CN112666480A - 一种基于充电过程特征注意力的电池寿命预测方法 - Google Patents

Abstract

本发明公开了一种基于充电过程特征注意力的电池寿命预测方法，包括：1)采集a个锂离子电池全寿命充放电循环中的充电过程的温度、电流及端电压数据；2)进行按容量对齐的循环温度、电流及端电压数据处理；3)将步骤2)的数据处理结果输入到三维‑二维混合卷积模型中；4)将三维‑二维混合卷积模型输出的特征图输入到充电特征注意力模型中，按特征空间分布自动学习不同特征对电池寿命的相关性及显著性，然后对其输入特征进行加权后输出特征注意力加权融合特征图；5)将输出的特征注意力加权融合特征图输入到二维卷积层中进行特征提取，再将提取的特征经感知层处理，得最终预测的电池寿命，该方法能够准确预测锂离子电池的寿命。

Description

一种基于充电过程特征注意力的电池寿命预测方法

技术领域

本发明属于电池寿命预测技术领域，涉及一种基于充电过程特征注意力的电池寿命预测方法。

背景技术

由于低污染、高能量密度、高功率密度和长循环寿命等优点，锂离子电池在军事电子产品、航空电子器件、电动汽车以及各种便携式电子装置(例如笔记本电脑、数码相机、平板电脑、手机等)等领域内有广泛应用，已基本取代了镍镉电池、镍氢电池等，是目前主要的储能器件。

受内外部环境负载的影响，锂离子电池的性能会逐渐退化，具体表现为容量衰退及内阻增加。在电池的使用寿命内，其电性能会随着电池剩余使用寿命(RUL)的变化而变化。当锂离子电池的性能下降超过一定的阈值时，可能会出现性能迅速下降或灾难性故障等严重后果。因此，电池寿命的准确预测有助于加速电池的发展，对提出更科学的电池管理体系至关重要。

目前国内外主流研究大都采用数据驱动的预测方式，由于电池内部的电化学行为和化学性质难以监测，大部分研究通过提取数据的统计学特征进行预测，然而，哪些特征能准确描述电池循环寿命尚未明确；循环寿命与电池的放电容量密切相关，因此目前大多采用放电数据进行预测，然而在实际过程中的放电过程首先要保证设备的使用需求，是高度随机和动态的，基于放电数据的预测在现实中难以实现，只能通过只能用于台架离线测试，无法用于电池寿命的在线预测。

专利文献CN108037463B(申请号：201711345909.0)公开了一种锂离子电池寿命预测方法，涉及锂离子电池技术领域。该方法通过对相同型号在役或退役电池运行数据进行收集，建立包括电池运行温度、电池放电倍率、电池内阻以及总使用寿命参数的数据库，以此建立以电池运行温度、电池放电倍率、电池内阻为参数的电池寿命预测线性回归函数模型，并引入修正系数(所述电池在i时刻下电池放电容量的平均值与当前放电容量的比值)，将特定型号的上述参数代入回归模型，乘以修正系数，得到电池的总使用寿命。

然而，在该专利中，(1)建立了线性回归模型用于预测电池寿命，而电池寿命与电池相关特性有强烈的非线性关系；(2)该方法采用放电倍率进行预测，而在实际使用中，放电倍率受使用需求影响很大；(3)该方法只能预测数据库中已收集的特定型号电池，预测前需收集大量电池数据建立数据库；(4)电池预测依赖于数据库中筛选相同型号的电池数据确定，然而不同使用工况下的相同型号电池寿命有巨大差异。

锂离子电池的非线性退化、循环性和广泛的可变性，以及工作负载和环境等随机条件的影响，对锂离子电池的寿命预测提出了挑战。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种基于充电过程特征注意力的电池寿命预测方法，该方法能够准确预测锂离子电池的寿命。

