CN111308375A - 一种基于lstm-ffnn的电动叉车锂离子电池健康状态预测方法 - Google Patents

Abstract

本发明主要解决现有技术中，预测方法计算量大，预测结果精度低；提供一种基于LSTM‑FFNN的电动叉车锂离子电池健康状态预测方法，减少了训练模型所需的数据，提高了锂电池健康状态预测的精度。包括以下步骤：建立基于LSTM的时间尺度参数预测模型,以预测放电过程中时间尺度参数开路电压V的变化；从时间尺度参数预测模型的开路电压V中提取循环尺度参数放电至最小电压的时间T_min；建立基于FFNN的循环尺度参数预测模型，以预测锂电池容量C，从而得到锂电池健康状态预测值SOH。结合了LSTM对长时间序列的预测能力和FFNN的算法简单性，实现了从时间尺度参数到循环尺度参数的预测，减少了训练模型所需的数据，提高了锂电池健康状态预测的精度。

Description

一种基于LSTM-FFNN的电动叉车锂离子电池健康状态预测 方法

技术领域

本发明涉及电池技术领域，尤其涉及一种电池健康状态预测方法。

背景技术

锂离子电池是一种充电电池，正负极一般均采用含有锂元素的材料，在充放电过程中，锂离子从一极材料脱出，之后移动并嵌入到另一极材料中。锂离子电池由于其具有工作电压高、循环寿命长、能量密度高、自放电率低等特点，已经被广泛应用于各个领域中。在不断的充放电循环下，锂离子电池中的材料在锂离子不断嵌入和脱出的情况下，材料结构逐渐发生变化，并出现越来越多的缺陷，锂离子电池的电化学性能因此逐渐下降。在达到最大寿命后锂离子电池无法提供稳定的能源，需要及时维护和更换，若继续使用则可能导致经济损失，甚至引发重要的安全问题。

锂离子电池是电动叉车的重要动力源，在不断的充放电过程中，电池的性能降低，容量衰减，在达到最大寿命后锂电池将无法为电动叉车提供稳定的能源，继续使用容易导致经济损失，甚至导致严重的安全问题，而目前电动叉车锂电池健康状态的监测方法精度低，无法满足实际工业需求。

发明内容

本发明主要解决现有技术中，预测方法计算量大，预测结果精度低；提供一种基于LSTM-FFNN的电动叉车锂离子电池健康状态预测方法，减少了训练模型所需的数据，提高了锂电池健康状态预测的精度。

上述技术问题主要是通过下述技术方案得以解决的，包括以下步骤：

S1：建立基于LSTM的时间尺度参数预测模型,以预测放电过程中时间尺度参数开路电压V的变化；

S2：从时间尺度参数预测模型的开路电压V中提取循环尺度参数放电至最小电压的时间T_min；

S3：建立基于FFNN的循环尺度参数预测模型，以预测锂电池容量C，从而得到锂电池健康状态预测值SOH。

结合了LSTM对长时间序列的预测能力和FFNN的算法简单性，实现了从时间尺度参数到循环尺度参数的预测，减少了训练模型所需的数据，提高了锂电池健康状态预测的精度。

作为优选，所述S1具体步骤如下：

S11：设定神经网络的输入层神经元个数为L1，设定神经网络隐藏层层数N1和神经元个数L2,完成从输入空间U^M到输出空间U^T的映射，即根据前m个时刻的开路电压预测后续时刻的开路电压；

S12：设移动步长为l，对时间尺度参数开路电压数据进行分解和重构，建立训练样本V到预测样本

的映射关系如下：

其中，V中的每一行对应一个训练输入样本，长度为l，预测数据长度为m，经LSTM模型计算得到开路电压预测值为

S13：将S13所得数据经LSTM模型计算得到开路电压预测值作为时间尺度参数预测模型。

作为优选，所述S14具体实现方法如下：

在训练过程中，每个神经元的输入包括前一时刻的单元状态c^(t-1)、前一时刻的输出h^(t-1)以及当前时刻的输入V^(t)，利用LSTM来决定前一时刻的信息被保留或丢弃，f^(t)作为判定依据，取值为1则保留，取值为0则丢弃，，运算规则如下：

