CN113589189B - 基于充放电数据特征的锂电池健康状况预测方法及装置 - Google Patents

Abstract

本发明涉及基于充放电数据特征的锂电池健康状况预测方法及装置，其包括：建立初始长短期记忆网络模型；获取锂电池健康指标数据集；根据所述锂电池健康指标数据集对所述初始长短期记忆网络模型进行训练、验证和测试，得到目标长短期记忆网络模型；将锂电池健康指标数据输入至所述目标长短期记忆网络模型，对所述锂电池健康状况进行预测。本发明采集实时的锂电池数据，利用改进的遗传算法，对长短期记忆网络模型参数寻优，并引入了注意力机制与增量学习的方法，实现了对锂电池健康状况的在线预测，并且避免了调参的盲目性，提升了预测的准确性。

Description

基于充放电数据特征的锂电池健康状况预测方法及装置

技术领域

本发明涉及锂电池监测技术领域，尤其涉及基于充放电数据特征的锂电池健康状况预测方法及装置。

背景技术

随着环境恶化，能源危机等问题不断突出，传统的燃油汽车已经不再满足节能环保的要求了，新兴的电动汽车正在成为未来的主力交通工具。锂电池因为其能量密度高、循环周期长、清洁环保等特性，已经成为了电动汽车主要能量来源。而锂电池内部的反应机理决定了其性能以及容量会不可避免地随着充放电循环次数的增加而降低，随着电池性能的老化，不可避免的会出现一些安全隐患，会对个人的人身安全造成严重的隐患。所以对锂电池健康状态以及剩余使用寿命的预测就显得非常重要。

目前针对锂电池健康状态以及剩余使用寿命的研究，主要有三种方法：基于模型的方法、基于数据驱动的方法以及融合模型的方法。

但现有技术存在以下问题：1、基于模型的方法其模型参数多，通常需要侵入式的方法才能深入研究其内部的反应机理，且易受到外部环境干扰，导致其适应性较差。2、基于数据驱动的方法只适用于处于中小样本数据，当样本数量过大时，往往计算开销巨大。3、近年来，基于数据驱动的研究方法，因为不用考虑电池内部复杂的物理化学反应，也无需太多的专业知识，只需要通过电池工作的历史数据即可实现SOH,RUL的预测，受到了广大学者的重视。基于数据驱动的方法主要包括：神经网络，支持向量机，支持向量回归等方法。但支持向量机，支持向量回归等只适用于处于中小样本数据，当样本数量过大时，往往计算开销巨大。

发明内容

有鉴于此，有必要提供一种基于充放电数据特征的锂电池健康状况预测方法及装置，用以解决现有技术中存在的锂电池健康状况预测不准确，不适用于样本数量过大以及预测时间较长的技术问题。

为达到上述技术目的，本发明采取了以下技术方案：

第一方面，本发明提供了一种基于充放电数据特征的锂电池健康状况预测方法，包括：

建立初始长短期记忆网络模型；

获取锂电池健康指标数据集；

根据锂电池健康指标数据集对初始长短期记忆网络模型进行训练、验证和测试，得到目标长短期记忆网络模型；

将锂电池健康指标数据输入至目标长短期记忆网络模型，对锂电池健康状况进行预测。

优选的，初始长短期记忆网络模型，具体为：

其中h_t-1为上一个时间步输出的隐藏信息，x_t为当前时间步的输入信息，tanh和σ分别为tanh，sigmoid激活函数，f_t，i_t，o_t分别为当前时间步下的遗忘门，输入门，输出门，W_f，W_t，W_o，b_f，b_i，b_o分别为各自的权重和偏置，

是代替记忆单元的候选值。

优选的，健康指标包括等压升充电时间、完全放电能量及等压降放电时间，健康指标数据集包括数据训练集、数据验证集以及数据测试集，且数据训练集、数据验证集以及数据测试集均包括等压升充电时间数据集、完全放电能量数据集及等压降放电时间数据集。

优选的，等压升充电时间数据集为电池从第一电压充电升高到第二电压所需时间的数据集，完全放电能量数据集为电池从满电量状态到完全放电状态过程中所能释放能量的数据集，等压降放电时间数据集为电池从第二电压放电降低到第一电压所需时间的数据集。

