CN114740360A - 一种基于sae-ceemdan-lstm的锂离子电池剩余使用寿命预测方法 - Google Patents

Abstract

本发明公开了一种基于SAE‑CEEMDAN‑LSTM的锂离子电池剩余寿命预测方法。属于锂离子电池容量检测技术领域。具体步骤如下：将锂离子电池放电功率P、恒流充电时间T_c以及恒流充电阶段电池端的电压V作为预测锂离子电池剩余使用寿命的HI。利用SAE构建融合HI，该方法通过自学习生成高阶抽象的复杂函数，自适应将复杂多维的HI转化成能集中表达电池剩余容量特征的融合HI。采用CEEMDAN对融合后的HI进行对尺度分解得到多组分量，并通过关联性分析，筛选出具有强相关性的若干组分量，以实现对不同数据都具有良好的泛化性为目标。利用训练好的LSTM模型对筛选出的具有强相关性的若干组分量进行锂离子电池RUL预测，最后将若干组预测结果进行累加以实现锂离子电池RUL的精准预测。

Description

一种基于SAE-CEEMDAN-LSTM的锂离子电池剩余使用寿命预测 方法

技术领域

本发明涉及锂离子电池容量检测技术领域，尤其是指一种基于SAE-CEEMDAN-LSTM的锂离子电池剩余寿命预测方法。

背景技术

锂电池拥有能量密度高、自放电率低、循环寿命长、工作温度范围广、无污染等特性，被广泛应用于计算工程、物流、航空航天电动汽车、电子设备等智能制造领域。锂电池退化将引起的电池失效会导致电池寿命缩短，甚至发生严重事故。因此，锂离子电池剩余使用寿命预测的高精确率是对锂电池保护的重要举措之一，具有重要意义。RUL(RemainingUseful Life，剩余使用寿命)一般是指剩余有效工作时间，通常定义为：在实时工作条件下，电池的实时容量衰减到额定容量的70％-80％，所经历的循环周期。通常认为当电池容量下降至额定容量70％-80％时，电池即达到使用寿命终点。因此，准确便捷的RUL预测方法有利于对锂电池的退化程度做出正确判断，及时预防锂电池寿命衰减对实际生产生活造成危害。

目前，通过大量研究发现锂离子电池的放电功率、恒流充电时间、恒流充电阶段电池端的电压、放电时平均温度等参数与电池容量的相关性较大，可作为RUL预测的HI(Health Indicator，健康因子)。HI解决了容量难以在线获取的困难，但仍存在以下不足之处：1.部分锂离子电池HI由于与电池容量相关性不高，易导致对电池容量衰减的表达能力参差不齐。2.单一HI由于不能够有效体现容量衰减时的局部趋势，以及缺少在多个尺度上分析HI的变化特性。

综上所述，在锂离子电池RUL预测领域中，现有的方法因缺少对HI的多尺度分析，以及存在因非线性、多模态、多噪声等特性导致锂离子电池RUL预测精度低、泛化性差及鲁棒性弱等问题。

发明内容

本发明针对上述技术背景中存在的问题，给出了一种基于SAE-CEEMDAN-LSTM的锂离子电池RUL预测方法，经SAE(Stacked Auto Encoder,堆叠自编码)提取融合后的HI与容量之间具有极高的相关性。因此，融合后的HI可以代表锂离子电池的RUL,进而间接预测RUL,克服了现有HI品质较低问题，同时利用CEEMDAN(Complete EEMD withAdaptiveNoise,完全集合经验模态分解)与相关性分析对HI进行多尺度解析，有效克服了EEMD分解不完备和重构误差大的问题，同时保证了HI与容量之间的强相关性。

本发明所采用的技术方案包括以下步骤：

步骤1，由于锂离子电池放电功率、恒流充电时间以及恒流充电阶段电池端的电压与电池容量具有强相关性，可以作为预测锂离子电池RUL的HI。利用SAE构建融合HI，该方法通过自学习生成高阶抽象的复杂函数，自适应将复杂多维的HI转化成能集中表达电池剩余容量特征的融合HI。

步骤2，采用CEEMDAN对融合后的HI进行对尺度分解得到多组分量，并通过关联性分析，筛选出具有强相关性的若干组分量，以实现对不同数据都具有良好的泛化性为目标。

步骤3，利用训练好的长短期记忆网络模型对筛选出的具有强相关性的若干组分量进行锂离子电池RUL预测，最后将若干组预测结果进行累加以实现锂离子电池RUL的精准预测。

步骤1具体按照以下步骤实施：

步骤1.1、实验数据来源于美国航天局PCoE提供的公开数据集。选取其中一组在同样实验环境下采集的18650型号锂离子电池(B5,B6,B7)充放电数据，电池额定容量为2A·h。

