CN113065283A - 一种电池寿命预测方法、系统、电子装置及存储介质 - Google Patents

一种电池寿命预测方法、系统、电子装置及存储介质 Download PDF

Info

Publication number
CN113065283A
CN113065283A CN202110324319.XA CN202110324319A CN113065283A CN 113065283 A CN113065283 A CN 113065283A CN 202110324319 A CN202110324319 A CN 202110324319A CN 113065283 A CN113065283 A CN 113065283A
Authority
CN
China
Prior art keywords
data
battery
neural network
long
component data
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.)
Pending
Application number
CN202110324319.XA
Other languages
English (en)
Inventor
申文静
陈长
周冀
王红志
吕启涛
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.)
Shenzhen Technology University
Original Assignee
Shenzhen Technology University
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 Shenzhen Technology University filed Critical Shenzhen Technology University
Priority to CN202110324319.XA priority Critical patent/CN113065283A/zh
Publication of CN113065283A publication Critical patent/CN113065283A/zh
Pending legal-status Critical Current

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • 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

Landscapes

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

Abstract

本发明公开了一种电池寿命预测方法、系统、电子装置及存储介质，方法包括：获取电池容量的历史数据；对历史数据进行预处理，得到电池容量衰减的主成分分量数据及次要成分分量数据；将主成分分量数据、次要成分分量数据输入预先训练的长短期记忆神经网络；接收长短期记忆神经网络的输出结果，并对输出结果进行处理，得到电池容量的衰减序列；判断衰减序列中的数值是否达到预先设置的电池失效阈值，以对电池剩余寿命进行预测，并将历史数据及预测结果输入长短期记忆神经网络以进行反向训练，能够实现泛化、长期且有效的预测电池寿命。

