CN113985294A - 一种电池剩余寿命的预估方法及装置 - Google Patents

一种电池剩余寿命的预估方法及装置 Download PDF

Info

Publication number
CN113985294A
CN113985294A CN202111626227.3A CN202111626227A CN113985294A CN 113985294 A CN113985294 A CN 113985294A CN 202111626227 A CN202111626227 A CN 202111626227A CN 113985294 A CN113985294 A CN 113985294A
Authority
CN
China
Prior art keywords
battery
voltage
capacity
service life
lithium battery
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
Application number
CN202111626227.3A
Other languages
English (en)
Other versions
CN113985294B (zh
Inventor
李沂滨
崔明
贾磊
宋艳
王代超
郭庆稳
高辉
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.)
Shandong University
Original Assignee
Shandong 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 Shandong University filed Critical Shandong University
Priority to CN202111626227.3A priority Critical patent/CN113985294B/zh
Publication of CN113985294A publication Critical patent/CN113985294A/zh
Application granted granted Critical
Publication of CN113985294B publication Critical patent/CN113985294B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • G01R31/367—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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Abstract

本发明属于锂电池技术领域，为了解决极限学习机模型受随机初始化权重影响，影响锂电池剩余使用寿命预测的精度的问题，提供了一种电池剩余寿命的预估方法及装置。其中，电池剩余寿命的预估方法包括获取锂电池历史充放电循环数据，并从其中提取从第一电压到第二电压的放电时间差和前向循环的电池容量，进而构成初始特征向量；基于初始特征向量及预先训练完成的寿命预测模型，进行迭代预测直到预测容量低于额定容量的预设比例，最终获得锂电池的剩余使用寿命预测值；其中，所述寿命预测模型为经天牛须搜索算法优化初始化参数的极限学习机模型。该预估方法提高了极限学习机的精准度及稳定性，最终提高了锂电池剩余使用寿命预测值的准确性。

