CN113093020B - 基于lstm神经网络预测锂离子电池剩余使用寿命方法 - Google Patents
基于lstm神经网络预测锂离子电池剩余使用寿命方法 Download PDFInfo
- Publication number
- CN113093020B CN113093020B CN202110362459.6A CN202110362459A CN113093020B CN 113093020 B CN113093020 B CN 113093020B CN 202110362459 A CN202110362459 A CN 202110362459A CN 113093020 B CN113093020 B CN 113093020B
- Authority
- CN
- China
- Prior art keywords
- capacity
- battery
- data
- neural network
- service life
- 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
Links
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 41
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000009825 accumulation Methods 0.000 claims abstract description 25
- 230000032683 aging Effects 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 230000008929 regeneration Effects 0.000 claims abstract description 7
- 238000011069 regeneration method Methods 0.000 claims abstract description 7
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 6
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 206010011906 Death Diseases 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 238000010606 normalization Methods 0.000 claims 1
- 238000006731 degradation reaction Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 230000015556 catabolic process Effects 0.000 description 8
- 238000007599 discharging Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 239000007795 chemical reaction product Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于LSTM神经网络预测锂离子电池剩余使用寿命方法，属于锂离子电池技术领域。具体步骤如下：采用经验模态分解算法分解用于神经网络训练的电池循环充放电老化的容量衰减数据，提取其中的残差容量数据反应电池老化趋势，避免电池老化的容量再生现象对剩余使用寿命预测的影响；对提取的残差容量数据进行归一化，训练LSTM神经网络用于迭代预测每个循环电池容量。检测是否发生误差累积，若出现误差累积，采用Box‑Cox变换进行修正。比较锂离子电池容量预测值与电池寿命终止容量，获得锂离子电池剩余使用寿命。本发明能够有效预测电池剩余使用寿命，同时检测预测是否发生严重误差累积，并进行修正。
Description
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神经网络预测锂离子电池剩余使用寿命方法。
背景技术
锂离子电池具有能量密度高、循环寿命长、无记忆性等优点，被广泛应用于电动汽车、储能等方面。然而锂离子电池在使用过程中内部会发生复杂的物理和化学变化，其性能会退化甚至失效，存在引发重大安全事故的危险，因此研究锂离子电池剩余使用寿命具有重要的实际意义。
