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 PDFInfo
- 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
Links
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 199
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 195
- 238000000034 method Methods 0.000 title claims abstract description 104
- 238000005457 optimization Methods 0.000 title claims description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 74
- 230000008859 change Effects 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 230000006403 short-term memory Effects 0.000 claims abstract description 9
- 230000007787 long-term memory Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 75
- 230000008569 process Effects 0.000 claims description 54
- 230000036541 health Effects 0.000 claims description 53
- 238000012549 training Methods 0.000 claims description 51
- 238000007599 discharging Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 23
- 238000012795 verification Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 230000035772 mutation Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010200 validation analysis Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
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第s次放电过程测量电压最大值对应的时刻为那么第s次放电过程测量电压最小值对应的时刻为那么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:
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第s次放电过程中,测量电流由0mA降至-2mA的时刻为那么且第s次放电过程中,测量电流由-2mA上升至0mA的时刻为那么且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:
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:
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:
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其表达式如下:
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:
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:
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:
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:
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:
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:
依据试验模式矩阵T计算得到的适应度值,如下公式所示:
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:
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第s次放电过程测量电压最大值对应的时刻为那么第s次放电过程测量电压最小值对应的时刻为那么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:
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第s次放电过程中,测量电流由0mA降至-2mA的时刻为那么且第s次放电过程中,测量电流由-2mA上升至0mA的时刻为那么且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:
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:
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:
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
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:
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)
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:
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:
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:
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:
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:
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:
依据试验模式矩阵T计算得到的适应度值,如下公式所示:
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:
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第s次放电过程测量电压最大值对应的时刻为那么第s次放电过程测量电压最小值对应的时刻为那么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:
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第s次放电过程中,测量电流由0mA降至-2mA的时刻为那么且第s次放电过程中,测量电流由-2mA上升至0mA的时刻为那么且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:
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:
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:
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:
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:
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:
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:
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:
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:
依据试验模式矩阵T计算得到的适应度值,如下公式所示:
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:
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)
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)
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)
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 |
-
2019
- 2019-03-27 CN CN201910238130.1A patent/CN109991542B/zh not_active Expired - Fee Related
- 2019-04-04 WO PCT/CN2019/081355 patent/WO2020191800A1/zh active Application Filing
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 |