Description

一种电池剩余寿命的预估方法及装置
技术领域
本发明属于锂电池技术领域，尤其涉及一种电池剩余寿命的预估方法及装置。
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。
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。为了保证锂电池的安全并平衡资源的使用效率，需要对使用中的锂离子电池进行容量预测，以便能提前更换。人工神经网络已经在数据分析的各个领域取得良好的效果，它通过误差反向传播（error Back Propagation，BP）不断调节神经网络层与层之间的连接权值，进而给出最优模型参数，完成计算。
面对锂电池RUL预测技术存在以下问题：
（1）单隐层前馈网络（Single-hidden layer feed-forward neural network，SLFN)是最简单的神经网络模型之一，但是同其他神经网络一样，该方法需要在训练过程中通过BP算法多次迭代优化权重和链接，因而SLFN收敛速度较慢，并且过拟合或欠拟合问题很难避免，从而降低了锂电池剩余使用寿命预测的精度。
（2）极限学习机模型结构与SLFN类似，但是其获取权重最优解通过数学计算直接获得，而非迭代，可快速进行模型优化，故可通过极限学习机（ELM）提高模型的学习速度。但是极限学习机模型受随机初始化权重影响，最终影响锂电池剩余使用寿命预测的精度。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种电池剩余寿命的预估方法及装置，其使用锂电池放电时从第一电压到第二电压的放电时间差和前向循环容量组成的特征矩阵以及天牛须搜索算法，对极限学习机模型初始化参数进行优化，再通过优化后的极限学习机模型学习数据特征，来提高锂电池剩余使用寿命预测的准确性。
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电池剩余寿命的预估方法，其包括：
获取锂电池历史充放电循环数据，并从其中提取从第一电压到第二电压的放电时间差和前向循环的电池容量，进而构成初始特征向量；
基于初始特征向量及预先训练完成的寿命预测模型，进行迭代预测直到预测容量低于额定容量的预设比例，最终获得锂电池的剩余使用寿命预测值；
其中，所述寿命预测模型为经天牛须搜索算法优化初始化参数的极限学习机模型。
本发明的第二个方面提供了一种电池剩余寿命的预估装置，其包括：
初始特征向量构建模块，其用于获取锂电池历史充放电循环数据，并从其中提取从第一电压到第二电压的放电时间差和前向循环的电池容量，进而构成初始特征向量；
剩余使用寿命预测模块，其用于基于初始特征向量及预先训练完成的寿命预测模型，进行迭代预测直到预测容量低于额定容量的预设比例，最终获得锂电池的剩余使用寿命预测值；
其中，所述寿命预测模型为经天牛须搜索算法优化初始化参数的极限学习机模型。
与现有技术相比，本发明的有益效果是：
为了提高锂电池RUL预测的精度，消除上述极限学习机模型预测方法的影响，本发明提供了一种电池剩余寿命的预估方法，其利用天牛须搜索算法优化极限学习机的初始参数，优化后的极限学习机经训练完成后，利用从第一电压到第二电压的放电时间差和前向循环的电池容量构成的初始特征向量作为输入向量，经预先训练完成的寿命预测模型，进行迭代预测直到预测容量低于额定容量的预设比例，最终获得锂电池的剩余使用寿命预测值，减少了随机带来的不确定性，进一步提高了极限学习机的精准度以及稳定性，最终提高了锂电池剩余使用寿命预测值的准确性。
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是本发明实施例的电池剩余寿命的预估方法流程图；
图2是本发明实施例的极限学习机结构；
图3是本发明实施例的经天牛须搜索算法优化初始化参数的极限学习机模型优化流程；
图4是本发明实施例的采用不同相关系数效果示意图；
图5是本发明实施例的采用不同训练集的效果图。
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。
实施例一
参照图1，本实施例提供了一种电池剩余寿命的预估方法，其具体包括如下步骤：
S101：获取锂电池历史充放电循环数据，并从其中提取从第一电压到第二电压的放电时间差和前向循环的电池容量，进而构成初始特征向量。
锂电池剩余使用寿命预测首先需要进行数据预处理并提取特征。锂电池在充放电循环使用过程中，放电时随着电子从负极流向正极，电压会按照电池内部电化学特性呈现特定的下降曲线。在相同的使用场景下，同一块锂电池在不同循环放电相同电压下降的时间间隔与电池容量有相关性，因此可以提取特定的等压降时间作为锂电池电池容量特征。设第i次测量的电容值为
Figure 415576DEST_PATH_IMAGE001
，其对应的放电电压、时间温度序列数据分别为
Figure 238039DEST_PATH_IMAGE002
、
Figure 318121DEST_PATH_IMAGE003
。设第i次循环电池放电时首次电压从
Figure 517022DEST_PATH_IMAGE004
到
Figure 248217DEST_PATH_IMAGE005
时间为
Figure 241581DEST_PATH_IMAGE006
（1）
其中
Figure 811889DEST_PATH_IMAGE007
表示
Figure 814481DEST_PATH_IMAGE002
的反函数。
序列
Figure 400183DEST_PATH_IMAGE008
则表示前k个循环在
Figure 564448DEST_PATH_IMAGE004
到
Figure 619123DEST_PATH_IMAGE005
的等压降时间序列。
为了表示两个序列的相关性，可以使用相关系数分析法，用字母r表示，且r的绝对值越大，表明两序列的相关性越强，公式如下：
Figure 159825DEST_PATH_IMAGE009
（2）
其中，
Figure 600034DEST_PATH_IMAGE010
，
Figure 200780DEST_PATH_IMAGE011
表示需要分析的两序列；
Figure 539488DEST_PATH_IMAGE012
，
Figure 883882DEST_PATH_IMAGE013
