CN114636932A - 一种电池剩余使用寿命预测方法及系统 - Google Patents

Abstract

本发明提供一种电池剩余使用寿命预测方法及系统，包括：获取电池放电过程中的数据；数据包括预设放电电压范围内的每个预设电压点的累计放电容量；累计放电容量为放电电流对时间的积分；将电池放电过程中的数据输入到训练好的预测模型中，以预测电池的剩余使用寿命；预测模型包括：CNN和LSTM，CNN用于提取数据的空间相关性特征，LSTM用于提取空间相关性特征的时间特征，以预测电池的剩余使用寿命。本发明综合考虑电池在单圈循环内电压和累计放电容量的空间相关性和不同循环间容量衰减趋势的时间相关性，采用CNN分析电池的累计放电容量和电压的空间特征，并采用LSTM分析该特征在不同老化状态的演变规律，能有效提升预测精度。

Description

一种电池剩余使用寿命预测方法及系统

技术领域

本发明属于电池剩余使用寿命预测领域，更具体地，涉及一种电池剩余使用寿命预测方法及系统。

背景技术

随着电池使用时间的增加，由劣化引起的电池失效会缩短电池的使用寿命，甚至引发严重的事故。因此准确的电池剩余使用寿命(Remaining Useful Life,RUL)预测能显著提升对储能电站电池状态的认知，提升系统的可靠性和安全性，确保储能站的高效稳定运行。

目前的针对电池剩余使用寿命的预测方法主要分为模型驱动方法和数据驱动方法。模型驱动的方法有从电池实际老化机制出发的电化学模型，和从电池等效电路出发的等效电路模型。

电化学模型驱动的电池建模的开创性工作是基于多孔电极理论、浓溶液理论和Butler-Volmer动力学方程建立的P2D多孔电极模型。该模型尝试从电池内离子扩散，欧姆效应，电化学动力学等角度描述电池的失效机理，具有较高的精度。然而求解模型的偏微分方程需要的大量计算使得将P2D模型嵌入到电池管理系统(Battery Management System,BMS)控制器中用于实时应用难以实现。电池复杂的老化机制使得电化学模型驱动的预测方法受到了限制。

等效电路模型主要关注电池的电气外特性，包括输出电压、SOC等。等效电路模型参数易获取，具备较高的计算效率。为了应用等效电路模型，需要对模型的参数进行辨识，但电池的等效电路参数随着电池老化和动态工况差异会产生变化。考虑电池的容量衰减、寿命衰减、热效应、能量密度变化等问题时，电路模型往往难以反映电池的老化影响。

电化学模型基于分子级的电化学反应，精度高，但是需要求解复杂的偏微分方程。等效电路模型简单，计算速度快，但模型精度受辨识参数精度影响严重。两者难以调和计算速度与模型精度间的矛盾。

近年来以机器学习技术为基础的数据驱动模型由于其以低计算成本获得高精度的巨大潜力而越来越受到重视。但一些纯数据驱动的方法在进行电池的老化状态评估时，不能提供电池老化机制的深入信息。这导致对于电池的剩余使用寿命预测，虽然深度学习由于其强大的非线性拟合能力可以从原始数据中提取深层次特征，但同时也意味着多维的原始数据需要更大的网络去拟合。网络的规模越大，所需要的训练数据也越多，不适合在线应用。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种电池剩余使用寿命预测方法及系统，旨在解决现有数据驱动的电池剩余使用寿命预测模型所需输入特征多、预测精度低的问题。

为实现上述目的，第一方面，本发明提供了一种电池剩余使用寿命预测方法，包括如下步骤：

获取电池放电过程中的数据；所述数据包括预设放电电压范围内的每个预设电压点的累计放电容量；所述累计放电容量为放电电流对时间的积分；在所述电池放电的过程中其放电电压逐渐降低，所述预设放电电压范围内的累计放电容量曲线随着电池老化而迁移，电池老化过程中其剩余使用寿命减少；所述累计放电容量曲线由各个预设电压点下的累计放电容量数据绘制而成，各个预设电压点通过将所述预设放电电压范围离散化得到；