通过公开的数据集获得锂离子电池放电功率、恒流充电时间以及恒流充电阶段电池端的电压，并计算这三个锂离子电池HI与容量之间的Spearman相关系数。

通过计算得出电池放电功率、恒流充电时间以及恒流充电阶段电池端的电压与容量间相关系数较高可以作为HI来间接反映锂离子电池RUL。

步骤1.2、将电池放电池放电功率、恒流充电时间以及恒流充电阶段电池端的电压作为HI。

SAE是由一定数量的自动编码器组合而成的深度学习网络。

步骤1.3、利用SAE的融合过程如下：

应用间接HI作为SAE网络结构的输入层数据，训练第一个AE,随即初始化AE的权值与偏置。

通过第一个AE的编码器将间接HI解析并作为隐藏层的输出，其具体数学过程如下：H＝f(w⁽¹⁾x+b⁽¹⁾) (1)

式(1)中w¹为当前所训练的AE结构中输入层到隐藏层神经元的权值；x＝[x₁,...,x_k]对应间接HI,作为AE的输入数据；b¹为AE结构中隐藏层到输出层神经元的偏置，H为隐藏层的输出。

将H＝f(w⁽¹⁾x+b⁽¹⁾)作为解码器的输入，进行数据重构得到重构数据

式(2)中

为AE的输出数据；w⁽²⁾为AE结构中隐藏层至输出层神经元的权值，b⁽²⁾为AE结构中隐藏层到输出层神经元的偏置。

其原始输入数据与重构数据会形成重构误差，重构误差表达式如下：

以重构误差最小为目标应用误差反向传播方法不断调整当前AE的权值与偏置以此完成第一层AE的训练。

仅保留本次训练完成的AE编码部分，将隐藏层所得数据H作为下一个AE的输入层数据以同样方式继续训练下一个AE,最终完成下一个AE的训练。

重复步骤1.3直至将SAE中的全部AE训练完成。

本发明中SAE由两个AE组成。将第一个AE的隐藏层输出作为第一层融合后的结果，随即将第一层融合后的结果作为第二个AE输入层的输入数据，并将第二层的隐藏层节点数设为1，最后输出为一个序列，即对应的融合后的HI。

通过SAE提取出一个融合HI，验证融合后HI与容量的相关性系数优于单一HI的相关性系数。

步骤2.1、经SAE融合后的HI为H(t)，现将H(t)作为原始信号分解为k个IMF(Intrinsic Mode Function，固有模态函数)，每个IMF用IMF_k表示。

定义操作符E_k(*)为H(t)经EMD分解产生的第k个模态分量。

步骤2.2、对H(t)添加满足标准正态分布的高斯白噪声n_k(t)，其表达式如下：

H_k(t)＝H(t)+δ_in_k(t) (3)

式(3)中t为电池循环周期，H_k(t)为第k次添加了白噪声的原始信号，δ_i为第i个噪声和原始信号之间的信噪比。

步骤2.3、对H_k(t)信号使用EMD算法进行N次重复分解，通过均值计算得到第一个模态分量IMF₁(t)，随即求出第一个余量信号R₁(t)，其表达式如下：R₁(t)＝C(t)-IMF₁(t)

步骤2.4、求出第二个模态分量和余量，对信号R₁(t)+δ₁E₁(n_k(t))进行N次重复分解并求均值，得到的第二个模态分量IMF₂(t)和第二个余量信号R₂(t)的表达式如下：R₂(t)＝R₁(t)-IMF₂(t)

步骤2.5、后续的模态分量和余量信号的计算方法，类比步骤2.4即可得到第k+1个模态分量IMF_k+1(t)和第k+1个余量信号R_k+1(t)。

重复步骤2.5，直到所得余量信号不能再分解，最终信号被分解为

对获得的若干组模态分量进行相关性分析，设定关联阈值CT＝max(IMF_k)/K,用于选取相关系数大于CT的分量，得到相关性较大的若干组IMF(t)。

步骤3.1、将分解后的若干组IMF(t)和一组R(t)信号分为一定比列的训练集和测试集，并分别代入训练好的LSTM模型中。

步骤3.2、对LSTM模型的预测结果进行累加，得到最终的锂离子电池寿命预测结果。

本发明的优点及有益效果是：

1、克服了现有间接HI品质较低问题，融合后的HI能够很好的代表电池容量进行间接预测。

2、利用CEEMDAN对融合HI进行多尺度解析，解决了EEMD分解不完备和重构误差较大的问题。

3、通过关联阈值进行筛选，将强相关性的模态分量IMF(t)与余量信号R(t)进行组合，在保留局部特征的同时，避免了分组较多导致的累加误差较大问题。

附图说明

图1为本发明公开的一种基于SAE-CEEMDAN-LSTM的锂离子电池剩余寿命预测方法的流程框图示意。

图2为编码器AE的结构示意图。

图3为堆叠自编码器SAE结构示意图。

图4为LSTM网络结构示意图。

图5为恒流充电时间T_c随电池循环周期变化曲线图。

图6为SAE融合后的HI与电池容量随周期变化曲线图。

图7为基于SAE-CEEMDAN-LSTM锂离子电池RUL预测图(以B5为例)