分别为它们的平均值。更进一步的，依靠相关系数，可以根据偏相关系数R忽略第三变量（循环次数
Figure 929329DEST_PATH_IMAGE014
），研究两变量间的相关性：
Figure 700976DEST_PATH_IMAGE015
（3）
其中，
Figure 713932DEST_PATH_IMAGE016
为偏相关系数；
Figure 596437DEST_PATH_IMAGE017
为电池容量序列
Figure 759041DEST_PATH_IMAGE018
与等压降时间序列
Figure 701589DEST_PATH_IMAGE019
之间的相关系数；
Figure 201840DEST_PATH_IMAGE020
为电池容量序列
Figure 888036DEST_PATH_IMAGE018
与循环次数
Figure 908076DEST_PATH_IMAGE014
之间的相关系数；
Figure 21526DEST_PATH_IMAGE021
为循环次数
Figure 9073DEST_PATH_IMAGE014
与等压降时间序列
Figure 233381DEST_PATH_IMAGE022
之间的相关系数。
在预处理数据预处理中，仅采用前
Figure 373507DEST_PATH_IMAGE023
个循环的电池容量作为训练集。
为了获取最优的起始电压与结束电压，设电池最高电压为
Figure 454595DEST_PATH_IMAGE024
,截止电压为
Figure 867122DEST_PATH_IMAGE025
，
Figure 708170DEST_PATH_IMAGE026
，且
Figure 889753DEST_PATH_IMAGE027
和
Figure 345005DEST_PATH_IMAGE028
以0.01在最高电压与截止电压之间遍历取值，则
Figure 41565DEST_PATH_IMAGE029
（4）
其中，
Figure 607676DEST_PATH_IMAGE030
分别为第一电压和第二电压的最优值。
在本实施例中，放电等电压降时间是通过相关系数自动获取的，与公式（1）手动指定相同电压值、公式（2）指定相同时间对应电压下降数值相区别，同时既包含同一时刻时间与容量对应关系，也包含在随充放电的循环增加，容量整体变化趋势。
其中，所述寿命预测模型的输入向量为：
Figure 713605DEST_PATH_IMAGE031
其中，下标
Figure 339758DEST_PATH_IMAGE032
表示电池数据的循环序号；
Figure 523615DEST_PATH_IMAGE033
表示从第一电压
Figure 893416DEST_PATH_IMAGE034
到第二电压
Figure 862640DEST_PATH_IMAGE035
所对应的放电时间差；
Figure 659695DEST_PATH_IMAGE036
表示对应前向循环的电池容量；当
Figure 330848DEST_PATH_IMAGE036
的下标
Figure 238761DEST_PATH_IMAGE037
时，
Figure 62492DEST_PATH_IMAGE038
为实际电池容量值，当
Figure 30448DEST_PATH_IMAGE039
时，
Figure 188896DEST_PATH_IMAGE038
为电池容量迭代预测值；
Figure 900501DEST_PATH_IMAGE040
为初始特征向量中的电池数据的循环序号最大值。
当第一电压和第二电压取最优值时所对应的输入向量为：
Figure 578738DEST_PATH_IMAGE041
（5）
S102：基于初始特征向量及预先训练完成的寿命预测模型，进行迭代预测直到预测容量低于额定容量的预设比例（例如：电池制造商通常将电池不适用继续使用的比例即阈值设置80%或70%），最终获得锂电池的剩余使用寿命预测值；
其中，所述寿命预测模型为经天牛须搜索算法优化初始化参数的极限学习机模型。图2给出了本实施例的极限学习机结构。
本实施例的极限学习机ELM无需迭代，学习速度快。但在训练初期，但是ELM的参数是随机的，ELM的优化结果会受初始化随机参数而不稳定，甚至分散，所以本发明提出使用天牛须搜索算法BAS优化极限学习机的初始参数。
根据公式(5)输入向量
Figure 717595DEST_PATH_IMAGE042
由预处理后的放电时间差、前向循环容量组合而成，是一个列向量，假设输入向量
Figure 363340DEST_PATH_IMAGE042
具有
Figure 688755DEST_PATH_IMAGE043
个分量，则
Figure 408449DEST_PATH_IMAGE044
个独立的输入向量可组成输入矩阵
Figure 780524DEST_PATH_IMAGE045
，与输出矩阵
Figure 851249DEST_PATH_IMAGE046
相对应，这里
Figure 904655DEST_PATH_IMAGE047
即电池容量。对于具有
Figure 557485DEST_PATH_IMAGE043
个分量的输入向量
Figure 38144DEST_PATH_IMAGE042
，首先经过隐层
Figure 658482DEST_PATH_IMAGE048
和激活函数
Figure 250000DEST_PATH_IMAGE049
，然后再经过输出层可以计算出
Figure 757336DEST_PATH_IMAGE047
,即：
Figure 674476DEST_PATH_IMAGE050
（6）
其中
Figure 516530DEST_PATH_IMAGE051
,
Figure 911740DEST_PATH_IMAGE052
,
Figure 539161DEST_PATH_IMAGE053
,
Figure 361624DEST_PATH_IMAGE054
,
Figure 690974DEST_PATH_IMAGE055
，参数
Figure 889874DEST_PATH_IMAGE056
为本实施例的优化目标参数，激活函数
Figure 374732DEST_PATH_IMAGE049
可选择Sigmoid等函数，则
Figure 368096DEST_PATH_IMAGE057