f^(t)＝σ(W_fxV^(t)+W_fhh^(t-1)+b_f)；

其中W_fx和W_fh分别为对应函数当前时刻的输入值和前一时刻输出值的权值，b_f为偏置参数；

计算当前时刻输入的保留信息i^(t)和新的状态信息a^(t)：

i^(t)＝σ(W_ixV^(t)+W_ihh^(t-1)+b_i)，a^(t)＝tanh(W_axV^(t)+W_ahh^(t-1)+b_a)；

其中，W_ix和W_ax为对应函数当前时刻的输入值的权值，W_ih和W_ah分别为对应函数前一时刻输出值的权值，b_i和b_a分别为对应函数的偏置参数；

设c^(t)为当前时刻单元状态，则LSTM神经元的状态更新为：

c^(t)＝a^(t)×i^(t)+c^(t-1)×f^(t)；

计算中间函数o^(t)和当前输出信息h^(t)：

o^(t)＝σ(W_oxV^(t)+W_ohh^(t-1)+b_o)，h^(t)＝tanh(c^(t))×o^(t)；

其中W_ox和W_oh分别为对应函数当前时刻的输入值和前一时刻输出值的权值，b_o为偏置参数；

LSTM模型的训练采用均方误差(MSE，mean square error)作为损失函数：

其中

为第i个时刻v_i的预测值；

根据损失函数构建如下成本函数：

则对各函数权值ω和偏置参数b做如下迭代计算：

其中k为迭代训练的次数，α为学习率，代表迭代学习的速度；当成本函数J₁(ω，b)达到最小值时，模型的迭代训练终止，保存LSTM模型。

作为优选，所述S2包括以下步骤：

S21：根据S1所得到的时间尺度参数预测模型预测的开路电压数据，统计放电至最低电压V_min时开路电压V的样本个数n，设采样间隔时间为T_S，放电至最小电压的时间为T_min，则该循环内放电至最低电压的时间为：T_min＝n×T_s；

S22：统计S12与S22中的对应数据得到循环尺度参数。

作为优选，所述S3的具体步骤如下：

S31：设定神经网络的输入神经元个数为L2，设定神经网络隐藏层数N2和神经元个数L4，建立第i个循环中锂电池放电至最低电压时间

与电池容量C_i的映射关系；

S32：FFNN模型通过多次线性组合计算建立输入样本锂电池放电至最低电压时间

与输出样本电池容量C_i的映射关系。

作为优选，所述S32具体实现方法如下：

FFNN各隐藏神经元的计算过程如下：

其中W_Hx和b_H分别为输入值的权值和偏置参数；

FFNN模型的训练采用均方误差(MSE，mean square error)作为损失函数：

其中，

为第i个循环电池容量C_i的预测值，d为电池的最大循环数；

根据损失函数构建如下成本函数：

则对各函数权值ω和偏置参数b做如下迭代计算：

其中i为循环数，α为学习率，代表迭代学习的速度；当成本函数J₂(ω,b)达到最小值时，模型的迭代训练终止，保存FFNN模型；

定义并计算锂电池健康状态SOH：

其中C_r为锂电池的额定容量。

本发明的有益效果是：

建立了LSTM-FFNN多神经网络耦合模型，结合了LSTM对长时间序列的预测能力和FFNN的算法简单性，实现了从时间尺度参数到循环尺度参数的预测，减少了训练模型所需的数据，提高了锂电池健康状态预测的精度。

通过结合LSTM和FFNN两种神经网络建立了锂电池健康状态预测模型，充分利用了LSTM对时序数据的预测能力和FFNN的简洁性，能够准确预测电动叉车锂离子电池的健康状态，确保电动叉车有稳定的能源供应，避免了经济损失和安全问题。

附图说明

图1是本发明的方法流程框图；

图2是本发明的预测结果对比图；

图3是本发明与LSTM模型的平均绝对误差和均方根误差计算结果对比图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：本实施例的一种基于LSTM-FFNN的电动叉车锂离子电池健康状态预测方法，流程框图如图1所示，具体步骤如下：

S1：建立基于LSTM的时间尺度参数预测模型,以预测放电过程中时间尺度参数开路电压V的变化，包括以下步骤：

S11：设定神经网络的输入层神经元个数为L1，设定神经网络隐藏层层数N1和神经元个数L2，完成从输入空间U^M到输出空间U^T的映射，即根据前m个时刻的开路电压预测后续时刻的开路电压；

S12：设移动步长为l，对时间尺度参数开路电压数据进行分解和重构，建立训练样本V到预测样本

的映射关系如下：

其中，V中的每一行对应一个训练输入样本，长度为1，预测数据长度为m，经LSTM模型计算得到开路电压预测值为

S13：将S13所得数据经LSTM模型计算得到开路电压预测值作为时间尺度参数预测模型，即在训练过程中，记录每个神经元的输入包括前一时刻的单元状态c^(t-1)、前一时刻的输出h^(t-1)以及当前时刻的输入V^(t)，利用LSTM来决定前一时刻的信息被保留或丢弃，f^(t)作为判定依据，取值为1则保留，取值为0则丢弃，，运算规则如下：