目前对锂离子电池剩余使用寿命的预测主要分为两个主要方向：基于模型的预测方法和数据驱动的预测方法。基于模型的预测方法通过锂离子电池充放电过程中的电化学特性和电池退化机理建立反映系统运行规律的性能退化模型。锂离子电池随着充放电循环而产生退化，其内部特征也会发生动态变化，通过电化学模型和数学模型对动态特征进行建模可以产生对电池退化情况的预测。通过电池运行过程中监测数据的变化，构造数学模型描述电池性能的退化过程，对未来电池的性能退化进行预测，最终实现对电池剩余使用寿命的预测。数据驱动的预测方法从锂离子电池充放电使用过程中的数据出发，电压、电流、容量、温度等数据在运行过程中的动态变化往往能在一定程度上反应电池性能的退化规律，通过提取数据特征和规律对电池的退化过程进行描述和预测，最终实现锂离子电池剩余使用寿命的预测。基于模型的方法在于不需要过多的数据量即可对退化模型建模，并且模型的预测较为准确，但是缺陷在于往往需要准确的物理模型对锂离子电池的退化过程进行描述，这需要加入较多的专家知识，并且模型的通用性有限，泛化效果无法确定，并且退化过程的分析需要考虑一些物理特性，预测通常存在模型参数较多、实际应用困难的缺陷，且易受噪声和环境因素干扰，难以跟踪负载动态特性，动态精度、鲁棒性和适应性较差，往往过于复杂而难以实现。数据驱动的方法相比基于模型的方法来说适用性更佳，同时不需要较为专业的知识描述。
锂离子电池的性能退化可以用多种指标来衡量，通常有容量、阻抗、电流和电压等指标，其中最能反映电池性能指标的就是电池容量，因此采用容量来预测电池剩余使用寿命更加精确和有效。通常当电池容量下降至额定容量的70％-80％时，将电池视为达到终止寿命，此时为了保证电池系统的安全性，将不再继续使用该电池供电。
容量本身的退化过程并不是单调的，随着电池充放电的不断进行，电池内的副反应增多，反应产物沉积在电极附近，引起内阻增大，导致电池的可用容量随着电池循环充放电次数的增加逐渐降低，而当电池在充放电结束后的配置阶段，电极附近的反应产物将有机会消散，从而可以增加下一个循环的可用容量，引起容量短暂的恢复，这种现象就是容量再生现象。由于容量再生现象的存在会对电池正常的退化趋势产生影响，必然会对电池剩余使用寿命的预测精度产生影响。由于LSTM神经网络是迭代预测电池容量，将单步预测值加入到输入序列，进行下一个循环的容量预测，因此会造成预测的误差累积，导致长期预测会产生较大误差，甚至无效。
发明内容
本发明针对锂离子电池剩余使用寿命预测存在误差累积的问题，提出一种基于LSTM神经网络预测锂离子电池剩余使用寿命方法，该方法能够修正误差累积问题，具有良好的预测性能。
本发明提供的基于LSTM神经网络预测锂离子电池剩余使用寿命方法，包括如下步骤：
步骤1，采用经验模态分解算法分解用于神经网络训练的电池循环充放电老化的容量衰减数据，提取其中的残差容量数据反应电池老化趋势，避免电池老化的容量再生现象对剩余使用寿命预测的影响。
步骤2，对提取的残差容量数据进行归一化，训练LSTM神经网络用于迭代预测每个循环电池容量。检测是否发生误差累积，若出现误差累积，采用Box-Cox变换进行修正。比较锂离子电池容量预测值与电池寿命终止容量，获得锂离子电池剩余使用寿命。
本发明的特点还在于，
步骤1具体按照以下步骤实施：
步骤1.1、获取用于神经网络训练的锂离子电池循环充放电老化的容量数据C(k)。
步骤1.2、找到步骤1.1获取的容量衰减数据C(k)的所有极大值和极小值点，并通过三次样条插值函数拟合，分别形成容量衰减数据的上包络线Cmax(k)和下包络线Cmin(k)。由此计算出上下包络线的均值曲线m(k)。
步骤1.3、从原容量衰减数据C(k)中剔除均值曲线m(k)。
h1(k)＝C(k)-m(k)
步骤1.4、验证步骤1.3得到的h1(k)是否满足两个条件：1、极值点的数目和过零点的数目必须相等或者最多相差1个；2、在任意点，h1(k)上包络线的局部最大值和下包络线的局部最小值之间的平均值等于0。如果不满足上述条件，说明h1(k)不是一个本征模函数(IMF)，将h1(k)作为新的序列数据重复步骤1.2和1.3，直至满足上述两个条件；如果h1(k)满足上述条件，则定义h1(k)为一个IMF。
c1(k)＝h1(k)
步骤1.5、筛选出1个IMF之后，就将其从原始容量衰减数据中剔除，得到残差信号。
r1(k)＝C(k)-c1(k)
步骤1.6、将r1(k)作为新的序列数据重复上述步骤反复筛选剔除，直至得到残差信号r(k)成为单调函数，筛选结束。最终的残差信号r(k)即为所需要的残差容量数据。
步骤2具体按照以下步骤实施：
步骤2.1、对步骤1所获得的残差容量数据采用最大最小法进行归一化。
步骤2.2、对步骤2.1处理后的数据进行向量空间重构后用于训练LSTM神经网络。
步骤2.3、训练好的LSTM神经网络迭代预测电池容量，将得到的单步预测值加入网络输入序列中，继续预测。
步骤2.4、检测预测是否出现误差累积现象。如果出现，采用Box-Cox变换将出现误差累积之前的容量数据与充放电循环次数进行变换，预测下一个循环的电池容量。将Box-Cox变换预测的电池容量作为修正值加入到LSTM网络输入序列中，继续执行步骤2.3。
步骤2.5、当网络预测电池容量到达电池寿命终止容量，即可得到电池剩余使用寿命。
本发明的优点及有益效果是：
1、对电池老化的容量衰退数据进行经验模态分解，避免电池容量再生现象对寿命预测精度的影响。
2、能够检测寿命预测是否产生误差累积，并对误差累积进行修正。
附图说明
图1为本发明公开的一种基于LSTM神经网络预测锂离子电池剩余使用寿命方法的流程框图示意。
图2为NASA公开数据集中B0005号锂离子电池前80个循环的容量数据。
图3为分解后的残差容量数据。
图4为LSTM的网络预测框架。
