CN112765772B - 一种基于数据驱动的动力电池剩余寿命预测方法 - Google Patents

Abstract

本发明涉及基于数据驱动的动力电池剩余寿命预测方法，获取纯电动汽车行驶数据；对纯电动汽车行驶数据进行预处理；对预处理所得数据进行特征提取；根据特征提取所得相关特征数据以LSTM模型和BP‑GM(1,N)的融合模型构建算法模型；以算法模型预测动力电池剩余寿命。根据电动汽车的行驶大数据，充分挖掘电池健康状态信息及其变化规律，并构造电池历史SOH、SOH表征参数、行驶特征和车辆类别特征等相关特征，从车辆数据和电池数据中充分挖掘其中隐藏的电池健康状态信息及其变化规律，从而在电池SOH的基础上预测出RUL。

Description

一种基于数据驱动的动力电池剩余寿命预测方法

技术领域

本发明涉及电动汽车动力电池退役时间预测和价值评估领域，具体涉及一种基于数据驱动的动力电池剩余寿命预测方法。

背景技术

汽车行业正以电动化、网联化、智能化、共享化为代表的新“四化”为发展方向，越来越多的电动汽车进入了消费者市场，而动力电池则是电动汽车的主要动力来源。随着动力电池的循环充放电次数的增加，动力电池的容量会逐步衰减，这是动力电池内部发生的不可逆的老化反应，其内部参数难以测量，其状态的估计仍存在巨大挑战。

动力电池的剩余寿命(RUL)，是指在一定充放电条件下，电池使用一段时间后电池的剩余的使用寿命，以此来判断电池的健康状态。RUL不仅与电池内部的电化学系统和电池的制造工艺有关，还与车辆的行驶状态和电池内部的环境有关。

