CN112241608B - 一种基于lstm网络和迁移学习的锂电池寿命预测方法 - Google Patents

一种基于lstm网络和迁移学习的锂电池寿命预测方法 Download PDF

Info

Publication number
CN112241608B
CN112241608B CN202011087935.XA CN202011087935A CN112241608B CN 112241608 B CN112241608 B CN 112241608B CN 202011087935 A CN202011087935 A CN 202011087935A CN 112241608 B CN112241608 B CN 112241608B
Authority
CN
China
Prior art keywords
data
battery
network
value
lstm
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
Application number
CN202011087935.XA
Other languages
English (en)
Other versions
CN112241608A (zh
Inventor
熊平
陶骞
郑景文
黄敏
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.)
Hubei Fangyuan Dongli Electric Power Science Research Co ltd
Huazhong University of Science and Technology
Electric Power Research Institute of State Grid Hubei Electric Power Co Ltd
Original Assignee
Hubei Fangyuan Dongli Electric Power Science Research Co ltd
Huazhong University of Science and Technology
Electric Power Research Institute of State Grid Hubei Electric Power Co Ltd
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 Hubei Fangyuan Dongli Electric Power Science Research Co ltd, Huazhong University of Science and Technology, Electric Power Research Institute of State Grid Hubei Electric Power Co Ltd filed Critical Hubei Fangyuan Dongli Electric Power Science Research Co ltd
Priority to CN202011087935.XA priority Critical patent/CN112241608B/zh
Publication of CN112241608A publication Critical patent/CN112241608A/zh
Application granted granted Critical
Publication of CN112241608B publication Critical patent/CN112241608B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/045—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Secondary Cells (AREA)

Abstract

本发明提供一种基于LSTM神经网络和迁移学习的锂电池剩余寿命预测方法，包括以下步骤：步骤1：数据获取及数据预处理；步骤2：将数据按比例划分为训练集和测试集；步骤3：搭建源域LSTM神经网络模型，将源域数据训练集输入神经网络进行训练，将测试集的数据输入神经网络进行测试；步骤4：利用最大均值差异对源域和目标域的数据差异进行衡量，得到源域与目标域的分布距离；步骤5：根据最大均值差异对源域网络模型进行调整，得到目标领域网络网络模型，将源域网络模型参数进行迁移，将目标域数据输入模型进行剩余寿命预测。本发明能够通过迁移网络模型结构和参数，减少网络训练时间，提高效率。