可通过下列公式计算获得。若设
Figure 734803DEST_PATH_IMAGE060
（7）
则对于任意初始值，根据广义逆矩阵，可以快速计算
Figure 320505DEST_PATH_IMAGE061
（8）
因此，对于极限学习机模型，对初始值的选取将决定模型的泛化能力。
在具体实施中，如图3所示，利用天牛须搜索算法优化极限学习机模型的初始化参数过程为：
S1021：根据当前迭代的触须单位方向及探索距离，计算左右两根触角探索距离。
具体地，计算左右两根触角探索距离的公式为：
Figure 750349DEST_PATH_IMAGE062
（9）
Figure 805024DEST_PATH_IMAGE063
（10）
其中，
Figure 80148DEST_PATH_IMAGE064
和
Figure 785936DEST_PATH_IMAGE065
分别为左右两根触角探索距离；
Figure 121102DEST_PATH_IMAGE066
为第t步迭代的探索距离；
Figure 663073DEST_PATH_IMAGE067
为触须单位方向，其与目标参数
Figure 741887DEST_PATH_IMAGE068
大小相对应；
Figure 302182DEST_PATH_IMAGE069
为第t步迭代需要优化的极限学习机模型的初始化参数；
Figure 73829DEST_PATH_IMAGE070
表示随机值；n表示初始化参数的个数。
S1022：计算当前迭代到下一次迭代的初始化参数更新步长，即前进方向，同时判断当前前进方向是否比当前位置更优，若是，则更新前进方向，否则返回步骤S1021，继续计算左右两根触角探索距离。
具体地，根据左右两根触角探索的目标损失函数的差，得到第t步到第(t+1)步的参数更新步长，即前进方向
Figure 834587DEST_PATH_IMAGE071
：
Figure 131893DEST_PATH_IMAGE072
（11）
其中，天牛须搜索算法的目标损失函数为
Figure 74441DEST_PATH_IMAGE073
，可选用均方根误差和均值绝对百分比误差等函数作为目标。
S1023：利用更新后前进方向来计算下一次迭代的初始化参数。
更新前进方向的表达式为：
Figure 325425DEST_PATH_IMAGE074
（12）
Figure 746042DEST_PATH_IMAGE075
（13）
Figure 280929DEST_PATH_IMAGE076
（14）
其中，
Figure 394378DEST_PATH_IMAGE077
为前进方向；
Figure 132658DEST_PATH_IMAGE078
为更新后的前进方向；
Figure 419283DEST_PATH_IMAGE079
和
Figure 293829DEST_PATH_IMAGE080
分别为
Figure 578180DEST_PATH_IMAGE077
的带偏均值和带偏二阶矩；
Figure 880721DEST_PATH_IMAGE081
为预设参数。
本实施例通过带偏均值
Figure 908720DEST_PATH_IMAGE079
和带偏二阶矩
Figure 152620DEST_PATH_IMAGE082
，建立了t时刻梯度
Figure 342293DEST_PATH_IMAGE077
与前一时刻梯度
Figure 55165DEST_PATH_IMAGE083
之间的联系。本实施例的天牛须搜索算法主要通过当前时刻随机生成的参数
Figure 621275DEST_PATH_IMAGE084
更新梯度，没有考虑与前一时刻的梯度之间的联系，这样可能会导致优化的随机性较高，找到最佳参数的时间较长。同时，若两个随机方向都没有优化，则放弃此轮更新。
Figure 985261DEST_PATH_IMAGE079
是(t-1)时刻和t时刻梯度的加权均值，
Figure 345835DEST_PATH_IMAGE082
估计了(t-1)时刻和t时刻梯度的噪声。当
Figure 546003DEST_PATH_IMAGE082
较大时，步长
Figure 915805DEST_PATH_IMAGE077
小；当
Figure 868717DEST_PATH_IMAGE082
较小时，步长
Figure 665772DEST_PATH_IMAGE077
大。当梯度更新接近目标函数的最优点时，步长
Figure 87657DEST_PATH_IMAGE076
会接近0，从而使目标函数找到最优解。
t+1步的参数为
Figure 261149DEST_PATH_IMAGE085
，即：
Figure 334148DEST_PATH_IMAGE086
（15）
其中，
Figure 302104DEST_PATH_IMAGE087
为设定参数。
S1024：更新触须单位方向及探索距离，判断是否到达设定终止条件，若是，则得到优化后的初始化参数，否则返回步骤S1021，继续计算左右两根触角探索距离。
此处需要说明的是，设定终止条件为迭代次数或目标函数达到设定值。
本实施例的天牛须搜索算法不依赖目标损失函数的反向梯度传播计算就可以对目标函数实现高效的优化，相较于粒子群算法、遗传算法，不需要多只个体，可以更快收敛。
本实施例提出的电池剩余寿命的预估方法在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。使用的锂电池数据集来自于National Aeronauticsand Space Administration（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。下面将在#5、#6、#7和#18电池上进行验证。
上述#5、#6、#7和#18这四块电池具体的使用场景如表1所示，这里
Figure 208355DEST_PATH_IMAGE088
表示电压放电电压最大值，单位为V；
Figure 919959DEST_PATH_IMAGE089
代表锂电池放电截至电压，单位为V；从表1中可以看出锂电池放电时电压从4.2V降到了2.5V左右，I代表锂电池放电时的恒定电流，单位为A；T表示电池使用时的温度，单位为摄氏度；
Figure 847464DEST_PATH_IMAGE090