发明内容

本发明的目的在于提供一种基于数据驱动的动力电池剩余寿命预测方法，以克服现有技术中存在的不足。

本发明解决上述技术问题的技术方案如下：一种基于数据驱动的动力电池剩余寿命预测方法，具体步骤如下：

数据准备阶段：获取纯电动汽车行驶数据；

数据整理阶段：对纯电动汽车行驶数据进行预处理；

特征构建阶段：对数据整理阶段所得数据进行特征提取；

算法模型构建阶段：根据特征构建阶段所得相关特征数据以LSTM模型和BP-GM(1,N)的融合模型构建算法模型；

验证阶段：以算法模型预测动力电池剩余寿命。

进一步，纯电动汽车行驶数据包括车辆状态数据、车辆运行数据、动力电池自身数据和车辆异常报警数据；

所述车辆状态数据包括车辆运行状态和充电状态数据；

所述车辆运行数据包括车辆运行模式、车速和累计里程；

所述动力电池自身数据包括总电流、总电压、电池SOC、电池历史SOH、电池单体电压最高值、电池单体电压最低值、最高温度值和最低温度值；

所述车辆异常报警数据包括最高报警等级和通用报警标志。

进一步，数据预处理包括数据探索性分析、片段划分、缺失数据处理和异常数据处理。

进一步，数据探索性分析用于发现是否存在大量数据异常的现象，具体包括但不限于车辆行驶状态显示为熄火充电状态，车辆停车充电显示行驶状态；

以及，在里程、速度、温度、电压数据中是否存在大量缺失值以及某个放电片段出现连续多个电池耦合的通用报警信息以及数据采集滞后异常数据；

片段划分用于将电动汽车的行驶数据划分为行驶片段、停车充电片段、停车静置片段三种车辆状态片段；

缺失数据位于速度、里程、充电状态、最高单体电压、最低单体电压和最高温度中，里程和速度的缺失值处于车辆充电状态，速度采用0值填补；

里程采用片段内里程值填补，对于片段内里程值全部缺失的情况则采用上一片段末的里程值进行填补；

对于最高单体电压、最低单体电压和最高温度则通过随机森林算法进行填补；

对于数值为0的异常数据全部采用缺失值方法进行处理；

对于采集滞后异常数据则通过对速度数据进行平移来修正；

对于车辆状态标记异常则根据车速和电流等特征对已有状态进行修正；

对于通用报警异常数据则对出现大量的耦合电池报警信息的数据予以删除处理。

进一步，特征构建阶段具体为：对数据整理阶段得到的数据进行特征提取，将电池历史SOH值作为主特征，同时构造出SOH表征参数、行驶特征和车辆类别特征；

SOH表征参数包括月平均电容、月平均内阻、月平均温度一致性得分和月平均电压一致性得分；

行驶特征包括月充电次数、月充电时长、月行驶总时间和月行驶总里程；

车辆类别特征为车辆车型。

进一步，算法模型构建阶段具体为：将特征构建阶段得到的相关特征数据记为x,t时刻的SOH值作为Y，建立Y＝f(x)的模型，其中f()为基于大数据学习得到的x和Y之间的转换关系；该模型的输入为t时刻的数据，模型的输出为t时刻电池的SOH值；f()采用LSTM模型和BP-GM(1，N)模型加权融合来构建。

进一步，LSTM模型构建流程为：

加载数据集：导入数据的输入量；

定义模型：在Keras中，通过一系列的层来定义神经网络，首先确定输入输出量，本次有多个输入和一个输出，其中主输入为历史SOH值，副输入为SOH表征参数、行驶特征和车辆类别特征，输出为未来一段时间的SOH值；

编译模型：

对定义模型进行编译，编译过程中选择训练网络所需要的参数去预测，损失函数为MAE；

训练模型：

在导入的数据上通过fit()函数来训练模型，在训练过程中，数据集上迭代的次数称为epochs，而进行梯度下降时每次训练包含的样本数为batch。

进一步，BP-GM(1，N)模型构建流程为：

S10a、进行灰色系统的可行性验证x⁽⁰⁾向量表示被预测数据向量，

x⁽⁰⁾＝{x⁽⁰⁾(1)，x⁽⁰⁾(2)，……x⁽⁰⁾(n)}

λ为计算级比，Х为可溶覆盖,其中：

在可允许的误差范围内,若所有的级比都在可溶覆盖以内,则数据列可以用灰色模型进行预测和分析；

S20a、对数据初始化，并生成累减数据矩阵,采用累减生成方式对于原始向量进行累减生成x⁽⁰⁾(k)＝x⁽¹⁾(k)-x⁽¹⁾(k-1),k＝2，3，……n，生成新的序列矩阵

S30a、生成累减数列的白化微分方程

并求取累减数据残差序列

S40a、使用BP神经网络对

进行预测,其中BP神经网络分输入层、隐藏层和输出层三层,输入层和输出层分别为1个神经元,隐含层神经元数目根据需要选取合适的值,输入为月份,目标为

得到修正后的预测值为

S50a、重复S20a～S40a，建立GM(1,2)～GM(1,8)模型并进行误差修正，得到最终的残差修正GM(1,N)模型为

最后进行累加得到原始数据序列；

S60a、分别对预测结果进行残差检验、关联度检验和后验差检验，来验证模型的有效性。

进一步，验证阶段具体为：采用BP-GM与三种滑动窗口输入的LSTM为基模型，Lasso作为元模型的stacking模型融合的方法，其中：BP-GM的输入变量为全部月特征，LSTM1的输入变量为3窗口月特征，LSTM2的输入变量为4窗口月特征，LSTM3的输入变量为5窗口月特征分别训练三个以不同向量长度的历史信息作为输入的LSTM模型，最终与灰色预测模型一起作为基模型输入到强线性处理能力的Lasso模型中，堆叠得到预测结果。

进一步，对建立的模型进行交叉验证并选择MAPE来评价模型的预测误差。

本发明具有以下有益效果：根据电动汽车的行驶大数据，充分挖掘电池健康状态信息及其变化规律，并构造电池历史SOH、SOH表征参数、行驶特征和车辆类别特征等相关特征，利用大数据技术和机器学习与统计学算法从车辆数据和电池数据中充分挖掘其中隐藏的电池健康状态信息及其变化规律，从而在电池SOH的基础上预测出RUL；