Description

一种基于LSTM网络和迁移学习的锂电池寿命预测方法
技术领域
本发明属于锂离子电池技术领域，具体涉及一种基于LSTM网络和迁移学习的电池寿命预测方法。
背景技术
锂离子电池因其寿命长，充电快，能量高，体积小，无污染等特点，被广泛应用于各种电子设备、汽车能源和航空航天方面。在实际的应用过程中，锂离子电池的容量会随着充放电循环次数的增加而下降，性能逐渐退化，产生电池寿命失效问题可能会导致安全事故，因此电池的寿命预测显得尤为重要。锂离子电池剩余寿命研究可以归纳为两大类：基于模型预测和基于数据驱动预测。基于数据驱动的RUL预测研究方法较多，其中包括：人工神经网络、支持向量机、高斯过程回归、相关向量机，AR模型等。基于数据驱动的方法避免了对锂电池内部复杂机理的化学反应过程的研究，直接从电池数据中挖掘能够表征电池退化性能的特征。
LSTM是循环神经网络RNN的变体，RNN适用于处理时间序列，但在训练过程中它的反向误差会随着层数的增加传递，误差值越来越小，出现梯度消失和梯度爆炸问题，只适用于处理短时间序列。LSTM具有解决梯度消失和梯度爆炸问题的良好能力，可以学习更加长期的时间序列。
发明内容
本发明的目的在于提供一种基于LSTM神经网络和迁移学习的锂离子电池剩余寿命预测方法。目的在于预测电池的剩余使用寿命，在不了解电池内部构造机理和化学反应情况下，通过记录锂离子电池在充放电过程的各类参数的数据变化，建立源域电池LSTM网络模型来预测电池的剩余使用寿命，同时用建立好的模型迁移到目标域锂电池上，预测剩余使用寿命。
本发明的技术方案：
一种基于LSTM神经网络和迁移学习的锂离子电池剩余寿命预测方法，包括以下步骤：
步骤1：数据获取及数据预处理，获取锂离子电池特征数据，包括源域数据和目标域数据；
步骤2：将数据按比例划分为训练集和测试集；
步骤3：搭建源域LSTM神经网络模型，将源域数据训练集输入神经网络进行训练，将测试集的数据输入神经网络进行测试，采用平均绝对误差、均方根误差作为预测结果的评价指标，当模型对测试集进行测试所达到的效果不理想时，需调整网络模型的参数直到测试效果理想，保存训练好的网络模型架构和网络参数；
步骤4：利用最大均值差异对源域和目标域的数据差异进行衡量，得到源域与目标域的分布距离；
步骤5：根据最大均值差异对源域网络模型进行调整，得到目标领域网络网络模型，将源域网络模型参数进行迁移，将目标域数据输入模型进行剩余寿命预测。
所述步骤1的具体方法为：
步骤1.1：通过对电池进行充放电循环获得电池监测特征数据和电池容量数据，首先确定电池的额定容量，充放电截止电压等标称参数，对电池进行充放电循环，采用标准的恒流恒压充电协议，充电过程：锂离子电池以0.5C充电速率进行恒流充电，电池的电压随着充电时间的增加缓慢上升，当电池电压到达充电截止电压时，电池进入恒压充电阶段，在此阶段，电压恒定保持在截止电压，充电电流会随时间逐渐减小，直到小于某一微小电流时，电池停止充电；放电过程：电池以恒定电流放电，电压逐渐下降，当电压下降到放电截止电压时，停止放电，这视为电池的一个充放电循环，随着充放电循环次数的增加，电池容量逐渐减小，当一个充放电循环里锂离子电池的充放电容量小于额定容量的80％时，则认为电池失效，从电池初始状态到电池失效的循环次数即为电池的充放电寿命，记录在每一个充放电循环过程中电流、电压等特征数据和电池容量数据；
步骤1.2：对数据异常点进行处理：在进行充放电循环过程中会因为环境和操作问题导致记录的电池数据异常，这些数据点是不合理的，若不进行处理会导致后续结果出现偏差，处理异常点的基本思路是：通过箱线图分析，即大于或小于箱型图设定的上下界的数值即为异常值，然后对识别出的的异常值用其上下邻居点的平均值进行修正；
步骤1.3：衡量电池特征数据和电池容量的相关性，通过皮尔逊相关系数度量特征与电池容量的相关程度，摒弃与容量相关程度低的特征，使网络的训练数据更加有效，可以提高预测的准确性，其公式为：
Figure GDA0002798618380000031
X、Y分别为电池特征和容量两列数组；μX和μY分别为其对应的平均值；
步骤1.4：将数据转换成时间序列，确定滑动时间窗长度L对数据进行重构，若当前循环索引为c，将c+L索引内的电池特征和容量值作为网络的输入值，将索引为c+L+1时的容量值作为label，形成一个时间序列窗口，而后此窗口每向后滚动一个循环，形成一个新的时间序列窗口，直到此窗口滚动到最后的时间点；
