CN113361197A - 一种锂电池剩余使用寿命预测方法及系统 - Google Patents
一种锂电池剩余使用寿命预测方法及系统 Download PDFInfo
- Publication number
- CN113361197A CN113361197A CN202110637416.4A CN202110637416A CN113361197A CN 113361197 A CN113361197 A CN 113361197A CN 202110637416 A CN202110637416 A CN 202110637416A CN 113361197 A CN113361197 A CN 113361197A
- Authority
- CN
- China
- Prior art keywords
- matrix
- feature
- lithium battery
- capacity value
- voltage
- 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.)
- Granted
Links
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 77
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000011159 matrix material Substances 0.000 claims abstract description 84
- 230000007246 mechanism Effects 0.000 claims abstract description 33
- 238000005259 measurement Methods 0.000 claims abstract description 26
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 8
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006555 catalytic reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明属于锂电池技术领域,提供了一种锂电池剩余使用寿命预测方法及系统。该方法包括,根据锂电池的历史电池容量值,得到每个电池容量值对应的电压、电流和温度数据的特征矩阵;考虑电压、电流和温度数据的权重值以及不同特征类型对电池容量值的影响,结合电池容量值对应的电压、电流和温度数据的特征矩阵,得到不同注意力机制对应的测量数据特征矩阵、特征类型矩阵和测量数据与特征类型融合矩阵;将测量数据特征矩阵、特征类型矩阵和测量数据与特征类型融合矩阵进行拼接,得到锂电池的预测剩余寿命。
Description
技术领域
本发明属于锂电池技术领域,尤其涉及一种锂电池剩余使用寿命预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
锂电池由于其稳定性、安全性和环境友好性而被广泛应用于电动汽车、航空航天、移动设备等领域。锂电池的重复充放电虽然给设备的运行带来了方便,但随着锂离子电池充放电周期的增加,其容量会减小,安全性也会变差。如果锂电池在容量衰减到一定程度前不更换,将对设备造成不可预知的影响,甚至引发安全事故。因此,预测锂电池的剩余使用寿命是十分必要的。
受机器学习在各个领域的优异性能的启发,许多基于卷积神经网络(CNN) 和递归神经网络(RNN)的模型被应用于锂电池剩余使用寿命(Remaining Useful Life,RUL)预测。CNN将每个充放电数据作为一个独立的特征向量,忽略了特征中的关键信息。RNN可以利用时间序列信息,但往往会带来梯度爆炸或消失的问题。长短时记忆单元(LSTM)是对RNN的一种优化,可以解决上述问题。基于LSTM的方法通常将前一个预测值作为下一个预测的特征数据,由于这种迭代方式积累了预测误差,后期的电池容量预测将变得越来越不准确。虽然上述方法可以对锂离子电池的RUL做出合理的预测,但对于复杂的电池容量曲线,尤其是在电池充放电周期较长的情况下,其预测精度可以进一步提高。
发明内容
为了充分利用锂电池的关键特征信息,消除上述LSTM预测方法的影响,本发明提出了一种锂电池剩余使用寿命预测方法及系统。具体地说,该方法将每一种测量数据和每一种特征形成特征矩阵,通过混合注意力机制对特征加权,重点关注对高预测准确率有利的特征。同时,本发明只使用测量数据作为锂电池特征,消除了预测累计误差的影响。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种锂电池剩余使用寿命预测方法。
一种锂电池剩余使用寿命预测方法,包括:
根据锂电池的历史电池容量值,得到每个电池容量值对应的电压、电流和温度数据的特征矩阵;
考虑电压、电流和温度数据的权重值以及不同特征类型对电池容量值的影响,结合电池容量值对应的电压、电流和温度数据的特征矩阵,得到不同注意力机制对应的测量数据特征矩阵、特征类型矩阵和测量数据与特征类型融合矩阵;将测量数据特征矩阵、特征类型矩阵和测量数据与特征类型融合矩阵进行拼接,得到锂电池的预测剩余寿命。
