CN114706006A - 一种基于XGBoost-LSTM优化模型的电动汽车锂电池剩余寿命预测方法 - Google Patents

Abstract

本发明涉及电动车锂电池技术领域，且公开了一种基于XGBoost‑LSTM优化模型的电动汽车锂电池剩余寿命预测方法，包括电动汽车锂电池信息在线采集技术，该一种基于XGBoost‑LSTM优化模型的电动汽车锂电池剩余寿命预测方法，通过实际的电动汽车充电数据进行实验，并能基于合适的数据量进行分类，选择不同的，合适的训练模型，解决了电动汽车锂电池覆盖全衰减过程的RUL预测问题，对于电池RUL的长期预测性能提升，预测精准性提高有显著意义，并且将累计特征影响和元强化学习算法引入电池RUL预测，充分挖掘累计特征中隐藏的电池健康状态信息及其变化规律，同时发挥了元强化学习算法较强的小样本学习能力，在电池全寿命过程上都能实现较高精度预测。

Description

一种基于XGBoost-LSTM优化模型的电动汽车锂电池剩余寿命 预测方法

技术领域

本发明涉及电动车锂电池技术领域，具体为一种基于XGBoost-LSTM优化模型的电动汽车锂电池剩余寿命预测方法。

背景技术

电动汽车通常采用动力电池作为能量储能的装置和来源，现有的动力电池通常是化学电池，其经过一段时间的充放电之后，会出现电池最大容量减少的情况，通常，电池健康度(State Of Health，SOH)指的是电池充满电之后的容量与额定容量的比值，SOH能够反映当前电池的健康状态，获取电动汽车锂电池的SOH能够有效的帮助计算电动汽车剩余寿命，动力电池的剩余寿命(Remaining Useful Life，RUL)是指在一定的充放电制度下，动力电池的最大可用容量衰减退化到某一规定的失效阈值所需要经历的循环周期数量， RUL预测是一个基于动力电池历史数据运用一定的数学手段对其残值寿命进行预测计算的过程，随着动力电池在各领域上的广泛应用，动力电池RUL预测技术得到了广泛的关注和研究。

现有技术存在以下缺陷与不足：

1、基于少量数据进行早期寿命预测的算法对预防电池失效十分重要，然而，大多预测算法的训练数据量占总数据的40％-70％，因此，开发小样本训练算法，提取更加有效的电池健康特征因子是实现早期预测的关键和挑战，使用容量衰退数据拟合获得的电池寿命模型，其预测精度不仅取决于寿命模型本身的精度，还受限于数据量大小，数据量过多会加大RUL预测的时间成本和复杂性，数据量不足会导致预测模型不精确，除此之外，大多模型在预测锂电池RUL时，仅能在短期预测时具有较高精确度和较强可行性，长期预测性能需通过调整参数、数据量大小或多种模型结合等方式进行提高，数据采集过程中会产生噪声数据，可通过提高检测标准和对噪声数据进行处理，提高预测准确性，预测模型的精度还归因于复杂且相互耦合的各种影响因素；

2、更加贴近实际工况的电池数据集，现有实验多利用恒定温度和CC/CV工况循环下的电池老化数据进行算法建立和验证，然而，在大多数电池储能应用中，电池将经历动态变化的工况，此外，随着电池储能系统的广泛应用，电池在快速充电等极端工况下的寿命预测技术变得愈发重要。

发明内容

针对现有技术的不足，本发明提供了一种基于XGBoost-LSTM优化模型的电动汽车锂电池剩余寿命预测方法，可以解决现有的一种基于XGBoost-LSTM优化模型的电动汽车锂电池剩余寿命预测方法问题；本装置通过实际的电动汽车充电数据进行实验，并能基于合适的数据量进行分类，选择不同的，合适的训练模型，解决了电动汽车锂电池覆盖全衰减过程的RUL预测问题，对于电池RUL的长期预测性能提升，预测精准性提高有显著意义，