步骤1.5：对数据进行归一化，由于输入参数的种类不相同，数值差异较大，应对这类问题的主要解决策略为将输入参数数据进行归一化处理，最常采用对数据进行归一化方法是min-max标准化，也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0,1]之间，其公式为：
Figure GDA0002798618380000041
Xmax为单列特征数据的最大值，Xmin为单列特征数据的最小值。
所述步骤3中利用源域数据训练基于LSTM的电池剩余寿命预测神经网络的具体方法为：
步骤2.1：搭建基于LSTM长短时记忆神经网络的电池剩余寿命神经网络模型，确定神经网络的输入层、隐藏层和输出层，输入层的神经元个数对应输入参数特征，并初始化网络权重，隐藏层包括LSTM神经网络单元、dropout层、全连接层和激活层，输出层为神经网络预测的容量值，LSTM的内部结构由遗忘门、输入门、输出门三部分组成，输入有三个：当前时刻网络的输入xt、上一时刻LSTM的输出值ht-1以及上一时刻的单元状态Ct-1，LSTM的输出有两个：当前时刻LSTM输出值ht和当前时刻的单元状态Ct，三个门的计算公式分别如下：
遗忘门：ft＝σ(Wf[ht-1,xt]+bf)＝σ(Wfhht-1+Wfxxt+bf) (3)
该门决定了上一时刻的单元状态Ct-1有多少保留到当前时刻Ct，公式中σ是指Sigmoid函数，Wf是遗忘门的权重矩阵，bf是偏置项，
输入门：it＝σ(Wi[ht-1,xt]+bi)＝σ(Wihht-1+Wixxt+bi) (4)
Figure GDA0002798618380000042
Figure GDA0002798618380000043
该门决定了当前时刻网络的输入xt有多少保留到单元状态Ct，输入门分为两部分，一部分是找到输入xt中需要保留的状态，由公式(4)和公式(5)描述，另一部分是更新Ct的状态，由公式(6)描述，Wi是输入门的权重矩阵，bi是偏置项
输出门：Ot＝σ(Wo[ht-1,xt]+bo)＝σ(Wohht-1+Woxxt+bo) (7)
ht＝Ot*tanh(Ct) (8)
该门控制单元状态Ct有多少输出到LSTM的当前输出值ht，Wo是输入门的权重矩阵，bo是偏置项。
步骤2.2：将训练数据集输入基于LSTM长短时记忆神经网络的电池剩余寿命预测模型进行训练，以均方误差损失函数最小化为优化目标，采用RMSprop优化器来更新调整模型参数，减少预测误差，并利用测试集进行测试，得到理想的预测模型，保存效果理想的网络模型架构和网络参数，采用平均绝对百分比误差MAPE、均误差RMSE作为预测结果的评价指标。
Figure GDA0002798618380000051
Figure GDA0002798618380000052
其中yi为真实值，
Figure GDA0002798618380000053
为预测值。
所述步骤5中，根据最大均值差异MMD对源域网络模型进行调整的方法具体为，如果最大均值差异MMD低于设定的阈值，说明源域和目标领域数据分布相近，网络结构和参数不需要调整；如果最大均值差异MMD高于设定的阈值，则需要对网络的结构和参数进行微调得到最终的目标域的预测网络模型。
与现有技术相比，本发明的有益效果是：
(1)本发明采用的LSTM神经网络，是能够有效的提取时间序列特征的网络，由遗忘门、输入门和输出门组成，三个门可以通过对前一时刻信息的权重进行控制达到遗忘和更新的功能，避免了在网络训练过程中出现的梯度消失和爆炸问题。
(2)本发明能够通过迁移网络模型结构和参数，减少网络训练时间，提高效率。
附图说明
图1为本发明源域网络预测框架图整体示意图。
图2为本发明所使用的LSTM内部结构图。
图3为本发明网络模型迁移框架图。
图4为本发明一个充放电循环里电压随时间的变化曲线。
图5为本发明一个充放电循环里电流随时间的变化曲线。
图6为本发明实施例中异常数据处理和未处理曲线示意图。
图7为本发明实施例经过网络训练后的原始数据曲线和预测曲线。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-图3，本发明提供一种技术方案：
一种基于LSTM神经网络和迁移学习的锂离子电池剩余寿命预测方法，主要包括以下步骤：
