CN111443294A - 一种锂离子电池剩余寿命间接预测方法及装置 - Google Patents

一种锂离子电池剩余寿命间接预测方法及装置 Download PDF

Info

Publication number
CN111443294A
CN111443294A CN202010280140.4A CN202010280140A CN111443294A CN 111443294 A CN111443294 A CN 111443294A CN 202010280140 A CN202010280140 A CN 202010280140A CN 111443294 A CN111443294 A CN 111443294A
Authority
CN
China
Prior art keywords
lithium ion
ion battery
sequence
capacity
health
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.)
Granted
Application number
CN202010280140.4A
Other languages
English (en)
Other versions
CN111443294B (zh
Inventor
杨文�
王佳乐
吕桃林
罗伟林
刘辉
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.)
East China University of Science and Technology
Shanghai Aerospace Power Technology Co Ltd
Shanghai Institute of Space Power Sources
Original Assignee
Shanghai Power Energy Storage Battery System Engineering Technology Co ltd
East China University of Science and Technology
Shanghai Institute of Space Power Sources
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 Shanghai Power Energy Storage Battery System Engineering Technology Co ltd, East China University of Science and Technology, Shanghai Institute of Space Power Sources filed Critical Shanghai Power Energy Storage Battery System Engineering Technology Co ltd
Priority to CN202010280140.4A priority Critical patent/CN111443294B/zh
Publication of CN111443294A publication Critical patent/CN111443294A/zh
Application granted granted Critical
Publication of CN111443294B publication Critical patent/CN111443294B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Abstract

本发明涉及一种锂离子电池剩余寿命间接预测方法，包括：采集锂离子电池监测数据，归一化电池容量序列和等时间电压差序列；相关性分析，提取健康因子；构建基于回声状态网络的锂离子电池健康状态估计模型；构建基于长短时记忆神经网络的健康因子预测模型，计算出未来循环周期的健康因子；计算未来循环周期容量的真实值，完成锂离子电池剩余寿命的预测。本发明还提供一种锂离子电池剩余寿命间接预测装置，该装置以及上述预测方法能够实现锂离子电池剩余寿命的在线预测，在剩余寿命达到失效之前进行及时更换与维修，从而保证锂离子电池的正常运行，提升锂离子电池剩余寿命的预测精度。