优选的，根据锂电池健康指标数据集对初始长短期记忆网络模型进行训练、验证和测试，得到目标长短期记忆网络模型，包括：

将数据训练集中的等压升充电时间、完全放电能量及等压降放电时间作为当前时间步的输入信息x_t输入至初始长短期记忆网络模型中进行训练，得到初始长短期记忆网络模型训练后的权重和偏置，得到过渡长短期记忆网络模型；

利用数据验证集对过渡长短期记忆网络模型的预测性能进行验证，若验证不通过，则再次对过渡长短期记忆网络模型进行训练；若验证通过，则过渡长短期记忆网络模型为目标长短期记忆网络模型；

利用数据测试集对目标长短期记忆网络网络模型的预测性能进行测试，获得训练完备的目标长短期记忆网络模型。

优选的，在利用数据测试集对目标长短期记忆网络模型的预测性能进行测试之前，还包括：对过渡长短期记忆网络模型进行优化，具体包括：

基于遗传算法对过渡长短期记忆网络模型进行优化，具体为：

确定遗传种群的交叉率p_c和变异率p_m，并基于交叉率p_c和变异率p_m对过渡长短期记忆网络模型进行优化，交叉率和变异率的公式如下：

其中：f_avg为当代所有个体适应度的平均值，f为当代每个个体的适应度值，β为常量。

优选的，在建立初始长短期记忆网络模型时，引入注意力机制确定数据训练集在输入到初始长短期记忆网络模型后的每个特征及其权重，具体为：

将数据训练集输入至初始长短期记忆网络模型，获取对应的隐藏状态；

通过激活函数计算得到每个特征的得分，求解每一个特征分布在总体分数的占比，输出每个特征与其权重乘积的加权值。

第二方面，本发明还提供了一种电池健康状况预测装置，包括：

获取模块，用于获取电池健康指标数据集；

初始模型构建模块，用于建立初始长短期记忆网络模型；

训练模块，用于根据电池健康指标数据集对初始长短期记忆网络模型进行训练、验证和测试，得到目标长短期记忆网络模型；

预测模块，用于将电池健康指标数据输入至目标长短期记忆网络模型，对电池健康状况进行预测。

第三方面，本发明还提供了一种电子设备，包括存储器和处理器，其中，

存储器，用于存储程序；

处理器，与存储器耦合，用于执行存储器中存储的程序，以实现上述任一种实现方式中的基于充放电数据特征的锂电池健康状况预测方法中的步骤。

第四方面，本发明还提供了一种计算机可读存储介质，用于存储计算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述任一种实现方式中的基于充放电数据特征的锂电池健康状况预测方法中的步骤。

采用上述实施例的有益效果是：本发明提供的基于充放电数据特征的锂电池健康状况预测方法，根据传感器实时采集的数据，提取影响锂电池剩余寿命的健康因子，输入到长短期记忆网络模型中，实现了锂电池容量和剩余寿命的在线预测；并且，利用改进的遗传算法，对长短期记忆网络模型的参数寻优，避免了调参的盲目性；并且，采用了注意力机制，提升模型的局部学习能力和预测的准确性。

附图说明

图1为本发明提供的电池健康状况预测装置的应用场景示意图；

图2为本发明提供的一种基于充放电数据特征的锂电池健康状况预测方法一实施例的流程示意图；

图3为本发明提供的初始长短期记忆网络模型一实施例的原理示意图；

图4为本发明提供的图2中步骤S103的一实施例的流程示意图；

图5为本发明提供的注意力机制运用到初始长短期记忆网络模型中的一个实施例原理示意图；

图6为本发明提供的目标长短期记忆网络模型一实施例的整体结构示意图；

图7为本发明提供的遗传算法中染色体一实施例的结构示意图；

图8为本发明提供的基于充放电数据特征的电池健康状况预测装置的一实施例的结构示意图；

图9为本发明提供的电子设备的一实施例的结构示意图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。

在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

本发明提供了锂电池健康状况预测方法、装置、设备及存储介质，以下分别进行说明。

图1为本申请实施例所提供的电池健康状况预测装置的场景示意图，该系统可以包括服务器100，服务器100中集成有电池健康状况预测装置，如图1中的服务器。

本申请实施例中服务器100主要用于：

建立初始长短期记忆网络模型；获取锂电池健康指标数据集；根据锂电池健康指标数据集对初始长短期记忆网络模型进行训练、验证和测试，得到目标长短期记忆网络模型；将锂电池健康指标数据输入至目标长短期记忆网络模型，对锂电池健康状况进行预测。