步骤1：获取锂离子电池特征数据，包括源域数据和目标域数据。
步骤1.1：通过对电池进行充放电循环获得电池监测特征数据和电池容量数据。首先确定电池的额定容量，充放电截止电压等标称参数。对电池进行充放电循环，采用标准的恒流恒压充电协议。充电过程：锂离子电池以某0.5C充电速率进行恒流充电，电池的电压随着充电时间的增加缓慢上升，当电池电压到达充电截止电压时，电池进入恒压充电阶段，在此阶段，电压恒定保持在截止电压，充电电流会随时间逐渐减小，直到小于某一微小电流时，电池停止充电。放电过程：电池以恒定电流放电，电压逐渐下降，当电压下降到放电截止电压时，停止放电，这视为电池的一个充放电循环。随着充放电循环次数的增加，电池容量逐渐减小，当一个充放电循环里锂离子电池的充放电容量小于额定容量的80％时，则认为电池失效。从电池初始状态到电池失效的循环次数即为电池的充放电寿命，记录在每一个充放电循环过程中电流、电压等特征数据和电池容量数据。
步骤1.2：对数据异常点进行处理：在进行充放电循环过程中可能会因为环境和操作问题导致记录的电池数据异常，这些数据点是不合理的，若不进行处理会导致后续结果出现偏差。处理异常点的基本思路是：通过箱线图分析，即大于或小于箱型图设定的上下界的数值即为异常值，然后对识别出的的异常值用其上下邻居点的平均值进行修正。
步骤1.3：衡量电池特征数据和电池容量的相关性。皮尔逊相关系数(Pearsoncorrelation coefficient)是一种衡量两个随机变量之间线性相关性的度量，它的值处于-1到+1之间，其中1代表正线性相关，0代表线性无关，-1代表负线性相关。通过皮尔逊相关系数度量特征与电池容量的相关程度，摒弃与容量相关程度低的特征，使网络的训练数据更加有效，可以提高预测的准确性。其公式为：
Figure GDA0002798618380000071
X、Y分别为电池特征和容量两列数组；μX和μY分别为其对应的平均值。
步骤1.4：将数据转换成时间序列，。确定滑动时间窗长度L对数据进行重构。若当前循环索引为c，将c+L索引内的电池特征和容量值作为网络的输入值，将索引为c+L+1时的容量值作为label，形成一个时间序列窗口，而后此窗口每向后滚动一个循环，形成一个新的时间序列窗口，直到此窗口滚动到最后的时间点。
步骤1.5：对数据进行归一化。由于输入参数的种类不相同，数值差异较大，应对这类问题的主要解决策略为将输入参数数据进行归一化处理，最常采用对数据进行归一化方法是min-max标准化，也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0,1]之间，其公式为：
Figure GDA0002798618380000081
Xmax为单列特征数据的最大值，Xmin为单列特征数据的最小值。
步骤2：利用源域数据训练基于LSTM的电池剩余寿命预测神经网络
步骤2.1：将数据集按比例划为训练数据集和测试数据集，建立训练数据集和测试数据集；
步骤2.2：如图1所示，搭建基于LSTM长短时记忆神经网络的电池剩余寿命神经网络模型，确定神经网络的输入层、隐藏层和输出层，输入层的神经元个数对应输入参数特征，并初始化网络权重，隐藏层包括LSTM神经网络单元、dropout层、全连接层和激活层。输出层为神经网络预测的容量值。LSTM的内部结构如图2所示，由遗忘门、输入门、输出门三部分组成。输入有三个：当前时刻网络的输入xt、上一时刻LSTM的输出值ht-1以及上一时刻的单元状态Ct-1。LSTM的输出有两个：当前时刻LSTM输出值ht和当前时刻的单元状态Ct。三个门的计算公式分别如下：
遗忘门：ft＝σ(Wf[ht-1,xt]+bf)＝σ(Wfhht-1+Wfxxt+bf) (3)
该门决定了上一时刻的单元状态Ct-1有多少保留到当前时刻Ct。公式中σ是指Sigmoid函数，Wf是遗忘门的权重矩阵，bf是偏置项。
输入门：it＝σ(Wi[ht-1,xt]+bi)＝σ(Wihht-1+Wixxt+bi) (4)
Figure GDA0002798618380000091
Figure GDA0002798618380000092
该门决定了当前时刻网络的输入xt有多少保留到单元状态Ct。输入门分为两部分，一部分是找到输入xt中需要保留的状态，由公式4和公式5描述，另一部分是更新Ct的状态，由公式6描述。Wi是输入门的权重矩阵，bi是偏置项