Description

一种锂离子电池剩余寿命间接预测方法及装置
技术领域
本发明涉及锂离子电池健康管理领域，更具体地涉及一种锂离子电池剩余寿命间接预测方法及装置。
背景技术
随着科技的发展，锂离子电池因为其体积小、重量轻、高能量比、寿命长等优势，被广泛应用于航天器、电动车、便携电子设备等各个领域。锂离子电池的健康管理变得越来越重要，作为锂离子电池健康管理的重要组成部分，锂离子电池剩余使用寿命(RUL)预测问题已成为电子系统故障预测和健康管理领域的研究热点和挑战问题之一。实现准确的剩余使用寿命估计有助于提高系统可靠性，具有重要的研究和实用价值。
锂离子电池剩余寿命可根据电池容量直接预测，但是现实情况下锂离子电池容量很难在线直接测量得到，因而目前主要通过建立基于机理的物理模型或采用基于数据驱动的方法来预测锂离子电池剩余使用寿命。基于机理的物理模型主要是通过量化电池性能的影响因素，根据锂离子电池充放电过程中发生的化学反应以及其特定的物理特性，获得锂离子电池性能退化的演变过程。但是考虑到可能存在很多因素相互影响导致性能的下降，而且准确的估计需要考虑到复杂的参数计算，所以很难可靠地模拟锂离子电池寿命退化系统。而基于数据驱动的方法主要是传统的自回归模型，但是自回归模型本质上是线性模型，而锂离子电池的寿命衰减是一个非线性的过程，所以在实际预测中还存在着较大的非线性误差。并且实际情况下容量在退化过程中会出现再生长的现象，而自回归模型的抗干扰能力相对较差，使得预测精度不高。
长短时记忆网络(LSTM)为人们提供了一种时间序列预测的思路。对于时间序列问题，前后总是有关联的，当前时刻的输出会受之前时刻的影响。LSTM神经网络会记忆之前的信息，其隐藏层的输入不仅包括输入层的输出，还包括上一隐藏层的状态输出，所以它可以刻画当前的输出与之前序列的关系，而且通过引入门结构，实现对时间序列的长期记忆。
因此，如何通过锂离子电池在线可测的局部数据作为健康因子来表征电池容量，基于LSTM神经网络实现锂离子电池剩余寿命的预测，对于锂离子电池健康管理系统在实际问题中的应用具有重要的意义。
发明内容
本发明提供一种锂离子电池剩余寿命间接预测方法及装置，无需复杂的参数计算就能够进行在线实时的长期预测，同时能够减少误差、提高预测精度。
本发明提供的一种锂离子电池剩余寿命间接预测方法，包括：
步骤S1，采集锂离子电池监测数据，提取出锂离子电池容量序列以及若干组等时间电压差序列，并将所述容量序列和所述等时间电压差序列归一化；
步骤S2，对所述归一化的等时间电压差序列和容量序列进行相关性分析，选择与所述容量序列相关性最好的一组等时间电压差序列作为归一化的健康因子序列；
步骤S3，根据所述归一化的容量序列以及所述归一化的健康因子序列，构建基于回声状态网络的锂离子电池健康状态估计模型；
步骤S4，根据所述归一化的健康因子序列，构建基于长短时记忆神经网络的健康因子预测模型，计算出未来循环周期的健康因子；
步骤S5，将所述未来循环周期的健康因子输入所述锂离子电池健康状态估计模型，得到未来循环周期容量的估计值，将所述未来循环周期容量的估计值反归一化得到未来循环周期容量的真实值，完成锂离子电池剩余寿命的预测。
所述归一化的容量序列
Figure BDA0002446267220000021
按照下式计算：
Figure BDA0002446267220000022
和
所述归一化的等时间电压差序列
Figure BDA0002446267220000031
按照下式计算：
Figure BDA0002446267220000032
式中，c(k)表示容量序列，
Figure BDA0002446267220000033
为容量序列中的最小值，
Figure BDA0002446267220000034
为容量序列中的最大值；u(k)表示等时间电压差序列，
Figure BDA0002446267220000035
为等时间电压差序列中的最小值，
Figure BDA0002446267220000036
为等时间电压差序列中的最大值。
所述步骤S2中的相关性分析包括灰度关联性分析、皮尔森系数相关性分析以及斯皮尔曼等级相关性分析。
所述步骤S3包括：
步骤S31，将所述归一化的容量序列按一定长度划分为容量训练集和容量测试集，将所述健康因子序列按一定长度划分为健康因子训练集和健康因子测试集；
步骤S32，配置回声状态网络的四个超参数：储备池处理单元个数、谱半径、储备池输入伸缩尺度以及输入单元位移；
步骤S33，将所述健康因子训练集输入回声状态网络，所述容量训练集作为输出，训练回声状态网络模型的输出权重矩阵；
步骤S34，将所述健康因子测试集输入训练后的回声状态网络模型，得到容量估计值，将所述容量估计值反归一化后，计算所述反归一化后的容量估计值与容量测试集真实值的误差；
步骤S35，重复步骤S32-步骤S34，当容量估计值与容量测试集的误差最小时，保存所述输出权重矩阵，得到锂离子电池健康状态估计模型。
所述锂离子电池健康状态估计模型包括单工况锂离子电池健康状态估计模型以及多工况锂离子电池健康状态估计模型。
所述步骤S4包括：
步骤S41，将所述归一化的健康因子序列按一定长度划分为健康因子训练集和健康因子测试集，将所述健康因子训练集处理成LSTM网络的输入格式；
步骤S42，构建LSTM神经网络模型；
步骤S43，将构建好的LSTM神经网络模型在所述健康因子训练集上进行训练，得到健康因子预测模型；
步骤S44，通过多步迭代划窗法得到未来周期健康因子的预测值；
所述步骤S41中将所述健康因子训练集处理成LSTM网络的输入格式的方法为：选取健康因子预测输出长度为L，以第1个到第L个循环周期的健康因子作为输入，第2个到第L+1个循环周期的健康因子作为输出，按顺序将输入输出依次递推构建若干个数据集。
所述步骤S43中LSTM神经网络模型的训练方法为：将所述第1个到第L个循环周期构建的L长度的健康因子序列作为模型输入，所述第2个到第L+1个循环周期构建的L长度的健康因子序列作为模型输出，选取均方根误差作为损失函数，通过梯度下降算法进行训练，最终构建起第1个到第L个循环周期与第2个到第L+1个循环周期两个健康因子序列关系的LSTM神经网络模型。
所述步骤S44中的多步迭代划窗法为：选取所述健康因子训练集的最后L个数据输入健康因子预测模型，得到L个输出，选取L个输出的最后一个值作为预测的第一个值；然后将划窗向前移动一步，将预测的第一个值加入划窗构成L个数据预测下一个值。
一种锂离子电池剩余寿命预测装置，其特征在于，包括：
数据预处理单元，对电池管理系统采集的锂离子电池监测数据进行提取，提取出锂离子电池容量序列以及若干组等时间电压差序列；
健康因子提取单元，对提取出的容量序列以及若干组等时间电压差序列归一化，并进行相关性分析，选择与容量序列相关性最好的一组等时间电压差序列作为归一化的健康因子序列；
健康状态估计单元，根据所述归一化的容量序列以及所述归一化的健康因子序列，构建基于回声状态网络的锂离子电池健康状态估计模型；
健康因子预测单元，根据所述归一化的健康因子序列，构建基于长短时记忆神经网络的健康因子预测模型，计算出未来循环周期的健康因子；
剩余寿命预测单元，将所述未来循环周期健康因子输入锂离子电池健康状态估计模型，得到容量估计值。
本发明从监测数据中分析可以表征容量退化的健康因子，并通过相关性分析验证了健康因子的有效性，证明了等时间电压差可以较好的表征容量。其次，本发明基于回声状态网络算法(ESN)，根据现实的使用情况，在多工况和单工况两种情况下，对健康因子和容量建立锂离子电池的健康状态估计模型，通过建立的模型输入健康因子即可得到容量健康状态准确估计。同时，本发明还基于长短时记忆网络算法建立健康因子预测模型，通过多步迭代划窗法对健康因子进行长期的预测，从而实现锂离子电池剩余寿命的在线间接预测，能够在剩余寿命达到失效之前进行及时更换与维修，保证锂离子电池的正常运行，提升锂离子电池剩余寿命的预测精度。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，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。
图1是按照本发明的锂离子电池剩余寿命间接预测方法的流程图。
图2是图1中建立锂离子电池健康状态估计模型的流程图。
图3是图1中步骤S4的流程图。
图4是按照本发明的锂离子电池剩余寿命间接预测装置的示意图。
图5(a)是按照本发明一实施例的锂离子动力电池前期建立的健康状态估计模型的估计结果示意图；图5(b)是按照本发明一实施例的锂离子动力电池中期建立的健康状态估计模型的估计结果示意图；图5(c)是按照本发明一实施例的锂离子动力电池后期建立的健康状态估计模型的估计结果示意图。
图6是按照本发明一实施例的不同阶段健康因子的预测结果示意图。
图7是按照本发明一实施例的锂离子电池剩余寿命预测的结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面将结合附图对本发明的较佳实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本发明的一种锂离子电池剩余寿命间接预测方法，如图1所示，包括：