为达到上述目的，本发明所述的基于充电过程特征注意力的电池寿命预测方法包括以下步骤：

1)采集a个锂离子电池全寿命充放电循环中的充电过程的温度、电流及端电压数据；

2)进行按容量对齐的循环温度、电流及端电压数据处理；

3)将步骤2)的数据处理结果输入到三维-二维混合卷积模型中，对不同充电循环温度、电流及端电压进行先三维后二维的混合卷积特征提取；

4)将三维-二维混合卷积模型输出的特征图输入到充电特征注意力模型中，按特征空间分布自动学习不同特征对电池寿命的相关性及显著性，然后对其输入特征进行加权后输出特征注意力加权融合特征图；

5)将输出的特征注意力加权融合特征图输入到二维卷积层中进行特征提取，再将提取的特征经感知层处理，得最终预测的电池寿命。

步骤2)的具体操作为：

21)将温度、电流及端电压数据分别输出成温度矩阵、电流矩阵及端电压矩阵的形式，其中，温度矩阵、电流矩阵及端电压矩阵中每一列的第一行为电池编号，第二行为电池RUL，其余行为该电池在该循环内温度、电流及端电压在对应容量下的值；

22)对电压、电流、端电压及RUL分别进行归一化；

23)取温度矩阵、电流矩阵及端电压矩阵中每个电池前m列和后n列的第三行至最后一行的数据，再将其转化为三维卷积层的输入格式后分别拼接成新的温度矩阵、电流矩阵及端电压矩阵；

24)将新的温度矩阵、电流矩阵及端电压矩阵在深度维度上进行拼接。

步骤22)中归一化的公式为：

Z为被归一化的矩阵，Z_i,j为Z中第(i,j)个元素，mean为Z中所有元素的平均值，σ为Z中所有元素的标准差。

步骤3)的具体操作为：

31)将步骤2)的拼接结果输入到三维卷积层中,对输入的温度矩阵、电流矩阵及端电压矩阵进行三维卷积运算，实现对温度、电流及端电压融合特征的自动提取；

32)将三维卷积层的输出转化为二维卷积的输入格式，并输入到二维卷积层中，对提取出的温度、电流及端电压融合特征进行特征融合及提取。

步骤31)中的三维卷积层包含R个3×l×w的卷积核，其中，卷积核的深度为3，输出深度为1，以便将三维卷积层输出转化为二维卷积层的输入格式；

步骤32)中去掉三维卷积层输出中的深度维，将三维卷积层输出结果转化为二维卷积层的输入格式。

步骤4)的具体操作为：

41)获取所有输入特征图同一位置的元素，并以此组成新的特征向量，假设输入特征图数量为K，尺寸为M×N，则特征向量表示为：

F_ij＝[F_ij ¹,F_ij ²,L L,F_ij ^K]

其中，F_ij ^m为第m个特征图F^m中第(i,j)个元素，F_ij∈R^K×1；

42)使用全连接层，输出F_ij的注意力权重A_ij，A_ij为：

A_ij＝f(δg(ωF+b)+c)

其中，f(g)和g(g)分别为：

ω∈R^u×K,δ∈R^1×u分别为两层的权重矩阵，b∈R^u×1，c∈R^1×1为偏置，A_ij为注意力权重矩阵A的第(i,j)个元素；

43)将A和输入特征图进行点乘，以输出的融合特征注意力的特征矩阵为：

G^m＝Ae F^m

其中，G^m为第m个输出特征图。

本发明具有以下有益效果：

本发明所述的基于充电过程特征注意力的电池寿命预测方法在具体操作时，将三维-二维混合卷积模型输出的特征图输入到充电特征注意力模型中，按特征空间分布自动学习不同特征对电池寿命的相关性及显著性，然后对其输入特征进行加权后输出特征注意力加权融合特征图，动态估计不同特征在充电过程中的显著性和相关性，继而提高对电池寿命的预测精度，然后将输出的特征注意力加权融合特征图输入到二维卷积层中进行特征提取，再将提取的特征经感知层处理，得最终预测的电池寿命，操作方便、简单，解决了现有方法难以适应不同工况的问题，可用于在线预测和早期预测。