输出门：Ot＝σ(Wo[ht-1,xt]+bo)＝σ(Wohht-1+Woxxt+bo) (7)
ht＝Ot*tanh(Ct) (8)
该门控制单元状态Ct有多少输出到LSTM的当前输出值ht。Wo是输入门的权重矩阵，bo是偏置项。
步骤2.3：将训练数据集输入基于LSTM长短时记忆神经网络的电池剩余寿命预测模型进行训练，以均方误差损失函数最小化为优化目标，采用RMSprop优化器来更新调整模型参数，减少预测误差，并利用测试集进行测试，得到理想的预测模型，保存效果理想的网络模型架构和网络参数。采用平均绝对百分比误差(MAPE)、均方误差(MSE)作为预测结果的评价指标。
Figure GDA0002798618380000093
Figure GDA0002798618380000094
其中yi为真实值，
Figure GDA0002798618380000101
为预测值。
步骤3：利用最大均值差异(MMD)对源域和目标域的数据差异进行衡量，得到源域与目标域的分布距离。MMD的基本原理如下所述：假设有一个满足P分布的数据集
Figure GDA0002798618380000102
和一个满足Q分布的数据集
Figure GDA0002798618380000103
并且存在一个再生希尔伯特空间H(RKHS)和一个映射函数
Figure GDA0002798618380000104
表示从原始空间到希尔伯特空间的一个映射，并且当n，m趋于无穷时，Xs和Xt的最大均值差异可以表示为下式
Figure GDA0002798618380000105
其值越小，源域与目标域越接近。
步骤4：根据MMD对源域网络进行结构和参数的迁移，如果MMD低于设定的阈值(一般取较小值)，说明源域和目标领域数据分布相近，网络结构和参数不需要调整；如果MMD高于设定的阈值，则需要对网络的结构和参数进行微调得到最终的目标域的预测网络模型。MMD的阈值需要根据实际实验进行设定。
步骤5：将目标域待预测的数据输入步骤4得到的最终预测网络，输出预测结果。采用MSE衡量最终网络的性能。
实施例：
本发明的实验数据来自于实验室锂离子电池寿命测试实验。电池的额定容量为1350mAh，通过实验提取电池循环次数以及每一次循环锂离子电池的电池容量进行存储。充放电数据组中含有时间、充放电压以及充放电流数据结构，包含电池循环次数和电池容量等。锂离子电池先以恒流0.675A进行充电，充电到电池电压达4.2V,维持4.2V充电，直到充电电流降至0.05A以下；在恒定电流为0.55A的模式下进行放电,直到电池电压下降到2.7V。在CALCE进行的实验中,锂离子电池的容量达到1080mAh,即额定容量的80％左右，实验结束，所以这里电池的终止寿命阈值为1080mAh。
对得到的电池数据进行处理，由于在收集数据的时候可能存在如充放电循环不充分、断电等情况导致电池数据出现异常，需要对数据进行清洗。清洗后的电池数据容量图像如图6所示：
将处理过的锂离子电池数据输入长短期记忆网络(LSTM)用于预测对应的锂离子电池容量数据变化趋势，训练LSTM网络,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。
搭建的LSTM网络结构及参数设置如下所示。
锂离子电池样本
训练集长度 755
验证集长度 382
输入步长 20
迭代次数 50
LSTM网络隐含层节点数 50
全连接层节点数 1
Droupout层失活率 0.3
每批次样本数量(BatchSize) 8
学习率(LearningRate) 0.001
经过网络训练后的原始数据曲线和预测曲线如图7所示：
仿真实验结果如下所示：
Figure GDA0002798618380000111
在数据清洗过后，利用最大均值差异对源领域和目标领域的数据进行分布距离的计算，如果其值较小，则只需要利用目标领域的数据对原网络进行微调，如果较大，则需要对源领域网络进行调整，增加或替换某些层，然后将源领域网络中的其他层的参数迁移到目标域网络并固定，利用目标域数据进行再训练，最后取消固定，再利用目标域数据进行全网络微调，得到最终网络。真实数据实验结果显示，本发明模型能有效提高网络学习的效率，准确度和效率高。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (2)

