不作为待优化变量时，利用加权差分进化算法优化Elman网络的寻优结果如表5所示。将优化后的连接层、隐含层节点参数代入到Elman网络中，预测测试集数据对应的锂离子电池容量数据，得到预测后的锂离子电池容量变化曲线如图12所示。表6给出了预测电池容量数据到达失效阈值时的充放电周期与真实电池容量数据到达失效阈值时的充放电周期对比结果。对比观察预测电池容量数据与真实电池容量数据结果可知，尽管利用Elman网络得到的锂离子电池容量变化曲线与真实电池容量数据在验证数据段的变化规律较为一致，但是，预测电池容量数据与真实电池容量数据在测试段的变化规律出现明显差异，预测电池容量数据到达失效阈值时对应的充放电周期相对于真实电池容量数据到达失效阈值时的充放电周期均较晚一些。利用基于Elman网络得到的预测结果精度相对于本发明的锂离子电池剩余寿命间接预测模型的预测精度仍然有待提高。
表5训练集和验证集长度不变时加权差分进化算法优化Elman网络寻优结果统计
锂离子电池样本 B0005
种群大小 20
默认迭代次数 30
最终适应度值 0.0478
连接层节点数(numConnectionUnits) 6
隐含层节点数(numHiddenUnits) 8
表6训练集和验证集长度不变时预测电池容量数据与实际电池容量数据结果对比
锂离子电池样本 B0005
预测数据达到失效阈值时的充放电周期(cycle) 142
实际数据达到失效阈值时的充放电周期(cycle) 129
(2)训练集和验证集长度参数作为待优化变量时的寻优结果
当训练集和验证集长度参数作为待优化变量时，利用加权差分进化算法的优化Elman网络的寻优结果如表7所示。从表可知，利用加权差分进化优化Elman网络得到的最终适应度值相对于利用本发明的锂离子电池剩余寿命间接预测模型得到的最终适应度值仍较大。
表7训练集和验证集长度改变时加权差分进化算法优化Elman网络寻优结果统计
锂离子电池样本 B0005
种群大小 20
默认迭代次数 30
最终适应度值 0.0432
训练集长度(numTrain) 68
验证集长度(numValidation) 11
连接层节点数(numConnectionUnits) 70
隐含层节点数(numHiddenUnits) 20
为了更直观的对比预测效果，将优化后的参数代入到Elman网络，得到锂离子电池容量数据预测结果如图13所示。从图可知，利用Elman网络作为预测器得到的预测结果在验证数据段的预测电池容量数据与真实电池容量数据仍然十分接近，但是在测试数据段，两者的差距逐渐放大，导致预测电池容量数据到达失效阈值时对应的充放电周期相比真实电池容量数据到达失效阈值时对应的充放电周期较晚一些(统计结果见表8)。上述对比验证结果证明，本发明的锂离子电池剩余寿命间接预测模型选用LSTM网络作为预测器得到的锂离子电池容量数据预测效果明显优于利用反馈神经网络Elman网络作为预测器的预测效果。
表8训练集和验证集长度不变时预测电池容量数据与实际电池容量数据结果对比
锂离子电池样本 B0005
预测数据达到失效阈值时的充放电周期(cycle) 132
实际数据达到失效阈值时的充放电周期(cycle) 129
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (2)