为实现上述的一种基于XGBoost-LSTM优化模型的电动汽车锂电池剩余寿命预测方法目的，本发明提供如下技术方案：一种基于XGBoost-LSTM优化模型的电动汽车锂电池剩余寿命预测方法，包括如下步骤：

(1)首先基于电动汽车锂电池信息在线采集技术，采集充电桩can总线上电动汽车锂电池的充电数据，若采集的电动汽车锂电池充电次数多于实验预估的分界次数，则充电数据足够，整理包括单次充电数据和累计充电数据的训练集1；若充电次数少于分界次数，累计充电特征和电池衰减之间的关系不明显，则筛选出单次充电数据作为训练集2，分界次数是在XGBoost模型中，累计充电特征的权重达到和单次充电特征权重一个数量级时的充电次数；

(2)然后构建基于XGBoost模型的SOH健康指标序列，决策树采用分类与回归树CART；根据训练数据段生成新的CART来拟合上一棵CART产生的残差，最终集成所有CART即为最终XGBoost集成模型，要进行权重实验，求出分界次数，分界次数是在构建好的XGBoost模型中，累计充电特征的权重符合单次充电特征权重的数量级时的充电次数，若采集的电动汽车锂电池充电次数多于实验预估的分界次数，则充电数据足够，整理包括单次充电数据和累计充电数据的训练集1，若充电次数少于分界次数，累计充电特征和电池衰减之间的关系不明显，则筛选出单次充电数据作为训练集2，对训练集1或训练集2这两种情况进行训练时，分别求出SOH序列1或SOH序列2；

(3)最后将SOH序列1代入LSTM模型，训练参数到最优值，利用模型对电池容量的衰减状态进行预测，根据电池容量的失效阈值得到剩余寿命的预测结果；提出基于元强化学习的电动汽车锂电池剩余寿命预测技术，采用梯度下降法优化长，LSTM模型，代入SOH 序列2进行循环训练，计算损失函数的梯度下降，提高更新参数的效率，减少需要的训练样本。

优选的，所述步骤(1)中，充电桩通过can总线采集电池充电电流曲线、充电电压曲线、初始SOC、环境温度、SOC循环区间和电池额定容量等信号数据和充电次数、日历天数、深度充电占比、高温充电占比等记录数据；根据影响电池健康的因素，将数据进行归类，分成单次充电数据和累计充电数据。

优选的，所述步骤(2)中，采用XGBoost算法进行特征提取，参照梯度提升决策树的思想，将充电数据特征转化为模型中的叶子节点，建立决策树模型，循环增加CART树，求出最优特征权重，按权重将特征排序作为电池SOH的估算依据，通过对求导数并令其等于0，可以解得每个叶子最优权重和最小损失，提前进行权重实验，求出分界次数，分界次数是在构建好的XGBoost模型中，累计充电特征的权重符合单次充电特征权重的数量级时的充电次数，若采集的电动汽车锂电池充电次数多于实验预估的分界次数，则充电数据足够，整理包括单次充电数据和累计充电数据的训练集1；若充电次数少于分界次数，累计充电特征和电池衰减之间的关系不明显，则筛选出单次充电数据作为训练集2。

优选的，所述步骤(3)中；若是SOH序列1，则代入一般LSTM模型训练参数到最优值，利用模型对电池容量的衰减状态进行预测，根据电池容量的失效阈值得到剩余寿命的预测结果，若是SOH序列2，则采用带参数的梯度下降法优化模型，可以提高更新参数的效率，减少LSTM模型的需要的训练样本，元学习的参数更新和LSTM单元状态的更新相似，元学习器通过一系列更新确定学习率和遗忘门的参数最优值，让优化快速进行，每次迭代都从基于LSTM的元学习器接收分类器传来的的梯度和损失等信息来进行更新的，计算出来的值再返回给元学习器，用来训练元学习器，再次更新元学习器的参数，基于梯度下降优化的LSTM运算逻辑如下式：