进一步的,在获取锂电池的历史电池容量值后包括,获取每个电池容量值对应的电压、电流和温度数据;并对每个电池容量值对应的电压、电流和温度数据进行预处理,提取电池容量值对应的电压、电流和温度数据的特征矩阵。
进一步的,所述预处理包括:获取每个电池容量值对应的电压数据矩阵、电流数据矩阵以及温度数据矩阵的行向量,然后分别提取电压行向量、电流行向量以及温度数据行向量中的能量特征、波动指数特征、偏度指数特征和峰度指数特征。
进一步的,采用电压行向量、电流行向量以及温度数据行向量中的线性回归特征、能量特征、波动指数特征、偏度指数特征和峰度指数特征中的至少两种,预测锂电池的剩余寿命。
进一步的,所述预处理包括:对每个电池容量值对应的电压、电流和温度数据进行归一化处理。
进一步的,在获取锂电池的历史电池容量值后包括,采用高斯滤波器对锂电池的历史电池容量值进行滤波处理,滤除噪声。
进一步的,所述不同特征类型对电池容量值的影响包括:不同特征类型的权重对容量值对应的电压、电流和温度数据的特征矩阵的影响。
本发明的第二个方面提供一种锂电池剩余使用寿命预测系统。
一种锂电池剩余使用寿命预测系统,包括:
第一处理模块,其被配置为:根据锂电池的历史电池容量值,得到每个电池容量值对应的电压、电流和温度数据的特征矩阵;
第二处理模块,其被配置为:考虑电压、电流和温度数据的权重值以及不同特征类型对电池容量值的影响,结合电池容量值对应的电压、电流和温度数据的特征矩阵,得到不同注意力机制对应的测量数据特征矩阵、特征类型矩阵和测量数据与特征类型融合矩阵;将测量数据特征矩阵、特征类型矩阵和测量数据与特征类型融合矩阵进行拼接,得到锂电池的预测剩余寿命。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一个方面所述的锂电池剩余使用寿命预测方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述第一个方面所述的锂电池剩余使用寿命预测方法中的步骤。
与现有技术相比,本发明的有益效果是:
本发明为了充分利用锂离子电池的关键特性,消除上述LSTM预测方法的影响,将每一种测量数据和每一种特征形成特征矩阵,通过混合注意力机制对特征加权,重点关注对高预测准确率有利的特征,在降低及计算的同时,提高了锂电池剩余使用寿命的预测精度。同时,只使用测量数据作为锂电池特征,消除了预测累计误差的影响。
本发明提出的方法在NASA锂电池数据集进行了实验,实验表明,该方法可以将预测准确率提高44.4%。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明锂电池剩余使用寿命预测方法的流程图;
图2(a)是一般电池的容量曲线图;
图2(b)是经过高斯滤波器后一般电池的容量曲线图;
图3是本实施例只采用能量指数作为特征类型时,预测曲线与目标曲线的对比图;
图4是本实施例只采用能量指数、波动指数作为特征类型时,预测曲线与目标曲线的对比图;
图5是本实施例只采用能量指数、波动指数、偏度指数作为特征类型时,预测曲线与目标曲线的对比图;
图6是本实施例只采用能量指数、波动指数、偏度指数、峰度指数作为特征类型时,预测曲线与目标曲线的对比图;
图7是本实施例只采用对每种物理参数的注意力机制时,预测曲线与目标曲线的对比图;
图8是本实施例只采用对每种特征的注意力机制时,预测曲线与目标曲线的对比图;
图9是本实施例只采用对每个数据点的注意力机制时,预测曲线与目标曲线的对比图;
图10是本实施例只采用对每种物理参数的注意力机制和对每种特征的注意力机制时,预测曲线与目标曲线的对比图;
图11是本实施例只采用对每种物理参数和对每个数据点的注意力机制的注意力机制时,预测曲线与目标曲线的对比图;
图12是本实施例只采用对每种特征的注意力机制和对每个数据点的注意力机制的注意力机制时,预测曲线与目标曲线的对比图;
图13是本实施例采用对每种物理参数的注意力机制、对每种特征的注意力机制和对每个数据点的注意力机制的注意力机制时,预测曲线与目标曲线的对比图。
图14是本实施例线性回归特征计算的原理图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是,附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意,在有些作为备选的实现中,方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,或者它们有时也可以按照相反的顺序执行,这取决于所涉及的功能。同样应当注意的是,流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合,可以使用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以使用专用硬件与计算机指令的组合来实现。
实施例一
如图1所示,本实施例提供了一种锂电池剩余使用寿命预测方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器和系统,并通过终端和服务器的交互实现。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。本实施例中,该方法包括以下步骤:
根据锂电池的历史电池容量值,得到每个电池容量值对应的电压、电流和温度数据的特征矩阵;