另外，明确了数据的类型并进行了数据的清洗(预处理)，同时在此基础上对数据进行总结和特征的提取，最后将特征化的数据进行模型训练和算法评估并通过模型融合来提高模型的预测精度，而且随着时间的累积和数据量的增加，模型的预测效果和准确性会不断提高。

附图说明

图1为动力电池剩余寿命预测实施方式；

图2为本发明的系统框图；

图3为本发明的融合模型学习框架图；

图4为窗口月特征结构图。

具体实施方式

以下对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

一种基于数据驱动的动力电池剩余寿命预测方法，具体步骤如下：

数据准备阶段，获取纯电动汽车行驶数据；

所述纯电动汽车行驶数据为京、沪两地各5辆在运行营运车辆的历史数据包括车辆状态数据、车辆运行数据、动力电池自身数据和车辆异常报警数据；其中车辆状态数据包括车辆运行状态和充电状态数据；所述车辆运行数据包括车辆运行模式、车速和累计里程；动力电池自身数据包括总电流、总电压、电池SOC、电池历史SOH、电池单体电压最高值、电池单体电压最低值、最高温度值和最低温度值；车辆异常报警数据包括最高报警等级和通用报警标志；

数据整理阶段，对所述纯电动汽车行驶数据进行预处理并将处理过后的相关数据进行特征构建；所述数据预处理包括，数据探索性分析、片段划分、缺失数据处理、异常数据处理和SOH相关性分析，其中数据探索性分析中发现存在大量数据异常现象包括车辆状态标记异常的现象例如车辆行驶状态显示为熄火充电，车辆停车充电显示正在行驶，里程、速度、温度、电压存在大量缺失值，某个放电片段连续出现多个耦合电池通用报警信息以及数据采集滞后等异常；为了更好的处理异常值，需要对片段进行划分，将车辆运行数据划分为行驶片段、停车充电片段、停车静置片段三种车辆状态；缺失数据主要位于速度、里程、充电状态、最高单体电压、最低单体电压和最高温度中，对于里程和速度来说缺失值全部处于车辆充电状态下，因此速度采用0值填补，里程采用片段内里程值填补，但是对于片段内里程值全部缺失的情况则采用上一片段末的里程值进行填补，而对于最高最低单体电压和最高温度则通过随机森林进行填补；数值为0的异常数据采用缺失值方法进行处理，对于采集滞后异常数据对速度数据进行平移修正，对于车辆状态标记异常则根据车速和电流等特征对已有状态进行修正，对于异常边界值采用模块化边缘异常检测的方法来自动捕捉数据的异常边界值；对于通用报警异常数据则对出现大量的耦合电池报警信息的数据予以删除处理；

特征构建阶段，对数据整理阶段得到的数据进行特征提取，将电池历史 SOH值作为主特征，同时构造出SOH表征参数、行驶特征和车辆类别特征；其中SOH表征参数包括月平均电容、月平均内阻、月平均温度一致性得分和月平均电压一致性得分，行驶特征包括月充电次数、月充电时长、月行驶总时间和月行驶总里程，车辆类别特征为车辆车型。

算法模型构建阶段，将特征构建阶段得到的相关特征数据记为x,t时刻的SOH值作为Y，建立Y＝f(x)的模型，其中f()为基于大数据学习得到的x 和Y之间的转换关系；该模型的输入为t时刻的数据，模型的输出为t时刻电池的SOH值；

所述的f()采用LSTM模型和BP-GM(1，N)模型加权融合来构建；

其中，LSTM模型构建流程为：

1)加载数据集：

导入数据的输入量

2)定义模型

在Keras中，通过一系列的层来定义神经网络，首先确定输入输出量，本次有多个输入和一个输出，其中主输入为历史SOH值，副输入为SOH表征参数、行驶特征和车辆类别特征，输出为未来一段时间的SOH值；