图5为LSTM的迭代预测示意图。
图6为迭代预测的误差累积现象。
图7为夹角示意图。
图8为锂离子电池剩余使用寿命预测效果图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，显然，所描述的实施例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作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。
参见图1，图1为本发明实施例的基于LSTM神经网络预测锂离子电池剩余使用寿命方法，包括如下步骤：
步骤1、采用经验模态分解算法分解用于神经网络训练的电池循环充放电老化的容量衰减数据，提取其中的残差容量数据反应电池老化趋势，避免电池老化的容量再生现象对剩余使用寿命预测的影响。
步骤1具体按照以下步骤实施：
步骤1.1、获取用于神经网络训练的锂离子电池循环充放电老化的容量数据C(k)，以图2所示的NASA公开数据集中B0005号锂离子电池前80个循环的容量数据为例。
步骤1.2、找到步骤1.1获取的容量衰减数据C(k)的所有极大值和极小值点，并通过三次样条插值函数拟合，分别形成容量衰减数据的上包络线Cmax(k)和下包络线Cmin(k)。由此计算出上下包络线的均值曲线m(k)。
步骤1.3、从原容量衰减数据C(k)中剔除均值曲线m(k)。
h1(k)＝C(k)-m(k)
步骤1.4、验证步骤1.3得到的h1(k)是否满足两个条件：1、极值点的数目和过零点的数目必须相等或者最多相差1个；2、在任意点，h1(k)上包络线的局部最大值和下包络线的局部最小值之间的平均值等于0。如果不满足上述条件，说明h1(k)不是一个本征模函数(IMF)，将h1(k)作为新的序列数据重复步骤1.2和1.3，直至满足上述两个条件；如果h1(k)满足上述条件，则定义h1(k)为一个IMF。
c1(k)＝h1(k)
步骤1.5、筛选出1个IMF之后，就将其从原始容量衰减数据中剔除，得到残差信号。
r1(k)＝C(k)-c1(k)
步骤1.6、将r1(k)作为新的序列数据重复上述步骤反复筛选剔除，直至得到残差信号r(k)成为单调函数，筛选结束。最终的残差信号r(k)即为所需要的残差容量数据，如图3所示。
步骤2，对提取的残差容量数据进行归一化，训练LSTM神经网络用于迭代预测每个循环电池容量。检测是否发生误差累积，若出现误差累积，采用Box-Cox变换进行修正。比较锂离子电池容量预测值与电池寿命终止容量，获得锂离子电池剩余使用寿命。
步骤2具体按照以下步骤实施：
步骤2.1、对步骤1所获得的残差容量数据采用最大最小法进行归一化。
步骤2.2、将步骤2.1处理后的数据进行向量空间重构后用于训练LSTM神经网络，LSTM的网络预测框架如图4所示。
对训练数据进行向量空间重构如下所示。
其中n为LSTM的时间步长，以n个循环的容量为输入，输出为后一个循环的容量。
使用重构后的训练数据训练LSTM神经网络，如下所示。
yk＝LSTM(Xk)
Xk为网络输入，yk为对应预测值。使用RMSprop算法对神经网络进行训练。
步骤2.3、训练好的LSTM神经网络迭代预测电池容量，将得到的单步预测值加入网络输入序列中，继续预测，如图5所示。
步骤2.4、检测预测是否出现误差累积现象。如果出现，采用Box-Cox变换将出现误差累积之前的容量数据与充放电循环次数进行变换，预测下一个循环的电池容量。将Box-Cox变换预测的电池容量作为修正值加入到LSTM网络输入序列中，继续执行步骤2.3。
由于神经网络迭代预测电池容量，将得到的单步预测值加入网络输入序列中，继续预测。每一个单步预测值都会与真值有所误差，不断将存在误差的预测值加入输入序列进行预测，会导致误差累积，最终造成剩余使用寿命预测出现较大误差，甚至失效，误差累积的结果如图6所示。
检测相邻两个单步预测值形成的直线与横坐标的夹角，如图7所示，当连续15个夹角变小或者夹角接近于0时，证明预测出现误差累积现象。
θ＝arctan(r(i)-r(i+1))
其中，θ为相邻两个单步预测值形成的直线与横坐标的夹角，r(i)为第i个循环的容量预测值。
假设从第i个循环预测容量开始计算，i到i+1的夹角为θ1，i+1到i+2的夹角为θ2，i+2到i+3的夹角为θ3，i+3到i+4的夹角为θ4，i+4到i+5的夹角为θ5，i+5到i+6的夹角为θ6，i+6到i+7的夹角为θ7，i+7到i+8的夹角为θ8，i+8到i+9的夹角为θ9，i+9到i+10的夹角为θ10，i+10到i+11的夹角为θ11，i+11到i+12的夹角为θ12，i+12到i+13的夹角为θ13，i+13到i+14的夹角为θ14，i+14到i+15的夹角为θ15。如果15个夹角连续变小，证明由于误差累积的影响，容量预测正在逐渐趋于同一个值。
判定出现误差累积后，将预测起点至第i-1个循环的预测容量同循环次数进行Box-Cox变换，建立容量和循环次数的线性模型。
Box-Cox变换是一种参数化广义幂变换技术，常用于稳定方差、减少数据在统计建模中的非正态性和增强关联性度量的有效性。Box-Cox变换的数学形式为：