本申请实施例中，该服务器100可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如，本申请实施例中所描述的服务器100，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。

可以理解的是，本申请实施例中所使用的终端200可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的终端200可以是台式机、便携式电脑、网络服务器、掌上电脑(Personal Digital Assistant，PDA)、移动手机、平板电脑、无线终端设备、通信设备、嵌入式设备等，本实施例不限定终端200的类型。

本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本申请方案一种应用场景，并不构成对本申请方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的终端，例如图1中仅示出2个终端，可以理解的，该电池健康状况预测装置还可以包括一个或多个其他终端，具体此处不作限定。

另外，参照图1所示，该电池健康状况预测装置还可以包括存储器300，用于存储数据，如电池健康指标训练集、电池健康指标验证集和电池健康指标测试集等。

需要说明的是，图1所示的电池健康状况预测装置的场景示意图仅仅是一个示例，本申请实施例描述的电池健康状况预测装置以及场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着电池健康状况预测装置的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

请参阅图2，图2为本发明提供的基于充放电数据特征的锂电池健康状况预测方法的一个实施例流程示意图，该方法包括：

S101、建立初始长短期记忆网络模型；

S102、获取锂电池健康指标数据集；

S103、根据锂电池健康指标数据集对初始长短期记忆网络模型进行训练、验证和测试，得到目标长短期记忆网络模型；

S104、将锂电池健康指标数据输入至目标长短期记忆网络模型，对锂电池健康状况进行预测。

在步骤S101中，本发明提供一具体的实施例，该初始长短期记忆网络模型为LSTM模型，建立LSTM模型的方式可以采取Theano、Tensorflow和Keras，这些均是现有技术中常用的方法，在此不赘述其模型建立过程。

在步骤S102中，本发明提供一具体的实施例，通过传感器实时监控锂电池充放电过程中的各个参数变化，并从中提取出影响锂电池健康状况的健康因子数据集，并在这些健康因子数据集中选择部分作为锂电池健康指标数据集。可以理解的是，传感器可以选择电压传感器、电流传感器、温度传感器等，本实施例中选用电压传感器，锂电池充放电过程中的各个参数可以包括电压、电流、温度等参数。

在步骤S103中，本发明提供一具体的实施例，将获取的锂电池健康指标数据集分为数据训练集、数据验证集及数据测试集。训练集在建立初始模型后，训练模型中的一些参数；验证集用来比较各个模型的性能，不同模型主要是指对应不同超参数的神经网络,也可以指完全不同结构的神经网络；测试集是用来评价训练完成的神经网络的性能。建立的初始长短期记忆网络模型是无法直接用来预测锂电池健康状况SOH的，对该模型还需要进行一系列的训练、验证及测试，使得模型能够满足预测的要求。可以理解的是，电池健康状况SOH可以指电池容量，也可以指电池的功率，内阻等性能参数，本发明的实施例选择电池容量作为电池健康状况SOH的值。

在步骤S104中，本发明提供一具体的实施例，将待预测的锂电池健康指标数据输入至训练完备的目标长短期记忆网络模型中去，得到模型的输出结果，该输出结果为电池健康状况(SOH)，根据该输出结果判断预测的电池健康状况。

与现有技术相比，本发明提供的基于充放电数据特征的锂电池健康状况预测方法，根据传感器实时采集的数据，提取影响锂电池剩余寿命的健康因子，输入到锂电池剩余寿命中，实现了对锂电池容量和剩余寿命的在线预测；将提取的锂电池健康指标数据分为数据训练集、数据验证集及数据测试集，并基于数据训练集和数据验证集对建立的长短期记忆网络模型进行训练、验证和优化，最后利用数据测试集对训练完备的长短期记忆网络模型进行测试，检验训练完备的模型的预测结果能否达到预期的效果，提高了模型预测的准确性。