步骤S1，由电池管理系统(BMS)采集锂离子电池监测数据，提取出锂离子电池容量序列C＝{c(k)|k＝1,2,3…,n}以及锂离子电池在恒流充电模式下的监测时间和监测电压，然后选取一定时间间隔的电压求取电压差，构建若干组等时间电压差序列U＝{u(k)|k＝1,2,3…,n}，其中，n为锂离子电池充放电循环周期的总周期数。
为了分析等时间电压差与电池容量间的相关性，需要对等时间电压差和电池容量进行无量纲化处理，即将等时间电压差序列和容量序列进行归一化，如式(1)所示，从而将等时间电压差序列和容量序列缩放在0～1的区间范围内。
Figure BDA0002446267220000061
式中，
Figure BDA0002446267220000062
表示归一化的等时间电压差序列，
Figure BDA0002446267220000063
为等时间电压差序列中的最小值，
Figure BDA0002446267220000064
为等时间电压差序列中的最大值，
Figure BDA0002446267220000065
表示归一化的容量序列，
Figure BDA0002446267220000066
为容量序列中的最小值，
Figure BDA0002446267220000067
为容量序列中的最大值。
步骤S2，对归一化后的等时间电压差序列和容量序列进行灰度关联性分析、皮尔森系数相关性分析以及斯皮尔曼等级相关性分析，选择与容量序列相关性最好的一组等时间电压差序列作为归一化的健康因子序列
Figure BDA0002446267220000068
其中，灰度相关性系数按照公式(2)计算：
Figure BDA0002446267220000069
式中，ρ为分辨系数，0<ρ<1，ρ越大，关联系数间差异越大，区分能力越强，通常取ρ＝0.5。因为关联系数是各个时段归一化的等时间电压差序列与归一化的容量序列的关联程度值，所以需要对求得的灰度关联系数求均值得到两序列之间最终的关联度r1，如公式(3)所示：
Figure BDA0002446267220000071
式中，n为锂离子电池充放电循环周期的总周期数。关联度r1越接近于1，序列相关性越好。
皮尔森系数相关性按照公式(4)计算：
Figure BDA0002446267220000072
式中，
Figure BDA0002446267220000073
表示归一化的等时间电压差序列，
Figure BDA0002446267220000074
表示归一化等时间电压差序列的平均值，
Figure BDA0002446267220000075
表示归一化的容量序列，
Figure BDA0002446267220000076
表示归一化容量序列的平均值，n为锂离子电池充放电循环周期的总周期数。皮尔森相关系数r2是衡量两变量线性相关的程度的统计量，为两变量之间的协方差与标准差之商。相关系数r2∈[-1,1]，|r2|越接近于1，说明两变量之间的线性相关程度越强，r2>0代表两变量正相关，r2<0代表两变量负相关。
斯皮尔曼等级相关性系数按照公式(5)计算：
Figure BDA0002446267220000077
式中，
Figure BDA0002446267220000078
表示归一化的等时间电压差序列，
Figure BDA0002446267220000079
表示归一化的容量序列，n为锂离子电池充放电循环周期的总周期数。斯皮尔曼等级相关系数r3是衡量两变量之间是否严格单调的相关性指标，相关系数r3∈[-1,1]，|r3|越接近于1说明两变量之间的单调相关程度越强，r3>0代表单调上升，r3<0代表单调下降。
步骤S3，根据归一化的容量序列
Figure BDA00024462672200000710
以及归一化的健康因子序列
Figure BDA00024462672200000711
构建基于回声状态网络的锂离子电池健康状态估计模型。如图2所示，具体包括：
步骤S31，将归一化的容量序列
Figure BDA00024462672200000712
按一定长度划分为容量训练集和容量测试集，将归一化的健康因子序列
Figure BDA00024462672200000713
按一定长度划分为健康因子训练集和健康因子测试集。
步骤S32，配置回声状态网络的四个超参数：储备池处理单元个数M，谱半径SR，储备池输入伸缩尺度IS以及输入单元位移IF。
回声状态网络的训练是通过输入健康因子序列驱动随机且固定的递归神经网络，从而在储藏层的每个神经元感应出非线性响应的信号，通过这些感应出的信号训练出容量估计的线性组合，回声状态网络的系统方程式为：
x(t+1)＝f(Wx(t)+Winu(t+1)+Wfby(t)) (6)
式中，x(t)是在t时刻M维的储藏层状态，f通常为sigmoid函数或tanh函数，W为M×M的储藏层权重矩阵，u(t)为K维输入信号即健康因子训练集，Win为M×K的输入权重矩阵，y(t)是L维输出信号即容量估计值，Wfb是M×L的输出反馈矩阵。
如果不需要输出的反馈，则Wfb一般为0。此时系统在t时刻总的状态可以用输入状态和储藏层状态的联合形式表示：
z(t)＝[x(t)；u(t)] (7)
回声状态网络的观测方程即为：
y(t)＝g(Woutz(t)) (8)
式中，g为激活函数，通常为sigmoid函数或恒等函数，Wout为L×(K+M)维的输出权重矩阵。
因此步骤S33，保持回声状态网络储备池单元的神经元随机初始化参数值W固定不变，将健康因子训练集输入回声状态网络，容量训练集作为输出，通过逻辑回归算法训练回声状态网络模型的输出权重矩阵Wout。
步骤S34，将健康因子测试集输入训练后的回声状态网络模型，得到容量估计值，将容量估计值反归一化后，计算其与容量测试集真实值的误差，以衡量模型的准确程度。一般使用均方根误差RMSE作为衡量模型准确程度的指标，如公式(9)所示：
Figure BDA0002446267220000081
式中，
Figure BDA0002446267220000082
表示容量测试集真实值，
Figure BDA0002446267220000083
表示回声状态网络输出的反归一化容量估计值，n为锂离子电池充放电循环周期的总周期数。
由于均方根误差只能反应整体的观测情况，但在实际场景的预测中，对于每一个数值的偏离程度均要求在百分之五以内，所以估算结果与真实结果的相对误差RE也作为衡量模型准确程度的一个标准：
Figure BDA0002446267220000091
式中，
Figure BDA0002446267220000092
表示容量测试集真实值，
Figure BDA0002446267220000093
表示回声状态网络输出的反归一化容量估计值。
步骤S35，重复步骤S32-步骤S34，当容量估计值与容量测试集的误差最小时，保存输出权重矩阵，得到锂离子电池健康状态估计模型。
根据锂离子电池监控数据，可以将锂离子电池分为单工况和多工况，因此可以分别针对单工况和多工况建立锂离子电池健康状态估计模型。
单工况建模主要针对在线使用中的电池，则可以通过一定周期数据量的积累，在线建立锂离子电池健康状态估计的模型。将BMS系统在线采集到的锂离子电池健康状态监控数据通过步骤S1和S2得到相关性较强的健康因子序列及容量序列。将健康因子序列作为输入信号u(t)输入回声状态网络，容量序列作为输出，通过逻辑回归算法训练回声状态网络的输出权重矩阵Wout，使回声状态网络输出的容量估计值与容量真实值误差最小，最后将回声状态网络的输出权重矩阵保存。
多工况建模主要针对同一型号电池在不同充放电时有较多记录数据的情况，在线下通过步骤S1和S2得到不同工况下的健康因子序列和容量序列。将不同工况下的健康因子序列作为输入信号u(t)输入回声状态网络，容量序列作为输出，通过逻辑回归算法训练回声状态网络的输出权重矩阵Wout，使回声状态网络输出的容量估计值与容量真实值均方根误差最小，最后将回声状态网络的输出权重矩阵保存。
多工况建立的锂离子电池健康状态估计模型相比于单工况，由于训练数据较多且数据多样化，得到的模型准确度更高，适用性更强，但需要线下大量的监控数据，而单工况建模只需要在线积累的数据即可进行健康状态估计建模，可以根据锂离子电池的监控数据情况，选择进行单工况或多工况健康状态估计建模，以符合实际情况的需求。
步骤S4，根据归一化的健康因子序列
Figure BDA0002446267220000094
构建基于LSTM神经网络的健康因子预测模型，计算出未来循环周期的健康因子。
LSTM神经网络模型是一个拥有三个门结构的网络结构，包括输入门、输出门以及遗忘门。所谓的门结构即通过sigmoid函数和一个按位乘法器实现，sigmoid函数可以根据输入的u’(t)和h(t-1)，生成0～1之间的数值。然后通过按位乘法器，就可以决定哪些需要被输入，哪些需要被遗忘，哪些需要被输出。当sigmoid输出为0时，门处于关闭状态，所有信息都无法通过。当sigmoid输出为1时，门处于全打开状态，所有信息都可以通行。输入门和遗忘门是LSTM的核心，长短时记忆的功能就是通过这两个门来实现的。其应用于本发明的原理如下：
LSTM神经网络输入状态值z为：
z＝tanh(WZ[h(t-1),u'(t)] (11)