Description

一种电池寿命预测方法、系统、电子装置及存储介质
技术领域
本发明涉及电池技术领域，尤其涉及一种电池寿命预测方法、系统、电子装置及存储介质。
背景技术
随着新能源技术的发展，锂离子电池在许多重要的领域中得到了广泛的应用，然而，锂离子电池仍面临许多挑战，其中之一就是性能退化。性能退化涉及的因素较多，例如阳极、电解液、阴极的许多化学副反应在受到影响时，均会导致电池的性能退化，而电池的容量局部再生、自充电现象、用户使用习惯、环境温度、道路振动等因素下，都可能使得电池容量衰减，从而对电池的寿命产生影响。
因此，对于电池剩余寿命进行预测，可以确保电池管理系统的可靠运行及维护具有重要的意义。
然而现有的电池寿命预测方法，没有将造成电池容量衰减的多种因素的影响分离，或仅能实现短期范围内的预测，或仅能预测特定电池的寿命，因此不能实现泛化、长期且有效的预测。
发明内容
本发明的主要目的在于提供一种电池寿命预测方法、系统、电子装置及存储介质，能够实现泛化、长期且有效的预测电池寿命。
为实现上述目的，本发明第一方面提供一种电池寿命预测方法，包括：获取电池容量的历史数据；对所述历史数据进行预处理，得到电池容量衰减的主成分分量数据及次要成分分量数据；将所述主成分分量数据、所述次要成分分量数据输入预先训练的长短期记忆神经网络；接收所述长短期记忆神经网络的输出结果，并对所述输出结果进行处理，得到电池容量的衰减序列；判断所述衰减序列中的数值是否达到预先设置的电池失效阈值，以对电池剩余寿命进行预测。
进一步地，对历史数据进行预处理的步骤包括：利用集合经验模态分解的方法将电池容量的历史数据分解为至少三个分量数据，至少三个分量包括至少两个本征模态、一个余量；利用主成分分析方法对所述本征模态及所述余量进行降维，以减少分量数据为两个，两个分量数据包括主成分分量数据及次要成分分量数据。
进一步地，所述长短期神经网络的训练方法包括：获取电池容量的样本数据，并建立原始长短期神经网络；对所述样本数据进行预处理，得到电池容量衰减的样本主成分分量数据及样本次要成分分量数据；将所述样本主成分分量数据、样本次要成分分量数据输入原始长短期神经网络，进行训练。
进一步地，所述长短期神经网络的训练方法还包括：对所述样本数据的样本主成分分量数据及样本次要成分分量数据进行稀疏化处理；将稀疏化后的主成分分量数据及样本次要成分分量数据输入原始长短期神经网络，进行训练。
进一步地，所述长短期神经网络的训练方法还包括：获取样本数据电池的类型，并获取与样本数据电池同类型电池容量的辅助数据；对所述辅助数据进行预处理，得到辅助主成分分量数据；将所述辅助主成分分量数据输入所述原始长短期神经网络，进行辅助训练，得到长短期神经网络。
进一步地，所述长短期神经网络的训练方法还包括：所述获取N个与样本数据电池同类型电池容量的辅助数据，N为大于1的整数；对N个所述辅助数据进行预处理，得到N个辅助主成分分量数据；计算N个辅助主成分分量数据的平均值作为辅助序列；将所述辅助序列输入所述原始长短期神经网络，进行辅助训练，得到长短期神经网络。
进一步地，所述主成分分析方法包含一个反变换矩阵，反变换矩阵用于对分量进行反变换；所述输出结果包括主成分分量预测结果及次要成分预测结果；对所述输出结果进行预测处理的步骤包括：将所述主成分分量预测结果及所述次要成分预测结果与所述反变换矩阵相乘进行反变换；对反变换后的所述主成分分量预测结果及所述次要成分预测结果进行叠加以得到预测的电池容量衰减序列。
本发明第二方面提供一种电池寿命预测系统，包括：历史数据获取模块，用于获取电池容量的历史数据；预处理模块，用于对所述历史数据进行预处理，得到电池容量衰减的主成分分量数据及次要成分分量数据；训练模块，用于预先训练长短期记忆神经网络；输入模块，用于将所述主成分分量数据、所述次要成分分量数据输入所述训练模块训练的长短期记忆神经网络；接收模块，用于接收所述长短期记忆神经网络的输出结果，并对所述输出结果进行预测，得到电池容量的衰减序列；预测模块，用于判断所述衰减序列中的数值是否达到预先设置的电池失效阈值，以对电池剩余寿命进行预测。
本发明第三方面提供一种电子装置，包括：存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述中的任意一项所述电池寿命预测方法。
本发明第四方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述中的任意一项所述电池寿命预测方法。
本发明提供一种电池寿命预测方法、系统、电子装置及存储介质，有益效果在于：
通过将样本数据预处理为主成分分量数据及次要成分分量数据，能够有效的将电池容量衰减的复杂参数进行分离，从而使得长短期记忆网络能够更好地识别导致容量衰减的因素，从而实现有效的预测；另外，预先训练长短期记忆神经网络，能够根据训练时学习不同的样本数据，获得识别不同电池的识别能力，从而提高对预测的泛化能力；另外，通过在对电池的寿命预测后，使用预测结果对长短期记忆神经网络进行反向训练，能够使得电池寿命中后期的情况下，长短期记忆神经网络基于该电池前面的数据及预测结果进行识别，从而使得对于电池长期的寿命预测更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例电池寿命预测方法的流程示意图；
图2为本申请实施例电池寿命预测方法的PCA的形象示意图；
图3为本申请实施例电池寿命预测方法的长短期记忆神经网络的单元结构图；
图4为本申请实施例电池寿命预测方法的NASA锂离子电池容量衰减曲线示意图；
图5为本申请实施例电池寿命预测方法的CALCE锂离子电池容量衰减曲线示意图；
图6为本申请实施例电池寿命预测方法的B5的EEMD处理得到的分量曲线示意图；
图7为本申请实施例电池寿命预测方法的B5的PCA分量曲线示意图；
图8为本申请实施例电池寿命预测方法的NASA锂离子电池的PC曲线示意图；
图9为本申请实施例电池寿命预测方法的NASA锂离子电池在前70、80、90周期PC的相关系数统计图；
图10(a)为本申请实施例电池寿命预测方法的NASA锂离子电池PC预测结果曲线示意图，图10(b)为SC1预测结果的曲线示意图；
图11为本申请实施例电池寿命预测方法的对CALCE数据的稀疏化和插值重构的原理图；
图12(a)为本申请实施例电池寿命预测方法的B5的在线预测结果和误差点阵及曲线示意图，图12(b)为CX2-34的在线预测结果和误差的点阵及曲线示意图；
图13为本申请实施例电池寿命预测系统的结构示意框图；
图14为本申请实施例电子装置的结构示意框图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，而非全部实施例。基于本发明中的实施例，本领域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，为一种电池寿命预测方法，包括：S1、获取电池容量的历史数据；S2、对历史数据进行预处理，得到电池容量衰减的主成分分量数据及次要成分分量数据；S3、将主成分分量数据、次要成分分量数据输入预先训练的长短期记忆神经网络；S4、接收长短期记忆神经网络的输出结果，并对输出结果进行处理，得到电池容量的衰减序列；S5、判断衰减序列中的数值是否达到预先设置的电池失效阈值，以对电池剩余寿命进行预测，并将历史数据及预测结果输入长短期记忆神经网络以进行反向训练。