其中θ是需要优化的参数，z^f是忘记门控信号，zⁱ是选择门控信号，

是当前位置的梯度方向。

与现有技术相比，本发明提供了一种基于XGBoost-LSTM优化模型的电动汽车锂电池剩余寿命预测方法，具备以下有益效果：

1、本一种基于XGBoost-LSTM优化模型的电动汽车锂电池剩余寿命预测方法，通过建立了基于XGBoost-LSTM优化模型预测电动汽车锂电池剩余寿命的方法，通过实际的电动汽车充电数据进行实验，并能基于合适的数据量进行分类，选择不同的，合适的训练模型，解决了电动汽车锂电池覆盖全衰减过程的RUL预测问题，对于电池RUL的长期预测性能提升，预测精准性提高有显著意义，并且将累计特征影响和元强化学习算法引入电池RUL预测，充分挖掘累计特征中隐藏的电池健康状态信息及其变化规律，同时发挥了元强化学习算法较强的小样本学习能力，在电池全寿命过程上都能实现较高精度预测。

附图说明

图1为本发明电动汽车锂电池剩余寿命预测的流程图；

图2为本发明XGBoost模型估算锂电池SOH的系统流程图；

图3为本发明梯度下降法优化LSTM模型结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。

请参阅图1-3，一种基于XGBoost-LSTM优化模型的电动汽车锂电池剩余寿命预测方法，包括如下步骤：

(1)首先基于电动汽车锂电池信息在线采集技术，采集充电桩can总线上电动汽车锂电池的充电数据，若采集的电动汽车锂电池充电次数多于实验预估的分界次数，则充电数据足够，整理包括单次充电数据和累计充电数据的训练集1；若充电次数少于分界次数，累计充电特征和电池衰减之间的关系不明显，则筛选出单次充电数据作为训练集2,分界次数是在XGBoost模型中，累计充电特征的权重达到和单次充电特征权重一个数量级时的充电次数；

(2)然后构建基于XGBoost模型的SOH健康指标序列，决策树采用分类与回归树CART；根据训练数据段生成新的CART来拟合上一棵CART产生的残差，最终集成所有CART即为最终XGBoost集成模型。要进行权重实验，求出分界次数。分界次数是在构建好的XGBoost模型中，累计充电特征的权重符合单次充电特征权重的数量级时的充电次数,若采集的电动汽车锂电池充电次数多于实验预估的分界次数，则充电数据足够，整理包括单次充电数据和累计充电数据的训练集1,若充电次数少于分界次数，累计充电特征和电池衰减之间的关系不明显，则筛选出单次充电数据作为训练集2,对训练集1或训练集2这两种情况进行训练时，分别求出SOH序列1或SOH序列2；

(3)最后将SOH序列1代入LSTM模型，训练参数到最优值，利用模型对电池容量的衰减状态进行预测，根据电池容量的失效阈值得到剩余寿命的预测结果,提出基于元强化学习的电动汽车锂电池剩余寿命预测技术，采用梯度下降法优化长，LSTM模型，代入SOH 序列2进行循环训练，计算损失函数的梯度下降，提高更新参数的效率，减少需要的训练样本。

综上，步骤(1)中，充电桩通过can总线采集电池充电电流曲线、充电电压曲线、初始SOC、环境温度、SOC循环区间和电池额定容量等信号数据和充电次数、日历天数、深度充电占比、高温充电占比等记录数据；根据影响电池健康的因素，将数据进行归类，分成单次充电数据和累计充电数据,步骤(2)中，采用XGBoost算法进行特征提取，参照梯度提升决策树的思想，将充电数据特征转化为模型中的叶子节点，建立决策树模型，循环增加CART树，求出最优特征权重，按权重将特征排序作为电池SOH的估算依据,通过对求导数并令其等于0，可以解得每个叶子最优权重和最小损失,提前进行权重实验，求出分界次数,分界次数是在构建好的XGBoost模型中，累计充电特征的权重符合单次充电特征权重的数量级时的充电次数,若采集的电动汽车锂电池充电次数多于实验预估的分界次数，则充电数据足够，整理包括单次充电数据和累计充电数据的训练集1；若充电次数少于分界次数，累计充电特征和电池衰减之间的关系不明显，则筛选出单次充电数据作为训练集2，步骤(3)中；若是SOH序列1，则代入一般LSTM模型训练参数到最优值，利用模型对电池容量的衰减状态进行预测，根据电池容量的失效阈值得到剩余寿命的预测结果；若是SOH序列2，则采用带参数的梯度下降法优化模型，可以提高更新参数的效率，减少LSTM模型的需要的训练样本,元学习的参数更新和LSTM单元状态的更新相似，元学习器通过一系列更新确定学习率和遗忘门的参数最优值，让优化快速进行，每次迭代都从基于LSTM的元学习器接收分类器传来的的梯度和损失等信息来进行更新的，计算出来的值再返回给元学习器，用来训练元学习器，再次更新元学习器的参数，基于梯度下降优化的LSTM运算逻辑如下式：