将所述电池放电过程中的数据输入到训练好的预测模型中，以预测电池的剩余使用寿命；所述预测模型包括：卷积神经网络CNN和长短期记忆神经网络LSTM，CNN用于提取数据的空间相关性特征，LSTM用于提取所述空间相关性特征的时间特征，以预测电池的剩余使用寿命；通过预先获取的电池不同放电循环次数下的累计放电容量曲线数据对所述预测模型进行训练，不同放电循环次数对应不同的电池剩余使用寿命。

在一个可选的示例中，针对不同类型的电池，按照其累计放电容量与电压的曲线随电池老化迁移的特征选取对应的预设电压区间，并对预设电压区间离散化确定各个预设电压点，在对该类型电池预测模型的训练和用训练好的预测模型进行预测时，保持对应的预设电压点为不变量；在选定的预设电压区间内，所述累计放电容量曲线随电池老化而迁移的幅度相对明显。

在一个可选的示例中，设各个预设电压点分别为：V₁,V₂,...,V_N，对电池放电时，各个预设电压点对应的累计放电容量分别为：Q₁,Q₂,...,Q_N其中，Q_i为预设电压点V_i处电池的累计放电容量，i＝1,2,...N；

将各个预设电压点对应的累计放电容量组成的一维向量[Q₁,Q₂,...,Q_N]输入到训练好的预测模型；所述一维向量[Q₁,Q₂,...,Q_N]为电池累计放电容量曲线数据。

在一个可选的示例中，所述预测模型的训练过程具体为：

确定电池不同放电循环次数下的累计放电容量与电压的曲线数据，对每一种放电循环次数，确定此时各个预设电压点处的电池累计放电容量，进而将确定的各个累计放电容量数据组成一维向量，以作为此时的累计放电容量曲线数据；

将不同放电循环次数下的累计放电容量与电压的曲线数据输入到CNN中；所述CNN包括：卷积层、池化层以及全连接层；所述卷积层用于提取输入训练数据的空间相关性特征，以确定电池的老化演变规律，所述池化层用于对所述空间相关性特征降维，所述全连接层用于将各个循环次数下降维后的空间相关性特征拼接，得到每个循环次数下的特征；

将CNN输出的特征输入到LSTM，LSTM根据当前循环次数下特征与所接收的历史循环次数下特征的时间相关性，提取对应的时间特征，以通过全连接层预测当前循环次数下电池的剩余使用寿命，并将预测值与标签值进行对比，以对预测模型的参数进行调整，使得训练好的预测模型满足要求；所述标签值通过当前循环圈数和电池总循环圈数确定。

在一个可选的示例中，所述标签值通过当前循环圈数和电池总循环圈数确定，具体为：

其中，n为电池的总循环圈数，RUL_t为电池在第t圈循环的剩余使用寿命。

第二方面，本发明提供了一种电池剩余使用寿命预测系统，包括：

放电数据获取单元，用于获取电池放电过程中的数据；所述数据包括预设放电电压范围内的每个预设电压点的累计放电容量；所述累计放电容量为放电电流对时间的积分；在所述电池放电的过程中其放电电压逐渐降低，所述预设放电电压范围内的累计放电容量曲线随着电池老化而迁移，电池老化过程中其剩余使用寿命减少；所述累计放电容量曲线由各个预设电压点下的累计放电容量数据绘制而成，各个预设电压点通过将所述预设放电电压范围离散化得到；

剩余寿命预测单元，用于将所述电池放电过程中的数据输入到训练好的预测模型中，以预测电池的剩余使用寿命；所述预测模型包括：卷积神经网络CNN和长短期记忆神经网络LSTM，CNN用于提取数据的空间相关性特征，LSTM用于提取所述空间相关性特征的时间特征，以预测电池的剩余使用寿命；通过预先获取的电池不同放电循环次数下的累计放电容量曲线数据对所述预测模型进行训练，不同放电循环次数对应不同的电池剩余使用寿命。