在本实施例中，通过将样本数据预处理为主成分分量数据及次要成分分量数据，能够有效的将电池容量衰减的复杂参数进行分离，从而使得长短期记忆网络能够更好地识别导致容量衰减的因素，从而实现有效的预测；另外，预先训练长短期记忆神经网络，能够根据训练时学习不同的样本数据，获得识别不同电池的识别能力，从而提高对预测的泛化能力；另外，通过在对电池的寿命预测后，使用预测结果对长短期记忆神经网络进行反向训练，能够使得电池寿命中后期的情况下，长短期记忆神经网络基于该电池前面的数据及预测结果进行识别，从而使得对于电池长期的寿命预测更加准确。
在一个实施例中，对历史数据进行预处理的步骤包括：利用集合经验模态分解的方法将电池容量的历史数据分解为至少三个分量数据，至少三个分量包括至少两个本征模态、一个余量；利用主成分分析方法对本征模态及余量进行降维，以减少分量数据为两个，两个分量数据包括主成分分量数据及次要成分分量数据。
在本实施例中，使用的是EEMD(Ensemble Empirical Mode Decomposition,集合经验模态分解)方法将原始的电池容量数据分解为多个IMF(Intrinsic Mode Functions，本征模态)和一个Res(Residual，余量)；然后再利用PCA(Principal Component Analysis,主成分分析)方法对上一步分解得到的多个分量降维处理，即在维持99％有效信息的前提下，减少分量个数至两个左右，其中一个分量称为PC(Principal Component，主成分分量)是包含绝大部分有效信息的单调衰减分量，其它分量称为SC(Secondary Component，次要成分分量)是信息量较少的波动分量；最后对同种电池容量序列经EEMD-PCA处理得到的分量PC进行相关分析，将与预测电池容量序列相关性最强的相似PC和同种电池的PC平均值同时作为辅助序列。
具体地，为了提取锂离子电池容量衰减数据的整体退化趋势，首先采用了集合经验模态分解(EEMD)方法。EEMD是一种分析非线性和非平稳信号的方法。EEMD最明显的特点是在分解过程中没有基函数，因此它可以自适应地表示原始信号的局部波动特征和全局退化趋势。
通过EEMD提取IMF的过程称为筛选算法，是一种迭代方法。具体分解步骤如下：
1、在原始容量序列ξ(t)中加入高斯白噪声ni(t)，从而获得叠加后的序列ξi，j(t)：
ξi，j(t)＝ξ(t)+ni(t) (1)
这里，i是第i次加入高斯白噪声的迭代过程，j表示每次迭代过程中的第j个IMF分量计算过程。
2、确定ξi，j(t)的极值(局部最小值和最大值)，然后用三次样条插值方法得到ξi，j(t)的上包络线U(t)和下包络线L(t)。
3、计算上包络U(t)和下包络L(t)的均值m(t)，用ξi，j(t)减去均值m(t)得到中间量h(t)：
Figure BDA0002993982750000071
h(t)＝ξi，j(t)-m(t)
4、检查h(t)是否满足下面条件a和条件b，如果不满足，用h(t)替换ξi，j(t)重复步骤2和3，直到h(t)满足条件a和b。当条件a和b能够同时满足时，h(t)就可以认为是一个IMFi，j。
条件a：局部极值点的个数与过零点的个数相等，或者最多相差1；
条件b：上包络U(t)和下包络L(t)的均值m(t)满足：m(t)＝0。(在实际应用中，过多的迭代处理会使IMF变成单纯的恒幅值调频信号，从而失去其实际意义，因此，当m(t)≤ε时，可以认为条件b已经满足了，这里ε是一个给定的接近于0的正值)。
5、从ξi，j(t)中减去IMFi，j，得到两者的差值ξi，j+1(t)。用ξi，j+1(t)替换ξi，j(t)，重复步骤2-5，直到信号ξi，j+1(t)的波动不超过2次为止，此时的ξi，j+1(t)就是余量ri。
ξi，j+1(t)＝ξi，j(t)-IMFi，j (4)
6、重复步骤1到步骤5直到迭代次数i达到所给定的值θ，然后对θ次迭代得到的IMFi，j和ri取平均值：
Figure BDA0002993982750000081
Figure BDA0002993982750000082
原始容量序列ξ(t)最后可以分解为多个IMF和Res:
Figure BDA0002993982750000083
EEMD是一种噪声辅助分解方法，旨在改善EMD的不足。如图2所示，EEMD本质上是对原始信号ξ(t)进行给定次数的重复EMD过程，然后对迭代所得到的相应分量取平均值。在EEMD的每个实验中，加入高斯白噪声ni(t)辅助分解，使噪声干扰信号不仅具有均匀的分解尺度，而且平滑了脉冲干扰等引起的异常值，有效地解决了模态噪声混合问题。
然而，过多的IMF分量会导致较大的累积计算误差，影响最终的预测精度。为了解决这个问题，这里采用了主成分分析(PCA)。PCA是一种降维统计分析技术，它在保留原始数据有效信息的同时，减少了分量的数目。如图2所示，PCA通过线性组合，可以将原始的相关分量进行约简，并将其转换为较少的、无关的分量。从而较少的且不相关的主成分能代表原始序列，并反映其变化而不引起繁重的计算和计算误差。
这里，
Figure BDA0002993982750000085
与经过EEMD分解后得到的IMF1，IMF2，…，IMFl，r分量相对应；η1，η2，...ηk是PCA的输出分量，m≥k。
PCA的具体过程如下：
1、分别通过式(8)和式(9)计算m个分量ζj的均值矩阵M和中心化处理后的矩阵Φ：
Figure BDA0002993982750000084
Figure BDA0002993982750000091
这里，
Figure BDA0002993982750000098
和
Figure BDA0002993982750000099
分别是分量ζj的均值和中心化处理后的序列，j∈[1，m]。
2、计算样本协方差矩阵R：
Figure BDA0002993982750000092
对协方差矩阵进行特征分解R＝UΛUT，这里Λ＝diag{λ1，λ2，…，λm}是由R的特征值组成的主对角矩阵，满足λ1≥λ2≥…≥λm≥0，U是由R的特征向量组成的正交矩阵，并且满足U-1＝UT，从而主成分可以由下式计算得到：
Figure BDA0002993982750000093
3、协方差矩阵R的特征值λj的大小反映主成分分量ηj有效信息的大小，即λj越大，ηj包含的有效信息越多。ηj的有效信息的百分比由下式计算得到：
Figure BDA0002993982750000094
最后，通过计算累积贡献率
Figure BDA0002993982750000095
我们可以确定要保留多少分量，贡献小的分量可以当成噪声忽略掉。
4、决定保留的k个分量η可由下式计算得：
Figure BDA0002993982750000096
这里，
Figure BDA0002993982750000097
是由UT保留前k列组成的矩阵。
通过EEMD-PCA组合对数据进行预处理，可以提高后续神经网络预测模型的预测性能。
在一个实施例中，长短期神经网络的训练方法包括：获取电池容量的样本数据，并建立原始长短期神经网络；对样本数据进行预处理，得到电池容量衰减的样本主成分分量数据及样本次要成分分量数据；将样本主成分分量数据、样本次要成分分量数据输入原始长短期神经网络，进行训练。
