CN110927584B - 一种基于神经网络的电池寿命延长预测方法 - Google Patents
一种基于神经网络的电池寿命延长预测方法 Download PDFInfo
- Publication number
- CN110927584B CN110927584B CN201911251797.1A CN201911251797A CN110927584B CN 110927584 B CN110927584 B CN 110927584B CN 201911251797 A CN201911251797 A CN 201911251797A CN 110927584 B CN110927584 B CN 110927584B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- prediction
- length
- network model
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种基于神经网络的电池寿命延长预测方法,所述方法包括如下步骤:1)获取电池寿命循环实验数据;2)选取神经网络,通过实验数据对神经网络进行训练,得到收敛的神经网络模型;3)将数据长度为n的实验数据输入神经网络模型,预测位于实验数据后的数据长度为x的预测数据;4)将实验数据和预测数据作为新的输入,重新训练神经网络模型,得到新的后续的数据长度为x的预测数据;5)判断得到的总的预测数据的长度是否达到目标预测寿命长度,若达到则结束预测过程;若未达到,返回步骤4。本发明通过循环利用数据和循环预测短周数据的方法可以延长传统方法对电池寿命预测的长度,推迟发散的出现长度。
Description
技术领域
本发明属于新能源汽车行业电池系统技术领域,尤其是涉及一种基于神经网络的电池寿命延长预测方法。
背景技术
在电芯及电池系统研发阶段,会存在大量的循环寿命验证试验,这些试验会消耗大量的人力物力成本,但很多变量之间的关联是固定的,有规律可循的。
数据工程师可以通过神经网络方法,在获取电芯和电池系统的循环数据后,通过训练得到能够表征电池特性的神经网络模型。模型能够体现出各输入变量之间的权重关系,得到近似准确的寿命输出。
但是,在传统神经网络预测寿命时,网络模型在2-3倍实验数据长度预测后会发生发散现象且误差快速增大。
发明内容
有鉴于此,本发明旨在提出一种基于神经网络的电池寿命延长预测方法,可以在传统神经网络预测的基础上延长预测寿命长度,减小预测误差,推后发散现象。
为达到上述目的,本发明的技术方案是这样实现的:
一种基于神经网络的电池寿命延长预测方法,所述方法包括如下步骤:
1)获取电池寿命循环实验数据;
2)选取神经网络,通过实验数据对神经网络进行训练,得到收敛的神经网络模型;
3)将数据长度为n的实验数据输入神经网络模型,预测位于实验数据后的数据长度为x的预测数据;
4)将实验数据和预测数据作为新的输入,重新训练神经网络模型,得到新的后续的数据长度为x的预测数据;
5)判断得到的总的预测数据的长度是否达到目标预测寿命长度,若达到则结束预测过程;若未达到,返回步骤4。
进一步的,将实验数据进行迭代分组,将分组实验数据输入神经网络模型进行训练。
进一步的,将循环周数、充电容量、放电容量、环境温度、电芯主体温度作为神经网络模型的输入;将容量保持率作为神经网络模型的输出。
相对于现有技术,本发明具有以下优势:
本发明首次提出神经网络的循环迭代预测方案,采用分段迭代预测的方法,即通过循环利用数据和循环预测短周数据的方法可以延长传统方法对电池寿命预测的长度,推迟发散的出现长度。此外,增加迭代输入维数,可以减小预测误差。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述神经网络的预测过程示意图;
图2为本发明实施例所述数据迭代分组过程示意图;
图3为本发明实施例所述预测过程迭代方案的流程图;
图4为传统的预测方法的预测结果;
图5为本发明实施例所述预测结果。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明的实施例中所提到的循环寿命:是指电池满充满放形成一个充放电循环。
除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
仍需指出的是,申请中使用的术语仅为描述具体的实施方案,而非意图限制根据本申请的示例性实施方式。如在这里使用的神经网络层数、实验数据的长度、单次迭代预测的长度、迭代预测的次数,并不做严格指定,包括上下层数,除非有特殊标注。此外,还应当理解的是,当在本说明中使用的术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组件。
下面将参考附图并结合实施例来详细说明本发明。
采用神经网络方法对一定量实验数据进行学习,建立神经网络模型,用来预测电芯及电池系统未来寿命预测,可以节约成本,明确变量间影响关系。
针对现有神经网络预测方法在一定预测长度后会发生发散的现象本申请给出了一种迭代解决方案。迭代解决方案中,存在两种迭代过程,第一种为实验数据输入的迭代,即迭代分组;第二种为学习预测过程的迭代。