在一个可选的示例中，所述放电数据获取单元，用于针对不同类型的电池，按照其累计放电容量与电压的曲线随电池老化迁移的特征选取对应的预设电压区间，并对预设电压区间离散化确定各个预设电压点，在对该类型电池预测模型的训练和用训练好的预测模型进行预测时，保持对应的预设电压点为不变量；在选定的预设电压区间内，所述累计放电容量曲线随电池老化而迁移的幅度相对明显。

在一个可选的示例中，设各个预设电压点分别为：V₁,V₂,...,V_N，对电池放电时，各个预设电压点对应的累计放电容量分别为：Q₁,Q₂,...,Q_N其中，Q_i为预设电压点V_i处电池的累计放电容量，i＝1,2,...N；

所述放电数据获取单元，将各个预设电压点对应的累计放电容量组成的一维向量[Q₁,Q₂,...,Q_N]输入到训练好的预测模型；所述一维向量[Q₁,Q₂,...,Q_N]为电池累计放电容量曲线数据。

在一个可选的示例中，所述剩余寿命预测单元所用的预测模型的训练过程具体为：确定电池不同放电循环次数下的累计放电容量与电压的曲线数据，对每一种放电循环次数，确定此时各个预设电压点处的电池累计放电容量，进而将确定的各个累计放电容量数据组成一维向量，以作为此时的累计放电容量曲线数据；将不同放电循环次数下的累计放电容量与电压的曲线数据输入到CNN中；所述CNN包括：卷积层、池化层以及全连接层；所述卷积层用于提取输入训练数据的空间相关性特征，以确定电池的老化演变规律，所述池化层用于对所述空间相关性特征降维，所述全连接层用于将各个循环次数下降维后的空间相关性特征拼接，得到每个循环次数下的特征；将CNN输出的特征输入到LSTM，LSTM根据当前循环次数下特征与所接收的历史循环次数下特征的时间相关性，提取对应的时间特征，以通过全连接层预测当前循环次数下电池的剩余使用寿命，并将预测值与标签值进行对比，以对预测模型的参数进行调整，使得训练好的预测模型满足要求；所述标签值通过当前循环圈数和电池总循环圈数确定。

在一个可选的示例中，所述标签值通过当前循环圈数和电池总循环圈数确定，具体为：

其中，n为电池的总循环圈数，RUL_t为电池在第t圈循环的剩余使用寿命。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：

本发明提供一种电池剩余使用寿命预测方法及系统，基于具有电化学背景知识的特征选择，避免了从原始的电压，电流等数据进行特征提取，有效的降低神经网络的规模和复杂度，提升模型的训练速度。综合考虑电池在单圈循环内电压和累计放电容量的空间相关性和不同循环间容量衰减趋势的时间相关性，采用CNN分析电池的累计放电容量和电压的空间特征，并采用LSTM分析该特征在不同老化状态的演变规律，预测电池的剩余使用寿命，与现有技术相比，能有效提升预测精度。

附图说明

图1是本发明实施例提供的电池剩余使用寿命预测方法流程图；

图2为本发明实施例中不同电池的放电容量随循环圈数变化曲线图；

图3为本发明实施例中电池不同循环圈数下的累计放电容量-电压曲线图；

图4为本发明实施例提出的基于特征选择与数据驱动模型的电池剩余使用寿命预测方法的模型框架图；

图5是本发明实施例提供的电池剩余使用寿命预测结果与真实值对比图；

图6是本发明实施例提供的电池剩余使用寿命预测系统架构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

图1是本发明实施例提供的电池剩余使用寿命预测方法流程图，如图1所示，包括如下步骤：

S101，获取电池放电过程中的数据；所述数据包括预设放电电压范围内的每个预设电压点的累计放电容量；所述累计放电容量为放电电流对时间的积分；在所述电池放电的过程中其放电电压逐渐降低，所述预设放电电压范围内的累计放电容量曲线随着电池老化而迁移，电池老化过程中其剩余使用寿命减少；所述累计放电容量曲线由各个预设电压点下的累计放电容量数据绘制而成，各个预设电压点通过将所述预设放电电压范围离散化得到；