3)编译模型

定义好模型后开始编译。编译过程中需要选择训练网络所需要的参数去预测，因此需要定义损失函数用于寻找不同权重的优化器，本次选择损失函数为mae；

4)训练模型

编译好模型后，就可以在导入的数据上通过fit()函数来训练模型；在训练过程中，数据集上迭代的次数称为epochs，而进行梯度下降时每个batch 包含的样本数为batch；本次迭代次数设为100次，batch设为256；

其中，BP-GM(1，N)构建流程为：

BP-GM(1，N)模型构建流程为：

1)、进行灰色系统的可行性验证x⁽⁰⁾向量表示被预测数据向量，

x⁽⁰⁾＝{x⁽⁰⁾(1)，x⁽⁰⁾(2)，……x⁽⁰⁾(n)}

λ为计算级比，Х为可溶覆盖,其中：

在可允许的误差范围内,若所有的级比都在可溶覆盖以内,则数据列可以用灰色模型进行预测和分析；

2)、对数据初始化，并生成累减数据矩阵,采用累减生成方式对于原始向量进行累减生成x⁽⁰⁾(k)＝x⁽¹⁾(k)-x⁽¹⁾(k-1),k＝2，3，……n，生成新的序列矩阵

3)、生成累减数列的白化微分方程

并求取累减数据残差序列

4)、使用BP神经网络对

进行预测,其中BP神经网络分输入层、隐藏层和输出层三层,输入层和输出层分别为1个神经元,隐含层神经元数目根据需要选取合适的值,输入为月份,目标为

得到修正后的预测值为

5)、重复2)～4)，建立GM(1,2)～GM(1,8)模型并进行误差修正，得到最终的残差修正GM(1,N)模型为

最后进行累加得到原始数据序列；

6)、分别对预测结果进行残差检验、关联度检验和后验差检验，来验证模型的有效性；

模型融合与验证阶段，LSTM和BP-GM(1，N)加权融合模型相对于单个模型的预测效果有所提高，为了进一步提高模型的预测精度，采用BP-GM与三种滑动窗口输入的LSTM为基模型，Lasso作为元模型的stacking模型融合的方法，其中：BP-GM的输入变量为全部月特征，LSTM1的输入变量为3 窗口月特征，LSTM2的输入变量为4窗口月特征，LSTM3的输入变量为5窗口月特征分别训练三个以不同向量长度的历史信息作为输入的LSTM模型，最终与灰色预测模型一起作为基模型输入到具有强线性处理能力的Lasso模型中，堆叠得到预测结果，对建立的模型进行交叉验证并选择MAPE来评价模型的预测误差，结果表明该方法有效提高了预测精度，模型预测相对误差从原来的1.17％降低到1.04％。

图1～图4给出了本发明具体实施方式中的一种基于数据驱动的动力电池剩余寿命预测的步骤，其中：

获取电动汽车行驶相关数据，电动汽车行驶数据包括车辆状态数据、车辆运行数据、动力电池自身数据和车辆异常报警数据；相关数据如下表所示：

对电动汽车行驶相关数据进行数据清洗并将清洗后的数据进行特征提取，从而为后续的模型学习做准备；

在本实施方案中，主要是通过数据处理来实现的，而保证数据质量是提高结果准确性的前提，因此需要对相关数据进行数据清洗，本发明将质量不高的数据转换为满足质量要求的数据包括：

片段划分：在数据传输过程中，很容易出现数据缺失的情况，为了更好的处理异常和缺失数据需要对汽车行驶数据进行片段划分，将车辆运行数据划分为行驶片段、停车充电片段、停车静置片段三种车辆状态片段；

缺失值处理：缺失数据主要位于速度、里程、充电状态、最高单体电压、最低单体电压和最高温度中，对于里程和速度的缺失值全部位于车辆充电状态下，因此速度采用0值填补，而里程采用片段内里程值填补，但是对于片段内里程值全部缺失的情况则采用上一片段末的里程值进行填补，而对于最高最低单体电压和最高温度则通过随机森林算法进行填补；