式中，WZ为输入门状态权重矩阵，h(t-1)为上一时刻输出门输出的隐藏状态，u'(t)为当前时刻的输入即当前循环周期的健康因子。
输入门会根据当前循环周期的健康因子u'(t)和上一循环周期的健康因子估计值h(t-1)决定哪些信息可以加入当前的状态：
i＝sigmoid(Wi[h(t-1),u'(t)] (12)
式中，Wi为输入权重矩阵。
遗忘门则根据u'(t)和h(t-1)决定哪些信息需要被遗忘：
f＝sigmoid(Wf[h(t-1),u'(t)] (13)
式中，Wf为遗忘门状态权重矩阵。
则新的状态即为：
j(t)＝f×j(t-1)+i×z (14)
式中，j(t-1)为上一时刻的状态。
输出门即通过u'(t)和h(t-1)决定哪些信息可以输出：
o＝sigmoid(Wo[h(t-1),u'(t)] (15)
式中，Wo为输出门状态权重矩阵。
则模型输出的当前循环周期的健康因子估计值即为：
h(t)＝o×tanhu'(t) (16)
因而如图3所示，步骤S4包括：
步骤S41，将归一化的健康因子序列
Figure BDA0002446267220000101
按一定长度划分为健康因子训练集和健康因子测试集，通过划窗的方法将健康因子训练集处理成LSTM网络的输入格式，具体为：选取健康因子预测输出长度为L，以第1个到第L个循环周期的健康因子作为输入，第2个到第L+1个循环周期的健康因子作为输出，按顺序将输入输出依次递推构建若干个数据集。
步骤S42，构建LSTM神经网络模型，将LSTM神经网络的输入输出层神经元设置为L，隐含层的层数设置为2。
步骤S43，将构建好的LSTM神经网络模型在健康因子训练集上进行训练，得到健康因子预测模型。具体为：将步骤S42中第1个到第L个循环周期构建的L长度的健康因子序列作为模型输入，第2个到第L+1个循环周期构建的L长度的健康因子序列作为模型输出，选取均方根误差作为损失函数，通过梯度下降算法进行训练，最终构建起第1个到第L个循环周期与第2个到第L+1个循环周期两个健康因子序列关系的LSTM模型，即健康因子预测模型，并将训练好的模型保存用于下一步的预测。该健康因子预测模型能够实现通过输入第1个到第L个循环周期的健康因子，即可得到第L+1个循环周期的健康因子预测值。前述建立健康因子预测模型的过程同时适用于单工况以及多工况的锂离子电池。
步骤S44，选取健康因子训练集的最后L个数据输入健康因子预测模型，得到L个输出，选取L个输出的最后一个值作为预测的第一个值。然后将划窗向前移动一步，将预测的第一个值加入划窗构成L个数据预测下一个值，依次类推，通过这种多步迭代划窗的方式进行预测得到未来循环周期的健康因子预测值。
最后步骤S5，将未来循环周期健康因子的预测值输入到步骤S3中建立的锂离子电池健康状态估计模型，得到未来循环周期容量的估计值，并将未来循环周期容量的估计值反归一化得到未来循环周期容量的真实值，当该真实值为额定容量的百分之七十时认定为电池的失效阈值，从而完成锂离子电池剩余寿命的间接预测。
本发明还提供一种锂离子电池剩余寿命预测装置1，如图4所示，包括数据预处理单元10、健康因子提取单元20、健康状态估计单元30、健康因子预测单元40以及剩余寿命预测单元50。
其中，数据预处理单元10，对电池管理系统采集的锂离子电池监测数据进行提取，提取出锂离子电池容量序列以及若干组等时间电压差序列。
健康因子提取单元20，对提取出的容量序列以及若干组等时间电压差序列归一化，并进行灰度关联性分析、皮尔森系数相关性分析以及斯皮尔曼等级相关性分析，选择与容量序列相关性最好的一组等时间电压差序列作为归一化的健康因子序列。
健康状态估计单元30，根据归一化的容量序列以及归一化的健康因子序列，构建基于回声状态网络的锂离子电池健康状态估计模型，通过该模型输入健康因子即可得到容量健康状态准确估计。
健康因子预测单元40，根据归一化的健康因子序列，构建基于LSTM神经网络的健康因子预测模型，计算出未来循环周期的健康因子。
剩余寿命预测单元50，将计算出的未来循环周期健康因子输入锂离子电池健康状态估计模型，得到容量估计值，实现间接预测锂离子电池的剩余寿命的目的。
以下以锂离子动力电池为例，进一步描述本发明锂离子电池剩余寿命间接预测的过程。
锂离子动力电池主要包括以下4个变量：
表1随机变量描述信息
序号 变量 序号 变量
1 恒流充电电压 3 恒流放电电压
2 恒压充电电流 4 容量
针对不同循环周期的锂离子电池监测数据进行比较，本发明选用上海动力储能采集到的锂离子动力电池的1946充放电周期的数据，通过2A的恒流充电，使电池电压达到4.2V，然后再在4.2V的电压下进行恒压充电，直到电流降至40mA，静置十分钟，再以4A的电流通过恒流放电，当电压达到2.75V时，静置十分钟，进行新一轮的充放电。总共进行了1946个周期的充放电，电池容量由4.2Ah衰减到3.8Ah。由于锂离子电池的充放电周期较长，所以实验中会以第1946个周期作为锂离子电池寿命结束点作为标准来验证比较。
其次根据步骤S2对恒流充电阶段的1000s、2000s、3000s、4000s等时间电压差序列和容量序列数据进行归一化处理，并分析相关性如下：
表2健康因子与容量的相关性分析
等时间间隔 灰度关联度 皮尔森相关系数 斯皮尔曼等级相关系数
1000s电压差 0.580 -0.915 -0.914
2000s电压差 0.575 -0.950 -0.965
3000s电压差 0.567 -0.982 -0.982
4000s电压差 0.576 -0.980 -0.980
由表2可以看出，选取3000s作为时间间隔时，等时间间隔电压差与容量具有较强的相关性，因而选取3000s间隔的电压差作为健康因子。
然后根据步骤S3通过回声状态网络进行建模，选取储备池处理单元个数M为100，谱半径SR为0.9。分别对前期(500循环周期)、中期(1000循环周期)及后期(1500)循环周期的数据进行建模，建立不同阶段的锂离子电池健康状态估计模型，图5为不同阶段建模的估计结果。并对不同阶段的模型进行评估，其均方根误差如下：
表3基于ESN的锂离子动力电池健康状态估计均方根误差
均方根误差 前期(T1＝500) 中期(T2＝1000) 后期(T3＝1500)
锂离子动力电池 0.047 0.034 0.025
再然后根据步骤S4通过长短时记忆网络分别对前期(500循环周期)、中期(1000循环周期)及后期(1500)循环周期的数据建立不同阶段的健康因子预测模型，选取预测输出长度为10，隐含层数为2，batch size为16，训练100个epoch。对不同阶段的模型进行未来循环周期的预测，图6为不同阶段健康因子的预测结果，健康因子预测的均方根误差如下：
表4基于LSTM的锂离子动力电池健康因子均方根误差
均方根误差 前期(T1＝500) 中期(T2＝1000) 后期(T3＝1500)
锂离子动力电池 0.02 0.009 0.004
最后根据步骤S5将健康因子未来循环周期预测得到的值输入到锂离子电池健康状态模型进行健康状态估计，得到未来循环周期容量的估计值，图7即为锂离子电池剩余寿命预测的结果，以第1946个周期作为锂离子电池寿命结束点作为参考点进行寿命预测的评估如下：
表5基于LSTM与ESN的锂离子动力电池剩余寿命预测误差
预测起始点 EOL EOP RUL_ae RUL_re
前期(T1＝500) 1946 982 964 0.495
中期(T2＝1000) 1946 1707 239 0.123
后期(T3＝1500) 1946 1897 49 0.025
其中EOL为锂离子动力电池剩余寿命结束周期真实值，EOL为锂离子动力电池剩余寿命结束周期预测值，RUL_ae为锂离子动力电池剩余寿命预测值与真实值的绝对误差，RUL_re为锂离子动力电池剩余寿命预测值与真实值的相对误差。
整个发明根据BMS系统采集到的数据特性不同，采用了处理方法。从监控数据中提取出不同时间间隔的等时间电压差，通过相关性分析选取3000s等时间间隔电压差作为健康因子。通过回声状态网络，分别用前期(500循环周期)、中期(1000循环周期)及后期(1500)循环周期的数据建立起锂离子电池的健康状态估计模型及健康因子预测模型，最终实现不同阶段的锂离子电池剩余寿命预测。基于以上步骤，此发明能够很好的对锂离子电池进行剩余寿命预测，具有实际意义。
本发明实施例提供了一种基于ESN与LSTM的锂离子电池剩余寿命预测方法，以解决间接的对锂离子电池剩余寿命进行长期预测的问题。根据本发明实施例，提供了一整套复杂环境下锂离子电池剩余寿命间接预测的算法，该算法可以在线实时的对锂离子电池剩余寿命进行长期的预测。从监控数据中分析可以表征容量退化的健康因子，其中锂离子电池健康状态监控数据主要是：恒流充电电压、恒流放电电压、恒压充电电流、容量等四个随机变量。该算法还包括：建立健康状态估计模型、建立健康因子预测模型、剩余寿命预测等几个方面，实现锂离子电池剩余寿命的间接预测，以实现提高在线预测精度、提早进行维修更换的目的，从而保证了锂离子电池正常的运行。
以上所述的，仅为本发明的较佳实施例，并非用以限定本发明的范围，本发明的上述实施例还可以做出各种变化。即凡是依据本发明申请的权利要求书及说明书内容所作的简单、等效变化与修饰，皆落入本发明专利的权利要求保护范围。本发明未详尽描述的均为常规技术内容。