在本发明的一些实施例中，请参阅图3，图3为本发明提供的初始长短期记忆网络模型一实施例的原理示意图，在本实施例中，初始长短期记忆网络模型，具体为：

其中h_t-1为上一个时间步输出的隐藏信息，x_t为当前时间步的输入信息，tanh和σ分别为tanh，sigmoid激活函数，f_t，i_t，o_t分别为当前时间步下的遗忘门，输入门，输出门，W_f，W_t，W_o，b_f，b_i，b_o分别为各自的权重和偏置，

是代替记忆单元的候选值。

可以理解的是，LSTM模型运行过程如下：

先是遗忘门决定要从细胞状态中丢弃那些信息。Sigmoid函数通过对上一个时间步输出的隐藏信息以及当前时间步的输入信息进行处理，得到一个0-1之间的状态，给到上一个时间步的记忆单元，其中1表示全部保留，0表示完全舍弃。

然后输入门决定有多少新的信息加入到当前的长短期记忆网络模型单元中来。同样的sigmoid函数获得一个0-1之间的状态，tanh函数生成一个备选的用来更新的

再由状态C_t-1更新至C_t。将旧的状态C_t-1与f_t相乘，来“忘记”我们之前决定丢掉的信息。然后再将得到的值

与i_t相乘，最后两部分乘积相加，得到更新后的新的状态值。

最后输出门决定要输出什么。运行一个sigmoid激活函数，该层决定要输出当前长短期记忆网络模型单元的哪些部分。然后通过tanh来设置记忆单元状态(将值变为-1至1之间)，并将其与sigmoid层的输出相乘，由此来决定我们最后要输出的部分。

可以理解的是，通过LSTM模型，可以对大量的电池健康指标数据进行训练，并且LSTM模型能够记住长时间数值，忘记不重要的数据，提高了对锂电池健康状况预测的准确性。

在本发明的一些实施例中，健康指标包括等压升充电时间、完全放电能量及等压降放电时间，健康指标数据集包括数据训练集、数据验证集以及数据测试集，且数据训练集、数据验证集以及数据测试集均包括等压升充电时间数据集、完全放电能量数据集及等压降放电时间数据集。

在上述实施例中，将提取的健康指标数据集分为数据训练集、数据验证集以及数据测试集，且数据训练集、数据验证集以及数据测试集必须都包括三个健康指标，对锂电池健康状况的预测需要同时输入三个健康指标，通过单一指标的预测具有较大误差，所以数据训练集、数据验证集以及数据测试集必须都包括三个健康指标。

在本发明的一些实施例中，等压升充电时间数据集为电池从第一电压充电升高到第二电压所需时间的数据集，完全放电能量数据集为电池从满电量状态到完全放电状态过程中所能释放能量的数据集，等压降放电时间数据集为电池从第二电压放电降低到第一电压所需时间的数据集。