深度学习神经网络模型在特征提取和时间序列分析方面的优良性能，本发明对LSTM(Long and Short-Term Memory，长短期记忆)神经网络进行了改进，分别对前一模块所得到的PC和SC两类数据进行建模、分析和预测。为了进一步提高预测精度，还将同种锂离子电池容量序列的PC作为辅助量对LSTM网络进行训练。
在一个实施例中，长短期神经网络的训练方法还包括：获取样本数据电池的类型，并获取与样本数据电池同类型电池容量的辅助数据；对辅助数据进行预处理，得到辅助主成分分量数据；将辅助主成分分量数据输入原始长短期神经网络，进行辅助训练，得到长短期神经网络。
在一个实施例中，长短期神经网络的训练方法还包括：获取N个与样本数据电池同类型电池容量的辅助数据，N为大于1的整数；对N个辅助数据进行预处理，得到N个辅助主成分分量数据；计算N个辅助主成分分量数据的平均值作为辅助序列；将辅助序列输入原始长短期神经网络，进行辅助训练，得到长短期神经网络。
实验数据序列经过预处理后，仍具有高度非线性和长时间依赖性。为了解决这些问题，本研究采用了LSTM神经网络。LSTM神经网络结构是一种特殊的递归神经网络，通常用于解决长期依赖问题。
LSTM网络的单元结构如图3所示，它由一个遗忘门、一个输入门和一个输出门组成。LSTM网络既能保存有意义的信息，又能遗忘无用的数据。此外，它还可以决定输出什么信息。这些特性可以使LSTM更有效地处理长期相关和高度非线性的序列。各个门计算公式如下：
遗忘门：
ft＝σ(Wf·[yt-1,xt]+bf) (14)
2)输入门：
Figure BDA0002993982750000111
3)输出门：
Figure BDA0002993982750000112
其中x是输入数据，y是输出数据，i、f、O、C分别是输入门、遗忘门、输出门和单元状态。矩阵W和b表示要训练的权重和偏差，σ(·)是sigmoid函数，tanh(·)是双曲正切函数。LSTM的这些门协同工作，有效地捕捉输入时间序列数据的长期和短期特征，防止信息传输过程中的梯度消失和爆炸。
在一个实施例中，长短期神经网络的训练方法还包括：对样本数据的样本主成分分量数据及样本次要成分分量数据进行稀疏化处理；将稀疏化后的主成分分量数据及样本次要成分分量数据输入原始长短期神经网络，进行训练。
通过进行稀疏化梳理，能够减少数据点，提高原始输入原始长短期神经网络的辨识能力。
在一个实施例中，主成分分析方法包含一个反变换矩阵，反变换矩阵用于对分量进行反变换；输出结果包括主成分分量预测结果及次要成分预测结果；对输出结果进行预测处理的步骤包括：将主成分分量预测结果及次要成分预测结果与反变换矩阵相乘进行反变换；对反变换后的主成分分量预测结果及次要成分预测结果进行叠加以得到预测的电池容量衰减序列。
本实施例还使用上述描述中的技术方案对两个业界公认的锂离子电池数据集进行验证。此外，还进行了进一步的实验来评估在线预测性能，并进行了100次重复实验，以减少模型随机性的影响，从而在云计算中获得更稳健、更准确的预测结果。
第一个锂电池数据集由NASA-Ames(National Aeronautics and SpaceAdministration-Ames)研究中心发布，第二个数据集来自CALCE(Center for AdvancedLife Cycle Engineering(CALCE)of the University of Maryland,马里兰大学高级生命周期工程中心)。CALCE电池的使用寿命几乎是NASA电池的10倍，因此它们代表了两种不同类型的锂离子电池，即长寿命电池和短寿命电池。利用这两组差异较大的电池数据来验证所提出的方法非常具有挑战性，但也更能证明本方法的普适性。
在NASA数据集中，选择了4组18650锂离子电池(额定容量为2Ah)：B5、B6、B7和B18，它们是通过在室温(24℃)下对电池进行充放电和EIS(Electrochemical ImpedanceSpectroscopy,电化学阻抗谱)测量得到的。具体实验过程如下：
1)电池先用0.75C(1.5A)恒流充电至截止电压4.2V，再恒压4.2V充电至截止电流降至0.02A以下；
2)然后电池以1C(2A)恒流放电，直至B5、B6、B7、B18电压分别降至2.7V、2.5V、2.2V、2.5V；
3)重复第1步和第2步，以加速锂电池的老化过程，同时记录阻抗数据。
图4显示了NASA锂离子电池通过以上实验所测得的容量退化曲线。
从CALCE锂离子电池数据集中选择了四组数据：CX2-34、CX2-36、CX2-37和CX2-38，该电池为LiCoO2阴极的棱柱形电池，额定容量为1.35Ah。
CALCE的锂离子电池容量衰减数据是在室温环境(25～30℃)下通过ArbinBT2000电池实验测试系统获得的,实验过程与NASA类似：
1)电池先以0.5C(0.675A)的恒流率充电，直到电压达到4.2V，然后维持4.2V，直到充电电流降至0.05A以下。
2)然后电池以0.5C(0.675A)的恒定电流率放电，直到电压降至2.7V。
3)重复步骤1和步骤2，并进行EIS测试，以测量阻抗并获得反映每个循环后容量退化的内部参数。
对于CALCE锂离子电池数据集中一些明显的异常值，将其去掉以减少噪声。根据3准则，计算相邻两次电池容量循环之间的差值，并计算所有差值的均值μ和标准偏差σ。将差值在区间(μ-3σ,μ+3σ)外的容量数据点替换为两个相邻容量值的线性插值。处理后的CALCE锂离子电池容量衰减曲线如图5所示。
分别参照NASA和CALCE的实验数据标准，当B5、B6、B7、B18和CX2-34、CX2-36、CX2-37、CX2-38电池的放电容量分别下降到1.4Ah和0.945Ah时，即认为锂电池达到了失效阈值(额定容量的70％)。
数据预处理：
数据预处理过程包括EEMD、PCA和辅助序列分析。
由于测量过程中的各种干扰误差，以及电池复杂的物理化学特性，锂离子电池的容量衰减曲线存在局部波动，这将极大地影响预测性能。为了解决这些问题，使用EEMD对原始序列进行分解，以B5组的分解结果为例，如图6所示。将原始序列根据式(1)-(7)分解得到7个分量，分别表示为IMF1、IMF2、IMF3、IMF4、IMF5、IMF6和Res。
如果将所有这些分量直接用于后续神经网络处理，计算将非常耗时，并且会引入许多累积误差。为了避免这些问题，采用PCA来保留有效成分：在保留原始信号99％以上的有效信息的前体下，保留至少两个成分，将有效信息小于1％的成分作为噪声丢弃。如图7所示，PCA处理后得到两个分量，包含了原来7个EEMD分量99％以上的信息。衰减较简单的第一组分含有98.89％的有效信息，称为主成分(PC)。第二个波动包含0.36％的有效信息称为次要成分(SC1)。
通过EEMD和PCA的联合处理，从原始实验数据中提取出两个简单的成分。总体退化趋势分量PC呈良好的单调下降趋势，无波动。局部波动分量SC1主要包含电池容量再生和自充电现象的信息。提出的EEMD-PCA分解方法能有效分离电池容量退化数据的局部波动和全局退化趋势，有助于提高后续深度学习方法的性能。