f^(t)＝σ(W_fxV^(t)+W_fhh^(t-1)+b_f)；

其中W_fx和W_fh分别为对应函数当前时刻的输入值和前一时刻输出值的权值，b_f为偏置参数；

计算当前时刻输入的保留信息i^(t)和新的状态信息a^(t)：

i^(t)＝σ(W_ixV^(t)+W_ihh^(t-1)+b_i)，a^(t)＝tanh(W_axV^(t)+W_ahh^(t-1)+b_a)；

其中，W_ix和W_ax为对应函数当前时刻的输入值的权值，W_ih和W_ah分别为对应函数前一时刻输出值的权值，b_i和b_a分别为对应函数的偏置参数；

设c^(t)为当前时刻单元状态，则LSTM神经元的状态更新为：

c^(t)＝a^(t)×i^(t)+c^(t-1)×f^(t)；

计算中间函数o^(t)和当前输出信息h^(t)：

o^(t)＝σ(W_oxV^(t)+W_ohh^(t-1)+b_o)，h^(t)＝tanh(c^(t))×o^(t)；

其中W_ox和W_oh分别为对应函数当前时刻的输入值和前一时刻输出值的权值，b_o为偏置参数；

LSTM模型的训练采用均方误差(MSE，mean square error)作为损失函数：

其中

为第i个时刻v_i的预测值；

根据损失函数构建如下成本函数：

则对各函数权值ω和偏置参数b做如下迭代计算：

其中k为迭代训练的次数，α为学习率，代表迭代学习的速度；当成本函数J₁(ω，b)达到最小值时，模型的迭代训练终止，保存LSTM模型。

S2：从时间尺度参数预测模型的开路电压V中提取循环尺度参数放电至最小电压的时间T_min，包括以下步骤：

S21：根据S1所得到的时间尺度参数预测模型预测的开路电压数据，统计放电至最低电压V_min时开路电压V的样本个数n，设采样间隔时间为T_S，放电至最小电压的时间为T_min，则该循环内放电至最低电压的时间为：

T_min＝n×T_s；

S22：统计S12与S22中的对应数据得到循环尺度参数。

S3：建立基于FFNN的循环尺度参数预测模型，以预测锂电池容量C，从而得到锂电池健康状态预测值SOH，包括以下步骤：

S31：设定神经网络的输入神经元个数为L2，设定神经网络隐藏层数N2和神经元个数L4，建立第i个循环中锂电池放电至最低电压时间

与电池容量C_i的映射关系；

S32：FFNN模型通过多次线性组合计算建立输入样本锂电池放电至最低电压时间

与输出样本电池容量C_i的映射关系，FFNN各隐藏神经元的计算过程如下：

其中W_Hx和b_H分别为输入值的权值和偏置参数；

FFNN模型的训练采用均方误差(MSE，mean square error)作为损失函数：

其中，

为第i个循环电池容量C_i的预测值，d为电池的最大循环数；

根据损失函数构建如下成本函数：

则对各函数权值ω和偏置参数b做如下迭代计算：

其中i为循环数，α为学习率，代表迭代学习的速度；当成本函数J₂(ω,b)达到最小值时，模型的迭代训练终止，保存FFNN模型；

定义并计算锂电池健康状态SOH：

其中C_r为锂电池的额定容量。

使用上述方法在Python 3.7和MATLAB 2016环境下进行建模，得到LSTM-FFNN模型预测值，将最终结果与常规LSTM模型预测值以及作为真实值的NASA Ames PrognosticsCenter of Excellence(PCOE)提供的锂电池寿命衰减数据的预测结果进行对比，对比结果如图2所示，可以看到本发明建立的LSTM-FFNN模型的预测结果明显对真实值具有更好的拟合效果。

为进一步体现本发明的效果，利用平均绝对误差(MAE，mean absolute error)和均方根误差(RMSE，root mean squared error)对预测结果进行评价，计算过程如式(1)(2)所示：

其中，SOH_i为电池第i个循环的健康状态值，

为对应的预测值。计算结果如图3所示，本发明建立的LSTM-FFNN模型预测结果的MAE值为0.0052，RMSE值为0.0062；与LSTM模型相比均有明显降低，因此具有较高的预测精度。

上述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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：其依然可以对前述各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各实施例技术方案的范围。

Claims (6)

1.一种基于LSTM-FFNN的电动叉车锂离子电池健康状态预测方法，其特征在于,包括以下步骤：

S1：建立基于LSTM的时间尺度参数预测模型,以预测放电过程中时间尺度参数开路电压V的变化；

S2：从时间尺度参数预测模型的开路电压V中提取循环尺度参数放电至最小电压的时间T_min；

S3：建立基于FFNN的循环尺度参数预测模型，以预测锂电池容量C，从而得到锂电池健康状态预测值SOH。

2.根据权利要求1所述的一种基于LSTM-FFNN的电动叉车锂离子电池健康状态预测方法，其特征在于,所述S1的具体步骤如下：

S11：设定神经网络的输入层神经元个数为L1，设定神经网络隐藏层层数N1和神经元个数L2，完成从输入空间U^M到输出空间U^T的映射，即根据前m个时刻的开路电压预测后续时刻的开路电压；