具体实施方式

为了更加清晰明了的表达本发明的实现目的、实施方案和优点，下面将结合附图对本发明做进一步的解释说明，但要注意，所描述的实施过程为本发明实施总过程的一部分。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，都属于本发明的保护范围。

参见图1，图1为本发明实施例的基于SAE-CEEMDAN-LSTM锂离子电池剩余使用寿命方法(RUL)，包括如下步骤：

步骤1，由于锂离子电池放电功率P、恒流充电时间T_c以及恒流充电阶段电池端的电压V与电池容量具有显著线性相关，可以作为预测锂离子电池RUL的间接HI。利用SAE构建融合HI，该方法通过自学习生成高阶抽象的复杂函数，自适应将复杂多维的HI转化成能集中表达电池剩余容量特征的融合HI。

步骤1具体按照以下步骤实施：

步骤1.1、实验数据来源于美国航天局PCoE提供的公开数据集。选取其中一组在同样实验环境下采集的18650型号锂离子电池(B5,B6,B7，B18)充放电数据，电池额定容量2A·h。

通过公开的数据集获得锂离子电池放电功率P、恒流充电时间T_c以及恒流充电阶段电池端的电压V，并计算这三个锂离子电池HI与容量之间的Spearman相关系数。如表1所示：

表1 健康因子和容量相关性分析表(以B5电池为例)

通过计算得出电池放电功率、恒流充电时间以及恒流充电阶段电池端的电压与容量间具有强相关性可以作为HI来间接反映锂离子电池RUL。以恒流充电时间为例，图5给出恒流充电随电池循环周期变化曲线图。

步骤1.2、将电池放电功率、恒流充电时间以及恒流充电阶段电池端的电压作为HI，随即通过SAE提取融合后的HI。

SAE是由大量自动编码器组合而成的深度学习网络。图2给出了编码器AE的结构示意图，图3给出了堆叠编码器SAE的结构示意图。

步骤1.3、利用SAE的融合过程如下：

应用间接HI作为SAE网络结构的输入层数据，训练第一个AE,随即初始化AE的权值与偏置。

通过第一个AE的编码器将间接HI解析并作为隐藏层的输出，其具体数学过程如下：H＝f(w⁽¹⁾x+b⁽¹⁾)

式中w¹为当前所训练的AE结构中输入层到隐藏层神经元的权值；x＝[x₁,...,x_k]对应间接HI,作为AE的输入数据；b¹为AE结构中隐藏层到输出层神经元的偏置，H为隐藏层的输出。

将H＝f(w⁽¹⁾x+b⁽¹⁾)作为解码器的输入，进行数据重构得到重构数据

式中

为AE的输出数据；w⁽²⁾为AE结构中隐藏层至输出层神经元的权值，b⁽²⁾为AE结构中隐藏层到输出层神经元的偏置。

其原始输入数据与重构数据会形成重构误差，重构误差表达式如下：

以重构误差最小为目标应用误差反向传播方法不断调整当前AE的权值与偏置以此完成第一层AE的训练。

仅保留本次训练完成的AE编码部分，将隐藏层所得数据H作为下一个AE的输入层数据以同样方式继续训练下一个AE,最终完成下一个AE的训练。

重复步骤1.3直至将SAE中的全部AE训练完成。

本发明中SAE中由两个AE组成。将第一个AE的隐藏层输出作为第一层融合后的结果，随即将第一层融合后的结果作为第二个AE输入层的输入数据，并将第二层的隐藏层节点数设为1，最后输出为一个序列，即对应的融合后的HI。

通过SAE提取出一个融合HI，验证融合后HI与容量的相关性系数优于单一HI的相关性系数。

表2 融合后的HI和电池容量相关性分析

如图6所示，给出了融合HI与电池容量随周期变化曲线图，从图中可以直观发现，经SAE融合后的HI可以间接代表电池容量。

步骤2，采用EEMD对融合后的HI进行对尺度分解得到多组分量，并通过关联性分析，筛选出具有强相关性的若干组分量，以实现对不同数据都具有良好的泛化性为目标。

步骤2.1、记经SAE融合后的HI为H(t)，现将H(t)作为原始信号分解为k个IMF，每个IMF用IMF_k表示。

定义操作符E_k(*)为H(t)经EMD分解产生的第k个模态分量。

步骤2.2、对H(t)添加满足标准正态分布的高斯白噪声n_k(t)，其表达式如下：H_k(t)＝H(t)+δ_in_k(t)