Claims (10)

1.一种锂离子电池剩余寿命间接预测方法，其特征在于，包括：
步骤S1，采集锂离子电池监测数据，提取出锂离子电池容量序列以及若干组等时间电压差序列，并将所述容量序列和所述等时间电压差序列归一化；
步骤S2，对所述归一化的等时间电压差序列和容量序列进行相关性分析，选择与所述容量序列相关性最好的一组等时间电压差序列作为归一化的健康因子序列；
步骤S3，根据所述归一化的容量序列以及所述归一化的健康因子序列，构建基于回声状态网络的锂离子电池健康状态估计模型；
步骤S4，根据所述归一化的健康因子序列，构建基于长短时记忆神经网络的健康因子预测模型，计算出未来循环周期的健康因子；
步骤S5，将所述未来循环周期的健康因子输入所述锂离子电池健康状态估计模型，得到未来循环周期容量的估计值，将所述未来循环周期容量的估计值反归一化得到未来循环周期容量的真实值，完成锂离子电池剩余寿命的预测。
2.根据权利要求1所述的锂离子电池剩余寿命间接预测方法，其特征在于，所述归一化的容量序列
Figure FDA0002446267210000011
按照下式计算：
Figure FDA0002446267210000012
和
所述归一化的等时间电压差序列
Figure FDA0002446267210000013
按照下式计算：
Figure FDA0002446267210000014
式中，c(k)表示容量序列，
Figure FDA0002446267210000015
为容量序列中的最小值，
Figure FDA0002446267210000016
为容量序列中的最大值；u(k)表示等时间电压差序列，
Figure FDA0002446267210000017
为等时间电压差序列中的最小值，
Figure FDA0002446267210000018
为等时间电压差序列中的最大值。
3.根据权利要求1所述的锂离子电池剩余寿命间接预测方法，其特征在于，所述步骤S2中的相关性分析包括灰度关联性分析、皮尔森系数相关性分析以及斯皮尔曼等级相关性分析。
4.根据权利要求1所述的锂离子电池剩余寿命间接预测方法，其特征在于，所述步骤S3包括：
步骤S31，将所述归一化的容量序列按一定长度划分为容量训练集和容量测试集，将所述健康因子序列按一定长度划分为健康因子训练集和健康因子测试集；
步骤S32，配置回声状态网络的四个超参数：储备池处理单元个数、谱半径、储备池输入伸缩尺度以及输入单元位移；
步骤S33，将所述健康因子训练集输入回声状态网络，所述容量训练集作为输出，训练回声状态网络模型的输出权重矩阵；
步骤S34，将所述健康因子测试集输入训练后的回声状态网络模型，得到容量估计值，并计算容量估计值与容量测试集真实值的误差；
步骤S35，重复步骤S32-步骤S34，当容量估计值与容量测试集的误差最小时，保存所述输出权重矩阵，得到锂离子电池健康状态估计模型。
5.根据权利要求4所述的锂离子电池剩余寿命间接预测方法，其特征在于，所述锂离子电池健康状态估计模型包括单工况锂离子电池健康状态估计模型以及多工况锂离子电池健康状态估计模型。
6.根据权利要求1所述的锂离子电池剩余寿命间接预测方法，其特征在于，所述步骤S4包括：
步骤S41，将所述归一化的健康因子序列按一定长度划分为健康因子训练集和健康因子测试集，将所述健康因子训练集处理成LSTM网络的输入格式；
步骤S42，构建LSTM神经网络模型；
步骤S43，将构建好的LSTM神经网络模型在所述健康因子训练集上进行训练，得到健康因子预测模型；
步骤S44，通过多步迭代划窗法得到未来周期健康因子的预测值。
7.根据权利要求6所述的锂离子电池剩余寿命间接预测方法，其特征在于，所述步骤S41中将所述健康因子训练集处理成LSTM网络的输入格式的方法为：选取健康因子预测输出长度为L，以第1个到第L个循环周期的健康因子作为输入，第2个到第L+1个循环周期的健康因子作为输出，按顺序将输入输出依次递推构建若干个数据集。
8.根据权利要求7所述的锂离子电池剩余寿命间接预测方法，其特征在于，所述步骤S43中LSTM神经网络模型的训练方法为：将所述第1个到第L个循环周期构建的L长度的健康因子序列作为模型输入，所述第2个到第L+1个循环周期构建的L长度的健康因子序列作为模型输出，选取均方根误差作为损失函数，通过梯度下降算法进行训练，最终构建起第1个到第L个循环周期与第2个到第L+1个循环周期两个健康因子序列关系的LSTM神经网络模型。
9.根据权利要求8所述的锂离子电池剩余寿命间接预测方法，其特征在于，所述步骤S44中的多步迭代划窗法为：选取所述健康因子训练集的最后L个数据输入健康因子预测模型，得到L个输出，选取L个输出的最后一个值作为预测的第一个值；然后将划窗向前移动一步，将预测的第一个值加入划窗构成L个数据预测下一个值。
10.一种锂离子电池剩余寿命预测装置，其特征在于，包括：
数据预处理单元，对电池管理系统采集的锂离子电池监测数据进行提取，提取出锂离子电池容量序列以及若干组等时间电压差序列；
健康因子提取单元，对提取出的容量序列以及若干组等时间电压差序列归一化，并进行相关性分析，选择与容量序列相关性最好的一组等时间电压差序列作为归一化的健康因子序列；
健康状态估计单元，根据所述归一化的容量序列以及所述归一化的健康因子序列，构建基于回声状态网络的锂离子电池健康状态估计模型；
健康因子预测单元，根据所述归一化的健康因子序列，构建基于长短时记忆神经网络的健康因子预测模型，计算出未来循环周期的健康因子；
剩余寿命预测单元，将所述未来循环周期健康因子输入锂离子电池健康状态估计模型，得到容量估计值。
CN202010280140.4A 2020-04-10 2020-04-10 一种锂离子电池剩余寿命间接预测方法及装置 Active CN111443294B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010280140.4A CN111443294B (zh) 2020-04-10 2020-04-10 一种锂离子电池剩余寿命间接预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010280140.4A CN111443294B (zh) 2020-04-10 2020-04-10 一种锂离子电池剩余寿命间接预测方法及装置