考虑电压、电流和温度数据的权重值以及不同特征类型对电池容量值的影响,结合电池容量值对应的电压、电流和温度数据的特征矩阵,得到不同注意力机制对应的测量数据特征矩阵、特征类型矩阵和测量数据与特征类型融合矩阵;将测量数据特征矩阵、特征类型矩阵和测量数据与特征类型融合矩阵进行拼接,得到锂电池的预测剩余寿命。
具体来说,本实施例将电池的电池容量作为RUL预测的目标输出,将每个容量值对应的电压、电流和温度数据序列作为输入特征。具体来说,该方法主要包括三个部分:一、数据预处理和提取特征;二、利用混合注意力机制计算不同属性特征的贡献值;三、将训练好的网络用于电池RUL的预测。下面将详细介绍每个部分的实现过程。
1)数据预处理
由于不同电容值对应的电压、电流、温度数据长度不同,因此需要对数据集进行预处理。设第j次测量的电容值为yj,其对应的电压、电流、温度序列数据分别为本方法将数据特征保存为一个二维矩阵,矩阵的行向量为其中k∈{v,c,tp}。为了获取矩阵每一行数据的第1 个数据到第10个数据首先将等分为10份,并将每一份的均值作为到的值。
具体的,表示第j次的电压、电流或者温度序列数据,由于每次观测持续时间不同,的长度可能与长度不同。为了将所有输入特征的长度规范为同一值,可以将所有的都10等分,计算每一份的均值作为到的值。与含义不同,是原始测量数据,是经过变换处理的
然后对获取的样本数据进行归一化处理:
将第j个周期的电池容量用作预测目标yj,图2(a)显示了一般电池的容量曲线。从中可以看出,原始容量数据具有波动性,这可能是由于测量误差,电磁干扰,复杂化学物质等引起的。因此,使用高斯滤波器对原始容量数据进行处理。处理后容量曲线的滤波结果如图2(b)所示。为了统计尺度,需要将目标曲线标准化为
2)混合注意力机制计算不同属性特征的贡献值
为了关注特征矩阵中的重要信息并为其加权,使用一种改进的自注意力机制,通过考虑特征的不同属性来计算贡献权重。
令第j个周期的特征矩阵为j表示第j次测量。矩阵中的行数据是关于不同测量(电压,电流和温度)的特征向量,而不同列中的数据表示不同种类的特征。由于分别计算特征矩阵中每个行向量、每个列向量以及每个特征的贡献值需要使用不同的注意力机制,因此本文提出的方法称为基于混合注意力机制的锂电池RUL 预测。具体地,如下公式用于计算不同测量(或行数据)的权重
这里βj,i表示第j个周期的特征i(i=1,2,…,16)的权重。除了基于行和基于列的注意力机制的单独输出之外,权重矩阵还可以是权重向量和βj=(βj,1,βj,2,…,βj,16)的乘积。假设其输出矩阵设置为Ej,Ej的元素可以通过下式获得:
3)电池RUL的预测
在本实施例中,加权特征Cj,Dj和Ej将被拼接,然后输入到全连接层。最终,网络将输出锂电池的预测RUL。
其中,全连接层用于对特征进行线性变换。如果全连接层的特征输入为x,输出为y,参数矩阵为W,则全连接层实现如下功能:
y=Wx
为了证明实施例的技术方案,在NASA锂电池数据集进行了实验,实验表明,该方法可以提高预测准确率。
本实施例使用的锂电池数据集来自于National Aeronautics and SpaceAdministration(NASA)的Prognostics Center of Excellence,是锂电池RUL预测中广泛使用的数据集。该数据集记录了多个锂电池使用过程中含量退化的多物理参数数据。本发明将在#5,#6,#7和#18电池上进行验证。
上述4块电池具体的使用场景如表1所示,这里‘Vup’表示恒定充电电压, ‘Vlow’代表放电结束时电压,‘Ichar’与‘Idis’分别代表充放电时的电流,‘温度’表示电池使用时的温度,‘原始容量’代表新电池的容量,最后‘周期’表示电池的总充放电周期。
表1.#5,#6,#7和#18电池使用记录
电池 | V<sub>up</sub> | V<sub>low</sub> | I<sub>char</sub> | I<sub>dis</sub> | 温度 | 原始容量 | 周期 |
#5 | 4.2 | 2.7 | 1.5 | 2 | 24 | 1.86 | 168 |
#6 | 4.2 | 2.5 | 1.5 | 2 | 24 | 2.04 | 168 |
#7 | 4.2 | 2.5 | 1.5 | 2 | 24 | 1.89 | 168 |
#18 | 4.2 | 2.5 | 1.5 | 2 | 24 | 1.85 | 132 |
预测结果评价指标:
为了从多个角度有效地评估我们的方法,本实施例选择了两种广泛使用的指标:均方根误差(RMSE)和均值绝对百分比误差(MAPE)。假设目标容量值为y={y1,y2,…,yn},且预测容量值为则将RMSE和MAPE定义为
RMSE和MAPE的值越小,预测结果越接近真实值。
本实施例将Liu等人(Liu,Kailong,et al.“A Data-Driven Approach WithUncertainty Quantification for Predicting Future Capacities and RemainingUseful Life of Lithium-Ion Battery.”IEEE Transactions on IndustrialElectronics,vol.68,no. 4,2021,pp.3170–3180.)以及Chen等人(Chen,Liaogehao etal.“Remaining useful life prediction of lithium-ion battery with optimalinput sequence selection and error compensation.”Neurocomputing,vol.414,2020,pp.245-254.)提出的方法进行了比较。表2显示了本实施例的方法和其他方法在不同电池上的RMSE和MAPE,这表明本实施例的方法在#5,#7和#18电池上的性能优于其他方法。