在上述实施例中，提取等压升充电时间t_c作为第一个健康因子F1，即：

t_c＝t_cu2-t_cu1，

则各个充电周期所提取的F1序列可以表示为：

F1＝{t_c1，t_c2，t_c3，…，t_cn}，

其中：t_cu1表示充电电压达到第一电压u1的时间，t_cu2表示充电电压达到第二电压u2的时间，n为充放电周期数。

第一电压u1和第二电压u2可以设定为锂电池可以达到的合适的电压，在本实施例中，取第一电压u1为3.8V，取第二电压u2为4.0V。

提取锂电池完全放电能量E作为第二个健康因子F2，即：

则各个放电周期所提取的F2序列可以表示为：

F2＝{E₁，E₂，E₃，…，E_n}，

其中：t₀表示开始放电的时间，t_cutoff表示放电达到截止电压的时间，u_t为放电过程中的实时电压值，i_t为放电过程中的实时电流值，n为充放电周期数。

提取等压降放电时间t_d作为第三个健康因子F3，即：

t_d＝t_du1-t_du2，

则各个周期所提取的F3序列可以表示为：

F3＝{t_d1，t_d2，t_d3，…，t_dn}，

其中：t_du1表示放电电压达到第一电压u1的时间，t_du2表示放电电压达到第二电压u2的时间，n为充放电周期数。

第一电压u1和第二电压u2可以设定为锂电池可以达到的合适的电压，在本实施例中，取第一电压u1为3.8V，取第二电压u2为4.0V。

在上述实施例中，对充，放电过程中采集到的电流、电压、温度等数据进一步分析，从不同的角度提取能够表征锂电池容量退化的三个健康指标，以电压、电流和时间来表示，电池的等压升充电时间，等压降放电时间能够表征电池的充放电性能，而完全放电能量能够表征电池的容量，电池的充放电性能和容量都是衡量电池健康状况的重要因数，通过这三个指标能够很好的预测电池的健康状况。

请参阅图4，图4为本发明提供的图2中步骤S103的一实施例的流程示意图，在本发明的一些实施例中，根据锂电池健康指标数据集对初始长短期记忆网络模型进行训练、验证和测试，得到目标长短期记忆网络模型，包括：

S201、将数据训练集中的等压升充电时间、完全放电能量及等压降放电时间作为当前时间步的输入信息x_t输入至初始长短期记忆网络模型中进行训练，得到初始长短期记忆网络模型训练后的权重和偏置，得到过渡长短期记忆网络模型；

S202、利用数据验证集对过渡长短期记忆网络模型的预测性能进行验证，若验证不通过，则再次对过渡长短期记忆网络模型进行训练；若验证通过，则过渡长短期记忆网络模型为目标长短期记忆网络模型；

S203、利用数据测试集对目标长短期记忆网络网络模型的预测性能进行测试，获得训练完备的目标长短期记忆网络模型。

在步骤S201中，初始长短期记忆网络模型还不能对锂电池的健康状况进行预测，需要大量的锂电池参数数据对模型进行训练，将据训练集中的等压升充电时间、完全放电能量及等压降放电时间作为当前时间步的输入信息x_t输入至初始长短期记忆网络模型中进行训练，得到初始长短期记忆网络模型训练后的权重和偏置及过渡长短期记忆网络模型，后续还需要对该模型进行验证以及优化，判断是否能满足预测需要。

在步骤S202中，具体地，对过渡长短期记忆网络模型的预测性能进行验证时，根据长短期记忆网络模型的预测性能，通过遗传算法优化长短期记忆网络的层数以及神经元数量，循环进行训练，验证，优化流程，直到达到预测性能要求或者最大迭代次数，最后得到目标长短期记忆网络模型。通过数据验证集获得总验证损失值，当在验证集上的损失过大，或者优化迭代次数未达到上限时，验证不通过，继续循环训练，验证，优化，直到在验证集上的损失达到预期值或者优化迭代次数达到上限，则该过渡长短期记忆网络模型为目标长短期记忆网络模型。

在步骤S203中，得到目标长短期记忆网络模型后，通过数据测试集对模型进行测试，根据模型的测试结果和实际情况对比，测试目标长短期记忆网络模型的预测性能，经过一系列的测试后，得到训练完备的目标长短期记忆网络模型。

在上述实施例中，按3:1:1的比例将获取的三个健康因子分为数据训练集、数据验证集以及数据测试集，且数据训练集、数据验证集以及数据测试集所包含的样本具有相同的分布，且没有重合，应用Min-Max化，设置训练数据的timestep＝10,batchsize＝16,epochs＝200,输入到长短期记忆网络模型中去，优化算法选择Adam算法，内部参数采用默认参数learning_rate＝0.001,beta_1＝0.9,beta_2＝0.999,epsilon＝1e-07，损失函数选择mse函数。然后将数据训练集输入初始长短期记忆网络模型进行训练，获得过渡长短期记忆网络模型，再利用数据验证集对过渡长短期记忆网络模型的预测性能进行验证，直至验证通过得到目标长短期记忆网络模型，最后利用数据测试集对目标长短期记忆网络模型的预测性能进行测试，获得目标长短期记忆网络模型的预测性能。利用提取的健康因子对长短期记忆网络模型进行训练、验证和测试，提升长短期记忆网络模型的预测准确率，以达到在实际使用过程中对锂电池健康状况预测的要求。