附图说明

图1为本发明的流程图；

图2为本发明中电池充电特征注意力模型的结构示意图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

参考图1及图2，本发明所述的基于充电过程特征注意力的电池寿命预测方法包括以下步骤：

1)采集a个锂离子电池全寿命充放电循环中的充电过程的温度、电流及端电压数据；

2)进行按容量对齐的循环温度、电流及端电压数据处理；

具体过程为：选取电池前m个循环和后n个循环的温度、电流及端电压数据，并将选取的温度、电流及端电压从时间函数转化为容量函数，步骤2)的具体操作过程为：

21)将温度、电流及端电压数据分别输出成温度矩阵、电流矩阵及端电压矩阵的形式，其中，矩阵中每一列的第一行为电池编号，第二行为电池RUL，其余行为该电池在该循环内温度、电流及端电压在对应容量下的值；

22)对电压、电流、端电压及RUL分别进行归一化，其中，归一化的公式为：

Z为被归一化的矩阵，Z_i,j为Z中第(i,j)个元素，mean为Z中所有元素的平均值，σ为Z中所有元素的标准差；

23)取出温度矩阵、电流矩阵及端电压矩阵中每个电池前m列和后n列的第三行至最后一行的数据，将其转化为三维卷积层的输入格式后分别拼接成新的温度矩阵、电流矩阵及端电压矩阵；

24)将新的温度矩阵、电流矩阵及端电压矩阵在深度维度上进行拼接。

3)将步骤2)得到的拼接结果输入三维-二维混合卷积模型中，对不同充电循环温度、电流及端电压进行先三维后二维的混合卷积特征提取；

步骤3)的具体过程为：

31)将步骤2)的拼接结果输入三维卷积层中,对输入的温度矩阵、电流矩阵及端电压矩阵进行三维卷积运算，实现对温度、电流及端电压融合特征的自动提取；

具体地，三维卷积层包含R个3×l×w的卷积核，其中，卷积核的深度设定为3，输出深度为1，以便将三维卷积层输出转化为二维卷积层的输入格式；

32)将三维卷积层的输出转化为二维卷积的输入格式，并输入到二维卷积层中，对提取出的温度、电流及端电压融合特征进行进一步的特征融合及提取；

具体地，通过去掉三维卷积层输出中的深度维，从而将三维卷积层输出结果转化为二维卷积层的输入格式。

4)将二维卷积层输出的特征图输入充电特征注意力模型中，按特征空间分布自动学习不同特征对电池寿命的相关性及显著性，然后对其输入特征进行加权后输出特征注意力加权融合特征图。

步骤4)的具体操作为：

41)获取所有输入特征图同一位置的元素，并以此组成新的特征向量，假设输入特征图数量为K，尺寸为M×N，则特征向量表示为：

F_ij＝[F_ij ¹,F_ij ²,L L,F_ij ^K]

其中，F_ij ^m为第m个特征图F^m中第(i,j)个元素，F_ij∈R^K×1；

42)使用全连接层，输出F_ij的注意力权重A_ij，A_ij为：

A_ij＝f(δg(ωF+b)+c)

其中，f(g)和g(g)分别为：

ω∈R^u×K,δ∈R^1×u分别为两层的权重矩阵，b∈R^u×1，c∈R^1×1为偏置，A_ij为注意力权重矩阵A的第(i,j)个元素；

43)将A和输入特征图进行点乘，以输出的融合特征注意力的特征矩阵为：

G^m＝Ae F^m

其中，G^m为第m个输出特征图。

5)将输出的特征注意力加权融合特征图输入到二维卷积层中进行特征提取，再将提取的特征经感知层处理，得最终预测的电池寿命。

具体地，全连接层使用l(g)和h(g)作为激活函数，其中，

输出的预测结果为：

其中，A^C为步骤5)中二维卷积层的输出，预测值为

d^o为神经元的数量，α和β为权重,b和c为偏置值。

经过实验验证，本发明具有较高的预测精度，能够在早期预测电池的使用寿命并在电动装置电池失效前有效预测电池的剩余寿命，可以极大缩短电池寿命测试所需的时间，避免由于电池的突然失效造成的巨大损失和安全问题。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (7)