将图7中的两个分量分为两段，分别使用前一段的数据训练神经网络，以预测后一段的数据。由于PC的训练数据和预测数据是两个不相交的区间，在预测中容易出现较大的偏差。因此，为了获得更准确、更稳定的预测结果，引入相似的其他电池序列进行辅助训练，而不是依赖于这个单一的序列。图8说明了EEMD-PCA预处理后每个NASA锂离子电池的PC。每个PC包含96％-99％的原始容量序列。可以看出，电池容量下降的主要趋势具有很高的相似性。本文采用相关分析法(CA)对这些PC之间的相似性进行了分析，需要指出的是，由于B18只有132个数据点，因此对其他三个NASA锂离子电池的前132个数据点也进行了相关分析。计算了四个锂离子电池的相关系数，如表1所示。可以观察到，任何两个电池容量序列的相关系数都非常接近1。这也表明四个电池的降解曲线高度相关。
表1 NASA锂离子电池PC的相关系数
Figure BDA0002993982750000141
然而，在现实情况下，待预测电池的容量退化数据在达到失效阈值前是不完整的。为了找到相关度最高的序列作为辅助序列，我们可以通过相关分析将待测电池已有的容量数据与数据集中其他完整的电池容量序列进行比较。如图9所示，B7的PC与B5的PC相关性最强。因此，将B7的PC作为辅助序列，并且为体现一般性可以选择B6和B7的平均PC值作为另一辅助序列(由于B18的序列过短而被排除)。这些具有电池全周期退化信息的辅助序列和电池现有历史数据被用作训练集的输入LSTM神经网络。在预测阶段，将待预测序列的已知历史数据输入到训练模型中，得到预测结果。
LSTM预测和数据后处理：
本发明中的LSTM网络算法在MATLAB中实现，模型参数经反复实验后设置如表2所示。利用PC和SC1的历史数据对所设计的网络模型进行训练，并在PC的网络模型中加入辅助序列训练，提高其预测精度。然后利用训练好的LSTM网络模型进行预测。首先，将预处理后的当前周期容量值输入神经网络，预测下一个周期的容量值。然后，将预测值作为下一次迭代的输入。通过外推法预测未来电池的容量，预测结果可用式(17)表示：
Qt+h＝LSTM(Qt+h-1) (17)
其中LSTM(·)是LSTM神经网络预测模型，t表示预测的起点，h表示起点之后的周期数，Qt+h是电池在第t+k循环周期的可用容量。
表2 LSTM的参数设置
Figure BDA0002993982750000151
图10展示了以前90个周期数据为训练集的NASA B5的PC和SC1预测结果。可以看出，主成分PC的预测结果与实际容量的下降趋势基本一致。次要成分SC1虽然由于波动导致预测精度明显不如PC，但其贡献和有效信息也远小于PC，对叠加后的结果影响不大。应用后处理(表示为式(18))来处理LSTM输出的结果。将各分量的预测结果乘以PCA的逆变换系数矩阵，得到最终的容量预测序列：
Figure BDA0002993982750000152
这里，
Figure BDA0002993982750000157
是预测的电池容量序列，
Figure BDA0002993982750000156
表示预测的PC和SC分量，k是保留的分量个数，Ucoeff是PCA的反变换系数矩阵，根据公式(11)和(13)可得Ucoeff＝Uk，矩阵Mk由下式定义：
Figure BDA0002993982750000153
这里，
Figure BDA0002993982750000154
是由公式(8)中的M保留前k列组成的矩阵，n是容量序列
Figure BDA0002993982750000155
的长度。
特别要说明的是，CALCE所采用的电池寿命远远长于NASA的电池寿命，因此CALCE电池数据集序列中的容量数据点更密集，相邻两个容量数据的变化也更小。为了提高LSTM网络模型在CALCE超长数据集上的预测性能及运行速度，需要进一步采取适当的处理方法。如图11所示，训练数据经过EEMD-PCA预处理后，再对其进行稀疏化处理，即对每8个相邻周期的容量数据取平均值，以减少原始序列的数据量，然后对平均值序列回归预测。预测的分量经逆变换后再进行插值重构处理，即采用三次样条插值法在对逆变换后的数据点之间插值7个数据点，得到完整的容量预测序列。
为了验证该方法在不同寿命尺度电池数据集上的有效性，将其同时应用于NASA数据集和CALCE数据集。图14显示了B5和CX2-34在不同预测起点的不同预测结果。B5的预测起点为90、80、70周期，CX2-34的预测起点为801、705、601周期。预测曲线与原容量衰减曲线基本一致，存在局部波动，呈现容量再生现象。与这些预测序列相比，由于B5的循环寿命相对较短，数据点相对分散。显然，预测结果局部波动，与实际退化曲线吻合较好；而CX2-34的循环寿命较长，数据变化较小，一些预测数据点是用三次样条插值法得到的，因此，容量再生现象引起的局部波动并没有得到充分反映，但预测曲线的主要退化趋势基本满足，预测精度也得到了保证。综上所述，本发明所提出的基于预分解与深度学习融合的锂电池寿命预测方法对不同寿命尺度锂电池RUL预测的有效性和鲁棒性都得到了验证。
为了定量评价模型的性能，采用了以下四种经典的评价准则。
(1)均方根误差(root mean square error,RMSE)
Figure BDA0002993982750000161
(2)平均绝对百分比误差(mean absolute percent error,MAPE)
Figure BDA0002993982750000162
(3)绝对误差(accuracy error,AE)
AE＝|RUL预测-RUL真实| (22)
(4)相对误差(relative error,RE)
Figure BDA0002993982750000171
这里，n是数据长度，Ti是第i个周期的测量值，Pi是第i个周期的相应预测值。这四个准则的值越小，预测精度越高。
表3显示了B5和CX2-34在不同预测起点(starting point of prediction,SPP)的预测结果。计算了不同SPP下的实际寿命(end of life,EoL)和预测寿命(predicted endof life,PEoL)的AE和RE。在不同SPP下，采用RMSE和MAPE对容量预测结果进行评价，采用AE和RE对RUL预测精度进行评价。
表3 RUL预测结果
Figure BDA0002993982750000172
为了进一步评估所提出方法的在线预测性能，B5和CX2-34的RUL预测在12中进行了计算和说明。其中，图12(a)是70个周期B5的RUL预测，图12(b)是601个周期CX2-34的RUL预测。可以观察到，B5和CX2-34在早期预测中的误差可能比较大，但在一定情况下是可以接受的。随着历史数据的积累，精度逐渐提高，中后期可以得到更准确的RUL预测结果。在线RUL预测可作为BMS监测电池未来健康状况的重要参考。
图12中，B5和CX2-34的RUL预测AE并不随预测时间点单调减小，而是波动地减小，这是由于预测算法的不确定性造成的。不确定性管理对健康预测具有重要意义，因为它为决策者提供了预测规则的统计信息。因此，为了获得它们的PEoL分布，分别在前90个循环和前801个循环的基础上，在B5和CX2-34上重复100个预测实验。此外，还计算了其PEoL的平均值和中位数，用于性能评估。根据统计结果，B5和CX2-34的PEoL平均值和中值与真值之间的绝对不确定度误差不超过2个周期。因此，可以用多个PEoL的均值或中位数来代替单个PEoL，这样可以有效地处理不确定性因素的不利影响，保持锂电池RUL预测的稳定性和准确性。随着云计算和物联网技术的推广应用，计算和存储不再是问题。不同车辆的电池相关数据可以在车上测量并无缝上传到云端，因此该方法可以基于云端电池系统收集的数据进行更精确的RUL预测。