在本发明的一些实施中，在利用数据测试集对目标长短期记忆网络模型的预测性能进行测试之前，还包括：对过渡长短期记忆网络模型进行优化，具体包括：

基于遗传算法对过渡长短期记忆网络模型进行优化，具体为：

确定交叉率p_c和变异率p_m，用于对过渡长短期记忆网络模型进行优化，交叉率和变异率的公式如下：

其中：f_avg为当代所有个体适应度的平均值，f为当代每个个体的适应度值，β为常量。

进一步地，针对每一次的预测结果，以R²作为遗传算法的适应度值，当适应度值小于0时，则令适应度值为0，在选择阶段，选择轮盘赌的选择方式，为了增加多样性，对于所有适应度，都增加一个较小的值1×10^-3，使每一个样本在理论上都存在被选择的可能性，即：

在上述实施例中，β为常量，通常取0.6-0.8，本实施例中取值为0.7。交叉率和变异率设计为自适应性的，对于适应度值较大的个体，则赋予他较小的交叉率和变异率，进行保护；而对于适应度值较小的个体，则赋予他较大的交叉率和变异率，使其进化。交叉率和变异率对算法的影响较大，根据经验进行选择需要丰富的经验，而且取值也可能难以达到实验要求，采用自适应的交叉率和变异率避免了经验不足造成选取上的困难，而且其自适应性也提高了取值的精确性，避免了取值过大或过小所带来的问题。

请参阅图5，图5为本发明提供的注意力机制运用到初始长短期记忆网络模型中的一个实施例原理示意图，建立初始长短期记忆网络模型时，引入注意力机制确定数据训练集在输入到初始长短期记忆网络模型后的每个特征及其权重，具体为：

将数据训练集输入至初始长短期记忆网络模型，获取对应的隐藏状态；

通过激活函数计算得到每个特征的得分，求解每一个特征分布在总体分数的占比，输出每个特征与其权重乘积的加权值。

进一步地，将数据训练集输入到初始长短期记忆网络模型中，然后会得到相应的隐藏状态H＝[h₁，h₂，…，h_t]，然后我们应用一个激活函数来得到每一个特征的得分，本实施例选用tanh激活函数，最后求解每一个特征分布在总体分数的占比，注意力机制层最后输出则为每个特征与其权重乘积的加权。由于不同特征对最终预测结果的影响是不同的，为了更好的预测出不同特征的差异，引入注意力机制，提升了模型的局部学习能力。

另外，针对在用电设备可能出现新的使用场景，使用模式等情况，在上述实施例中还可以引入增量学习的方法，先用历史数据训练一个基础的长短期记忆网络模型，然后将实时线上采集到的数据和对应的新预测的值加入数据训练集，不断的更新模型，提升模型的预测性能。

请参阅图6，图6为本发明提供的目标长短期记忆网络模型一实施例的整体结构示意图，模型的第一层是用来接收传入的数据，并设置好传入数据的维度，随后则进入到LSTM层，在第一个LSTM层后面，添加一个注意力机制层，然后再添加一个dropout层，随后根据寻优得到的LSTM层数值，再将LSTM和dropout层捆绑添加，即：假设寻优得到的LSTM层数为n，则先创建一个LSTM层，一个注意力机制层，一个dropout层，后面再依次反复的添加LSTM，dropout层，一共循环(n-1)次，所有dropout都设为0.3，每一层LSTM网络神经元数量由染色体上的基因决定。随后再根据寻优得到的dense层的数量，添加相应层数的dense层，不使用激活函数，设置kernel_regularizer为L2正则化，参数为0.001，同样，每一层dense网络神经元数量由染色体上的基因决定(请参阅图7，图7为本发明提供的遗传算法中染色体一实施例的结构示意图)。最后再添加一层dense层，神经元数量设置为1，同样不使用激活函数，用来输出模型预测结果。

具体地，本发明提供的实施例还包括锂电池健康状况预测结果设置评判指标；

其中，评判指标包括：

平均绝对误差MAE:

均方根误差RMSE:

适应度系数R²:

误差ERROR:

其中：

表示预测的SOH值，y_i表示实际的SOH值，

表示实际的SOH值的平均值，

表示预测的剩余使用寿命，RUL表示实际的剩余使用寿命，n表示样本个数。

在上述实施例中，设置了4个评判指标，对锂电池健康状况预测结果进行评判，平均绝对误差MAE针对锂电池容量进行评判，是电池容量预测值与真实值绝对误差的平均值，能更好地反映锂电池容量预测值误差的实际情况。均方根误差RMSE针对锂电池容量进行评判，是电池容量观测值与真值偏差的平方和与观测次数n比值的平方根，是用来衡量锂电池容量预测值同实际值之间的偏差，同时也能更好的反应预测中的异常值。适应度系数R²用来评判SOH预测值对真实值的拟合程度。误差ERROR针对锂电池剩余寿命进行评判，反映锂电池剩余使用寿命的预测值与实际值的偏差。通过4个评判指标，判断目的长短期记忆模型的预测情况是否能够满足实际的使用需要。

为了更好实施本发明实施例中的锂电池健康状况预测方法，在锂电池健康状况预测方法基础之上，对应的，请参阅图8，图8为本发明提供的电池健康状况预测装置的一实施例的结构示意图，本发明实施例提供了一种电池健康状况预测装置800，包括：

获取模块801，用于获取电池健康指标数据集；

初始模型构建模块802，用于建立初始长短期记忆网络模型；

训练模块803，用于根据电池健康指标数据集对初始长短期记忆网络模型进行训练、验证和测试，得到目标长短期记忆网络模型；

预测模块804，用于将电池健康指标数据输入至目标长短期记忆网络模型，对电池健康状况进行预测。

这里需要说明的是：上述实施例提供的电池健康状况预测装置800可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容，此处不再赘述。

请参阅图9，图9为本发明实施例提供的电子设备的结构示意图。基于上述基于充放电数据特征的锂电池健康状况预测方法，本发明还相应提供了一种电池健康状况预测设备，电池健康状况预测设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电池健康状况预测设备包括处理器910、存储器920及显示器930。图9仅示出了电池健康状况预测设备的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

存储器920在一些实施例中可以是电池健康状况预测设备的内部存储单元，例如电池健康状况预测设备的硬盘或内存。存储器920在另一些实施例中也可以是电池健康状况预测设备的外部存储设备，例如电池健康状况预测设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器920还可以既包括电池健康状况预测设备的内部存储单元也包括外部存储设备。存储器920用于存储安装于电池健康状况预测设备的应用软件及各类数据，例如安装电池健康状况预测设备的程序代码等。存储器920还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器920上存储有电池健康状况预测程序940，该电池健康状况预测程序940可被处理器910所执行，从而实现本申请各实施例的基于充放电数据特征的锂电池健康状况预测方法。

处理器910在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器920中存储的程序代码或处理数据，例如执行基于充放电数据特征的锂电池健康状况预测方法等。

显示器930在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器930用于显示在电池健康状况预测设备的信息以及用于显示可视化的用户界面。电池健康状况预测设备的部件910-930通过系统总线相互通信。

在一实施例中，当处理器910执行存储器920中电池健康状况预测程序940时实现如上的基于充放电数据特征的锂电池健康状况预测方法中的步骤。

当然，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硬件(如处理器，控制器等)来完成，的程序可存储于一计算机可读取的存储介质中，该程序在执行时可包括如上述各方法实施例的流程。其中的存储介质可为存储器、磁碟、光盘等。

以上，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种基于充放电数据特征的锂电池健康状况预测方法，其特征在于，包括：