1.一种基于WDE优化LSTM网络的锂离子电池剩余寿命预测方法，其特征在于：包括以下步骤：
步骤1：构造两组锂离子电池监测指标；
步骤1.1：构造第一组锂离子电池健康监测指标，具体方法为：
将锂离子电池第s次放电过程所需时间表示为
Figure FDA0002992209860000011
其中N[s]表示锂离子电池样本进行第s次放电过程的总采样点数；第s次放电过程的测量电压变化规律表示为
Figure FDA0002992209860000012
第s次放电过程测量电压最大值对应的时刻为
Figure FDA0002992209860000013
那么
Figure FDA0002992209860000014
第s次放电过程测量电压最小值对应的时刻为
Figure FDA0002992209860000015
那么
Figure FDA0002992209860000016
则基于放电电压的锂离子电池健康监测特征F1[s]如下公式所示：
Figure FDA0002992209860000017
将锂离子电池第s次放电过程的测量电流变化规律表示为
Figure FDA0002992209860000018
第s次放电过程中，测量电流由0mA降至-2mA的时刻为
Figure FDA0002992209860000019
那么
Figure FDA00029922098600000110
且
Figure FDA00029922098600000111
第s次放电过程中，测量电流由-2mA上升至0mA的时刻为
Figure FDA00029922098600000112
那么
Figure FDA00029922098600000113
且
Figure FDA00029922098600000114
则基于放电电流的锂离子电池健康监测特征F2[s]如下公式所示：
Figure FDA00029922098600000115
将锂离子电池第s次放电过程的测量温度变化规律表示为
Figure FDA00029922098600000116
第s次放电过程中，测量温度最小值对应的时刻为
Figure FDA00029922098600000117
那么
Figure FDA00029922098600000118
则基于放电温度的锂离子电池特征F3[s]如下公式所示：
Figure FDA00029922098600000119
融合特征F1[s]、F2[s]、F3[s]，构造第一组锂离子电池健康监测指标I1[s]，其表达式为：
I1[s]＝(F1[s]+F2[s]+F3[s])/3 (4)
步骤1.2：构造第二组锂离子电池健康监测指标，具体方法为：
根据锂离子电池不同放电周期对应的测量结束时间与电池容量之间的关系，构造第二组锂离子电池健康监测指标I2[s]，如下公式所示：
Figure FDA0002992209860000021
其中，N[s]表示锂离子电池样本进行第s次放电过程的总采样点数，其值随放电次数的变化而变化；
步骤2、获取锂离子电池的监测数据，并从中提取出两组锂离子电池监测指标数据及锂离子电池容量数据，将这些数据划分成训练数据集、验证数据集和测试数据集，同时对这些数据进行归一化处理；
步骤3：确定长短期记忆网络结构，构造基于LSTM的锂离子电池剩余寿命间接预测模型；
所述基于LSTM的锂离子电池剩余寿命间接预测模型包括输入层、LSTM层、第一全连接层、Droupout层、第二全连接层、回归层以及输出层；第一全连接层中每个神经元与前一层的LSTM层进行全连接，起到特征融合的作用；将Droupout层添加到第二全连接层之上，起到防止过拟合和提高泛化能力的作用；所述LSTM层采用LSTM网络，其输入神经元为2个，输入数据为两组锂离子电池健康监测数据，输出神经元为1个，输出数据为锂离子电池容量数据；
步骤4：利用加权差分进化算法优化锂离子电池剩余寿命间接预测模型中的关键参数；
步骤5：利用优化数据确定最优的锂离子电池剩余寿命间接预测模型；
根据优化得到的锂离子电池数据划分准则，将锂离子数据分成训练数据集和测试数据集，将训练集样本作为长短期记忆网络模型的输入；依据优化得到的其他参数训练长短期记忆网络，训练后的长短期记忆网络模型为最优网络结构；
步骤6：利用最优锂离子电池剩余寿命间接预测模型预测后期锂离子电池容量数据；
将从监测数据后期提出的两组锂离子电池健康监测指标输入长短期记忆网络，用于预测对应的锂离子电池容量数据变化趋势，根据预测电池容量数据到达失效阈值时对应的充放电周期次数，估计锂离子电池剩余使用寿命；
所述锂离子电池剩余寿命间接预测模型中的关键参数包括作为锂离子电池数据划分准则的训练数据的长度numTrain、验证数据的长度numValidation及长短期记忆网络中的隐含层节点数numHiddenUnits、全连接层节点数numfullyConnectedLayer、Droupout层丢弃概率pro_dropoutLayer、训练过程最大训练次数maxEpochs、最小分块尺寸miniBatchSize以及初始学习率initialLearnRate共8个关键参数；
所述步骤4的具体方法为：
步骤4.1：参数初始化：由锂离子电池剩余寿命间接预测模型中的8个关键参数构造加权差分进化算法中的种群个体，依据下述公式初始化产生大小为N，维度为D的种群，产生模式矩阵P，其表达式为：
P(i0，j0)～U(low(up)，up(j0)) (6)
其中，i0＝[1：2N]，j0＝[1：D]，i0和j0均为正整数；模式矩阵P的大小为2N×D；low(j0)，up(j0)表示第j0维参数的搜索空间上下边界；U(·)表示连续均匀分布；
则依据模式矩阵P计算得到的适应度值为：
Figure FDA0002992209860000031
其中，
Figure FDA0002992209860000032
表示适应度函数；