请参阅图13，本申请实施例还提供一种电池寿命预测系统，包括：历史数据获取模块1、预处理模块2、训练模块3、输入模块4、接收模块5及预测模块6；历史数据获取模块1用于获取电池容量的历史数据；预处理模块2用于对历史数据进行预处理，得到电池容量衰减的主成分分量数据及次要成分分量数据；训练模块3用于预先训练长短期记忆神经网络；输入模块4用于将主成分分量数据、次要成分分量数据输入训练模块3训练的长短期记忆神经网络；接收模块5用于接收长短期记忆神经网络的输出结果，并对输出结果进行预测，得到电池容量的衰减序列；预测模块6用于判断衰减序列中的数值是否达到预先设置的电池失效阈值，以对电池剩余寿命进行预测。
上述电池寿命预测系统中各个模块的划分仅用于举例说明，在其他实施例中，可将电池寿命预测系统按照需要划分为不同的模块，以完成上述电池寿命预测系统的全部或部分功能。
关于电池寿命预测系统的具体限定可以参见上文中对于电池寿命预测方法的限定，在此不再赘述。
本申请实施例提供一种电子装置，请参阅图14，该电子装置包括：存储器601、处理器602及存储在存储器601上并可在处理器602上运行的计算机程序，处理器602执行该计算机程序时，实现前述中描述的电池寿命预测方法。
进一步的，该电子装置还包括：至少一个输入设备603以及至少一个输出设备604。
上述存储器601、处理器602、输入设备603以及输出设备604，通过总线605连接。
其中，输入设备603具体可为摄像头、触控面板、物理按键或者鼠标等等。输出设备604具体可为显示屏。
存储器601可以是高速随机存取记忆体(RAM，Random Access Memory)存储器，也可为非不稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器601用于存储一组可执行程序代码，处理器602与存储器601耦合。
进一步的，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是设置于上述各实施例中的电子装置中，该计算机可读存储介质可以是前述中的存储器601。该计算机可读存储介质上存储有计算机程序，该程序被处理器602执行时实现前述实施例中描述的电池寿命预测方法。
进一步的，该计算机可存储介质还可以是U盘、移动硬盘、只读存储器601(ROM，Read-Only Memory)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
以上为对本发明所提供的一种电池寿命预测方法、系统、电子装置及存储介质的描述，对于本领域的技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种电池寿命预测方法，其特征在于，包括：
获取电池容量的历史数据；
对所述历史数据进行预处理，得到电池容量衰减的主成分分量数据及次要成分分量数据；
将所述主成分分量数据、所述次要成分分量数据输入预先训练的长短期记忆神经网络；
接收所述长短期记忆神经网络的输出结果，并对所述输出结果进行处理，得到电池容量的衰减序列；
判断所述衰减序列中的数值是否达到预先设置的电池失效阈值，以对电池剩余寿命进行预测，并将所述历史数据及所述预测结果输入长短期记忆神经网络以进行反向训练。
2.根据权利要求1所述的电池寿命预测方法，其特征在于，
对历史数据进行预处理的步骤包括：
利用集合经验模态分解的方法将电池容量的历史数据分解为至少三个分量数据，至少三个分量包括至少两个本征模态、一个余量；
利用主成分分析方法对所述本征模态及所述余量进行降维，以减少分量数据为两个，两个分量数据包括主成分分量数据及次要成分分量数据。
3.根据权利要求1所述的电池寿命预测方法，其特征在于，
所述长短期神经网络的训练方法包括：
获取电池容量的样本数据，并建立原始长短期神经网络；
对所述样本数据进行预处理，得到电池容量衰减的样本主成分分量数据及样本次要成分分量数据；
将所述样本主成分分量数据、样本次要成分分量数据输入原始长短期神经网络，进行训练。
4.根据权利要求3所述的电池寿命预测方法，其特征在于，
所述长短期神经网络的训练方法还包括：
对所述样本数据的样本主成分分量数据及样本次要成分分量数据进行稀疏化处理；
将稀疏化后的主成分分量数据及样本次要成分分量数据输入原始长短期神经网络，进行训练。
5.根据权利要求3所述的电池寿命预测方法，其特征在于，
所述长短期神经网络的训练方法还包括：
获取样本数据电池的类型，并获取与样本数据电池同类型电池容量的辅助数据；
对所述辅助数据进行预处理，得到辅助主成分分量数据；
将所述辅助主成分分量数据输入所述原始长短期神经网络，进行辅助训练，得到长短期神经网络。
6.根据权利要求5所述的电池寿命预测方法，其特征在于，
所述长短期神经网络的训练方法还包括：
所述获取N个与样本数据电池同类型电池容量的辅助数据，N为大于1的整数；
对N个所述辅助数据进行预处理，得到N个辅助主成分分量数据；
计算N个辅助主成分分量数据的平均值作为辅助序列；
将所述辅助序列输入所述原始长短期神经网络，进行辅助训练，得到长短期神经网络。
7.根据权利要求2所述的电池寿命预测方法，其特征在于，
所述主成分分析方法包含一个反变换矩阵，反变换矩阵用于对分量进行反变换；
所述输出结果包括主成分分量预测结果及次要成分预测结果；
对所述输出结果进行预测处理的步骤包括：
将所述主成分分量预测结果及所述次要成分预测结果与所述反变换矩阵相乘进行反变换；
对反变换后的所述主成分分量预测结果及所述次要成分预测结果进行叠加以得到预测的电池容量衰减序列。
8.一种电池寿命预测系统，其特征在于，包括：
历史数据获取模块，用于获取电池容量的历史数据；
预处理模块，用于对所述历史数据进行预处理，得到电池容量衰减的主成分分量数据及次要成分分量数据；
训练模块，用于预先训练长短期记忆神经网络；
输入模块，用于将所述主成分分量数据、所述次要成分分量数据输入所述训练模块训练的长短期记忆神经网络；
接收模块，用于接收所述长短期记忆神经网络的输出结果，并对所述输出结果进行预测，得到电池容量的衰减序列；
预测模块，用于判断所述衰减序列中的数值是否达到预先设置的电池失效阈值，以对电池剩余寿命进行预测。
9.一种电子装置，包括：存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现权利要求1至7中的任意一项所述方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至7中的任意一项所述方法。
CN202110324319.XA 2021-03-26 2021-03-26 一种电池寿命预测方法、系统、电子装置及存储介质 Pending CN113065283A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110324319.XA CN113065283A (zh) 2021-03-26 2021-03-26 一种电池寿命预测方法、系统、电子装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110324319.XA CN113065283A (zh) 2021-03-26 2021-03-26 一种电池寿命预测方法、系统、电子装置及存储介质