S102，将所述电池放电过程中的数据输入到训练好的预测模型中，以预测电池的剩余使用寿命；所述预测模型包括：卷积神经网络CNN和长短期记忆神经网络LSTM，CNN用于提取数据的空间相关性特征，LSTM用于提取所述空间相关性特征的时间特征，以预测电池的剩余使用寿命；通过预先获取的电池不同放电循环次数下的累计放电容量曲线数据对所述预测模型进行训练，不同放电循环次数对应不同的电池剩余使用寿命。

具体地，针对不同类型的电池，按照其累计放电容量与电压的曲线随电池老化迁移的特征选取对应的预设电压区间，并对预设电压区间离散化确定各个预设电压点，在对该类型电池预测模型的训练和用训练好的预测模型进行预测时，保持对应的预设电压点为不变量；在选定的预设电压区间内，所述累计放电容量曲线随电池老化而迁移的幅度相对明显。

其中，数据驱动的电池剩余使用寿命预测方法可以从输入、输出以及模型上进行划分。输出为当前的电池剩余使用寿命，输入可分为原始数据和特征选择的数据。为了准确地评估及预测电池的老化状态，模型的输入需要能充分反映电池的状态特征。由统计学习算法实现的人工智能可以从人类的监督中获益，即根据人类领域知识的初步特征选择可以提升机器学习算法的性能，降低模型的规模或是提升精度。基于这一想法，针对当前数据驱动的电池剩余使用寿命预测方法不能提供电池老化机制的深入信息，网络规模过大，所需要的训练数据过多，不适合在线应用的问题。本发明提出了将电池的特征选择与深度学习结合的电池剩余寿命预测方法，在保证神经网络的拟合精确性与计算速度的前提下，通过基于先验领域知识的特征选择降低网络的规模。

为了结合特征选择与机器学习以降低模型规模，提升模型精度。本发明提出了一种电池剩余使用寿命预测方法，根据电池的电化学老化机制进行特征选择，从电池的累计放电容量-电压曲线上选择特征作为模型输入，结合深度学习模型实现电池的老化状态评估。本发明能有效降低模型的大小，减少训练时间，并获得更精确的性能。

在一个更为具体的实施例中，本发明提供一种电池剩余使用寿命预测方法，详述如下：

(1)数据驱动模型的特征选择

数据驱动模型(Data-Driven Models)可以建立输入数据与输出之间的映射关系。数据模型建模过程可以屏蔽实际的物理系统，而且适当的具有实际物理意义的输入特征可以提升模型的性能。本发明实施例采用神经网络对电池的状态进行建模。虽然神经网络通过叠加层数具备拟合任意连续函数的性质，但具体问题描述的输入是领域相关的。即特定领域的知识会告诉我们什么样的特征对于问题的描述是有益的。

将同一厂家同一型号同一批次的电池分不同集合，且每个集合内均包括多个电池，对每个集合内的电池进行编号。图2为本发明实施例中不同电池的放电容量随循环圈数变化，图2中的图例表示的是电池编号，其中b表示电池属于第几个集合，c表示电池在所属集合中的编号。图2示出了部分电池的放电容量随循环老化的变化曲线，可见不同电池的老化特性存在差异。所有电池采用不同的充电方法，但采用相同的放电模式。曲线存在交点说明电池的初始容量并不能充分反映电池的循环性能，电池的充放电模式会显著影响电池的循环寿命，因此尝试从电池的充放电过程数据中进行特征提取。

图3示出了本发明实施例中电池在不同循环圈数的累计放电容量-电压曲线，以电池的电压为自变量，累计放电容量为电压的函数，累计放电容量-电压曲线记作Q(V)。图3中图例cycle表示循环圈数，cycle后面具体数值为循环圈数值，可以发现随着循环老化，电池的Q(V)遵循着一定的模式变化。从图2和图3可以看出，在早期循环中退化模式并没有导致明显的容量衰减，但是在累计放电容量-电压曲线中有所表现。这可能是由于电池中活性物质的损失导致Q(V)在容量不变的情况下发生变化。