1.一种基于LSTM神经网络和迁移学习的锂电池剩余寿命预测方法，其特征在于，包括以下步骤：
步骤1：数据获取及数据预处理，获取锂离子电池特征数据，包括源域数据和目标域数据；
步骤2：将数据按比例划分为训练集和测试集；
步骤3：搭建源域LSTM神经网络模型，将源域数据训练集输入神经网络进行训练，将测试集的数据输入神经网络进行测试，采用平均绝对误差、均方根误差作为预测结果的评价指标，当模型对测试集进行测试所达到的效果不理想时，需调整网络模型的参数直到测试效果理想，保存训练好的网络模型架构和网络参数；
步骤4：利用最大均值差异对源域和目标域的数据差异进行衡量，得到源域与目标域的分布距离；
步骤5：根据最大均值差异对源域网络模型进行调整，得到目标领域网络模型，将源域网络模型参数进行迁移，将目标域数据输入模型进行剩余寿命预测；
所述步骤1的具体方法为：
步骤1.1：通过对电池进行充放电循环获得电池监测特征数据和电池容量数据，首先确定电池的额定容量，充放电截止电压这些标称参数，对电池进行充放电循环，采用标准的恒流恒压充电协议，充电过程：锂离子电池以0.5C充电速率进行恒流充电，电池的电压随着充电时间的增加缓慢上升，当电池电压到达充电截止电压时，电池进入恒压充电阶段，在此阶段，电压恒定保持在截止电压，充电电流会随时间逐渐减小，直到小于某一微小电流时，电池停止充电；放电过程：电池以恒定电流放电，电压逐渐下降，当电压下降到放电截止电压时，停止放电，这视为电池的一个充放电循环，随着充放电循环次数的增加，电池容量逐渐减小，当一个充放电循环里锂离子电池的充放电容量小于额定容量的80％时，则认为电池失效，从电池初始状态到电池失效的循环次数即为电池的充放电寿命，记录在每一个充放电循环过程中电流、电压的特征数据和电池容量数据；
步骤1.2：对数据异常点进行处理：在进行充放电循环过程中会因为环境和操作问题导致记录的电池数据异常，这些数据点是不合理的，若不进行处理会导致后续结果出现偏差，处理异常点的基本思路是：通过箱线图分析，即大于或小于箱型图设定的上下界的数值即为异常值，然后对识别出的异常值用其上下邻居点的平均值进行修正；
步骤1.3：衡量电池特征数据和电池容量的相关性，通过皮尔逊相关系数度量特征与电池容量的相关程度，摒弃与容量相关程度低的特征，使网络的训练数据更加有效，可以提高预测的准确性，其公式为：
Figure FDA0003747667870000021
X、Y分别为电池特征和容量两列数组；μX和μY分别为其对应的平均值；
步骤1.4：将数据转换成时间序列，确定滑动时间窗长度L对数据进行重构，若当前循环索引为c，将c+L索引内的电池特征和容量值作为网络的输入值，将索引为c+L+1时的容量值作为label，形成一个时间序列窗口，而后此窗口每向后滚动一个循环，形成一个新的时间序列窗口，直到此窗口滚动到最后的时间点；
步骤1.5：对数据进行归一化，由于输入参数的种类不相同，数值差异较大，应对这类问题的主要解决策略为将输入参数数据进行归一化处理，最常采用对数据进行归一化方法是min-max标准化，也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0,1]之间，其公式为：
Figure FDA0003747667870000031
Xmax为单列特征数据的最大值，Xmin为单列特征数据的最小值；
所述步骤3中利用源域数据训练基于LSTM的电池剩余寿命预测神经网络的具体方法为：
步骤2.1：搭建基于LSTM长短时记忆神经网络的电池剩余寿命神经网络模型，确定神经网络的输入层、隐藏层和输出层，输入层的神经元个数对应输入参数特征，并初始化网络权重，隐藏层包括LSTM神经网络单元、dropout层、全连接层和激活层，输出层为神经网络预测的容量值，LSTM的内部结构由遗忘门、输入门、输出门三部分组成，输入有三个：当前时刻网络的输入xt、上一时刻LSTM的输出值ht-1以及上一时刻的单元状态Ct-1，LSTM的输出有两个：当前时刻LSTM输出值ht和当前时刻的单元状态Ct，三个门的计算公式分别如下：
遗忘门：ft＝σ(Wf[ht-1,xt]+bf)＝σ(Wfhht-1+Wfxxt+bf)(3)
该门决定了上一时刻的单元状态Ct-1有多少保留到当前时刻Ct，公式中σ是指Sigmoid函数，Wf是遗忘门的权重矩阵，bf是偏置项，
输入门：it＝σ(Wi[ht-1,xt]+bi)＝σ(Wihht-1+Wixxt+bi)(4)
Figure FDA0003747667870000041
Figure FDA0003747667870000042
该门决定了当前时刻网络的输入xt有多少保留到单元状态Ct，输入门分为两部分，一部分是找到输入xt中需要保留的状态，由公式(4)和公式(5)描述，另一部分是更新Ct的状态，由公式(6)描述，Wi是输入门的权重矩阵，bi是偏置项
输出门：
Ot＝σ(Wo[ht-1,xt]+bo)＝σ(Wohht-1+Woxxt+bo)(7)
ht＝Ot*tanh(Ct) (8)
该门控制单元状态Ct有多少输出到LSTM的当前输出值ht，Wo是输入门的权重矩阵，bo是偏置项，
步骤2.2：将训练数据集输入基于LSTM长短时记忆神经网络的电池剩余寿命预测模型进行训练，以均方误差损失函数最小化为优化目标，采用RMSprop优化器来更新调整模型参数，减少预测误差，并利用测试集进行测试，得到理想的预测模型，保存效果理想的网络模型架构和网络参数，采用平均绝对百分比误差MAPE、均方误差MSE作为预测结果的评价指标，
Figure FDA0003747667870000051
Figure FDA0003747667870000052
其中yi为真实值，
Figure FDA0003747667870000053
为预测值。
2.根据权利要求1所述的一种基于LSTM神经网络和迁移学习的锂电池剩余寿命预测方法，其特征在于，所述步骤5中，根据最大均值差异MMD对源域网络模型进行调整的方法具体为，如果最大均值差异MMD低于设定的阈值，说明源域和目标领域数据分布相近，网络结构和参数不需要调整；如果最大均值差异MMD高于设定的阈值，则需要对网络的结构和参数进行微调得到最终的目标域的预测网络模型。
CN202011087935.XA 2020-10-13 2020-10-13 一种基于lstm网络和迁移学习的锂电池寿命预测方法 Active CN112241608B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011087935.XA CN112241608B (zh) 2020-10-13 2020-10-13 一种基于lstm网络和迁移学习的锂电池寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011087935.XA CN112241608B (zh) 2020-10-13 2020-10-13 一种基于lstm网络和迁移学习的锂电池寿命预测方法