Publications (2)

Publication Number Publication Date
CN111443294A true CN111443294A (zh) 2020-07-24
CN111443294B CN111443294B (zh) 2022-09-23

Family

ID=71650399

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010280140.4A Active CN111443294B (zh) 2020-04-10 2020-04-10 一种锂离子电池剩余寿命间接预测方法及装置

Country Status (1)

Country Link
CN (1) CN111443294B (zh)

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111965560A (zh) * 2020-08-24 2020-11-20 重庆大学 一种面向通用放电工况的电池健康状态估计方法
CN111999648A (zh) * 2020-08-20 2020-11-27 浙江工业大学 一种基于长短期记忆网络的锂电池剩余寿命预测方法
CN112034355A (zh) * 2020-09-04 2020-12-04 中国南方电网有限责任公司超高压输电公司曲靖局 蓄电池状态的评估方法及评估装置
CN112069699A (zh) * 2020-09-29 2020-12-11 上海工程技术大学 一种基于组合预测模型预测齿轮箱健康状态退化趋势的方法
CN112083337A (zh) * 2020-10-22 2020-12-15 重庆大学 一种面向预测性运维的动力电池健康预测方法
CN112379274A (zh) * 2020-11-16 2021-02-19 河南科技大学 一种动力电池剩余寿命预测方法
CN112731159A (zh) * 2020-12-23 2021-04-30 江苏省电力试验研究院有限公司 一种储能电站电池舱电池故障预判及定位的方法
CN112763929A (zh) * 2020-12-31 2021-05-07 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
CN112798960A (zh) * 2021-01-14 2021-05-14 重庆大学 一种基于迁移深度学习的电池组剩余寿命预测方法
CN112881518A (zh) * 2021-01-08 2021-06-01 东冶及策河北能源技术有限公司 一种动态滤波补偿器剩余寿命预测方法
CN112990542A (zh) * 2021-02-05 2021-06-18 深圳市浦联智能科技有限公司 一种用于空压机的寿命预测方法
CN113094989A (zh) * 2021-04-07 2021-07-09 贵州大学 一种基于随机配置网络的无人机电池寿命预测方法
CN113158947A (zh) * 2021-04-29 2021-07-23 重庆长安新能源汽车科技有限公司 一种动力电池健康评分方法、系统及存储介质
CN113359048A (zh) * 2021-04-28 2021-09-07 中国矿业大学 一种锂离子电池剩余使用寿命间接预测方法
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
CN113702855A (zh) * 2021-08-31 2021-11-26 北京航空航天大学 一种基于多物理场仿真与神经网络的锂电池组健康状态在线预测方法
CN113779882A (zh) * 2021-09-10 2021-12-10 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
CN113777496A (zh) * 2021-09-06 2021-12-10 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
CN113987804A (zh) * 2021-10-29 2022-01-28 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
CN114167301A (zh) * 2021-11-30 2022-03-11 同济大学 一种基于电动汽车实车数据的动力电池评估方法
CN114236409A (zh) * 2021-11-09 2022-03-25 长安大学 一种动力电池组故障诊断装置及方法及系统
CN114420983A (zh) * 2022-03-31 2022-04-29 北京英博新能源有限公司 燃料电池电堆健康的评估方法、装置、系统和电子设备
CN114487848A (zh) * 2022-01-17 2022-05-13 北京和利时系统集成有限公司 一种蓄电池的状态计算方法和装置
CN114565172A (zh) * 2022-03-08 2022-05-31 苏州浪潮智能科技有限公司 电池剩余寿命预测模型构建、电池剩余寿命预测方法
CN114839538A (zh) * 2022-04-26 2022-08-02 北京工商大学 一种提取锂离子电池退化特征用于估计剩余寿命的方法
CN115114878A (zh) * 2022-07-26 2022-09-27 中国长江三峡集团有限公司 一种储能电站电池寿命在线预测方法、装置及存储介质
CN115308606A (zh) * 2022-07-21 2022-11-08 北京工业大学 一种基于邻近特征的锂离子电池健康状态估计方法
CN115879359A (zh) * 2022-06-21 2023-03-31 广州汽车集团股份有限公司 电子元件寿命预测方法、装置、电子设备及存储介质
CN116011109A (zh) * 2023-01-13 2023-04-25 北京控制工程研究所 一种航天器寿命预测方法、装置、电子设备及存储介质
CN116908707A (zh) * 2023-09-14 2023-10-20 中国华能集团清洁能源技术研究院有限公司 一种基于sa-lstm神经网络的锂电池剩余寿命预测方法及设备
CN117233630A (zh) * 2023-11-16 2023-12-15 深圳屹艮科技有限公司 锂离子电池的使用寿命预测方法、装置和计算机设备
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