异常值处理：数值为0的异常数据采用缺失值方法进行处理，对于采集滞后异常数据对速度数据进行平移修正，对于车辆状态标记异常则根据车速和电流等特征对已有状态进行修正，对于异常边界值采用模块化边缘异常检测的方法来自动捕捉数据的异常边界值；对于通用报警异常数据则对出现大量的耦合电池报警信息的数据予以删除处理；

清洗完数据后，对数据进行总结和特征提取，从而获取特征化数据，由于后续步骤需要对数据进行处理计算，为了便于模型更好的识别和计算数据的特征，需要对数据进行特征化处理以便显示数据的特征从而便于模型的识别和学习；

将特征构建阶段得到的相关特征数据记为x,t时刻的SOH值作为Y，建立Y＝f(x)的模型，其中f()为基于大数据学习得到的x和Y之间的转换关系；该模型的输入为t时刻的数据，模型的输出为t时刻电池的SOH值；所述的 f()采用LSTM模型和BP-GM(1，N)模型加权融合来构建，在电动汽车实时运行过程中，利用实时采集的数据x即可通过模型准确的预测RUL；

为了进一步提高模型的预测精度采用BP-GM与三种滑动窗口输入的 LSTM为基模型，Lasso作为元模型的stacking模型融合的方法，其中：BP-GM 的输入变量为全部月特征，LSTM1的输入变量为3窗口月特征，LSTM2的输入变量为4窗口月特征，LSTM3的输入变量为5窗口月特征分别训练三个以不同向量长度的历史信息作为输入的LSTM模型，最终与灰色预测模型一起作为基模型输入到具有较强线性处理能力的Lasso模型中，堆叠得到预测结果，对建立的模型进行交叉验证并选择MAPE来评价模型的预测误差，结果表明该方法有效提高了预测精度，模型预测相对误差从原来的1.17％降低到 1.04％。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (6)

1.一种基于数据驱动的动力电池剩余寿命预测方法，其特征在于，具体步骤如下：

数据准备阶段：获取纯电动汽车行驶数据；

纯电动汽车行驶数据包括车辆状态数据、车辆运行数据、动力电池自身数据和车辆异常报警数据；

所述车辆状态数据包括车辆运行状态和充电状态数据；

所述车辆运行数据包括车辆运行模式、车速和累计里程；

所述动力电池自身数据包括总电流、总电压、电池SOC、电池历史SOH、电池单体电压最高值、电池单体电压最低值、最高温度值和最低温度值；

所述车辆异常报警数据包括最高报警等级和通用报警标志；

数据整理阶段：对纯电动汽车行驶数据进行预处理；

特征构建阶段：对数据整理阶段所得数据进行特征提取；

特征构建阶段具体为：

对数据整理阶段得到的数据进行特征提取，将电池历史SOH值作为主特征，同时构造出SOH表征参数、行驶特征和车辆类别特征；

SOH表征参数包括月平均电容、月平均内阻、月平均温度一致性得分和月平均电压一致性得分；

行驶特征包括月充电次数、月充电时长、月行驶总时间和月行驶总里程；

车辆类别特征为车辆车型；

算法模型构建阶段：根据特征构建阶段所得相关特征数据以LSTM模型和BP-GM(1,N)的融合模型构建算法模型；

算法模型构建阶段具体为：将特征构建阶段得到的相关特征数据记为x,t时刻的SOH值作为Y，建立Y＝f(x)的模型，其中f()为基于大数据学习得到的x和Y之间的转换关系；该模型的输入为t时刻的数据，模型的输出为t时刻电池的SOH值；f()采用LSTM模型和BP-GM(1，N)模型加权融合来构建；

验证阶段：以算法模型预测动力电池剩余寿命；

验证阶段具体为：采用BP-GM与三种滑动窗口输入的LSTM为基模型，Lasso作为元模型的stacking模型融合的方法，其中：BP-GM的输入变量为全部月特征，LSTM1的输入变量为3窗口月特征，LSTM2的输入变量为4窗口月特征，LSTM3的输入变量为5窗口月特征分别训练三个以不同向量长度的历史信息作为输入的LSTM模型，最终与灰色预测模型一起作为基模型输入到强线性处理能力的Lasso模型中，堆叠得到预测结果。