S12：设移动步长为l，对时间尺度参数开路电压数据进行分解和重构，建立训练样本V到预测样本

的映射关系如下：

其中，V中的每一行对应一个训练输入样本，长度为l，预测数据长度为m，经LSTM模型计算得到开路电压预测值为

S13：将S13所得数据经LSTM模型计算得到开路电压预测值作为时间尺度参数预测模型。

3.根据权利要求2所述的一种基于LSTM-FFNN的电动叉车锂离子电池健康状态预测方法，其特征在于,所述S13具体实现方法如下：

在训练过程中，每个神经元的输入包括前一时刻的单元状态c^(t-1)、前一时刻的输出h^{(t -1)}以及当前时刻的输入V^(t)，利用LSTM来决定前一时刻的信息被保留或丢弃，f^(t)作为判定依据，取值为1则保留，取值为0则丢弃，，运算规则如下：

f^(t)＝σ(W_fxV^(t)+W_fhh^(t-1)+b_f)；

其中W_fx和W_fh分别为对应函数当前时刻的输入值和前一时刻输出值的权值，b_f为偏置参数；

计算当前时刻输入的保留信息i^(t)和新的状态信息a^(t)：

i^(t)＝σ(W_ixV^(t)+W_ihh^(t-1)+b_i)，a^(t)＝tanh(W_axV^(t)+W_ahh^(t-1)+b_a)；

其中，W_ix和W_ax为对应函数当前时刻的输入值的权值，W_ih和W_ah分别为对应函数前一时刻输出值的权值，b_i和b_a分别为对应函数的偏置参数；

设c^(t)为当前时刻单元状态，则LSTM神经元的状态更新为：

c^(t)＝a^(t)×i^(t)+c^(t-1)×f^(t)；

计算中间函数o^(t)和当前输出信息h^(t)：

o^(t)＝σ(W_oxV^(t)+W_ohh^(t-1)+b_o)，h^(t)＝tanh(c^(t))×o^(t)；

其中W_ox和W_oh分别为对应函数当前时刻的输入值和前一时刻输出值的权值，b_o为偏置参数；

LSTM模型的训练采用均方误差(MSE，mean square error)作为损失函数：

其中

为第i个时刻v_i的预测值；

根据损失函数构建如下成本函数：

则对各函数权值ω和偏置参数b做如下迭代计算：

其中k为迭代训练的次数，α为学习率，代表迭代学习的速度；当成本函数J₁(ω,b)达到最小值时，模型的迭代训练终止，保存LSTM模型。

4.根据权利要求1所述的一种基于LSTM-FFNN的电动叉车锂离子电池健康状态预测方法，其特征在于,所述S2的具体步骤如下：

S21：根据S1所得到的时间尺度参数预测模型预测的开路电压数据，统计放电至最低电压V_min时开路电压V的样本个数n，设采样间隔时间为T_S，放电至最小电压的时间为T_min，则该循环内放电至最低电压的时间为：T_min＝n×T_s；

S22：统计S12与S22中的对应数据得到循环尺度参数。

5.根据权利要求1所述的一种基于LSTM-FFNN的电动叉车锂离子电池健康状态预测方法，其特征在于,所述S3的具体步骤如下：

S31：设定神经网络的输入神经元个数为L3，设定神经网络隐藏层数N2和神经元个数L4，建立第i个循环中锂电池放电至最低电压时间

与电池容量C_i的映射关系；

S32：FFNN模型通过多次线性组合计算建立输入样本锂电池放电至最低电压时间

与输出样本电池容量C_i的映射关系。

6.根据权利要求4所述的一种基于LSTM-FFNN的电动叉车锂离子电池健康状态预测方法，其特征在于,所述S32的具体实现过程如下：

FFNN各隐藏神经元的计算过程如下：

其中W_Hx和b_H分别为输入值的权值和偏置参数；

FFNN模型的训练采用均方误差(MSE，mean square error)作为损失函数：

其中，

为第i个循环电池容量C_i的预测值，d为电池的最大循环数；

根据损失函数构建如下成本函数：

则对各函数权值ω和偏置参数b做如下迭代计算：

其中i为循环数，α为学习率，代表迭代学习的速度；当成本函数J₂(ω,b)达到最小值时，模型的迭代训练终止，保存FFNN模型；

定义并计算锂电池健康状态SOH：

其中C_r为锂电池的额定容量。

Images