下面结合47.5Ah电芯循环实验寿命数据,进行本发明方案方法应用的实例说明:
本实施例采用的预测方法为BP神经网络,但不限于此神经网络,重点阐述延长预测寿命方案的实施过程。神经网络的预测过程如图1所示。
在影响电池寿命的参数中,选取a)、循环周数b)、充电容量c)放电容量、d)环境温度、e)电芯主体温度做为神经网络模型的输入参变量;将f)容量保持率做为衡量寿命的变量,作为神经网络模型的输出。
其中,
充电容量为电芯从0%SOC充到100%SOC过程中所能储存的总电量。
放电容量为电芯从100%SOC放电到0%SOC过程中所能放出的总电量。
环境温度为25±2℃。
电芯主体温度为均匀布置的温度传感器的平均温度。
容量保持率为电芯的放电容量与充电容量的比值,也可采用每次循环的放电容量同第一次放电容量的比值代替。
本实施例采集的部分电芯实验数据如下表1所示:
表1
循环周数为电芯满充满放的次数,循环过程记录实时的电流、电压、充电容量、放电容量、环境温度和电芯主体温度等因素。
将获取的如表1所示的103行实验数据进行迭代分组,分组序列如下,1-4、2-5、3-6、4-7...100-103,这样得到100组输入数据。当实验获取大于100组数据时,可以采取同样的分组方法。
取1-4的第一组数据,并列存储为神经网络模型的第一个输入,2-5、3-6、4-8、5-9…100-103行元素并列存储为神经网络模型的第2、3、4、5…100个输入。
整理上述数据的迭代过程如图2所示。
值得注意的是,传统的预测方法无需对试验数据进行二次处理,直接将变量数作为输入维数,无需迭代处理来增加维度。
根据输入输出参变量的维数,构建神经网络模型,本实施例中输入维度为:a)、循环周数b)、充电容量c)放电容量、d)环境温度、e)电芯主体温度5个变量数乘以迭代次数4,等于20;输出维度为1,容量保持率。
或者,将循环周数、程平均温度、最大温度、最小温度、最大温差、最大压差、充电能量和放电能量作为网络输入,容量保持率作为输出。增加迭代输入维数,可以减小预测误差。
构建神经网络后对采集的实验数据进行训练,得到收敛的神经网络模型。
利用收敛的神经网络模型进行寿命预测,例如目标是预测2.5倍数据长度的数据,预测过程采用上面提到的学习预测过程的迭代方案,具体如下:
例如初始时,100组数据中每组包含4个循环寿命的电池数据,每个循环又采集8个变量作为输入,因此每组一共为32个参数共同作为神经网络一次预测的输入值;每组数据的末组循环容量保持率作为神经网络一次预测的输出值。
将数据长度为n的实验数据输入神经网络模型,预测实验数据后0.5倍数据长度值,即数据长度为0.5n的预测数据,注意不能直接预测到2.5倍数据长度(n)的数据,否则预测发散。
将预测数据写入输入矩阵得到新的输入,即将新的输入数据长度n+0.5n的实验数据和预测数据作为输入,重新训练n+0.5n数据长度的神经网络模型,得到后续的长度为0.5n的预测数据。
重复上述步骤,迭代预测实验值后续系列,每次预测0.5倍数据长度曲线,直到得到需要的预测寿命长度,本实施例为2.5倍数据长度。
在本申请的预测过程迭代方案中,不同于传统的一次预测未来寿命的方法(例如一次预测未来500周寿命),本发明中通过200周的循环实验数据每次预测未来100周寿命,然后将预测数据作为输入数据,重新训练神经网络模型,然后再次预测未来100周寿命,这样依次循环达到延长预测和推后发散的目的,通过多次迭代预测短周数据直到得到目标预测寿命。以上预测过程迭代方案的流程如图3所示。
利用本申请中的寿命延长预测方案,得到电芯的延长寿命,方案可以延长预测,但达到一定周数后仍会发散,并非能无限预测下去,不发散,但可以增加至少2倍直接预测长度,误差在允许范围内。
采用相同的实验数据,相同的神经网络模型,用传统神经网络预测方法对实验电芯寿命进行预测,得到预测结果如图4所示。而利用本申请中的延长预测方案,得到的电芯预测寿命如图5所示。
由图4和图5的对比可以看出,传统的预测方法(图4)可以根据100周实验数据预测到400周之后,逐渐发散,产生预测误差,结合其它分析经验,预测寿命长度大概为实验数据长度的3倍左右;延长预测方案(图5)的预测长度可以达到600周,后续发生逐渐发散。
本发明引入迭代延长预测方案,通过循环利用数据和循环预测短周数据的方法可以延长传统方法对电池寿命预测的长度。通过具体的实验验证的预测结果和误差,说明了神经网络方法的预测可靠性和本方法的先进性。
本实施例为独立电芯的寿命的预测,但本方法不限制于电芯寿命预测上的应用,也可对电池系统或本领域的其他关于寿命的预测,同样适用。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于神经网络的电池寿命延长预测方法,其特征在于,所述方法包括如下步骤:
1)获取电池寿命循环实验数据;
2)选取神经网络,通过实验数据对神经网络进行训练,得到收敛的神经网络模型;
3)将数据长度为n的实验数据输入神经网络模型,预测位于实验数据后的数据长度为x的预测数据;