本领域技术人员可以理解的是，凡是电池中活性物质的损失导致Q(V)在容量不变的情况下发生变化的电池，本发明提供的剩余使用寿命预测方法均可适用。锂离子电池以其高能量密度、高输出电压、低自放电率、低电压降、易于管理等优点被广泛应用于家用电器、智能手机、电动工具、储能系统、电动汽车等领域。以下以锂离子电池为例进行举例说明，在商用锂离子电池中负极相对正极是过量的，在电池循环过程中，去锂化负极的活性物质损失改变了锂离子储存的电位，而没有改变总容量，即锂离子电池的老化没有体现在容量的损失上，但是在Q(V)曲线上有所体现。从能量的角度，随着电池的老化，Q(V)的变化表现为曲线下面积的变化，对于第N和M圈循环有：

∫ΔQ_N-MdV＝∫(Q_N-Q_M)dV＝ΔE_N-M

其中ΔE_N-M表示第N和M圈的释放能量的差值，ΔQ_N-M表示在给定无穷小电压区间dV上第N和M圈循环的放电容量的差值。曲线面积的差异说明电池在循环过程中可存储和释放的能量有所降低，所以累计放电容量-电压曲线是能够反映电池老化状态的数据源。

本发明实施例的特征选择以电压作为自变量，因为电池的工作电压区间比较固定。从电化学机理角度讲，该特征描述了电化学过电位的概念。过电位是电极的电位差值，为一个电极反应偏离平衡时的电极电位与这个电极反应的平衡电位的差值。在电池等效电路中过电位为欧姆内阻和极化内阻上的电压差之和。随着电池的老化，极化加剧，过电位发生变化，在累计放电容量-电压曲线上体现为曲线的偏移。因此累计放电容量-电压曲线的特征反映了电池的电化学机理。由上述分析，电池的累计放电容量-电压曲线是进行电池状态评估及预诊断的优秀数据源。如何从曲线中进行特征提取是建立高性能数据驱动模型的关键。

可以理解的是，本发明中的数据驱动模型即指的是电池剩余使用寿命预测模型或预测模型，只是名称上叫法不同，但是表达的本质是相同的。

累计放电容量-电压曲线上的数据对于判断电池的老化状态并非同等重要，特定电压区间的容量演变模式能够更有效地反映电池的剩余使用寿命状态，且实际工况下难以获得电池完整的充放电曲线数据。因此本发明实施例为了方便实际对不同电池、不同循环数据的操作，将电池的电压区间进行划分，更多关注电池在特定电压区间的累计放电容量-电压曲线特征。

本发明实施例使用磷酸铁锂/石墨电池为例得到实验数据，因此电压区间选取2V至3.5V，在使用数据驱动模型进行建模时优先考虑该区间的运行数据。并且为了使跨电池和跨循环的电压容量数据标准化，本发明实施例将曲线拟合并进行线性插值。2.0V-3.5V的电压间隔被离散化为N个电压区间，得到的电压数据点表示为：

电压点对应的累计放电容量[Q₁,Q₂,...,Q_N]为本发明实施例中表征电池老化状态的模型输入特征量，其中Q_i为V_i处电池的累计放电容量。为了方便计算，本发明实施例中N取1000。

图3示出了本发明实施例不同循环电池的累计放电容量-电压曲线，特征选择放电的数据是因为电池的放电过程中电压到累计放电容量的映射是单射，利于特征的构造。

(2)基于数据驱动的剩余寿命预测方法

在进行电池的剩余使用寿命预测时，首先使用CNN从所选取的输入特征中提取电池的老化信息。由于电池的容量衰减受到历史使用模式的影响，使用LSTM对CNN提取的特征进行时间序列分析，构成图4所示的电池剩余使用寿命预测模型。

根据前面分析的电池特征构建数据驱动模型，可实现电池的剩余寿命预测。本发明实施例总体模型框架如图4所示。[Q₁,Q₂,...,Q_N]记录了电池在给定电压上的累计放电容量，等价于将Q(V)曲线压缩成一维向量。