表2与其他方法的性能比较.
实施例二
本实施例提供了一种锂电池剩余使用寿命预测方法。
一种锂电池剩余使用寿命预测方法,包括:
根据锂电池的历史电池容量值,得到每个电池容量值对应的电压、电流和温度数据的特征矩阵;
考虑电压、电流和温度数据的权重值以及不同特征类型对电池容量值的影响,结合电池容量值对应的电压、电流和温度数据的特征矩阵,得到不同注意力机制对应的测量数据特征矩阵、特征类型矩阵和测量数据与特征类型融合矩阵;将测量数据特征矩阵、特征类型矩阵和测量数据与特征类型融合矩阵进行拼接,得到锂电池的预测剩余寿命。
作为一种或多种实施方式,在获取锂电池的历史电池容量值后包括,获取每个电池容量值对应的电压、电流和温度数据;并对每个电池容量值对应的电压、电流和温度数据进行预处理,提取电池容量值对应的电压、电流和温度数据的特征矩阵。
预处理包括:获取每个电池容量值对应的电压数据矩阵、电流数据矩阵以及温度数据矩阵的行向量,然后分别提取电压行向量、电流行向量以及温度数据行向量中的能量特征、波动指数特征、偏度指数特征和峰度指数特征。
采用电压行向量、电流行向量以及温度数据行向量中的线性回归特征、能量特征、波动指数特征、偏度指数特征和峰度指数特征中的至少两种,预测锂电池的剩余寿命。
本实施例有多种技术方案,具体来说,将预处理中特征进行不同组合;不同注意力机制进行组合等。这里进行实例性展示并比较了不同组合的实现效果,实例数据集与评价准则与上述相同。实验是基于#5电池进行的。具体来说,将电池#6、#7、#18以及电池#5的前80个周期的数据用作训练数据集,将电池 #5其余周期的数据用于性能测试。
1)不同特征组合对锂电池RUL预测结果的影响:
为了更准确地预测锂电池的容量,本实施例中的一些参数需要进行测试和调整。该数据集包含充电和放电期间的各种监视数据,例如测得的电压,电流和温度数据。可以从这三个测量中获得涉及线性回归(LR)、能量指数(Eg)、波动指数(FI)、偏度指数(SI)以及峰度指数(KI)的特征,这些特征数据的不同组合将对预测结果产生较大的影响,如图3-6所示。表3显示了基于不同特征组合的结果,图3显示了不同特征组合的目标容量和预测容量的曲线。可以看出,所有提取特征共同组合要比其他组合更好。因此,以下实验基于这些特征组合进行。
表3.不同特征组合的性能指标
其中,线性回归指的是:如果横坐标表示特征编号i,纵坐标表示观测数据 (如电流、电压或者温度数据),则i与观测数据之间的关系可以用一条直线拟合,如图14中的直线。直线的斜率和截距两个线性回归特征。
2)不同注意力机制对锂电池RUL预测结果的影响:
本实施例中使用了三个注意力机制。第二个实验评估了该方法中使用的注意力机制,表4和图4显示了不同注意机制的结果。表格4中‘对每种物理参数’ (A1)基于等式(8)分别对三个测量序列值进行了加权。‘对每种特征’(A2)意味着将根据等式(10)获得十六种权重来加权每种特征,而‘对每个数据点’(A3) 基于等式(11)分别对特征矩阵每个点进行了加权;如图7-13所示。从表4中可以看出,A2和A3的串联在所有实验中效果最好,原因可能是更多地强调特征的类型而不是测量数据的类型。
表4.不同注意力机制对锂电池RUL预测结果的影响性能比较
不同方法 | RMSE | MAPE(%) |
对每种物理参数(A1) | 0.0024 | 0.2530 |
对每种特征(A2) | 0.0043 | 0.4644 |
对每个数据点(A3) | 0.0049 | 0.5089 |
A1和A2 | 0.0057 | 0.5935 |
A1和A3 | 0.0033 | 0.3589 |
A2和A3 | 0.0020 | 0.2016 |
A1,A2和A3 | 0.0024 | 0.2386 |
实施例三
本实施例提供了一种锂电池剩余使用寿命预测系统。
一种锂电池剩余使用寿命预测系统,其特征在于,包括:
第一处理模块,其被配置为:根据锂电池的历史电池容量值,得到每个电池容量值对应的电压、电流和温度数据的特征矩阵;
第二处理模块,其被配置为:考虑电压、电流和温度数据的权重值以及不同特征类型对电池容量值的影响,结合电池容量值对应的电压、电流和温度数据的特征矩阵,得到不同注意力机制对应的测量数据特征矩阵、特征类型矩阵和测量数据与特征类型融合矩阵;将测量数据特征矩阵、特征类型矩阵和测量数据与特征类型融合矩阵进行拼接,得到锂电池的预测剩余寿命。
实施例四
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一或实施例二所述的锂电池剩余使用寿命预测方法中的步骤。
实施例五
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述实施例一或实施例二所述的锂电池剩余使用寿命预测方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory, ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种锂电池剩余使用寿命预测方法,其特征在于,包括:
根据锂电池的历史电池容量值,得到每个电池容量值对应的电压、电流和温度数据的特征矩阵;
考虑电压、电流和温度数据的权重值以及不同特征类型对电池容量值的影响,结合电池容量值对应的电压、电流和温度数据的特征矩阵,得到不同注意力机制对应的测量数据特征矩阵、特征类型矩阵和测量数据与特征类型融合矩阵;将测量数据特征矩阵、特征类型矩阵和测量数据与特征类型融合矩阵进行拼接,得到锂电池的预测剩余寿命。
2.根据权利要求1所述的锂电池剩余使用寿命预测方法,其特征在于,在获取锂电池的历史电池容量值后包括,获取每个电池容量值对应的电压、电流和温度数据;并对每个电池容量值对应的电压、电流和温度数据进行预处理,提取电池容量值对应的电压、电流和温度数据的特征矩阵。
3.根据权利要求2所述的锂电池剩余使用寿命预测方法,其特征在于,所述预处理包括:获取每个电池容量值对应的电压数据矩阵、电流数据矩阵以及温度数据矩阵的行向量,然后分别提取电压行向量、电流行向量以及温度数据行向量中的能量特征、波动指数特征、偏度指数特征和峰度指数特征。
4.根据权利要求3所述的锂电池剩余使用寿命预测方法,其特征在于,采用电压行向量、电流行向量以及温度数据行向量中的线性回归特征、能量特征、波动指数特征、偏度指数特征和峰度指数特征中的至少两种,预测锂电池的剩余寿命。
5.根据权利要求2所述的锂电池剩余使用寿命预测方法,其特征在于,所述预处理包括:对每个电池容量值对应的电压、电流和温度数据进行归一化处理。
6.根据权利要求2所述的锂电池剩余使用寿命预测方法,其特征在于,在获取锂电池的历史电池容量值后包括,采用高斯滤波器对锂电池的历史电池容量值进行滤波处理,滤除噪声。
7.根据权利要求1所述的锂电池剩余使用寿命预测方法,其特征在于,所述不同特征类型对电池容量值的影响包括:不同特征类型的权重对容量值对应的电压、电流和温度数据的特征矩阵的影响。
8.一种锂电池剩余使用寿命预测系统,其特征在于,包括:
第一处理模块,其被配置为:根据锂电池的历史电池容量值,得到每个电池容量值对应的电压、电流和温度数据的特征矩阵;
第二处理模块,其被配置为:考虑电压、电流和温度数据的权重值以及不同特征类型对电池容量值的影响,结合电池容量值对应的电压、电流和温度数据的特征矩阵,得到不同注意力机制对应的测量数据特征矩阵、特征类型矩阵和测量数据与特征类型融合矩阵;将测量数据特征矩阵、特征类型矩阵和测量数据与特征类型融合矩阵进行拼接,得到锂电池的预测剩余寿命。
9.一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,该程序被处理器执行时实现如权利要求1-7中任一项所述的锂电池剩余使用寿命预测方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1-7中任一项所述的锂电池剩余使用寿命预测方法中的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110637416.4A CN113361197B (zh) | 2021-06-08 | 2021-06-08 | 一种锂电池剩余使用寿命预测方法及系统 |
PCT/CN2021/104784 WO2022257211A1 (zh) | 2021-06-08 | 2021-07-06 | 一种锂电池剩余使用寿命预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110637416.4A CN113361197B (zh) | 2021-06-08 | 2021-06-08 | 一种锂电池剩余使用寿命预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361197A true CN113361197A (zh) | 2021-09-07 |
CN113361197B CN113361197B (zh) | 2022-10-25 |
Family
ID=77533183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110637416.4A Active CN113361197B (zh) | 2021-06-08 | 2021-06-08 | 一种锂电池剩余使用寿命预测方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113361197B (zh) |
WO (1) | WO2022257211A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113985294A (zh) * | 2021-12-29 | 2022-01-28 | 山东大学 | 一种电池剩余寿命的预估方法及装置 |
CN116027204A (zh) * | 2023-02-20 | 2023-04-28 | 山东大学 | 基于数据融合的锂电池剩余使用寿命预测方法及装置 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116449223B (zh) * | 2023-06-20 | 2023-08-29 | 苏州精控能源科技有限公司 | 一种基于压缩感知的储能电池容量预测方法、装置 |