y代表观测值即为电池容量值，λ为需要辨识的变换系数。
变换的目标是确保线性模型的通常假设成立，即y(λ)～N(Xβ,σ2)，能够表示为：
其中，y(λ)＝(y1(λ),y2(λ),...,yn(λ))T，X＝(X1,X2,...,Xn)T，Xi＝(1,xi1,xi2，...,xim)，β＝(β0,β1,β2,...,βm)T，m是自变量的数量，n是样本量，x1,x2,...,xm代表和电池老化相关的因素，例如循环次数。β1,β2,...,βm是系数，εi是随机误差。
最大似然法用于辨识λ。因为y(λ)～N(Xβ,σ2I)，所以y(λ)的联合概率密度函数为
J(λ,y)被假设为从y变换到y(λ)的雅可比矩阵，y的联合概率密度函数可以表示为
其中
那么f(y)的对数似然函数可以表示为：
求L(β,σ2,λ|y,X)对β和σ2的偏导数，把每个结果方程都设为零，就可得到
将
和
代入到f(y)的对数似然函数中，得到仅有λ的对数似然函数
其中，
使仅有λ的对数似然函数最大化，相当于使下式的值最大
在
确定之后，
能够通过最小二乘法计算。
在转换后的容量与循环次数之间建立一个线性模型，仅有循环次数一个自变量，因此，m＝1。所以：
其中，n是样本数，x代表循环次数，拟合方程可以定义为：
其中，
对于每个观察到的响应yi(λ)，对应一个预测变量xi，拟合值即可由上式获得。b0和b1可以通过最小化数据点到拟合线的距离来估计，这相当于最小化残差平方和(the Sumof Squared Residuals,SSR)，如下所示：
求取SSR对b0和b1的偏导数，将每个结果方程都设为0，可得到：
其中，
系数b0和b1的方差分别估计为：
其中，s2表示误差项σ2的估计值，被估计为
由建立的容量与循环次数的线性模型，可以预测第i个循环的容量值。将线性模型预测的第i个容量值作为修正值加入到LSTM神经网络的输入序列中，继续执行步骤2.3，预测第i+1个循环的容量值，由此可以继续迭代预测容量值。
步骤2.5、当网络预测电池容量到达电池寿命终止容量，即可得到电池剩余使用寿命。
验证模型效果，以NASA公开数据集中B0005号锂离子电池为例，容量预测起点在80，即前80个循环为模型训练数据，预测效果如图8所示。综合来看，基于LSTM神经网络预测锂离子电池剩余使用寿命方法能够较为准确的预测电池剩余使用寿命，同时能够检测预测是否出现严重误差累积，并进行修正。
Claims (3)
1.基于LSTM神经网络的锂离子电池剩余使用寿命预测方法，其特征在于，包括以下步骤：
步骤1，采用经验模态分解算法分解用于神经网络训练的电池循环充放电老化的容量衰减数据，提取其中的残差容量数据反应电池老化趋势，避免电池老化的容量再生现象对剩余使用寿命预测的影响；
步骤2，对提取的残差容量数据进行归一化，将归一化的残差容量数据进行向量空间重构后训练LSTM神经网络，训练好的LSTM神经网络迭代预测电池容量，将得到的单步预测值加入LSTM输入序列中继续预测电池容量，检测LSTM神经网络的预测是否发生误差累积现象，如果出现，采用Box-Cox变换将出现误差累积之前的电池容量衰减数据与充放电循环次数进行变换，预测下一个循环的电池容量，将Box-Cox变换预测的电池容量作为修正值加入到LSTM网络的输入序列中，使用LSTM神经网络继续迭代预测电池容量，比较锂离子电池容量预测值与电池寿命终止容量，获得锂离子电池剩余使用寿命。
2.根据权利要求1所述的基于LSTM神经网络的锂离子电池剩余使用寿命预测方法，其特征在于，所述步骤1具体包括：
步骤1.1、获取用于神经网络训练的锂离子电池循环充放电老化的容量数据C(k)；
步骤1.2、找到步骤1.1获取的容量衰减数据C(k)的所有极大值和极小值点，并通过三次样条插值函数拟合，分别形成容量衰减数据的上包络线Cmax(k)和下包络线Cmin(k)，由此计算出上下包络线的均值曲线m(k)
步骤1.3、从原容量衰减数据C(k)中剔除均值曲线m(k)
h1(k)＝C(k)-m(k)；
步骤1.4、验证步骤1.3得到的h1(k)是否满足两个条件：1、极值点的数目和过零点的数目必须相等或者最多相差1个；2、在任意点，h1(k)上包络线的局部最大值和下包络线的局部最小值之间的平均值等于0，如果不满足上述条件，说明h1(k)不是一个本征模函数IMF，将h1(k)作为新的序列数据重复步骤1.2和1.3，直至满足上述两个条件；如果h1(k)满足上述条件，则定义h1(k)为一个IMF
c1(k)＝h1(k)；
步骤1.5、筛选出1个IMF之后，就将其从原始容量衰减数据中剔除，得到残差信号
r1(k)＝C(k)-c1(k)；
步骤1.6、将r1(k)作为新的序列数据重复上述步骤反复筛选剔除，直至得到残差信号r(k)成为单调函数，筛选结束，最终的残差信号r(k)即为所需要的残差容量数据。
3.根据权利要求2所述的基于LSTM神经网络的锂离子电池剩余使用寿命预测方法，其特征在于，所述步骤2具体包括：
步骤2.1、对步骤1所获得的残差容量数据采用最大最小法进行归一化
步骤2.2、对步骤2.1处理后的数据进行向量空间重构后用于训练LSTM神经网络；
步骤2.3、训练好的LSTM神经网络迭代预测电池容量，将得到的单步预测值加入网络输入序列中，继续预测；