4)将实验数据和预测数据作为新的输入,重新训练神经网络模型,得到新的后续的数据长度为x的预测数据;
5)判断得到的总的预测数据的长度是否达到目标预测寿命长度,若达到则结束预测过程;若未达到,返回步骤4;
将实验数据进行迭代分组,将分组实验数据输入神经网络模型进行训练;
将循环周数、充电容量、放电容量、环境温度、电芯主体温度作为神经网络模型的输入;将容量保持率作为神经网络模型的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911251797.1A CN110927584B (zh) | 2019-12-09 | 2019-12-09 | 一种基于神经网络的电池寿命延长预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911251797.1A CN110927584B (zh) | 2019-12-09 | 2019-12-09 | 一种基于神经网络的电池寿命延长预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110927584A CN110927584A (zh) | 2020-03-27 |
CN110927584B true CN110927584B (zh) | 2022-05-10 |
Family
ID=69857711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911251797.1A Active CN110927584B (zh) | 2019-12-09 | 2019-12-09 | 一种基于神经网络的电池寿命延长预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110927584B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114019380B (zh) * | 2021-10-29 | 2024-05-17 | 天津市捷威动力工业有限公司 | 一种电芯的日历寿命扩展预测方法 |
CN116581403B (zh) * | 2023-07-13 | 2023-09-05 | 苏州精控能源科技有限公司 | 一种电池模组控制方法、系统以及电路 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657596A (zh) * | 2015-01-27 | 2015-05-27 | 中国矿业大学 | 一种基于模型迁移的大型新压缩机性能预测快速建模方法 |
CN107609774A (zh) * | 2017-09-11 | 2018-01-19 | 华北电力大学 | 一种基于思维进化算法优化小波神经网络的光伏功率预测方法 |
CN107797067A (zh) * | 2016-09-05 | 2018-03-13 | 北京航空航天大学 | 一种基于深度学习的锂离子电池寿命迁移预测方法 |
CN109255505A (zh) * | 2018-11-20 | 2019-01-22 | 国网辽宁省电力有限公司经济技术研究院 | 一种多模型融合神经网络的短期负荷预测方法 |
CN110059377A (zh) * | 2019-04-02 | 2019-07-26 | 西南交通大学 | 一种基于深度卷积神经网络的燃料电池寿命预测方法 |
CN110070172A (zh) * | 2019-03-13 | 2019-07-30 | 西安理工大学 | 基于双向独立循环神经网络的序列预测模型的建立方法 |
CN110187290A (zh) * | 2019-06-27 | 2019-08-30 | 重庆大学 | 一种基于融合型算法的锂离子电池剩余寿命预测方法 |
-
2019
- 2019-12-09 CN CN201911251797.1A patent/CN110927584B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657596A (zh) * | 2015-01-27 | 2015-05-27 | 中国矿业大学 | 一种基于模型迁移的大型新压缩机性能预测快速建模方法 |
CN107797067A (zh) * | 2016-09-05 | 2018-03-13 | 北京航空航天大学 | 一种基于深度学习的锂离子电池寿命迁移预测方法 |
CN107609774A (zh) * | 2017-09-11 | 2018-01-19 | 华北电力大学 | 一种基于思维进化算法优化小波神经网络的光伏功率预测方法 |
CN109255505A (zh) * | 2018-11-20 | 2019-01-22 | 国网辽宁省电力有限公司经济技术研究院 | 一种多模型融合神经网络的短期负荷预测方法 |
CN110070172A (zh) * | 2019-03-13 | 2019-07-30 | 西安理工大学 | 基于双向独立循环神经网络的序列预测模型的建立方法 |