其中θ是需要优化的参数，z^f是忘记门控信号，zⁱ是选择门控信号，

是当前位置的梯度方向。

本发明的工作使用具体步骤为：

(1)研究电动汽车锂电池信息在线采集技术，采集充电桩can总线上电动汽车锂电池的充电数据，包括单次充电数据和累计充电数据等，得到初始训练集；

(2)基于Xgboost模型构建SOH健康指标序列，进行权重实验，求出分界次数，分界次数是在构建好的XGBoost模型中，累计充电特征的权重符合单次充电特征权重的数量级时的充电次数，若采集的电动汽车锂电池充电次数多于实验预估的分界次数，则充电数据足够，整理包括单次充电数据和累计充电数据的训练集1；若充电次数少于分界次数，累计充电特征和电池衰减之间的关系不明显，则筛选出单次充电数据作为训练集2，对训练集1或训练集2这两种情况进行训练，获取SOH序列1或SOH序列2；

(3)将训练集2直接代入LSTM模型，训练相应的参数到最优值利用模型对电池容量的衰减状态进行预测，根据电池容量的失效阈值得到剩余寿命的预测结果；

(4)提出基于元强化学习的电动汽车锂电池剩余寿命预测技术，采用梯度下降法优化LSTM模型，代入训练集1进行循环训练，计算损失函数的梯度下降，通过少量数据完成对电池容量的衰减状态的预测，并求出剩余寿命的预测结果；

对于步骤(1)：

1)充电桩通过can总线采集电池充电电流曲线、充电电压曲线、初始SOC、环境温度、SOC循环区间和电池额定容量等信号数据和充电次数、日历天数、深度充电占比、高温充电占比等记录数据；

2)根据影响电池健康的因素，将数据进行归类，分成单次充电数据和累计充电数据，删除空值、噪声、无效值等异常数据，形成初始数据集；

3)对单次充电数据和累计充电数据进行归一化处理，归一化处理的方法采用下述计算公式：

式中x_i为第i个样本数据，μ为该特征下所有样本数据的均值，max、min分别代表该特征下样本数据的最大值和最小值；

对于步骤(2)：

1)获取(1)过程中归类并处理后的的数据；

2)采用XGBoost算法进行特征提取，参照梯度提升决策树的思想，建立决策树模型，循环增加一颗CART树，

XGBoost算法的目标函数为：

其中，T代表叶子节点数，w_j代表每个叶子节点的权重，而γ和λ则为模型中控制不同部分比重的参数,G_j为损失函数一阶导数的和，H_j为损失函数二阶导数的和；求出模型的最小损失为：

3)用贪婪算法构建树，通过对w_j求导数并令其等于0，包含用损失函数一阶和二阶导数信息计算叶子的最优权重，最优权重公式如下：

4)用构建好的树迭代优化函数空间.迭代公式如下：

其中f_t(x_i)为树的表达式，

是f_t(x_i)泛函数，

5)重新更新计算损失函数的一阶和二阶导数；

6)重复第(1)步，直到生成K颗树，训练模型将电池当前SOH作为输出，具体流程如图2所示；

7)要根据历史充电数据进行权重实验，提前求出分界次数，分界次数是在构建好的 XGBoost模型中，累计充电特征的权重符合单次充电特征权重的数量级时的充电次数。

若采集的电动汽车锂电池充电次数多于实验预估的分界次数，则充电数据足够，整理包括单次充电数据和累计充电数据的训练集1；若充电次数少于分界次数，累计充电特征和电池衰减之间的关系不明显，则筛选出单次充电数据作为训练集2，