步骤2.4、检测预测是否出现误差累积现象，如果出现，采用Box-Cox变换将出现误差累积之前的容量数据与充放电循环次数进行变换，预测下一个循环的电池容量，将Box-Cox变换预测的电池容量作为修正值加入到LSTM网络输入序列中，继续执行步骤2.3；
步骤2.5、当网络预测电池容量到达电池寿命终止容量，即可得到电池剩余使用寿命。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110362459.6A CN113093020B (zh) | 2021-04-02 | 2021-04-02 | 基于lstm神经网络预测锂离子电池剩余使用寿命方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110362459.6A CN113093020B (zh) | 2021-04-02 | 2021-04-02 | 基于lstm神经网络预测锂离子电池剩余使用寿命方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113093020A CN113093020A (zh) | 2021-07-09 |
| CN113093020B true CN113093020B (zh) | 2022-07-12 |
Family
ID=76673851
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110362459.6A Active CN113093020B (zh) | 2021-04-02 | 2021-04-02 | 基于lstm神经网络预测锂离子电池剩余使用寿命方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113093020B (zh) |
Families Citing this family (6)
| 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 |
| CN115877211B (zh) * | 2021-09-23 | 2024-10-18 | 长沙中车智驭新能源科技有限公司 | 一种电池寿命在线预测方法及系统 |
| CN113884937B (zh) * | 2021-11-22 | 2022-08-30 | 江南大学 | 基于分解集成策略的锂离子电池剩余寿命预测方法及系统 |
| CN114779088B (zh) * | 2022-04-20 | 2023-05-12 | 哈尔滨工业大学 | 基于最大期望-无迹粒子滤波的电池剩余使用寿命预测方法 |
| CN116879753B (zh) * | 2023-06-21 | 2024-06-21 | 广东新型储能国家研究院有限公司 | 一种基于大数据的电池寿命预测方法 |
| CN117907838A (zh) * | 2024-01-12 | 2024-04-19 | 江苏天能新材料有限公司 | 电池荷电状态估计方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059844A (zh) * | 2019-02-01 | 2019-07-26 | 东华大学 | 基于集合经验模态分解和lstm的储能装置控制方法 |
| CN110909931A (zh) * | 2019-11-20 | 2020-03-24 | 成都理工大学 | 基于模态分解重构及深度lstm-rnn模型的测井曲线预测方法 |
| 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 |
| 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 |
| CN112434890A (zh) * | 2020-12-18 | 2021-03-02 | 中国计量大学上虞高等研究院有限公司 | 基于CEEMDAN-BiLSTM的隧道沉降时间序列的预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9172118B2 (en) * | 2009-06-17 | 2015-10-27 | Gm Global Technology Operations, Llc. | Method and system for estimating battery life |
-
2021
- 2021-04-02 CN CN202110362459.6A patent/CN113093020B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059844A (zh) * | 2019-02-01 | 2019-07-26 | 东华大学 | 基于集合经验模态分解和lstm的储能装置控制方法 |
| CN110909931A (zh) * | 2019-11-20 | 2020-03-24 | 成都理工大学 | 基于模态分解重构及深度lstm-rnn模型的测井曲线预测方法 |