Publications (2)

Publication Number Publication Date
CN112241608A CN112241608A (zh) 2021-01-19
CN112241608B true CN112241608B (zh) 2022-08-26

Family

ID=74168863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011087935.XA Active CN112241608B (zh) 2020-10-13 2020-10-13 一种基于lstm网络和迁移学习的锂电池寿命预测方法

Country Status (1)

Country Link
CN (1) CN112241608B (zh)

Families Citing this family (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112966345B (zh) * 2021-03-03 2022-06-07 北京航空航天大学 基于对抗训练和迁移学习的旋转机械剩余寿命预测混合收缩方法
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
CN113219341B (zh) * 2021-03-23 2023-04-07 陈九廷 一种模型生成及电池劣化推测装置、方法、介质及设备
CN113094985B (zh) * 2021-03-31 2022-06-14 电子科技大学 一种基于交叉流形嵌入迁移学习的电池soh预测方法
CN113191529A (zh) * 2021-04-07 2021-07-30 武汉科技大学 基于迁移学习的深度对抗神经网络的新建筑能耗预测方法
CN113128672B (zh) * 2021-04-16 2022-11-29 昆明理工大学 一种基于迁移学习算法的锂离子电池组soh估计方法
CN113068211B (zh) * 2021-04-21 2023-04-18 东南大学 一种基于深度学习和高斯过程回归预测无线接入点吞吐量方法
CN113191081A (zh) * 2021-04-29 2021-07-30 浙江吉利控股集团有限公司 一种新能源车辆动力电池内阻预测方法及系统
CN113158345A (zh) * 2021-04-29 2021-07-23 浙江吉利控股集团有限公司 一种新能源车辆动力电池容量预测方法及系统
CN113297787B (zh) * 2021-05-12 2021-12-17 北京航空航天大学 一种基于迁移学习的航空发动机剩余寿命预测方法
CN113221277B (zh) * 2021-05-14 2022-12-09 西安交通大学 一种基于数字孪生模型的轴承性能退化评估方法及系统
CN113107626B (zh) * 2021-05-25 2024-02-02 浙大城市学院 一种基于多变量lstm的联合循环发电机组负荷预测方法
CN113468805B (zh) * 2021-06-21 2022-10-14 国网黑龙江省电力有限公司电力科学研究院 传感器极寒环境可靠性评估方法、电子设备及存储介质
CN113588179B (zh) * 2021-06-24 2023-11-21 武汉众智鸿图科技有限公司 一种供水管网漏损检测方法及系统
CN113469013B (zh) * 2021-06-28 2024-05-14 江苏大学 一种基于迁移学习和时间序列的电机故障预测方法及系统
CN113536670B (zh) * 2021-07-09 2024-01-12 北京航空航天大学 一种群体产品剩余寿命预测的联邦迁移学习方法
CN113570129A (zh) * 2021-07-20 2021-10-29 武汉钢铁有限公司 带钢酸洗浓度的预测方法及计算机可读存储介质
CN113721149A (zh) * 2021-07-21 2021-11-30 福建星云软件技术有限公司 一种基于半监督迁移学习的锂电池容量预测方法
CN113820608B (zh) * 2021-08-20 2022-08-05 北京邮电大学 梯次电池剩余容量的预测方法和电子设备
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
CN114280490B (zh) * 2021-09-08 2024-02-09 国网湖北省电力有限公司荆门供电公司 一种锂离子电池荷电状态估计方法及系统
CN113779724B (zh) * 2021-09-13 2022-07-22 江苏仅一联合智造有限公司 一种充填包装机故障智能预测方法及其系统
CN113791351B (zh) * 2021-09-17 2022-04-19 电子科技大学 基于迁移学习和差值概率分布的锂电池寿命预测方法
CN113962154A (zh) * 2021-10-22 2022-01-21 山东大学 一种基于迁移学习的锂电池核温评估方法及系统
CN114580262B (zh) * 2021-11-18 2024-07-12 吉林大学 一种锂离子电池健康状态估计方法
CN114355199A (zh) * 2021-12-30 2022-04-15 重庆长安新能源汽车科技有限公司 一种基于循环神经网络的电池热失控风险预测方法及系统
CN114966436A (zh) * 2022-01-06 2022-08-30 湖北理工学院 锂电池荷电状态预测方法、装置、设备及可读存储介质
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
CN114580705B (zh) * 2022-01-12 2023-07-25 中国电子科技集团公司第十研究所 航电产品剩余寿命预测方法
CN114565151A (zh) * 2022-02-24 2022-05-31 苏州市职业大学 基于eemd与lstm模型电动汽车电池寿命预测方法
CN114861527A (zh) * 2022-04-15 2022-08-05 南京工业大学 一种基于时间序列特征的锂电池寿命预测方法
CN114896865B (zh) * 2022-04-20 2024-07-23 北京航空航天大学 一种面向数字孪生的自适应演化神经网络健康状态在线预测方法
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
CN114839540B (zh) * 2022-05-17 2024-05-31 西安交通大学 一种基于深度学习算法的锂离子电池剩余寿命在线预测方法
CN114676647B (zh) * 2022-05-30 2022-08-23 中科航迈数控软件(深圳)有限公司 一种基于深度学习方法的数控机床零部件寿命预测方法
CN114859249B (zh) * 2022-07-06 2022-10-18 苏州清研精准汽车科技有限公司 一种电池包容量的检测方法和装置
CN115712841B (zh) * 2022-11-18 2023-08-15 南京航空航天大学 基于周期数据的数据分布特性的航天器部件状态评估方法
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
CN116306289B (zh) * 2023-03-21 2023-10-03 中国科学院空间应用工程与技术中心 一种基于多源域自适应的机电设备跨域剩余寿命预测方法
CN116798506B (zh) * 2023-03-23 2024-03-22 江苏大学 一种毕赤酵母发酵过程中菌体浓度的预测方法
CN116454934B (zh) * 2023-04-03 2024-01-19 威胜能源技术股份有限公司 一种基于多设备的储能ems云平台
CN116699442A (zh) * 2023-06-14 2023-09-05 威胜能源技术股份有限公司 一种储能系统中锂离子电池寿命预测方法
CN116969582B (zh) * 2023-09-22 2023-12-08 深圳市友健科技有限公司 一种污水处理智能调控方法及系统
CN117473396B (zh) * 2023-11-23 2024-08-02 湖南盈旺智慧能源科技有限公司 一种基于深度学习的新能源汽车智能电池管理系统
CN117613421B (zh) * 2023-11-23 2024-06-21 北京中铁建电气化设计研究院有限公司 一种基于神经网络的储能电池组管理系统的均衡方法及介质
CN117471327B (zh) * 2023-12-25 2024-05-07 深圳市北测检测技术有限公司 一种汽车动力电池的安全性能检测方法
CN117872165B (zh) * 2024-03-01 2024-05-10 天科新能源有限责任公司 一种基于数据分析的固态电池性能测试系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5574387A (en) * 1994-06-30 1996-11-12 Siemens Corporate Research, Inc. Radial basis function neural network autoassociator and method for induction motor monitoring
CN111103544A (zh) * 2019-12-26 2020-05-05 江苏大学 基于长短时记忆lstm和粒子滤波pf的锂离子电池剩余使用寿命预测方法
CN111291918A (zh) * 2020-01-06 2020-06-16 东南大学 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180005151A1 (en) * 2016-06-29 2018-01-04 General Electric Company Asset health management framework