对于步骤(3)：

1)原LSTM模型内部主要有三个阶段：

1.忘记阶段，这个阶段主要是对上一个节点传进来的输入进行选择性忘记，通过计算得到的z^f来作为忘记门控，来控制上一个状态的c^t-1，决定需要保留或忘记的信息；

2.选择记忆阶段，这个阶段的输入将被有选择性地进行“记忆”，主要对输入x^t进行选择记忆，当前的输入内容由前面计算得到的z表示，而选择的门控信号则是由zⁱ来进行控制，

通过上面两阶段，可得到传输给下一个状态的c^t，具体公式如下：

c^t＝z^fec^t-1+zⁱez (10)

其中z^f是忘记门控信号，zⁱ是选择门控信号；

3.输出阶段，这个阶段通过z⁰来控制当前状态的输出，并且还对上一阶段得到的c⁰进行了放缩，通过tanh激活函数进行变化，具体公式如下:

h^t＝z⁰e tanh(ct) (11)

y^t＝σ(W′h^t) (12)

对于步骤(4)：

采用带参数θ的梯度下降法优化模型，元学习的参数更新和LSTM单元状态的更新相似，就可以使元学习器通过一系列更新确定学习率和遗忘门的参数最优值，让优化快速进行，其中就是通过每次迭代都从基于LSTM的元学习器接收分类器传来的的梯度和损失等信息来进行更新的，计算出来的值再返回给元学习器，用来训练元学习器，再次更新元学习器的参数；

通过梯度下降法优化LSTM模型，将梯度下降的公式和LSTM的公式结合起来，将LSTM的输入c^t当成神经网络的参数θ^t，具体公式如下：

其中θ是需要优化的参数，

是当前位置的梯度方向；

考虑参数的更新不仅仅是依靠当前的梯度，还要依靠一直以来的梯度加在一起所得到的结果，所以将过去的梯度和现在的梯度做一个整合处理，在原来优化的LSTM的基础上再加一层LSTM，其参数定义作m，通过m存储过去的梯度，让过去的梯度也参与现在梯度的决定，具体模型如图3所示：

根据待预测电池充电数据量大小选择合适的模型，基于元强化学习的LSTM模型适用于训练数据较少时，能保证较高的RUL预测精度；采用训练集2进行训练的模型则适用于训练数据较多的情况，能提高SOH健康指标序列的准确度，电池剩余寿命用电池剩余充电次数来表示，具体公式如下：

其中，c_s指电池剩余充电次数，c_l指电池历史充电次数

本一种基于XGBoost-LSTM优化模型的电动汽车锂电池剩余寿命预测方法在使用时，通过实际的电动汽车充电数据进行实验，并能基于合适的数据量进行分类，选择不同的，合适的训练模型，解决了电动汽车锂电池覆盖全衰减过程的RUL预测问题，对于电池RUL的长期预测性能提升，预测精准性提高有显著意义，并且将累计特征影响和元强化学习算法引入电池RUL预测，充分挖掘累计特征中隐藏的电池健康状态信息及其变化规律，同时发挥了元强化学习算法较强的小样本学习能力，在电池全寿命过程上都能实现较高精度预测。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序，而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (4)

1.一种基于XGBoost-LSTM优化模型的电动汽车锂电池剩余寿命预测方法，其特征在于，包括如下步骤：

(1)首先基于电动汽车锂电池信息在线采集技术，采集充电桩can总线上电动汽车锂电池的充电数据，若采集的电动汽车锂电池充电次数多于实验预估的分界次数，则充电数据足够，整理包括单次充电数据和累计充电数据的训练集1；若充电次数少于分界次数，累计充电特征和电池衰减之间的关系不明显，则筛选出单次充电数据作为训练集2，分界次数是在XGBoost模型中，累计充电特征的权重达到和单次充电特征权重一个数量级时的充电次数；