CNN网络由于其互相关运算可以充分挖掘和提取原始数据的深层模式，而广泛应用在计算机视觉领域。CNN网络的典型结构包括卷积层、池化层和全连接层。卷积层的不同卷积核会与该层的输入进行互相关运算，以挖掘输入的不同模式。池化层降低输入维度并缓解卷积层对位置的过度敏感性。卷积运算可以通过堆叠“卷积层+池化层”从原始数据中挖掘和提取深层模式。将提取的深层特征展开为一维数组后，全连接层用于计算期望的输出值。CNN善于处理数据的空间相关性，而随着电池的老化，累计放电容量随电压演变的模式表现为曲线的变化，即Q与V的空间相关性。因此本发明实施例使用CNN对所选择的特征输入数据进行特征提取，捕获电池的老化演变规律。由于本发明实施例选择的特征[Q₁,Q₂,...,Q_N]维度为(1,N)，因此选择1维CNN提取输入数据的深层特征。卷积核在输入的电压方向上移动，检测给定电压区间上电池累计放电容量随循环老化变化的模式。由图3可知电池的老化状态与累计放电容量-电压曲线存在单一映射关系，CNN可根据输入的特征捕获电池的老化信息。为了提升模型训练速度，将输入CNN的数据进行归一化，公式如下所示：

其中x为所选择的特征原始训练数据输入，x_train为进行归一化后的训练数据，x_max和x_min为原始数据中的最大和最小值。CNN的输出展平为一维的特征向量，作为LSTM的输入。

由于电池的老化过程可视为时间序列，即当前的状态与历史状态相关。因此本发明实施例采用常应用于时间序列分析的长短期记忆神经网络(Long Short Term Memory,LSTM)对CNN输出的特征进行处理，最终输出当前的电池剩余使用寿命状态h_t。当数据按顺序输入到循环神经网络中时，隐藏层节点的计算不仅取决于当前层的输入，还取决于前一时刻隐藏层节点的激活值。LSTM引入输入门，遗忘门，输出门分别控制神经网络各部分的信息流动，决定当前输入和上一时刻的记忆状态对当前的输出和记忆状态的影响。

如图4所示，CNN输出的x_t作为LSTM的输入。其中t时刻的输入x_t为CNN输出的电池在第t循环的状态特征，h_t-1为t-1循环的网络输出，h_t为当前第t循环的输出，h_t通过全连接层计算出电池的剩余使用寿命。由于电池的老化状态会受到历史的运行模式的影响，即过去电池的充放电倍率、模式会影响电池的容量衰减速度。因此本发明实施例采用LSTM对CNN提取的电池老化特征进行处理以预测剩余使用寿命。

本发明实施例研究了不同长度输入特征的模型性能，模型结构经过多次实验确定。网络参数通过训练更新。训练数据集合表示为：

其中，Q的上标t和电池剩余使用寿命RUL的下标t均表示循环圈数，n为电池的总循环圈数，输出RUL_t为电池在第t圈循环的剩余使用寿命，为了便于训练输出进行了归一化，

在初始循环时RUL近似为1，寿命终止时RUL为0，RUL可以评估电池的寿命状态。模型输入为电池每圈循环中Q(V)曲线插值获得的局部向量。由于实际电池通常不会进行100％深度的放电(Depth of Discharge)，为了模拟实际工况同时验证模型的鲁棒性，本发明实施例验证了不同长度的输入特征向量的模型性能。模型的实现操作系统为Windows10，平台为Python3.7，深度学习框架为Tensorflow2.0。

本发明实施例将对锂离子电池进行剩余使用寿命预测为例，图5是本发明实施例提供的对锂离子电池剩余使用寿命预测结果与真实值对比图，由图5给出的实验结果说明本发明所提出的预测方法预测出来的结果与真实结果的误差很小，具备很高的准确度。