CN110059377A (zh) * | 2019-04-02 | 2019-07-26 | 西南交通大学 | 一种基于深度卷积神经网络的燃料电池寿命预测方法 |
CN110187290A (zh) * | 2019-06-27 | 2019-08-30 | 重庆大学 | 一种基于融合型算法的锂离子电池剩余寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
基于RBF网络的城市供水短期负荷预测;赵宏;《2011 AASRI Conference on Information Technology and Economic Development (AASRI-ITED 2011)》;20110926;第44-47页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110927584A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Lithium-ion battery capacity estimation—A pruned convolutional neural network approach assisted with transfer learning | |
US20220239122A1 (en) | Server-side characterisation of rechargeable batteries | |
JP7497432B2 (ja) | バッテリー性能予測 | |
KR102439041B1 (ko) | 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치 | |
Abdollahi et al. | Optimal charging for general equivalent electrical battery model, and battery life management | |
JP7197323B2 (ja) | バッテリーセルフォーメーションおよびサイクリング手順の自律的スクリーニングおよび最適化 | |
Han et al. | Near-fastest battery balancing by cell/module reconfiguration | |
CN108872869B (zh) | 一种基于bp神经网络的锂离子电池劣化分类方法 | |
CN110927584B (zh) | 一种基于神经网络的电池寿命延长预测方法 | |
CN113985294B (zh) | 一种电池剩余寿命的预估方法及装置 | |
CN111366848A (zh) | 一种基于pso-elm算法的电池健康状态预测方法 | |
CN112666480B (zh) | 一种基于充电过程特征注意力的电池寿命预测方法 | |
CN112198434B (zh) | 电池容量衰减模型参数的辨识方法、系统、设备、装置及介质 | |
CN113361692B (zh) | 一种锂电池剩余寿命结合预测方法 | |
CN108132441B (zh) | 储能电池模组荷电状态的运行范围确定方法及装置 | |
CN109800446B (zh) | 一种锂离子电池放电过程电压不一致性估计方法及装置 | |
CN111325402A (zh) | 基于bp神经网络的电动汽车用户充电行为的预测方法 | |
CN111898325A (zh) | 一种电动汽车动力电池剩余使用寿命预测方法 | |
Zheng et al. | A novel method for lithium-ion battery remaining useful life prediction using time window and gradient boosting decision trees | |
CN112686380A (zh) | 基于神经网络的梯次动力电芯一致性评估方法和系统 | |
CN115356647A (zh) | 一种锂离子电池寿命早期预测方法 | |
Li et al. | Dynamic data-driven identification of battery state-of-charge via symbolic analysis of input–output pairs | |
Eleftheriadis et al. | Hyperband optimization of stacked bidirectional long short-term memory neural network for the state of charge estimation | |
KR101835373B1 (ko) | 배터리팩 불균형 측정 장치 및 그 방법 | |
CN112084459A (zh) | 电池充放电循环寿命的预测方法、装置、电子终端、及存储介质 |
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 |