代表一块新电池的原始容量，单位为安培小时（A.H）；最后‘周期’表示电池的总充放电次数。
表1.#5、 #6、#7和#18电池使用记录
Figure 799371DEST_PATH_IMAGE091
预测结果评价指标：
为了从多个角度有效地评估本实施例的该的方法，下面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）。
假设目标容量值集合为
Figure 382799DEST_PATH_IMAGE092
，且预测容量值集合为
Figure 694831DEST_PATH_IMAGE093
，则将RMSE和MAPE定义为：
Figure 680105DEST_PATH_IMAGE094
Figure 802913DEST_PATH_IMAGE095
其中，n为目标容量值的个数。
RMSE和MAPE的值越小，预测结果越接近真实值。
本实施例的该方法定义为IBAS-ELM方法，其中，IBAS ：Improved BeetleAntennae Search。
将本实施例的该方法与其他同类问题的方案以及仅ELM方案、传统的天牛须搜索算法优化的ELM（定义为BAS-ELM）进行对比，包括K. Park等人的基于LSTM的预测方法（K.Park, Y. Choi, W. J. Choi, H. Ryu and H. Kim, "LSTM-Based Battery RemainingUseful Life Prediction With Multi-Channel Charging Profiles," in IEEE Access,vol. 8, pp. 20786-20798, 2020, doi: 10.1109/ACCESS.2020.2968939.）以及Chen等人的方法（Chen, Liaogehao et al. “Remaining useful life prediction of lithium-ion battery with optimal input sequence selection and error compensation.”Neurocomputing, vol. 414, 2020, pp. 245-254.）。
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，这表明本发明的方法在#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
Figure 873637DEST_PATH_IMAGE096
本实施例具有多种替代方案：提取最优电压降时采用不同的相关性分析函数、采用不同的充放电循环数量作为训练集进行训练、改进的天牛须优化算法的不同迭代终止要求、改进的天牛须优化算法不同的初始化及参数迭代方案等。
以上改变与本发明具有相同的步骤，这里仅对前两项改变进行实例性展示并比较了实现效果，对比实验数据集与评价准则与本实施例上述表述相同。基于数据集中锂电池的型号和使用条件近似，以下实验是基于B0005电池进行的。
不同的相关性分析函数对锂电池RUL预测结果的影响：
为了更准确地预测锂电池的容量，本实施例的该方法中的一些参数需要进行测试和调整。本实施例为了表示两个序列的相关性，使用了相关系数分析法，除了上述提到的Pearson相关系数(
Figure 989361DEST_PATH_IMAGE097
)，还有Kendall相关系数(
Figure 829141DEST_PATH_IMAGE098
)、Spearman相关系数(
Figure 122850DEST_PATH_IMAGE099
)可以选择，其中：
Figure 415291DEST_PATH_IMAGE100
（18）
Figure 334705DEST_PATH_IMAGE101
（19）
其中
Figure 28992DEST_PATH_IMAGE102
表示：
Figure 496532DEST_PATH_IMAGE103
，
Figure 541848DEST_PATH_IMAGE104
分别在
Figure 999375DEST_PATH_IMAGE105
，
Figure 548168DEST_PATH_IMAGE106
中按大小排序的序号的差值。
特征数据的采用不同相关系数会对模型的优化结果产生影响。表3显示了基于不同相关系数的预测结果，图4显示了不同相关系数的目标容量和预测容量的曲线。可以看出，以Pearson相关系数所提取特征要比其他系数更好。
表3. 不同相关系数的性能指标
Figure 449259DEST_PATH_IMAGE107
充放电循环数量作为训练集进行训练对锂电池RUL预测结果的影响：
本实施例中的训练集可以使用了不同充放电循环的数据。第二个实验评估了该方法中训练集大小对锂电池RUL预测结果的影响，表4和图5显示了大小数量级的结果。
从表4中可以看出，采用80和循环与100个循环具有类似的效果，原因可能是80个循环已经包含足够多的信息来优化模型，但是为了加快模型的训练速度，本实施例采用了80个循环的训练集作为标准，这也表明训练集中不同的循环数量在本实施例中并不影响结构，是同一方案的多种展示。
表4. 不同训练数据集大小对锂电池RUL预测结果的影响性能比较
Figure 716292DEST_PATH_IMAGE108
实施例二
本实施例提供了一种电池剩余寿命的预估装置，包括：
（1）初始特征向量构建模块，其用于获取锂电池历史充放电循环数据，并从其中提取从第一电压到第二电压的放电时间差和前向循环的电池容量，进而构成初始特征向量；
（2）剩余使用寿命预测模块，其用于基于初始特征向量及预先训练完成的寿命预测模型，进行迭代预测直到预测容量低于额定容量的预设比例，最终获得锂电池的剩余使用寿命预测值；
其中，所述寿命预测模型为经天牛须搜索算法优化初始化参数的极限学习机模型。
此处需要说明的是，本实施例中的初始特征向量构建模块和剩余使用寿命预测模块中具体实施过程分别与是实施例一中的步骤一一对应，其具体实施过程相同，此处不再累述。
本发明是参照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。
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)