步骤4.2：选择：通过选择操作从模式矩阵P中选出一个子模式矩阵SubP，其表达式为：
SubP＝P(k) (11)
其中，k＝j(1：N)，j＝permute(1：2N)，permute为排列函数，表示将整数数组[1，2N]的元素顺序打乱；子模式矩阵SubP的大小为N×D；
则与子模式矩阵SubP对应的适应度值表示为：
fitSubP＝fitP(k) (12)
步骤4.3：交叉：产生一个新的中间模式矩阵TemP，其表达式为：
Figure FDA0002992209860000033
其中，index＝1：N为区间[1，N]中的正整数；TemPindex的具体计算公式如下：
Figure FDA0002992209860000034
其中，l＝j\k表示整数数组j中去除数组k的其他元素组成的数组；
Figure FDA0002992209860000035
表示按元素相乘；ω为生成各组中间模式向量所需加权系数矩阵，在获取该矩阵时，首先，生成一组中间模式向量所需加权系数ω*，其表达式为：
Figure FDA0002992209860000036
其中，κ～U(0，1)为[0,1]区间均匀分布的随机数，ω*为N×1的随机向量，对ω*进行归一化处理，其表达式为：
ω′＝ω*/∑ω* (16)
最后，将单组加权系数扩展到与中间模式矩阵相同的维数，得到加权系数矩阵ω，其表达式为：
ω＝ω′×Δ (17)
其中，Δ＝[1](1，D)；
步骤4.4：变异：在每次进化过程中定义一个二元映射矩阵M来控制新模式矩阵中的各个参量是否进行变异操作；二元映射矩阵M中，令执行变异操作位置的元素置1，其他位置元素置0，其表达式为：
M(index，J)＝1 (18)
其中，J＝V(1：[K×D])为长度为K×D的行向量，V＝permute(j0)表示将整数数组[1，K×D]的元素顺序打乱；参数K的计算过程如下：
Figure FDA0002992209860000041
其中，(α，β)～U(0，1)，均为[0,1]之间服从连续均匀分布的随机数；
由此，生成试验模式矩阵T，其表达式为：
Figure FDA0002992209860000044
其中，m＝permute(i)且m≠[1∶N]，i为区间[1∶N]内的正整数，F为缩放矩阵，通过如下规则产生：
Figure FDA0002992209860000042
其中，λ(·)为[0,1]之间服从正态分布的随机数；
为了确保试验模式矩阵T中的元素位于搜索范围内，对其中元素进行如下处理：
Figure FDA0002992209860000043
依据试验模式矩阵T计算得到的适应度值，如下公式所示：
Figure FDA0002992209860000051
通过对比子模式矩阵与试验模式矩阵的适应度值，利用贪婪选择的方式，来更新子模式矩阵中的元素，如下公式所示：
Figure FDA0002992209860000054
其中，i＊∈[1，N]；
利用更新后的子模式矩阵更新模式矩阵P，如下公式所示：
[P(l)，fitP(l)]＝[SubP，fitSubP] (25)
至此，WDE算法的进化过程中的选择、交叉及变异操作均已执行，保留本次进化后的全局最优解gbest和全局最小值gmin，其表达式为：
[gmin，gbest]＝[fitP(γ)，P(γ)] (26)
其中，γ∈i且fitP(γ)＝min(fitP)。
2.根据权利要求1所述的基于WDE优化LSTM网络的锂离子电池剩余寿命预测方法，其特征在于：所述适应度函数的构造方法为：
在LSTM网络训练阶段，选取到达失效阈值之前的第1次至第numTrain次充放电周期对应的两组电池健康监测数据以及电池容量数据用于训练LSTM网络；选取到达失效阈值之前的第numTrain+1次至第numTrain+numValidation次充放电周期对应的两组电池健康监测数据以及电池容量数据用于验证训练后的LSTM网络的预测能力；
假设利用训练后的LSTM网络预测得到的第numTrain+1次至第numTrain+numValidation次充放电周期电池容量数据YPred为：
YPred＝[yprednumTrain+1，yprednumTrain+2，…，yprednumTrain+numValidation] (8)
与之相对应的，第numTrain+1次至第numTrain+numValidation次充放电周期对应的真实电池容量数据YReal为：
YReal＝[yrealnumTrain+1，yrealnumTrain+2，…，yrealnumTrain+numValidation] (9)
则基于LSTM的锂离子电池剩余寿命间接预测模型的适应度函数
Figure FDA0002992209860000053
其表达式如下：
Figure FDA0002992209860000052
CN201910238130.1A 2019-03-27 2019-03-27 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 Expired - Fee Related CN109991542B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910238130.1A CN109991542B (zh) 2019-03-27 2019-03-27 基于wde优化lstm网络的锂离子电池剩余寿命预测方法
PCT/CN2019/081355 WO2020191800A1 (zh) 2019-03-27 2019-04-04 基于wde优化lstm网络的锂离子电池剩余寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910238130.1A CN109991542B (zh) 2019-03-27 2019-03-27 基于wde优化lstm网络的锂离子电池剩余寿命预测方法