CN116494816B (zh) * | 2023-06-30 | 2023-09-15 | 江西驴宝宝通卡科技有限公司 | 充电桩的充电管理系统及其方法 |
CN116738932B (zh) * | 2023-08-16 | 2024-01-05 | 杭州程单能源科技有限公司 | 锂电池梯次利用的电芯压差优化方法及装置 |
CN117269766B (zh) * | 2023-08-28 | 2024-05-14 | 广东工业大学 | 一种面向不平衡使用场景的电池soh预测方法 |
CN117148165B (zh) * | 2023-09-15 | 2024-04-12 | 东莞市言科新能源有限公司 | 聚合物锂离子电池的测试分析方法及其系统 |
CN117368777B (zh) * | 2023-10-17 | 2024-03-22 | 昆明理工大学 | 基于小样本学习算法的锂离子电池寿命预测方法和系统 |
CN117554846B (zh) * | 2024-01-12 | 2024-03-22 | 烟台海博电气设备有限公司 | 计及约束条件的锂电池寿命预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180285542A1 (en) * | 2015-10-20 | 2018-10-04 | Grg Banking Equipment Co., Ltd. | Method and device for authenticating identify by means of fusion of multiple biological characteristics |
CN112147432A (zh) * | 2020-08-25 | 2020-12-29 | 国网上海市电力公司 | 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统 |
WO2021062366A1 (en) * | 2019-09-27 | 2021-04-01 | The Brigham And Women's Hospital, Inc. | Multimodal fusion for diagnosis, prognosis, and therapeutic response prediction |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190032780A (ko) * | 2017-09-20 | 2019-03-28 | 삼성전자주식회사 | 배터리 상태 추정 장치 및 방법 |
CN111103544B (zh) * | 2019-12-26 | 2021-12-21 | 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 |
CN111243682A (zh) * | 2020-01-10 | 2020-06-05 | 京东方科技集团股份有限公司 | 药物的毒性预测方法及装置、介质和设备 |
CN112666480B (zh) * | 2020-12-02 | 2023-04-28 | 西安交通大学 | 一种基于充电过程特征注意力的电池寿命预测方法 |
-
2021
- 2021-06-08 CN CN202110637416.4A patent/CN113361197B/zh active Active
- 2021-07-06 WO PCT/CN2021/104784 patent/WO2022257211A1/zh unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180285542A1 (en) * | 2015-10-20 | 2018-10-04 | Grg Banking Equipment Co., Ltd. | Method and device for authenticating identify by means of fusion of multiple biological characteristics |
WO2021062366A1 (en) * | 2019-09-27 | 2021-04-01 | The Brigham And Women's Hospital, Inc. | Multimodal fusion for diagnosis, prognosis, and therapeutic response prediction |
CN112147432A (zh) * | 2020-08-25 | 2020-12-29 | 国网上海市电力公司 | 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113985294A (zh) * | 2021-12-29 | 2022-01-28 | 山东大学 | 一种电池剩余寿命的预估方法及装置 |
CN113985294B (zh) * | 2021-12-29 | 2022-04-01 | 山东大学 | 一种电池剩余寿命的预估方法及装置 |
CN116027204A (zh) * | 2023-02-20 | 2023-04-28 | 山东大学 | 基于数据融合的锂电池剩余使用寿命预测方法及装置 |