1.一种电池剩余寿命的预估方法，其特征在于，包括：
获取锂电池历史充放电循环数据，并从其中提取从第一电压到第二电压的放电时间差和前向循环的电池容量，进而构成初始特征向量；
基于初始特征向量及预先训练完成的寿命预测模型，进行迭代预测直到预测容量低于额定容量的预设比例，最终获得锂电池的剩余使用寿命预测值；
其中，所述寿命预测模型为经天牛须搜索算法优化初始化参数的极限学习机模型。
2.如权利要求1所述的电池剩余寿命的预估方法，其特征在于，第一电压和第二电压的最优值选取过程为：
Figure 972462DEST_PATH_IMAGE001
Figure 499389DEST_PATH_IMAGE002
其中，
Figure 354825DEST_PATH_IMAGE003
分别为第一电压和第二电压的最优值；为偏相关系数；
Figure 750035DEST_PATH_IMAGE004
为电池容量序列
Figure 361144DEST_PATH_IMAGE005
与等压降时间序列
Figure 449186DEST_PATH_IMAGE006
之间的相关系数；
Figure 529269DEST_PATH_IMAGE007
为电池容量序列
Figure 462590DEST_PATH_IMAGE005
与循环次数
Figure 193785DEST_PATH_IMAGE008
之间的相关系数；
Figure 452728DEST_PATH_IMAGE009
为循环次数
Figure 941479DEST_PATH_IMAGE010
与等压降时间序列
Figure 757119DEST_PATH_IMAGE011
之间的相关系数。
3.如权利要求1或2所述的电池剩余寿命的预估方法，其特征在于，所述寿命预测模型的输入向量为：
Figure 280504DEST_PATH_IMAGE012
其中，下标
Figure 507086DEST_PATH_IMAGE013
表示电池数据的循环序号；
Figure 748712DEST_PATH_IMAGE014
表示从第一电压
Figure 102464DEST_PATH_IMAGE015
到第二电压
Figure 480355DEST_PATH_IMAGE016
所对应的放电时间差；
Figure 143418DEST_PATH_IMAGE017
表示对应前向循环的电池容量；当
Figure 606760DEST_PATH_IMAGE017
的下标
Figure 778852DEST_PATH_IMAGE018
时，
Figure 276829DEST_PATH_IMAGE019
为实际电池容量值，当
Figure 845214DEST_PATH_IMAGE020
时，
Figure 61431DEST_PATH_IMAGE019
为电池容量迭代预测值；
Figure 756986DEST_PATH_IMAGE021
为初始特征向量中的电池数据的循环序号最大值。
4.如权利要求1所述的电池剩余寿命的预估方法，其特征在于，利用天牛须搜索算法优化极限学习机模型的初始化参数过程为：
根据当前迭代的触须单位方向及探索距离，计算左右两根触角探索距离；
计算当前迭代到下一次迭代的初始化参数更新步长，即前进方向，同时判断当前前进方向是否比当前位置更优，若是，则更新前进方向，否则继续计算左右两根触角探索距离；
利用更新后前进方向来计算下一次迭代的初始化参数；
更新触须单位方向及探索距离，判断是否到达设定终止条件，若是，则得到优化后的初始化参数，否则继续计算左右两根触角探索距离。
5.如权利要求4所述的电池剩余寿命的预估方法，其特征在于，计算左右两根触角探索距离的公式为：
Figure 109470DEST_PATH_IMAGE022
Figure 848756DEST_PATH_IMAGE023
其中，
Figure 286691DEST_PATH_IMAGE024
和
Figure 785936DEST_PATH_IMAGE025
分别为左右两根触角探索距离；
Figure 992927DEST_PATH_IMAGE026
为第t步迭代的探索距离；
Figure 168693DEST_PATH_IMAGE027
为触须单位方向，其与目标参数
Figure 93924DEST_PATH_IMAGE028
大小相对应；
Figure 318232DEST_PATH_IMAGE029
为第t步迭代需要优化的极限学习机模型的初始化参数；
Figure 458357DEST_PATH_IMAGE030
表示随机值；n表示初始化参数的个数。
6.如权利要求4所述的电池剩余寿命的预估方法，其特征在于，更新前进方向的表达式为：
Figure 742708DEST_PATH_IMAGE031
Figure 979971DEST_PATH_IMAGE034
Figure 971673DEST_PATH_IMAGE035
其中，
Figure 426926DEST_PATH_IMAGE036
为前进方向；
Figure 389065DEST_PATH_IMAGE037
为更新后的前进方向；
Figure 955176DEST_PATH_IMAGE038
和
Figure 804314DEST_PATH_IMAGE039
分别为
Figure 430468DEST_PATH_IMAGE036
的带偏均值和带偏二阶矩；
Figure 614324DEST_PATH_IMAGE040
为预设参数。
7.一种电池剩余寿命的预估装置，其特征在于，包括：
初始特征向量构建模块，其用于获取锂电池历史充放电循环数据，并从其中提取从第一电压到第二电压的放电时间差和前向循环的电池容量，进而构成初始特征向量；
剩余使用寿命预测模块，其用于基于初始特征向量及预先训练完成的寿命预测模型，进行迭代预测直到预测容量低于额定容量的预设比例，最终获得锂电池的剩余使用寿命预测值；
其中，所述寿命预测模型为经天牛须搜索算法优化初始化参数的极限学习机模型。
8.如权利要求7所述的电池剩余寿命的预估装置，其特征在于，在所述初始特征向量构建模块中，第一电压和第二电压的最优值选取过程为：
Figure 984126DEST_PATH_IMAGE041
Figure 953350DEST_PATH_IMAGE042
其中，
Figure 750405DEST_PATH_IMAGE043
分别为第一电压和第二电压的最优值；
Figure 421557DEST_PATH_IMAGE044
为偏相关系数；
Figure 329471DEST_PATH_IMAGE045
为电池容量序列
Figure 153201DEST_PATH_IMAGE046
与等压降时间序列
Figure 121157DEST_PATH_IMAGE047
之间的相关系数；
Figure 217289DEST_PATH_IMAGE048
为电池容量序列
Figure 991210DEST_PATH_IMAGE046
与循环次数
Figure 937956DEST_PATH_IMAGE049
之间的相关系数；
Figure 76814DEST_PATH_IMAGE050
为循环次数
Figure 456979DEST_PATH_IMAGE051
与等压降时间序列
Figure 972274DEST_PATH_IMAGE052
之间的相关系数。
9.如权利要求7或8所述的电池剩余寿命的预估装置，其特征在于，所述寿命预测模型的输入向量为：
Figure 770597DEST_PATH_IMAGE053
其中，下标
Figure 80356DEST_PATH_IMAGE054
表示电池数据的循环序号；
Figure 947818DEST_PATH_IMAGE055
表示从第一电压
Figure 1224DEST_PATH_IMAGE056
到第二电压
Figure 841004DEST_PATH_IMAGE057
所对应的放电时间差；
Figure 134714DEST_PATH_IMAGE058
表示对应前向循环的电池容量；当
Figure 692734DEST_PATH_IMAGE058
的下标
Figure 346569DEST_PATH_IMAGE059
时，
Figure 306435DEST_PATH_IMAGE060
为实际电池容量值，当
Figure 771045DEST_PATH_IMAGE061
时，
Figure 550783DEST_PATH_IMAGE060
为电池容量迭代预测值；
Figure 8309DEST_PATH_IMAGE062
为初始特征向量中的电池数据的循环序号最大值。
10.如权利要求7所述的电池剩余寿命的预估装置，其特征在于，利用天牛须搜索算法优化极限学习机模型的初始化参数过程为：
根据当前迭代的触须单位方向及探索距离，计算左右两根触角探索距离；
计算当前迭代到下一次迭代的初始化参数更新步长，即前进方向，同时判断当前前进方向是否比当前位置更优，若是，则更新前进方向，否则继续计算左右两根触角探索距离；
利用更新后前进方向来计算下一次迭代的初始化参数；
更新触须单位方向及探索距离，判断是否到达设定终止条件，若是，则得到优化后的初始化参数，否则继续计算左右两根触角探索距离。
CN202111626227.3A 2021-12-29 2021-12-29 一种电池剩余寿命的预估方法及装置 Active CN113985294B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111626227.3A CN113985294B (zh) 2021-12-29 2021-12-29 一种电池剩余寿命的预估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111626227.3A CN113985294B (zh) 2021-12-29 2021-12-29 一种电池剩余寿命的预估方法及装置