Publications (2)

Publication Number Publication Date
CN109991542A CN109991542A (zh) 2019-07-09
CN109991542B true CN109991542B (zh) 2021-05-18

Family

ID=67131566

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910238130.1A Expired - Fee Related CN109991542B (zh) 2019-03-27 2019-03-27 基于wde优化lstm网络的锂离子电池剩余寿命预测方法

Country Status (2)

Country Link
CN (1) CN109991542B (zh)
WO (1) WO2020191800A1 (zh)

Families Citing this family (81)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378052B (zh) * 2019-07-25 2020-11-06 北京航空航天大学 基于循环神经网络考虑未来工况的设备剩余寿命预测方法
CN110598300A (zh) * 2019-09-05 2019-12-20 东软睿驰汽车技术（沈阳）有限公司 一种电池soh预测方法及装置
CN110703101B (zh) * 2019-09-12 2021-01-05 北京交通大学 一种锂离子电池分区间循环容量衰退预测方法
CN110824364B (zh) * 2019-10-24 2021-11-19 重庆邮电大学 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法
CN111007418B (zh) * 2019-12-30 2020-12-29 电子科技大学 一种的锂电池剩余寿命预测方法
CN111443294B (zh) * 2020-04-10 2022-09-23 华东理工大学 一种锂离子电池剩余寿命间接预测方法及装置
CN112038670B (zh) * 2020-07-31 2021-09-14 上海捷氢科技有限公司 一种质子交换膜燃料电池及其水状态监测方法和装置
CN112232404B (zh) * 2020-10-13 2023-12-22 中国铁路上海局集团有限公司南京供电段 一种基于铁路供电设备历史异常和运维信息的可靠性计算方法及系统
CN112288147B (zh) * 2020-10-19 2023-06-30 西安交通大学 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法
CN112329997A (zh) * 2020-10-26 2021-02-05 国网河北省电力有限公司雄安新区供电公司 电力需求负荷预测方法及系统、电子设备和存储介质
CN112561728B (zh) * 2020-10-28 2023-07-11 西安交通大学 基于注意力机制lstm的综合能耗费用优化方法、介质及设备
CN112418277B (zh) * 2020-11-03 2024-04-09 西安电子科技大学 旋转机械零部件剩余寿命预测方法、系统、介质、设备
CN112666480B (zh) * 2020-12-02 2023-04-28 西安交通大学 一种基于充电过程特征注意力的电池寿命预测方法
CN112666479B (zh) * 2020-12-02 2023-05-16 西安交通大学 一种基于充电循环融合的电池寿命预测方法
CN112684346B (zh) * 2020-12-10 2023-06-20 西安理工大学 基于遗传卷积神经网络的锂电池健康状态估计方法
CN112557907A (zh) * 2020-12-17 2021-03-26 杭州六纪科技有限公司 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法
CN112765772B (zh) * 2020-12-25 2022-11-04 武汉理工大学 一种基于数据驱动的动力电池剩余寿命预测方法
CN112763929B (zh) * 2020-12-31 2024-03-08 华东理工大学 一种储能电站系统电池单体健康预测方法及装置
CN112818870A (zh) * 2021-02-03 2021-05-18 浙江大学 一种基于门控神经网络框架的轴承剩余寿命预测方法
CN113030764B (zh) * 2021-03-04 2022-01-25 武汉大学 一种电池组健康状态估计方法及系统
CN113204857A (zh) * 2021-03-15 2021-08-03 北京锐达芯集成电路设计有限责任公司 基于极端梯度提升树算法的电子器件剩余寿命预测方法
CN113156325B (zh) * 2021-03-18 2024-04-19 吉林大学 一种对电池的健康状态进行估计的方法
CN112782591B (zh) * 2021-03-22 2022-07-22 浙江大学 基于多电池数据融合的锂电池soh长期预测方法
CN113176518B (zh) * 2021-03-24 2023-08-15 西安理工大学 一种锂电池健康状态估算方法