(2)然后构建基于XGBoost模型的SOH健康指标序列，决策树采用分类与回归树CART；根据训练数据段生成新的CART来拟合上一棵CART产生的残差，最终集成所有CART即为最终XGBoost集成模型，要进行权重实验，求出分界次数，分界次数是在构建好的XGBoost模型中，累计充电特征的权重符合单次充电特征权重的数量级时的充电次数，若采集的电动汽车锂电池充电次数多于实验预估的分界次数，则充电数据足够，整理包括单次充电数据和累计充电数据的训练集1；若充电次数少于分界次数，累计充电特征和电池衰减之间的关系不明显，则筛选出单次充电数据作为训练集2；对训练集1或训练集2这两种情况进行训练时，分别求出SOH序列1或SOH序列2；

(3)最后将SOH序列1代入LSTM模型，训练参数到最优值，利用模型对电池容量的衰减状态进行预测，根据电池容量的失效阈值得到剩余寿命的预测结果；提出基于元强化学习的电动汽车锂电池剩余寿命预测技术，采用梯度下降法优化长，LSTM模型，代入SOH序列2进行循环训练，计算损失函数的梯度下降，提高更新参数的效率，减少需要的训练样本。

2.根据权利要求1所述的一种基于XGBoost-LSTM优化模型的电动汽车锂电池剩余寿命预测方法，其特征在于：所述步骤(1)中，充电桩通过can总线采集电池充电电流曲线、充电电压曲线、初始SOC、环境温度、SOC循环区间和电池额定容量等信号数据和充电次数、日历天数、深度充电占比、高温充电占比等记录数据；根据影响电池健康的因素，将数据进行归类，分成单次充电数据和累计充电数据。

3.根据权利要求1所述的一种基于XGBoost-LSTM优化模型的电动汽车锂电池剩余寿命预测方法，其特征在于：所述步骤(2)中，采用XGBoost算法进行特征提取，参照梯度提升决策树的思想，将充电数据特征转化为模型中的叶子节点，建立决策树模型，循环增加CART树，求出最优特征权重，按权重将特征排序作为电池SOH的估算依据，通过对求导数并令其等于0，可以解得每个叶子最优权重和最小损失，提前进行权重实验，求出分界次数，分界次数是在构建好的XGBoost模型中，累计充电特征的权重符合单次充电特征权重的数量级时的充电次数，若采集的电动汽车锂电池充电次数多于实验预估的分界次数，则充电数据足够，整理包括单次充电数据和累计充电数据的训练集1，若充电次数少于分界次数，累计充电特征和电池衰减之间的关系不明显，则筛选出单次充电数据作为训练集2。

4.根据权利要求1所述的一种基于XGBoost-LSTM优化模型的电动汽车锂电池剩余寿命预测方法，其特征在于：所述步骤(3)中，若是SOH序列1，则代入一般LSTM模型训练参数到最优值，利用模型对电池容量的衰减状态进行预测，根据电池容量的失效阈值得到剩余寿命的预测结果；若是SOH序列2，则采用带参数的梯度下降法优化模型，可以提高更新参数的效率，减少LSTM模型的需要的训练样本，元学习的参数更新和LSTM单元状态的更新相似，元学习器通过一系列更新确定学习率和遗忘门的参数最优值，让优化快速进行，每次迭代都从基于LSTM的元学习器接收分类器传来的的梯度和损失等信息来进行更新的，计算出来的值再返回给元学习器，用来训练元学习器，再次更新元学习器的参数，基于梯度下降优化的LSTM运算逻辑如下式：

其中θ是需要优化的参数，z^f是忘记门控信号，zⁱ是选择门控信号，

是当前位置的梯度方向。

Images