CN116027204B (zh) * | 2023-02-20 | 2023-06-20 | 山东大学 | 基于数据融合的锂电池剩余使用寿命预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113361197B (zh) | 2022-10-25 |
WO2022257211A1 (zh) | 2022-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113361197B (zh) | 一种锂电池剩余使用寿命预测方法及系统 | |
He et al. | State of health estimation of lithium‐ion batteries: A multiscale G aussian process regression modeling approach | |
Chen et al. | A long short-term memory neural network based Wiener process model for remaining useful life prediction | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
Zhou et al. | Battery health prognosis using improved temporal convolutional network modeling | |
CN110874502B (zh) | 基于多阶段试验数据折合的航天产品可靠性评估方法 | |
Qi et al. | A new adaptation method based on adaptability under k-nearest neighbors for case adaptation in case-based design | |
Cai et al. | High-dimensional Gaussian copula regression: Adaptive estimation and statistical inference | |
CN113406521A (zh) | 一种基于特征分析的锂电池健康状态在线估计方法 | |
Huang et al. | A comprehensively optimized lithium-ion battery state-of-health estimator based on Local Coulomb Counting Curve | |
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 | |
Wei et al. | State of health assessment for echelon utilization batteries based on deep neural network learning with error correction | |
CN112834927A (zh) | 锂电池剩余寿命预测方法、系统、设备及介质 | |
CN111414709A (zh) | 一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法 | |
Xie et al. | Residual life prediction of lithium-ion batteries based on data preprocessing and a priori knowledge-assisted CNN-LSTM | |
CN114660497A (zh) | 一种针对容量再生现象的锂离子电池寿命预测方法 | |
CN115308608A (zh) | 一种全钒液流电池电压预测方法、装置及介质 | |
CN115114843A (zh) | 一种电池容量的预测方法、相关装置、设备以及存储介质 | |
CN114757340A (zh) | 基于神经网络集成的锂电池健康状态预测方法及系统 | |
Zhou et al. | A light-weight feature extractor for lithium-ion battery health prognosis | |
CN112180258A (zh) | 电池平均库伦效率的测定方法、装置、介质、终端、及系统 | |
Shi et al. | Network reliability analysis through survival signature and machine learning techniques | |
CN115963420A (zh) | 一种电池soh影响因素分析方法 | |
Huang et al. | SOC prediction of Lithium battery based on fuzzy information granulation and support vector regression | |
Zhou et al. | Combined sparse Bayesian learning strategy for remaining useful life forecasting of lithium-ion battery |
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 |