图6是本发明实施例提供的电池剩余使用寿命预测系统架构图，如图6所示，包括：

放电数据获取单元610，用于获取电池放电过程中的数据；所述数据包括预设放电电压范围内的每个预设电压点的累计放电容量；所述累计放电容量为放电电流对时间的积分；在所述电池放电的过程中其放电电压逐渐降低，所述预设放电电压范围内的累计放电容量曲线随着电池老化而迁移，电池老化过程中其剩余使用寿命减少；所述累计放电容量曲线由各个预设电压点下的累计放电容量数据绘制而成，各个预设电压点通过将所述预设放电电压范围离散化得到；

剩余寿命预测单元620，用于将所述电池放电过程中的数据输入到训练好的预测模型中，以预测电池的剩余使用寿命；所述预测模型包括：卷积神经网络CNN和长短期记忆神经网络LSTM，CNN用于提取数据的空间相关性特征，LSTM用于提取所述空间相关性特征的时间特征，以预测电池的剩余使用寿命；通过预先获取的电池不同放电循环次数下的累计放电容量曲线数据对所述预测模型进行训练，不同放电循环次数对应不同的电池剩余使用寿命。

可以理解的是，图6中各个单元的详细功能实现可参见前述方法实施例中的介绍，在此不做赘述。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种电池剩余使用寿命预测方法，其特征在于，包括如下步骤：

获取电池放电过程中的数据；所述数据包括预设放电电压范围内的每个预设电压点的累计放电容量；所述累计放电容量为放电电流对时间的积分；在所述电池放电的过程中其放电电压逐渐降低，所述预设放电电压范围内的累计放电容量曲线随着电池老化而迁移，电池老化过程中其剩余使用寿命减少；所述累计放电容量曲线由各个预设电压点下的累计放电容量数据绘制而成，各个预设电压点通过将所述预设放电电压范围离散化得到；

将所述电池放电过程中的数据输入到训练好的预测模型中，以预测电池的剩余使用寿命；所述预测模型包括：卷积神经网络CNN和长短期记忆神经网络LSTM，CNN用于提取数据的空间相关性特征，LSTM用于提取所述空间相关性特征的时间特征，以预测电池的剩余使用寿命；通过预先获取的电池不同放电循环次数下的累计放电容量曲线数据对所述预测模型进行训练，不同放电循环次数对应不同的电池剩余使用寿命。

2.根据权利要求1所述的方法，其特征在于，针对不同类型的电池，按照其累计放电容量与电压的曲线随电池老化迁移的特征选取对应的预设电压区间，并对预设电压区间离散化确定各个预设电压点，在对该类型电池预测模型的训练和用训练好的预测模型进行预测时，保持对应的预设电压点为不变量；在选定的预设电压区间内，所述累计放电容量曲线随电池老化而迁移的幅度相对明显。

3.根据权利要求1或2所述的方法，其特征在于，设各个预设电压点分别为：V₁,V₂,...,V_N，对电池放电时，各个预设电压点对应的累计放电容量分别为：Q₁,Q₂,...,Q_N其中，Q_i为预设电压点V_i处电池的累计放电容量，i＝1,2,...N；

将各个预设电压点对应的累计放电容量组成的一维向量[Q₁,Q₂,...,Q_N]输入到训练好的预测模型；所述一维向量[Q₁,Q₂,...,Q_N]为电池累计放电容量曲线数据。

4.根据权利要求1所述的方法，其特征在于，所述预测模型的训练过程具体为：

确定电池不同放电循环次数下的累计放电容量与电压的曲线数据，对每一种放电循环次数，确定此时各个预设电压点处的电池累计放电容量，进而将确定的各个累计放电容量数据组成一维向量，以作为此时的累计放电容量曲线数据；

将不同放电循环次数下的累计放电容量与电压的曲线数据输入到CNN中；所述CNN包括：卷积层、池化层以及全连接层；所述卷积层用于提取输入训练数据的空间相关性特征，以确定电池的老化演变规律，所述池化层用于对所述空间相关性特征降维，所述全连接层用于将各个循环次数下降维后的空间相关性特征拼接，得到每个循环次数下的特征；

将CNN输出的特征输入到LSTM，LSTM根据当前循环次数下特征与所接收的历史循环次数下特征的时间相关性，提取对应的时间特征，以通过全连接层预测当前循环次数下电池的剩余使用寿命，并将预测值与标签值进行对比，以对预测模型的参数进行调整，使得训练好的预测模型满足要求；所述标签值通过当前循环圈数和电池总循环圈数确定。