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5574387A (en) * 1994-06-30 1996-11-12 Siemens Corporate Research, Inc. Radial basis function neural network autoassociator and method for induction motor monitoring
CN111103544A (zh) * 2019-12-26 2020-05-05 江苏大学 基于长短时记忆lstm和粒子滤波pf的锂离子电池剩余使用寿命预测方法
CN111291918A (zh) * 2020-01-06 2020-06-16 东南大学 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LSTM-Based Battery Remaining Useful Life Prediction With Multi-Channel Charging Profiles;Kyungnam Park 等;《IEEE Access》;20200123;第34-41页 *
基于机器学习的设备剩余寿命预测方法综述;裴洪 等;《机械工程学报》;20190401;第1-13页 *

Also Published As

Publication number Publication date
CN112241608A (zh) 2021-01-19

Similar Documents

Publication Publication Date Title
CN112241608B (zh) 一种基于lstm网络和迁移学习的锂电池寿命预测方法
CN109993270B (zh) 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法
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
CN111736084B (zh) 基于改进lstm神经网络的阀控铅酸蓄电池健康状态预测方法
CN111813084B (zh) 一种基于深度学习的机械装备故障诊断方法
CN111680848A (zh) 基于预测模型融合的电池寿命预测方法及存储介质
CN114325450A (zh) 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法
CN113406521B (zh) 一种基于特征分析的锂电池健康状态在线估计方法
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
CN112782591A (zh) 基于多电池数据融合的锂电池soh长期预测方法
CN114218872B (zh) 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法
CN113917334A (zh) 基于进化lstm自编码器的电池健康状态估计方法
CN116359742B (zh) 基于深度学习组合扩展卡尔曼滤波的储能电池荷电状态在线估计方法及系统
CN114487890A (zh) 一种改进长短期记忆神经网络的锂电池健康状态估计方法
CN116306229A (zh) 一种基于深度强化学习和迁移学习电力短期负荷预测方法
CN115730525A (zh) 一种轨道交通ups蓄电池健康状态预测方法
CN115062528A (zh) 一种针对工业过程时序数据的预测方法
CN113743008A (zh) 一种燃料电池健康预测方法及系统
CN118017482A (zh) 基于预测误差特征提取的灵活性爬坡容量需求分析方法
Huang et al. A hybrid bayesian deep learning model for remaining useful life prognostics and uncertainty quantification
CN114896865B (zh) 一种面向数字孪生的自适应演化神经网络健康状态在线预测方法
CN114580705B (zh) 航电产品剩余寿命预测方法
CN113837443B (zh) 基于深度BiLSTM的变电站线路负载预测方法
CN112001114B (zh) 一种基于lstm改进的正则化粒子滤波算法的电池寿命预测方法
Su Remaining useful life prediction of Lithium-ion batteries by PSO-SVM based on multi-feature 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