Publications (2)

Publication Number Publication Date
CN113985294A true CN113985294A (zh) 2022-01-28
CN113985294B CN113985294B (zh) 2022-04-01

Family

ID=79734745

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111626227.3A Active CN113985294B (zh) 2021-12-29 2021-12-29 一种电池剩余寿命的预估方法及装置

Country Status (1)

Country Link
CN (1) CN113985294B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114284589A (zh) * 2022-03-01 2022-04-05 深圳市海雷新能源有限公司 一种基于互联网的锂电池智能监测管理系统
CN114565172A (zh) * 2022-03-08 2022-05-31 苏州浪潮智能科技有限公司 电池剩余寿命预测模型构建、电池剩余寿命预测方法
CN114859231A (zh) * 2022-04-27 2022-08-05 电子科技大学 基于维纳过程和极限学习机的电池剩余寿命预测方法
CN115793828A (zh) * 2023-01-06 2023-03-14 湖南博盛芯微电子科技有限公司 一种基于bmc的便携式计算设备的电池管理方法
CN116879753A (zh) * 2023-06-21 2023-10-13 重庆邮电大学 一种基于大数据的电池寿命预测方法
CN117452236A (zh) * 2023-12-26 2024-01-26 深圳市北测检测技术有限公司 新能源汽车的电池寿命检测方法及系统
CN117723999A (zh) * 2024-02-07 2024-03-19 深圳市东田通利电业制品有限公司 电池使用寿命预测方法、装置、设备及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2770769A1 (en) * 2013-02-22 2014-08-27 Samsung Electronics Co., Ltd. Terminal and server for applying security policy, and method of controlling the same
CN105183994A (zh) * 2015-09-10 2015-12-23 广西大学 一种基于改进的i-elm的动力电池soc预测方法及装置
CN108761346A (zh) * 2018-06-20 2018-11-06 首都师范大学 一种车用锂电池剩余寿命预测方法
CN110333462A (zh) * 2019-08-08 2019-10-15 首都师范大学 一种在随机放电环境下基于dgwo-elm的锂离子电池寿命预测方法
CN110579714A (zh) * 2019-07-26 2019-12-17 西安科技大学 一种基于BAS优化ElmanNN-AH法电池SOC双态切换估算方法
RU2741686C1 (ru) * 2019-12-26 2021-01-28 Публичное акционерное общество "ОДК-Уфимское моторостроительное производственное объединение" (ПАО "ОДК-УМПО") Способ эксплуатации двигателя по его техническому состоянию
CN112487702A (zh) * 2020-10-26 2021-03-12 湖州师范学院 一种锂离子电池剩余使用寿命预测方法
CN113111579A (zh) * 2021-04-02 2021-07-13 华北电力大学（保定） 一种自适应天牛须优化神经网络的锂电池等效电路模型参数辨识方法
CN113361197A (zh) * 2021-06-08 2021-09-07 山东大学 一种锂电池剩余使用寿命预测方法及系统
CN113722877A (zh) * 2021-07-14 2021-11-30 广东工业大学 一种对锂电池放电时温度场分布变化进行在线预测的方法
AU2021107489A4 (en) * 2021-08-25 2021-12-23 Allagi, Shridhar Suresh MR An Real Time Automated Multi-level Malware Classification and Detection Module in Networks