建立初始长短期记忆网络模型；

获取锂电池健康指标数据集；

根据所述锂电池健康指标数据集对所述初始长短期记忆网络模型进行训练、验证和测试，得到目标长短期记忆网络模型；

将锂电池健康指标数据输入至所述目标长短期记忆网络模型，对所述锂电池健康状况进行预测；

其中，还包括：对过渡长短期记忆网络模型进行优化，具体包括：

基于遗传算法对所述过渡长短期记忆网络模型进行模型优化，具体为：

确定遗传种群的交叉率

和变异率

，并基于所述交叉率

和变异率

对所述过渡长短期记忆网络模型进行优化，所述交叉率和变异率的公式如下：

，

其中：

为当代所有个体适应度的平均值，

为当代每个个体的适应度值，

为常量。

2.根据权利要求1所述的基于充放电数据特征的锂电池健康状况预测方法，其特征在于，初始长短期记忆网络模型，具体为：

，

其中

为上一个时间步输出的隐藏信息，

为当前时间步的输入信息，

和

分别为tanh，sigmoid激活函数，

分别为当前时间步下的遗忘门，输入门，输出门，

分别为各自的权重和偏置，

是代替记忆单元的候选值。

3.根据权利要求2所述的基于充放电数据特征的锂电池健康状况预测方法，其特征在于，所述健康指标包括等压升充电时间、完全放电能量及等压降放电时间，所述健康指标数据集包括数据训练集、数据验证集以及数据测试集，且所述数据训练集、数据验证集以及数据测试集均包括等压升充电时间数据集、完全放电能量数据集及等压降放电时间数据集。

4.根据权利要求3所述的基于充放电数据特征的锂电池健康状况预测方法，其特征在于，所述等压升充电时间数据集为电池从第一电压充电升高到第二电压所需时间的数据集，所述完全放电能量数据集为电池从满电量状态到完全放电状态过程中所能释放能量的数据集，所述等压降放电时间数据集为电池从第二电压放电降低到第一电压所述时间的数据集。

5.根据权利要求4所述的基于充放电数据特征的锂电池健康状况预测方法，其特征在于，所述根据所述锂电池健康指标数据集对所述初始长短期记忆网络模型进行训练、验证和测试，得到目标长短期记忆网络模型，包括：

将所述数据训练集中的所述等压升充电时间、完全放电能量及等压降放电时间作为当前时间步的输入信息

输入至所述初始长短期记忆网络模型中进行训练，得到初始长短期记忆网络模型训练后的权重和偏置，得到过渡长短期记忆网络模型；

利用所述数据验证集对所述过渡长短期记忆网络模型的预测性能进行验证，若验证不通过，则再次对所述过渡长短期记忆网络模型进行训练；若验证通过，则所述过渡长短期记忆网络模型为所述目标长短期记忆网络模型；

利用所述数据测试集对所述目标长短期记忆网络模型的预测性能进行测试，获得训练完备的目标长短期记忆网络模型。

6.根据权利要求1-5所述任一项的基于充放电数据特征的锂电池健康状况预测方法，其特征在于，在建立初始长短期记忆网络模型时，引入注意力机制确定所述数据训练集在输入到所述初始长短期记忆网络模型后的每个特征及其权重，具体为：

将所述数据训练集输入至所述初始长短期记忆网络模型，获取对应的隐藏状态；

通过激活函数计算得到每个特征的得分，求解每一个特征分布在总体分数的占比，输出每个特征与其权重乘积的加权值。

7.一种电池健康状况预测装置，其特征在于，包括：

初始模型构建模块，用于建立初始长短期记忆网络模型；

获取模块，用于获取电池健康指标数据集；

训练模块，根据所述电池健康指标数据集对所述初始长短期记忆网络模型进行训练、验证和测试，得到目标长短期记忆网络模型；

预测模块，将电池健康指标数据输入至所述目标长短期记忆网络模型，对所述电池健康状况进行预测；

其中，还包括：对过渡长短期记忆网络模型进行优化，具体包括：

基于遗传算法对所述过渡长短期记忆网络模型进行模型优化，具体为：

确定遗传种群的交叉率

和变异率

，并基于所述交叉率

和变异率

对所述过渡长短期记忆网络模型进行优化，所述交叉率和变异率的公式如下：

，

其中：

为当代所有个体适应度的平均值，

为当代每个个体的适应度值，

为常量。

8.一种电子设备，其特征在于，包括存储器和处理器，其中，

所述存储器，用于存储程序；

所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述权利要求1至6中任一项所述基于充放电数据特征的锂电池健康状况预测方法中的步骤。

9.一种计算机可读存储介质，其特征在于，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述权利要求1至6中任一项所述基于充放电数据特征的锂电池健康状况预测方法中的步骤。

Images