Publications (1)

Publication Number Publication Date
CN113065283A true CN113065283A (zh) 2021-07-02

Family

ID=76563888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110324319.XA Pending CN113065283A (zh) 2021-03-26 2021-03-26 一种电池寿命预测方法、系统、电子装置及存储介质

Country Status (1)

Country Link
CN (1) CN113065283A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113820608A (zh) * 2021-08-20 2021-12-21 北京邮电大学 梯次电池剩余容量的预测方法和电子设备
CN114325403A (zh) * 2021-12-03 2022-04-12 北京航空航天大学 基于电化学阻抗谱测试的锂离子电池寿命检测方法和系统
CN114330130A (zh) * 2021-12-30 2022-04-12 山东浪潮科学研究院有限公司 一种电池剩余使用寿命预测方法、设备及介质
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
CN115032541A (zh) * 2022-04-13 2022-09-09 北京理工大学 一种锂离子电池容量退化预测方法及装置
CN116148700A (zh) * 2023-01-10 2023-05-23 中国第一汽车股份有限公司 电池的状态预测方法及存储介质
CN116299005A (zh) * 2023-02-07 2023-06-23 江南大学 一种基于aaf和深度学习的动力电池健康状态预测方法
CN117148170A (zh) * 2023-10-30 2023-12-01 深圳市普裕时代新能源科技有限公司 一种电池储能系统及其储能测试方法
DE102022002866A1 (de) 2022-08-08 2024-02-08 Mercedes-Benz Group AG Verfahren zur Schätzung eines Gesundheitszustands einer Batteriezelle eines elektrischen Energiespeichers, Computerprogrammprodukt sowie elektronische Recheneinrichtung
WO2024087670A1 (zh) * 2022-10-26 2024-05-02 广东电网有限责任公司 基于lstm神经网络的硅橡胶材料性能预测方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107015165A (zh) * 2017-06-14 2017-08-04 安庆师范大学 基于稀疏系数多核相关向量机的锂电池剩余寿命预测方法
US20190257886A1 (en) * 2018-02-21 2019-08-22 Nec Laboratories America, Inc. Deep learning approach for battery aging model
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
CN111210049A (zh) * 2019-12-05 2020-05-29 云南电网有限责任公司玉溪供电局 基于lstm的变电站铅酸阀控蓄电池退化趋势预测方法
CN111220921A (zh) * 2020-01-08 2020-06-02 重庆邮电大学 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法
CN111832216A (zh) * 2020-04-14 2020-10-27 新疆大学 基于eemd-mcnn-gru的滚动轴承剩余使用寿命预测方法
CN112001113A (zh) * 2020-07-02 2020-11-27 浙江大学 一种基于粒子群优化长短时记忆网络的电池寿命预测方法
CN112348185A (zh) * 2020-11-04 2021-02-09 上海海事大学 一种基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法
CN112488415A (zh) * 2020-12-14 2021-03-12 国网江苏省电力有限公司经济技术研究院 基于经验模态分解和长短时记忆网络的电力负荷预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107015165A (zh) * 2017-06-14 2017-08-04 安庆师范大学 基于稀疏系数多核相关向量机的锂电池剩余寿命预测方法
US20190257886A1 (en) * 2018-02-21 2019-08-22 Nec Laboratories America, Inc. Deep learning approach for battery aging model
CN111210049A (zh) * 2019-12-05 2020-05-29 云南电网有限责任公司玉溪供电局 基于lstm的变电站铅酸阀控蓄电池退化趋势预测方法
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
CN111220921A (zh) * 2020-01-08 2020-06-02 重庆邮电大学 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法
CN111832216A (zh) * 2020-04-14 2020-10-27 新疆大学 基于eemd-mcnn-gru的滚动轴承剩余使用寿命预测方法
CN112001113A (zh) * 2020-07-02 2020-11-27 浙江大学 一种基于粒子群优化长短时记忆网络的电池寿命预测方法
CN112348185A (zh) * 2020-11-04 2021-02-09 上海海事大学 一种基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法
CN112488415A (zh) * 2020-12-14 2021-03-12 国网江苏省电力有限公司经济技术研究院 基于经验模态分解和长短时记忆网络的电力负荷预测方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
易灵芝等: "基于EEMD-GSGRU的锂电池寿命预测", 《储能科学与技术》 *
易灵芝等: "基于EEMD-GSGRU的锂电池寿命预测", 《储能科学与技术》, vol. 9, no. 5, 30 September 2020 (2020-09-30), pages 1566 - 1573 *
李少波等编著: "大数据技术原理与实践", 华中科技大学出版社, pages: 159 *
白爽: "基于深度学习的锂离子电池寿命预测方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
白爽: "基于深度学习的锂离子电池寿命预测方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》, no. 02, 15 February 2021 (2021-02-15), pages 042 - 2077 *
郑旭东: "基于EEMD-PCA模型的大坝变形数据消噪分析", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》, no. 02, 15 February 2020 (2020-02-15), pages 037 - 120 *
马艳丽等: "滚动轴承退化指标选取方法研究", 《机械设计与制造》 *
马艳丽等: "滚动轴承退化指标选取方法研究", 《机械设计与制造》, no. 05, 30 May 2018 (2018-05-30), pages 170 - 172 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113820608A (zh) * 2021-08-20 2021-12-21 北京邮电大学 梯次电池剩余容量的预测方法和电子设备
CN114325403B (zh) * 2021-12-03 2023-08-11 北京航空航天大学 基于电化学阻抗谱测试的锂离子电池寿命检测方法和系统
CN114325403A (zh) * 2021-12-03 2022-04-12 北京航空航天大学 基于电化学阻抗谱测试的锂离子电池寿命检测方法和系统
CN114330130A (zh) * 2021-12-30 2022-04-12 山东浪潮科学研究院有限公司 一种电池剩余使用寿命预测方法、设备及介质
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
CN115032541A (zh) * 2022-04-13 2022-09-09 北京理工大学 一种锂离子电池容量退化预测方法及装置
CN115032541B (zh) * 2022-04-13 2023-12-05 北京理工大学 一种锂离子电池容量退化预测方法及装置
DE102022002866A1 (de) 2022-08-08 2024-02-08 Mercedes-Benz Group AG Verfahren zur Schätzung eines Gesundheitszustands einer Batteriezelle eines elektrischen Energiespeichers, Computerprogrammprodukt sowie elektronische Recheneinrichtung
WO2024087670A1 (zh) * 2022-10-26 2024-05-02 广东电网有限责任公司 基于lstm神经网络的硅橡胶材料性能预测方法及装置
CN116148700A (zh) * 2023-01-10 2023-05-23 中国第一汽车股份有限公司 电池的状态预测方法及存储介质
CN116148700B (zh) * 2023-01-10 2024-04-12 中国第一汽车股份有限公司 电池的状态预测方法及存储介质
CN116299005B (zh) * 2023-02-07 2023-09-05 江南大学 一种基于aaf和深度学习的动力电池健康状态预测方法
CN116299005A (zh) * 2023-02-07 2023-06-23 江南大学 一种基于aaf和深度学习的动力电池健康状态预测方法
CN117148170B (zh) * 2023-10-30 2024-01-09 深圳市普裕时代新能源科技有限公司 一种电池储能系统及其储能测试方法
CN117148170A (zh) * 2023-10-30 2023-12-01 深圳市普裕时代新能源科技有限公司 一种电池储能系统及其储能测试方法