CN113076689B (zh) * 2021-03-25 2024-03-19 华中科技大学 一种基于自动编码器的电池状态评估方法
CN113267733B (zh) * 2021-04-13 2023-11-17 西安理工大学 基于高斯过程回归的锂电池健康状态估计的自动配置方法
CN113435692B (zh) * 2021-05-18 2023-06-23 西安电子科技大学 辐射源信号识别效能评估方法、系统、智能终端及应用
CN113376540B (zh) * 2021-05-18 2023-07-07 西安理工大学 基于进化注意力机制的lstm电池健康状态估计方法
CN113406505A (zh) * 2021-07-22 2021-09-17 中国第一汽车股份有限公司 一种燃料电池的剩余寿命预测方法及装置
CN113642779A (zh) * 2021-07-22 2021-11-12 西安理工大学 基于特征融合的ResNet50网络关键设备剩余寿命预测方法
CN113687256B (zh) * 2021-07-29 2024-03-08 合肥国轩高科动力能源有限公司 一种评估单体自放电率对电池系统一致性影响的方法
CN113627671A (zh) * 2021-08-11 2021-11-09 万克能源科技有限公司 一种储能场景单体电池soh预测计算方法
CN113687250B (zh) * 2021-08-18 2023-10-24 蜂巢能源科技有限公司 电芯容量预测方法、装置、电子设备及介质
CN113809365B (zh) * 2021-08-18 2024-03-26 东风汽车集团股份有限公司 氢燃料电池系统电压衰减的确定方法、系统及电子设备
CN113627088B (zh) * 2021-08-23 2024-04-09 上海交通大学 基于基因编程和数据融合的机器性能退化评估方法及系统
CN113589175B (zh) * 2021-08-23 2024-04-12 上海智能新能源汽车科创功能平台有限公司 一种燃料电池寿命预测方法和系统
CN113777496B (zh) * 2021-09-06 2023-10-24 北京化工大学 基于时间卷积神经网络的锂离子电池剩余寿命预测方法
CN113779882B (zh) * 2021-09-10 2024-05-17 中国石油大学(北京) 设备剩余使用寿命的预测方法、装置、设备及存储介质
CN113761751A (zh) * 2021-09-14 2021-12-07 上海交通大学 基于温度加速因子的锂离子电池剩余寿命预测方法及系统
CN113866644A (zh) * 2021-09-30 2021-12-31 国网福建省电力有限公司龙岩供电公司 一种电池可使用时长和容量预测方法与装置
CN113917337A (zh) * 2021-10-13 2022-01-11 国网福建省电力有限公司 基于充电数据和lstm神经网络的电池健康状态估计方法
CN113987804B (zh) * 2021-10-29 2024-02-13 合肥工业大学 一种mos场效应管的健康水平和剩余使用价值评价方法
CN114167284B (zh) * 2021-11-02 2023-12-22 江苏博强新能源科技股份有限公司 基于bms大数据和集成学习的锂电池rul预测方法及设备
CN114580262A (zh) * 2021-11-18 2022-06-03 吉林大学 一种锂离子电池健康状态估计方法
CN114384435A (zh) * 2021-12-09 2022-04-22 国网天津市电力公司 一种基于wsa-lstm算法的新能源汽车动力电池剩余使用寿命自适应预测方法
CN114279494B (zh) * 2021-12-16 2023-05-26 金陵科技学院 基于改进lstm的光纤光栅高炉炉壳温度补偿检测方法
CN114330130A (zh) * 2021-12-30 2022-04-12 山东浪潮科学研究院有限公司 一种电池剩余使用寿命预测方法、设备及介质
CN114510870B (zh) * 2022-01-07 2024-04-16 华东交通大学 一种城市轨道交通地下结构的剩余寿命预测方法及装置
CN114325450A (zh) * 2022-01-11 2022-04-12 青岛科技大学 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法
CN114646891B (zh) * 2022-03-10 2023-05-30 电子科技大学 一种结合lstm网络和维纳过程的剩余寿命预测方法
CN114779082B (zh) * 2022-03-23 2023-07-25 泉州装备制造研究所 一种锂电池单体电压差预测方法及装置
CN114839536A (zh) * 2022-04-05 2022-08-02 北京工业大学 一种基于多健康因子的锂离子电池健康状态估计方法
CN114814631B (zh) * 2022-04-25 2023-07-18 浙江大学 一种基于云计算与特征选择的锂电池在线寿命预测方法
CN115034131B (zh) * 2022-05-23 2024-04-19 中车永济电机有限公司 一种基于实测充电数据及仿真数据电容全寿命状态构建在线识别方法