5.根据权利要求4所述的方法，其特征在于，所述标签值通过当前循环圈数和电池总循环圈数确定，具体为：

其中，n为电池的总循环圈数，RUL_t为电池在第t圈循环的剩余使用寿命。

6.一种电池剩余使用寿命预测系统，其特征在于，包括：

放电数据获取单元，用于获取电池放电过程中的数据；所述数据包括预设放电电压范围内的每个预设电压点的累计放电容量；所述累计放电容量为放电电流对时间的积分；在所述电池放电的过程中其放电电压逐渐降低，所述预设放电电压范围内的累计放电容量曲线随着电池老化而迁移，电池老化过程中其剩余使用寿命减少；所述累计放电容量曲线由各个预设电压点下的累计放电容量数据绘制而成，各个预设电压点通过将所述预设放电电压范围离散化得到；

剩余寿命预测单元，用于将所述电池放电过程中的数据输入到训练好的预测模型中，以预测电池的剩余使用寿命；所述预测模型包括：卷积神经网络CNN和长短期记忆神经网络LSTM，CNN用于提取数据的空间相关性特征，LSTM用于提取所述空间相关性特征的时间特征，以预测电池的剩余使用寿命；通过预先获取的电池不同放电循环次数下的累计放电容量曲线数据对所述预测模型进行训练，不同放电循环次数对应不同的电池剩余使用寿命。

7.根据权利要求6所述的系统，其特征在于，所述放电数据获取单元，用于针对不同类型的电池，按照其累计放电容量与电压的曲线随电池老化迁移的特征选取对应的预设电压区间，并对预设电压区间离散化确定各个预设电压点，在对该类型电池预测模型的训练和用训练好的预测模型进行预测时，保持对应的预设电压点为不变量；在选定的预设电压区间内，所述累计放电容量曲线随电池老化而迁移的幅度相对明显。

8.根据权利要求6或7所述的系统，其特征在于，设各个预设电压点分别为：V₁,V₂,...,V_N，对电池放电时，各个预设电压点对应的累计放电容量分别为：Q₁,Q₂,...,Q_N其中，Q_i为预设电压点V_i处电池的累计放电容量，i＝1,2,...N；

所述放电数据获取单元，将各个预设电压点对应的累计放电容量组成的一维向量[Q₁,Q₂,...,Q_N]输入到训练好的预测模型；所述一维向量[Q₁,Q₂,...,Q_N]为电池累计放电容量曲线数据。

9.根据权利要求6所述的系统，其特征在于，所述剩余寿命预测单元所用的预测模型的训练过程具体为：确定电池不同放电循环次数下的累计放电容量与电压的曲线数据，对每一种放电循环次数，确定此时各个预设电压点处的电池累计放电容量，进而将确定的各个累计放电容量数据组成一维向量，以作为此时的累计放电容量曲线数据；将不同放电循环次数下的累计放电容量与电压的曲线数据输入到CNN中；所述CNN包括：卷积层、池化层以及全连接层；所述卷积层用于提取输入训练数据的空间相关性特征，以确定电池的老化演变规律，所述池化层用于对所述空间相关性特征降维，所述全连接层用于将各个循环次数下降维后的空间相关性特征拼接，得到每个循环次数下的特征；将CNN输出的特征输入到LSTM，LSTM根据当前循环次数下特征与所接收的历史循环次数下特征的时间相关性，提取对应的时间特征，以通过全连接层预测当前循环次数下电池的剩余使用寿命，并将预测值与标签值进行对比，以对预测模型的参数进行调整，使得训练好的预测模型满足要求；所述标签值通过当前循环圈数和电池总循环圈数确定。

10.根据权利要求9所述的系统，其特征在于，所述标签值通过当前循环圈数和电池总循环圈数确定，具体为：

其中，n为电池的总循环圈数，RUL_t为电池在第t圈循环的剩余使用寿命。

Images