Similar Documents

Publication Publication Date Title
CN113065283A (zh) 一种电池寿命预测方法、系统、电子装置及存储介质
Lucu et al. Data-driven nonparametric Li-ion battery ageing model aiming at learning from real operation data-Part B: Cycling operation
CN112036084B (zh) 一种相似产品寿命迁移筛选方法和系统
WO2022198616A1 (zh) 一种电池寿命预测方法、系统、电子装置及存储介质
Jia et al. A sample entropy based prognostics method for lithium-ion batteries using relevance vector machine
Ren et al. A review of machine learning state-of-charge and state-of-health estimation algorithms for lithium-ion batteries
Guo et al. A state‐of‐health estimation method considering capacity recovery of lithium batteries
Wang et al. Adaptive sliding window LSTM NN based RUL prediction for lithium-ion batteries integrating LTSA feature reconstruction
Cui et al. A dynamic spatial-temporal attention-based GRU model with healthy features for state-of-health estimation of lithium-ion batteries
Kim et al. Impedance-based capacity estimation for lithium-ion batteries using generative adversarial network
Zhou et al. Battery health prognosis using improved temporal convolutional network modeling
CN112434848B (zh) 基于深度信念网络的非线性加权组合风电功率预测方法
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
Zhang et al. State of health estimation method for lithium-ion batteries using incremental capacity and long short-term memory network
Xie et al. Residual life prediction of lithium-ion batteries based on data preprocessing and a priori knowledge-assisted CNN-LSTM
CN116298936A (zh) 在不完全电压范围内的锂离子电池智能健康状态预测方法
Xue et al. Estimating state of health of lithium-ion batteries based on generalized regression neural network and quantum genetic algorithm
Li et al. A hybrid framework for predicting the remaining useful life of battery using Gaussian process regression
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
Mazzi et al. Lithium-ion battery state of health estimation using a hybrid model based on a convolutional neural network and bidirectional gated recurrent unit
Zhang et al. Lithium-ion battery calendar aging mechanism analysis and impedance-based State-of-Health estimation method
Tang et al. Parameter identification for lithium batteries: Model variable-coupling analysis and a novel cooperatively coevolving identification algorithm
He et al. SOH estimation for lithium-ion batteries: An improved GPR optimization method based on the developed feature extraction
Khaleghi et al. Towards machine-learning driven prognostics and health management of Li-ion batteries. A comprehensive review
Alsuwian et al. A Review of Expert Hybrid and Co-Estimation Techniques for SOH and RUL Estimation in Battery Management System with Electric Vehicle Application

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