| 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 |
| 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 |
| CN112434890A (zh) * | 2020-12-18 | 2021-03-02 | 中国计量大学上虞高等研究院有限公司 | 基于CEEMDAN-BiLSTM的隧道沉降时间序列的预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 《Lithium-ion batteries remaining useful life prediction based on a mixture》;Yapeng Zhou;《Microelectronics Reliability》;20161031;第265-273页 * |
| 《基于改进LSTM的变电站铅酸电池寿命预测》;李瑞津 等;《电池》;20201231;第560-564页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113093020A (zh) | 2021-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113093020B (zh) | 基于lstm神经网络预测锂离子电池剩余使用寿命方法 | |
| CN112540317B (zh) | 基于实车数据的电池健康状态估计与剩余寿命预测方法 | |
| Li et al. | Big data driven lithium-ion battery modeling method based on SDAE-ELM algorithm and data pre-processing technology | |
| Yang et al. | Remaining useful life prediction based on denoising technique and deep neural network for lithium-ion capacitors | |
| CN111652348B (zh) | 一种基于改进cnn的动力电池组故障融合诊断方法及系统 | |
| CN113406521B (zh) | 一种基于特征分析的锂电池健康状态在线估计方法 | |
| CN112415414A (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
| WO2022198616A1 (zh) | 一种电池寿命预测方法、系统、电子装置及存储介质 | |
| CN111856287B (zh) | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 | |
| CN112327188A (zh) | 一种模型-数据混合驱动的锂离子电池剩余寿命预测方法 | |
| CN111832825B (zh) | 融合长短期记忆网络和极限学习机的风电预测方法及系统 | |
| CN110488204A (zh) | 一种储能元件soh-soc联合在线估计方法 | |
| CN113065283A (zh) | 一种电池寿命预测方法、系统、电子装置及存储介质 | |
| CN112098874B (zh) | 一种考虑老化情况下的锂离子电池电量预测方法 | |
| CN114280490B (zh) | 一种锂离子电池荷电状态估计方法及系统 | |
| CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
| CN114936682A (zh) | 基于变分模态分解的锂离子电池剩余使用寿命预测方法 | |
| CN112287605A (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
| 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 | |
| CN116125306A (zh) | 基于混合预测框架的动力电池热失控诊断方法及系统 | |
| KR20230166196A (ko) | 배터리 상태 진단을 위한 배터리 데이터 전처리 방법 및 시스템, 그리고 배터리 상태 예측 시스템 | |
| CN117554844A (zh) | 一种储能系统的电池单体故障检测方法及装置 | |
| CN114779087A (zh) | 一种基于相关性分析与vmd-lstm的锂离子电池剩余使用寿命预测方法 | |
| CN107301266B (zh) | 一种磷酸铁锂电池loc估算方法和系统 | |
| CN117930055A (zh) | 镍镉蓄电池健康状态预测方法、装置、设备及存储介质 |
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 |