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336248A (zh) * 2013-07-25 2013-10-02 哈尔滨工业大学 基于电池退化状态模型的锂离子电池循环寿命预测方法
CN103954915A (zh) * 2014-05-16 2014-07-30 哈尔滨工业大学 基于概率集成的锂离子电池剩余寿命间接预测方法
CN108490357A (zh) * 2018-03-14 2018-09-04 安徽理工大学 基于机理-数据驱动模型的锂电池剩余容量预测方法
CN108535656A (zh) * 2018-03-22 2018-09-14 中北大学 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统
CN109061504A (zh) * 2018-08-28 2018-12-21 中北大学 同类型不同锂离子电池剩余使用寿命预测方法和系统
CN109782192A (zh) * 2019-03-08 2019-05-21 安徽理工大学 不同放电倍率下锂离子电池剩余寿命预测方法
CN109828220A (zh) * 2019-03-21 2019-05-31 北京理工大学 一种锂离子电池健康状态线性评估方法
CN109991542A (zh) * 2019-03-27 2019-07-09 东北大学 基于wde优化lstm网络的锂离子电池剩余寿命预测方法
CN109993270A (zh) * 2019-03-27 2019-07-09 东北大学 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法
CN110045288A (zh) * 2019-05-23 2019-07-23 中山大学 一种基于支持向量回归的锂离子电池容量在线估计方法
CN110687451A (zh) * 2019-08-28 2020-01-14 武汉科技大学 基于误差补偿的支持向量机锂电池剩余寿命预测方法
CN110687450A (zh) * 2019-08-28 2020-01-14 武汉科技大学 基于相空间重构和粒子滤波的锂电池剩余寿命预测方法
CN110941929A (zh) * 2019-12-06 2020-03-31 长沙理工大学 一种基于ARMA和Elman神经网络联合建模的电池健康状态评估方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336248A (zh) * 2013-07-25 2013-10-02 哈尔滨工业大学 基于电池退化状态模型的锂离子电池循环寿命预测方法
CN103954915A (zh) * 2014-05-16 2014-07-30 哈尔滨工业大学 基于概率集成的锂离子电池剩余寿命间接预测方法
CN108490357A (zh) * 2018-03-14 2018-09-04 安徽理工大学 基于机理-数据驱动模型的锂电池剩余容量预测方法
CN108535656A (zh) * 2018-03-22 2018-09-14 中北大学 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统
CN109061504A (zh) * 2018-08-28 2018-12-21 中北大学 同类型不同锂离子电池剩余使用寿命预测方法和系统
CN109782192A (zh) * 2019-03-08 2019-05-21 安徽理工大学 不同放电倍率下锂离子电池剩余寿命预测方法
CN109828220A (zh) * 2019-03-21 2019-05-31 北京理工大学 一种锂离子电池健康状态线性评估方法
CN109991542A (zh) * 2019-03-27 2019-07-09 东北大学 基于wde优化lstm网络的锂离子电池剩余寿命预测方法
CN109993270A (zh) * 2019-03-27 2019-07-09 东北大学 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法
CN110045288A (zh) * 2019-05-23 2019-07-23 中山大学 一种基于支持向量回归的锂离子电池容量在线估计方法
CN110687451A (zh) * 2019-08-28 2020-01-14 武汉科技大学 基于误差补偿的支持向量机锂电池剩余寿命预测方法
CN110687450A (zh) * 2019-08-28 2020-01-14 武汉科技大学 基于相空间重构和粒子滤波的锂电池剩余寿命预测方法
CN110941929A (zh) * 2019-12-06 2020-03-31 长沙理工大学 一种基于ARMA和Elman神经网络联合建模的电池健康状态评估方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
DATONG LIU ET AL: "A Health Indicator Extraction and Optimization Framework for Lithium-Ion Battery Degradation Modeling and Prognostics", 《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS: SYSTEMS》 *
DATONG LIU ET AL: "An Integrated Probabilistic Approach to Lithium-Ion Battery Remaining Useful Life Estimation", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 *
张吉宣: "锂离子电池剩余寿命预测方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
王竹晴: "基于神经网络的锂离子电池RUL预测方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *

Cited By (50)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111999648A (zh) * 2020-08-20 2020-11-27 浙江工业大学 一种基于长短期记忆网络的锂电池剩余寿命预测方法
CN111965560A (zh) * 2020-08-24 2020-11-20 重庆大学 一种面向通用放电工况的电池健康状态估计方法
CN111965560B (zh) * 2020-08-24 2023-03-28 重庆大学 一种面向通用放电工况的电池健康状态估计方法
CN112034355A (zh) * 2020-09-04 2020-12-04 中国南方电网有限责任公司超高压输电公司曲靖局 蓄电池状态的评估方法及评估装置
CN112034355B (zh) * 2020-09-04 2023-09-05 中国南方电网有限责任公司超高压输电公司曲靖局 蓄电池状态的评估方法及评估装置
CN112069699A (zh) * 2020-09-29 2020-12-11 上海工程技术大学 一种基于组合预测模型预测齿轮箱健康状态退化趋势的方法
CN112069699B (zh) * 2020-09-29 2022-08-23 上海工程技术大学 一种基于组合预测模型预测齿轮箱健康状态退化趋势的方法
CN112083337A (zh) * 2020-10-22 2020-12-15 重庆大学 一种面向预测性运维的动力电池健康预测方法
CN112379274A (zh) * 2020-11-16 2021-02-19 河南科技大学 一种动力电池剩余寿命预测方法
CN112731159A (zh) * 2020-12-23 2021-04-30 江苏省电力试验研究院有限公司 一种储能电站电池舱电池故障预判及定位的方法
CN112731159B (zh) * 2020-12-23 2023-09-22 江苏省电力试验研究院有限公司 一种储能电站电池舱电池故障预判及定位的方法
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
CN112763929A (zh) * 2020-12-31 2021-05-07 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
CN112881518A (zh) * 2021-01-08 2021-06-01 东冶及策河北能源技术有限公司 一种动态滤波补偿器剩余寿命预测方法
CN112798960B (zh) * 2021-01-14 2022-06-24 重庆大学 一种基于迁移深度学习的电池组剩余寿命预测方法
CN112798960A (zh) * 2021-01-14 2021-05-14 重庆大学 一种基于迁移深度学习的电池组剩余寿命预测方法
CN112990542A (zh) * 2021-02-05 2021-06-18 深圳市浦联智能科技有限公司 一种用于空压机的寿命预测方法
CN113094989A (zh) * 2021-04-07 2021-07-09 贵州大学 一种基于随机配置网络的无人机电池寿命预测方法
CN113094989B (zh) * 2021-04-07 2022-12-09 贵州大学 一种基于随机配置网络的无人机电池寿命预测方法
CN113359048A (zh) * 2021-04-28 2021-09-07 中国矿业大学 一种锂离子电池剩余使用寿命间接预测方法
CN113158947B (zh) * 2021-04-29 2023-04-07 重庆长安新能源汽车科技有限公司 一种动力电池健康评分方法、系统及存储介质
CN113158947A (zh) * 2021-04-29 2021-07-23 重庆长安新能源汽车科技有限公司 一种动力电池健康评分方法、系统及存储介质
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
CN113702855A (zh) * 2021-08-31 2021-11-26 北京航空航天大学 一种基于多物理场仿真与神经网络的锂电池组健康状态在线预测方法
CN113702855B (zh) * 2021-08-31 2022-06-03 北京航空航天大学 一种基于多物理场仿真与神经网络方法的锂电池组健康状态在线预测方法
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
CN113777496A (zh) * 2021-09-06 2021-12-10 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
CN113779882A (zh) * 2021-09-10 2021-12-10 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
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
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
CN113987804A (zh) * 2021-10-29 2022-01-28 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
CN114236409B (zh) * 2021-11-09 2024-01-19 长安大学 一种动力电池组故障诊断装置及方法及系统
CN114236409A (zh) * 2021-11-09 2022-03-25 长安大学 一种动力电池组故障诊断装置及方法及系统
CN114167301A (zh) * 2021-11-30 2022-03-11 同济大学 一种基于电动汽车实车数据的动力电池评估方法
CN114487848A (zh) * 2022-01-17 2022-05-13 北京和利时系统集成有限公司 一种蓄电池的状态计算方法和装置
CN114487848B (zh) * 2022-01-17 2024-05-03 北京和利时系统集成有限公司 一种蓄电池的状态计算方法和装置
CN114565172B (zh) * 2022-03-08 2023-11-03 苏州浪潮智能科技有限公司 电池剩余寿命预测模型构建、电池剩余寿命预测方法
CN114565172A (zh) * 2022-03-08 2022-05-31 苏州浪潮智能科技有限公司 电池剩余寿命预测模型构建、电池剩余寿命预测方法
CN114420983A (zh) * 2022-03-31 2022-04-29 北京英博新能源有限公司 燃料电池电堆健康的评估方法、装置、系统和电子设备
CN114839538A (zh) * 2022-04-26 2022-08-02 北京工商大学 一种提取锂离子电池退化特征用于估计剩余寿命的方法
CN115879359A (zh) * 2022-06-21 2023-03-31 广州汽车集团股份有限公司 电子元件寿命预测方法、装置、电子设备及存储介质
CN115879359B (zh) * 2022-06-21 2024-02-23 广州汽车集团股份有限公司 电子元件寿命预测方法、装置、电子设备及存储介质
CN115308606A (zh) * 2022-07-21 2022-11-08 北京工业大学 一种基于邻近特征的锂离子电池健康状态估计方法
CN115114878A (zh) * 2022-07-26 2022-09-27 中国长江三峡集团有限公司 一种储能电站电池寿命在线预测方法、装置及存储介质
CN116011109A (zh) * 2023-01-13 2023-04-25 北京控制工程研究所 一种航天器寿命预测方法、装置、电子设备及存储介质
CN116011109B (zh) * 2023-01-13 2023-09-08 北京控制工程研究所 一种航天器寿命预测方法、装置、电子设备及存储介质
CN116908707B (zh) * 2023-09-14 2023-12-26 中国华能集团清洁能源技术研究院有限公司 一种基于sa-lstm神经网络的锂电池剩余寿命预测方法及设备
CN116908707A (zh) * 2023-09-14 2023-10-20 中国华能集团清洁能源技术研究院有限公司 一种基于sa-lstm神经网络的锂电池剩余寿命预测方法及设备
CN117233630A (zh) * 2023-11-16 2023-12-15 深圳屹艮科技有限公司 锂离子电池的使用寿命预测方法、装置和计算机设备
CN117233630B (zh) * 2023-11-16 2024-03-15 深圳屹艮科技有限公司 锂离子电池的使用寿命预测方法、装置和计算机设备

Also Published As

Publication number Publication date
CN111443294B (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
CN111443294B (zh) 一种锂离子电池剩余寿命间接预测方法及装置
CN113777496B (zh) 基于时间卷积神经网络的锂离子电池剩余寿命预测方法
CN113805064B (zh) 基于深度学习的锂离子电池组健康状态预测方法
Fan et al. A novel machine learning method based approach for Li-ion battery prognostic and health management
CN112798960B (zh) 一种基于迁移深度学习的电池组剩余寿命预测方法
CN110824364A (zh) 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法
CN110658462B (zh) 一种基于数据融合与arima模型的锂电池在线寿命预测方法
CN112098878A (zh) 一种锂电池soh估算和rul预测的端到端神经网络建立方法
CN115201686B (zh) 一种不完备充放电数据下的锂离子电池健康状态评估方法
CN112098873B (zh) 基于充电电压曲线几何特征的锂电池健康状态估计方法
CN112684363A (zh) 一种基于放电过程的锂离子电池健康状态估计方法
CN114397577A (zh) 一种基于astukf-gra-lstm模型的新能源汽车锂电池健康状态评估方法
CN112834927A (zh) 锂电池剩余寿命预测方法、系统、设备及介质
Venugopal et al. Analysis of optimal machine learning approach for battery life estimation of Li-ion cell
CN114839538A (zh) 一种提取锂离子电池退化特征用于估计剩余寿命的方法
CN114384435A (zh) 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
CN115308608A (zh) 一种全钒液流电池电压预测方法、装置及介质
CN114578234A (zh) 一种考虑因果性特征的锂离子电池退化与容量预测模型
CN114966436A (zh) 锂电池荷电状态预测方法、装置、设备及可读存储介质
CN115389946A (zh) 一种基于等压升能量和改进gru的锂电池健康状态估计方法
CN113884936A (zh) 一种基于issa耦合delm的锂离子电池健康状态预测方法
CN116593904B (zh) 模型训练方法以及用于预测电池soh和电池rul的方法
Aliberti et al. Comparative Analysis of Neural Networks Techniques for Lithium-ion Battery SOH Estimation
CN116449216A (zh) 基于Box-Cox变换指数模型和Conv-LSTM的锂电池SOH估算方法
Yang et al. New Energy Vehicle Battery SOH Evaluation Method Based on Charging High Quality Data Set Extraction

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231115

Address after: 200237 No. 130, Meilong Road, Shanghai, Xuhui District

Patentee after: EAST CHINA University OF SCIENCE AND TECHNOLOGY

Patentee after: SHANGHAI INSTITUTE OF SPACE POWER-SOURCES

Patentee after: SHANGHAI AEROSPACE POWER TECHNOLOGY Co.,Ltd.

Address before: 200237 No. 130, Meilong Road, Shanghai, Xuhui District

Patentee before: EAST CHINA University OF SCIENCE AND TECHNOLOGY

Patentee before: SHANGHAI INSTITUTE OF SPACE POWER-SOURCES

Patentee before: SHANGHAI POWER ENERGY STORAGE BATTERY SYSTEM ENGINEERING TECHNOLOGY CO.,LTD.