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2770769A1 (en) * 2013-02-22 2014-08-27 Samsung Electronics Co., Ltd. Terminal and server for applying security policy, and method of controlling the same
CN105183994A (zh) * 2015-09-10 2015-12-23 广西大学 一种基于改进的i-elm的动力电池soc预测方法及装置
CN108761346A (zh) * 2018-06-20 2018-11-06 首都师范大学 一种车用锂电池剩余寿命预测方法
CN110579714A (zh) * 2019-07-26 2019-12-17 西安科技大学 一种基于BAS优化ElmanNN-AH法电池SOC双态切换估算方法
CN110333462A (zh) * 2019-08-08 2019-10-15 首都师范大学 一种在随机放电环境下基于dgwo-elm的锂离子电池寿命预测方法
RU2741686C1 (ru) * 2019-12-26 2021-01-28 Публичное акционерное общество "ОДК-Уфимское моторостроительное производственное объединение" (ПАО "ОДК-УМПО") Способ эксплуатации двигателя по его техническому состоянию
CN112487702A (zh) * 2020-10-26 2021-03-12 湖州师范学院 一种锂离子电池剩余使用寿命预测方法
CN113111579A (zh) * 2021-04-02 2021-07-13 华北电力大学（保定） 一种自适应天牛须优化神经网络的锂电池等效电路模型参数辨识方法
CN113361197A (zh) * 2021-06-08 2021-09-07 山东大学 一种锂电池剩余使用寿命预测方法及系统
CN113722877A (zh) * 2021-07-14 2021-11-30 广东工业大学 一种对锂电池放电时温度场分布变化进行在线预测的方法
AU2021107489A4 (en) * 2021-08-25 2021-12-23 Allagi, Shridhar Suresh MR An Real Time Automated Multi-level Malware Classification and Detection Module in Networks

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YAN SONG 等: "Distributed Attention-Based Temporal Convolutional Network for Remaining Useful Life Prediction", 《 IEEE INTERNET OF THINGS JOURNAL 》 *
尚梦瑶: "基于智能优化算法的蓄电池模型参数辨识及SOC估计", 《中国优秀硕士论文全文数据库》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114284589A (zh) * 2022-03-01 2022-04-05 深圳市海雷新能源有限公司 一种基于互联网的锂电池智能监测管理系统
CN114284589B (zh) * 2022-03-01 2022-06-14 深圳市海雷新能源有限公司 一种基于互联网的锂电池智能监测管理系统
CN114565172A (zh) * 2022-03-08 2022-05-31 苏州浪潮智能科技有限公司 电池剩余寿命预测模型构建、电池剩余寿命预测方法
CN114565172B (zh) * 2022-03-08 2023-11-03 苏州浪潮智能科技有限公司 电池剩余寿命预测模型构建、电池剩余寿命预测方法
CN114859231A (zh) * 2022-04-27 2022-08-05 电子科技大学 基于维纳过程和极限学习机的电池剩余寿命预测方法
CN114859231B (zh) * 2022-04-27 2023-06-09 电子科技大学 基于维纳过程和极限学习机的电池剩余寿命预测方法
CN115793828A (zh) * 2023-01-06 2023-03-14 湖南博盛芯微电子科技有限公司 一种基于bmc的便携式计算设备的电池管理方法
CN116879753A (zh) * 2023-06-21 2023-10-13 重庆邮电大学 一种基于大数据的电池寿命预测方法
CN117452236A (zh) * 2023-12-26 2024-01-26 深圳市北测检测技术有限公司 新能源汽车的电池寿命检测方法及系统
CN117452236B (zh) * 2023-12-26 2024-03-15 深圳市北测检测技术有限公司 新能源汽车的电池寿命检测方法及系统
CN117723999A (zh) * 2024-02-07 2024-03-19 深圳市东田通利电业制品有限公司 电池使用寿命预测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113985294B (zh) 2022-04-01

Similar Documents

Publication Publication Date Title
CN113985294B (zh) 一种电池剩余寿命的预估方法及装置
CN109991542B (zh) 基于wde优化lstm网络的锂离子电池剩余寿命预测方法
CN110568359B (zh) 一种锂电池剩余寿命预测方法
CN107132490B (zh) 一种实现锂电池组荷电状态估计的方法
CN110806541B (zh) 一种基于ad-bas的锂电池模型参数辨识方法
CN109815995B (zh) 一种缺失观测值条件下锂电池剩余寿命预测方法
CN109738825B (zh) 基于历史数据的退役电池可用容量与内阻检测方法及装置
CN111898325A (zh) 一种电动汽车动力电池剩余使用寿命预测方法
CN110007235A (zh) 一种电动汽车蓄电池soc在线预测方法
CN112198434A (zh) 电池容量衰减模型参数的辨识方法、系统、设备、装置及介质
Huang et al. Research on transformer fault diagnosis method based on GWO optimized hybrid kernel extreme learning machine
CN111950205A (zh) 一种基于fwa优化极限学习机的锂电池soh预测方法
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
CN113554200A (zh) 动力电池电压不一致性预测方法、系统及设备
CN115129982A (zh) 基于改进贝叶斯优化的实验参数推荐方法、装置、终端及介质
Gong et al. Early prediction of cycle life for lithium-ion batteries based on evolutionary computation and machine learning
TWI465939B (zh) A Multi - stage Fast Charge Method for Optimizing Lithium Batteries
CN109167113B (zh) 锂离子电池充电优化方法
WO2022144542A1 (en) Method for predicting condition parameter degradation of a cell
CN116449218B (zh) 一种锂电池健康状态的估计方法
CN113376541A (zh) 一种基于crj网络的锂离子电池健康状态预测方法
Zhang et al. Modeling of electric vehicle batteries using rbf neural networks
CN115219902A (zh) 一种动力电池寿命快速测试方法及系统
CN114895206A (zh) 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法
Zhao et al. Lithium-ion battery state-of-health estimation method using isobaric energy analysis and pso-lstm

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