2.根据权利要求1所述的一种基于数据驱动的动力电池剩余寿命预测方法，其特征在于，数据预处理包括数据探索性分析、片段划分、缺失数据处理和异常数据处理。

3.根据权利要求2所述的一种基于数据驱动的动力电池剩余寿命预测方法，其特征在于，数据探索性分析用于发现是否存在大量数据异常的现象，具体包括但不限于车辆行驶状态显示为熄火充电状态，车辆停车充电显示行驶状态；

以及，在里程、速度、温度、电压数据中是否存在大量缺失值以及某个放电片段出现连续多个电池耦合的通用报警信息以及数据采集滞后异常数据；

片段划分用于将电动汽车的行驶数据划分为行驶片段、停车充电片段、停车静置片段三种车辆状态片段；

缺失数据位于速度、里程、充电状态、最高单体电压、最低单体电压和最高温度中，里程和速度的缺失值处于车辆充电状态，速度采用0值填补；

里程采用片段内里程值填补，对于片段内里程值全部缺失的情况则采用上一片段末的里程值进行填补；

对于最高单体电压、最低单体电压和最高温度则通过随机森林算法进行填补；

对于数值为0的异常数据全部采用缺失值方法进行处理；

对于采集滞后异常数据则通过对速度数据进行平移来修正；

对于车辆状态标记异常则根据车速和电流特征对已有状态进行修正；

对于通用报警异常数据则对出现大量的耦合电池报警信息的数据予以删除处理。

4.根据权利要求1所述的一种基于数据驱动的动力电池剩余寿命预测方法，其特征在于，LSTM模型构建流程为：

加载数据集：导入数据的输入量；

定义模型：在Keras中，通过一系列的层来定义神经网络，首先确定输入输出量，本次有多个输入和一个输出，其中主输入为历史SOH值，副输入为SOH表征参数、行驶特征和车辆类别特征，输出为未来一段时间的SOH值；

编译模型：

对定义模型进行编译，编译过程中选择训练网络所需要的参数去预测，损失函数为MAE；

训练模型：

在导入的数据上通过fit()函数来训练模型，在训练过程中，数据集上迭代的次数称为epochs，而进行梯度下降时每个batch包含的样本数为batch。

5.根据权利要求4所述的一种基于数据驱动的动力电池剩余寿命预测方法，其特征在于：

BP-GM(1，N)模型构建流程为：

S10a、进行灰色系统的可行性验证x⁽⁰⁾向量表示被预测数据向量，x⁽⁰⁾＝{x⁽⁰⁾(1)，x⁽⁰⁾(2)，……x⁽⁰⁾(n)}

λ为计算级比，Х为可溶覆盖,其中：

在可允许的误差范围内,若所有的级比都在可溶覆盖以内,则数据列可以用灰色模型进行预测和分析；

S20a、对数据初始化，并生成累减数据矩阵,采用累减生成方式对于原始向量进行累减生成x⁽⁰⁾(k)＝x⁽¹⁾(k)-x⁽¹⁾(k-1),k＝2，3，……n，生成新的序列矩阵

S30a、生成累减数列的白化微分方程

并求取累减数据残差序列

S40a、使用BP神经网络对

进行预测,其中BP神经网络分输入层、隐藏层和输出层三层,输入层和输出层分别为1个神经元,隐含层神经元数目根据需要选取合适的值,输入为月份,目标为

得到修正后的预测值为

S50a、重复S20a～S40a，建立GM(1,2)～GM(1,8)模型并进行误差修正，得到最终的残差修正GM(1,N)模型为

最后进行累加得到原始数据序列；

S60a、分别对预测结果进行残差检验、关联度检验和后验差检验，来验证模型的有效性。

6.根据权利要求1所述的一种基于数据驱动的动力电池剩余寿命预测方法，其特征在于，对建立的模型进行交叉验证并选择MAPE来评价模型的预测误差。

Images