1.一种基于充电过程特征注意力的电池寿命预测方法，其特征在于，包括以下步骤：

1)采集a个锂离子电池全寿命充放电循环中的充电过程的温度、电流及端电压数据；

2)进行按容量对齐的循环温度、电流及端电压数据处理；

3)将步骤2)的数据处理结果输入到三维-二维混合卷积模型中，对不同充电循环温度、电流及端电压进行先三维后二维的混合卷积特征提取；

4)将三维-二维混合卷积模型输出的特征图输入到充电特征注意力模型中，按特征空间分布自动学习不同特征对电池寿命的相关性及显著性，然后对其输入特征进行加权后输出特征注意力加权融合特征图；

5)将输出的特征注意力加权融合特征图输入到二维卷积层中进行特征提取，再将提取的特征经感知层处理，得最终预测的电池寿命。

2.根据权利要求1所述的基于充电过程特征注意力的电池寿命预测方法，其特征在于，步骤2)的具体操作为：

21)将温度、电流及端电压数据分别输出成温度矩阵、电流矩阵及端电压矩阵的形式，其中，温度矩阵、电流矩阵及端电压矩阵中每一列的第一行为电池编号，第二行为电池RUL，其余行为该电池在该循环内温度、电流及端电压在对应容量下的值；

22)对电压、电流、端电压及RUL分别进行归一化；

23)取温度矩阵、电流矩阵及端电压矩阵中每个电池前m列和后n列的第三行至最后一行的数据，再将其转化为三维卷积层的输入格式后分别拼接成新的温度矩阵、电流矩阵及端电压矩阵；

24)将新的温度矩阵、电流矩阵及端电压矩阵在深度维度上进行拼接。

3.根据权利要求2所述的基于充电过程特征注意力的电池寿命预测方法，其特征在于，步骤22)中归一化的公式为：

Z为被归一化的矩阵，Z_i,j为Z中第(i,j)个元素，mean为Z中所有元素的平均值，σ为Z中所有元素的标准差。

4.根据权利要求2所述的基于充电过程特征注意力的电池寿命预测方法，其特征在于，步骤3)的具体操作为：

31)将步骤2)的拼接结果输入到三维卷积层中,对输入的温度矩阵、电流矩阵及端电压矩阵进行三维卷积运算，实现对温度、电流及端电压融合特征的自动提取；

32)将三维卷积层的输出转化为二维卷积的输入格式，并输入到二维卷积层中，对提取出的温度、电流及端电压融合特征进行特征融合及提取。

5.根据权利要求4所述的基于充电过程特征注意力的电池寿命预测方法，其特征在于，步骤31)中的三维卷积层包含R个3×l×w的卷积核，其中，卷积核的深度为3，输出深度为1，以便将三维卷积层输出转化为二维卷积层的输入格式。

6.根据权利要求4所述的基于充电过程特征注意力的电池寿命预测方法，其特征在于，步骤32)中去掉三维卷积层输出中的深度维，将三维卷积层输出结果转化为二维卷积层的输入格式。

7.根据权利要求1所述的基于充电过程特征注意力的电池寿命预测方法，其特征在于，步骤4)的具体操作为：

41)获取所有输入特征图同一位置的元素，并以此组成新的特征向量，假设输入特征图数量为K，尺寸为M×N，则特征向量表示为：

F_ij＝[F_ij ¹,F_ij ²,L L,F_ij ^K]

其中，F_ij ^m为第m个特征图F^m中第(i,j)个元素，F_ij∈R^K×1；

42)使用全连接层，输出F_ij的注意力权重A_ij，A_ij为：

A_ij＝f(δg(ωF+b)+c)

其中，f(g)和g(g)分别为：

ω∈R^u×K,δ∈R^1×u分别为两层的权重矩阵，b∈R^u×1，c∈R^1×1为偏置，A_ij为注意力权重矩阵A的第(i,j)个元素；

43)将A和输入特征图进行点乘，以输出的融合特征注意力的特征矩阵为：

G^m＝Ae F^m

其中，G^m为第m个输出特征图。

Images