CN114994543A (zh) * 2022-08-01 2022-09-02 湖南华大电工高科技有限公司 储能电站电池故障诊断方法、装置及存储介质
CN115424671B (zh) * 2022-08-26 2023-06-06 上海玫克生储能科技有限公司 锂离子电池性能分析预测方法、存储介质及电子设备
CN115587527A (zh) * 2022-08-31 2023-01-10 广东邦普循环科技有限公司 电池寿命预测方法、系统、终端设备及计算机可读介质
CN115469227B (zh) * 2022-09-14 2024-04-12 中南大学 一种集合变分自编码器与动态规整的锂电池异常检测方法
CN115310373B (zh) * 2022-10-11 2023-05-23 国网浙江省电力有限公司电力科学研究院 一种制氢电解槽剩余寿命预测方法
CN116258059B (zh) * 2022-12-30 2023-09-29 广州港科大技术有限公司 一种基于多时空宽度学习模型的锂电池温度实时预测模型以及构建方法
CN116203448B (zh) * 2023-02-07 2023-10-03 江南大学 基于蒙特卡洛和深度学习的动力电池剩余寿命预测方法
CN116298947B (zh) * 2023-03-07 2023-11-03 中国铁塔股份有限公司黑龙江省分公司 一种蓄电池核容监测装置
CN116401585B (zh) * 2023-04-19 2023-11-10 江苏果下科技有限公司 一种基于大数据的储能电池失效风险评估方法
CN116449218B (zh) * 2023-04-26 2024-03-12 淮阴工学院 一种锂电池健康状态的估计方法
CN116298934B (zh) * 2023-05-19 2023-08-04 河南科技学院 一种用于锂电池健康状态估算的预测网络的建模方法
CN116774086B (zh) * 2023-06-09 2024-03-26 淮阴工学院 一种基于多传感器数据融合的锂电池健康状态估计方法
CN116930788A (zh) * 2023-07-25 2023-10-24 国网江苏省电力有限公司镇江供电分公司 一种基于堆叠模型的储能电站锂电池容量估计方法
CN117129899B (zh) * 2023-08-31 2024-05-10 重庆跃达新能源有限公司 一种电池健康状态预测管理系统及方法
CN116995276B (zh) * 2023-09-27 2023-12-29 爱德曼氢能源装备有限公司 燃料电池发电系统冷却方法及系统
CN117054892B (zh) * 2023-10-11 2024-02-27 特变电工西安电气科技有限公司 一种储能电站电池健康状态的评估方法、装置及管理方法
CN117250521B (zh) * 2023-11-17 2024-02-20 江西驴充充物联网科技有限公司 充电桩电池容量监测系统及方法
CN117330964A (zh) * 2023-12-01 2024-01-02 聊城大学 一种基于适应度值的锂电池荷电状态三区间融合估计方法
CN117350174B (zh) * 2023-12-04 2024-04-02 国网天津市电力公司营销服务中心 预测智能电表剩余寿命的方法、系统、电子设备及介质
CN117370724B (zh) * 2023-12-08 2024-04-16 广州优刻谷科技有限公司 一种数据异常预测模型的生成和更新方法及系统
CN117519448B (zh) * 2024-01-04 2024-04-26 深圳市佩城科技有限公司 一种平板电脑的使用时间警示系统及方法
CN117563184B (zh) * 2024-01-15 2024-03-22 东营昆宇电源科技有限公司 一种基于物联网的储能消防控制系统
CN117572250A (zh) * 2024-01-17 2024-02-20 山东工商学院 基于多特征融合和XGBoost估计电池SOH的方法
CN117686937B (zh) * 2024-02-02 2024-04-12 河南科技学院 一种用于电池系统内单体电池的健康状态估计方法
CN117709205B (zh) * 2024-02-05 2024-05-07 华南师范大学 航空发动机剩余使用寿命预测方法、装置、设备以及介质
CN117783887B (zh) * 2024-02-28 2024-05-14 深圳市神通天下科技有限公司 一种锂离子电池电芯配组筛选方法
CN117877028B (zh) * 2024-03-13 2024-05-14 浙江大学 基于微观图像特征的电机绝缘寿命预测方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106908736B (zh) * 2017-03-17 2019-02-22 哈尔滨工业大学 锂电池剩余寿命预测方法
CN108519556A (zh) * 2018-04-13 2018-09-11 重庆邮电大学 一种基于循环神经网络的锂离子电池soc预测方法
CN109472110B (zh) * 2018-11-29 2023-06-27 南京航空航天大学 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法

Also Published As

Publication number Publication date
CN109991542A (zh) 2019-07-09
WO2020191800A1 (zh) 2020-10-01

Similar Documents

Publication Publication Date Title
CN109991542B (zh) 基于wde优化lstm网络的锂离子电池剩余寿命预测方法
Dang et al. An encoder-decoder fusion battery life prediction method based on Gaussian process regression and improvement
Chen et al. Lithium-ion batteries remaining useful life prediction based on BLS-RVM
CN110187290B (zh) 一种基于融合型算法的锂离子电池剩余寿命预测方法
Ji et al. An RUL prediction approach for lithium-ion battery based on SADE-MESN
Zhang et al. A hybrid approach for remaining useful life prediction of lithium-ion battery with adaptive levy flight optimized particle filter and long short-term memory network
Pan et al. Transfer learning-based hybrid remaining useful life prediction for lithium-ion batteries under different stresses
Li et al. State-of-health rapid estimation for lithium-ion battery based on an interpretable stacking ensemble model with short-term voltage profiles
CN112734002B (zh) 一种基于数据层和模型层联合迁移学习的寿命预测方法
Venugopal et al. Analysis of optimal machine learning approach for battery life estimation of Li-ion cell
CN111426957A (zh) 一种模拟车辆工况动力电池荷电状态soc估算优化方法
Wang et al. Capacity estimation of lithium-ion batteries based on data aggregation and feature fusion via graph neural network
Takyi-Aninakwa et al. A hybrid probabilistic correction model for the state of charge estimation of lithium-ion batteries considering dynamic currents and temperatures
Raman et al. State of health estimation of lithium ion batteries using recurrent neural network and its variants
Wang et al. A flexible RUL prediction method based on poly-cell LSTM with applications to lithium battery data
CN114839542A (zh) 一种动力锂电池的样本数据集生成方法、soc估计方法
CN112731183B (zh) 一种基于改进的elm的锂离子电池寿命预测方法
Chen et al. State of health estimation for lithium-ion battery based on particle swarm optimization algorithm and extreme learning machine
CN113376541A (zh) 一种基于crj网络的锂离子电池健康状态预测方法
CN116449218B (zh) 一种锂电池健康状态的估计方法
Wang et al. An efficient state-of-health estimation method for lithium-ion batteries based on feature-importance ranking strategy and PSO-GRNN algorithm
Cai et al. A unified deep learning optimization paradigm for lithium-ion battery state-of-health estimation
CN116736133A (zh) 锂离子电池全寿命周期容量退化轨迹的早期预测方法
Wang et al. A conditional random field based feature learning framework for battery capacity prediction
Zhao et al. Lithium-ion battery state-of-health estimation method using isobaric energy analysis and pso-lstm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210518