式中t为电池循环周期，H_k(t)为第k次添加了白噪声的原始信号，δ_i为第i个噪声和原始信号之间的信噪比。

步骤2.3、对H_k(t)信号使用EMD算法进行N次重复分解，通过均值计算得到第一个模态分量IMF₁(t)，随即求出第一个余量信号R₁(t)，其表达式如下；R₁(t)＝C(t)-IMF₁(t)

步骤2.4、求出第二个模态分量和余量，对信号R₁(t)+δ₁E₁(n_k(t))进行N次重复分解并求均值，得到的第二个模态分量IMF₂(t)和第二个余量信号R₂(t)的表达式如下：

步骤2.5、后续的模态分量和余量信号的计算方法，类比步骤2.4即可得到第k+1个模态分量IMF_k+1(t)和第k+1个余量信号R_k+1(t)。

重复步骤2.5，直到所得余量信号不能再分解，最终信号被分解为

对获得的若干组模态分量进行相关性分析，设定关联阈值CT＝max(IMF_k)/K,用于选取相关系数大于CT的分量，得到相关性较大的若干组IMF(t)。

步骤3、利用训练好的LSTM模型对筛选出的具有强相关性的若干组分量进行锂离子电池RUL预测，最后将若干组预测结果进行累加以实现锂离子电池RUL的精准预测。

图4，给出了LSTM网络结构示意图

步骤3.1、将分解后的若干组IMF(t)和一组R(t)信号分为一定比列的训练集和测试集，并分别代入训练好的LSTM模型中。

步骤3.2、对LSTM模型的预测结果进行累加，得到最终的锂离子电池寿命预测结果。

图7给出了基于SAE-CEEMDAN-LSTM锂离子电池RUL预测图(以B5为例)。

Claims (4)

1.基于SAE-CEEMDAN-LSTM的锂离子电池剩余寿命预测方法，其特征在于，包括以下步骤：

步骤1，将锂离子电池放电功率P、恒流充电时间T_c以及恒流充电阶段电池端的电压V作为预测锂离子电池RUL的HI。利用SAE构建融合HI，该方法通过自学习生成高阶抽象的复杂函数，自适应将复杂多维的HI转化成能集中表达电池剩余容量特征的融合HI。

步骤2，采用CEEMDAN对融合后的HI进行对尺度分解得到多组分量，并通过关联性分析，筛选出具有强相关性的若干组分量，以实现对不同数据都具有良好的泛化性为目标。

步骤3，利用训练好的LSTM模型对筛选出的具有强相关性的若干组分量进行锂离子电池RUL预测，最后将若干组预测结果进行累加以实现锂离子电池RUL的精准预测。

2.根据权利要求1所述的基于SAE-CEEMDAN-LSTM的锂离子电池剩余寿命预测方法，其特征在于，所述步骤1具体包括：

步骤1.1、实验数据来源于美国航天局PCoE提供的公开数据集。选取其中一组在同样实验环境下采集的18650型号锂离子电池(B5,B6,B7)充放电数据，电池额定容量为2A·h。

通过公开的数据集获得锂离子电池放电功率P、恒流充电时间T_c以及恒流充电阶段电池端的电压V，并计算这三个锂离子电池HI与容量之间的Spearman相关系数。通过计算得出电池放电功率P、恒流充电时间T_c以及恒流充电阶段电池端的电压V与容量间相关系数较高可以作为HI来间接反映锂离子电池RUL。

步骤1.2、将电池放电功率P、恒流充电时间T_c以及恒流充电阶段电池端的V电压作为HI。

步骤1.3、利用SAE的融合过程如下：以HI作为SAE网络结构的输入层数据，训练第一个AE，随即初始化AE的权值与偏置。通过第一个AE的编码器将间接HI解析并作为隐藏层的输出，其具体数学过程如下：H＝f(w⁽¹⁾x+b⁽¹⁾)

式中w¹为当前所训练的AE结构中输入层到隐藏层神经元的权值；x＝[x₁,...,x_k]对应融合前的HI,作为AE的输入数据；b¹为AE结构中隐藏层到输出层神经元的偏置，H为隐藏层的输出。

将H＝f(w⁽¹⁾x+b⁽¹⁾)作为解码器的输入，进行数据重构得到重构数据x～，

式中

为AE的输出数据；w⁽²⁾为AE结构中隐藏层至输出层神经元的权值，b(²)为AE结构中隐藏层到输出层神经元的偏置。其原始输入数据与重构数据会形成重构误差，重构误差表达式如下：

以重构误差最小为目标应用误差反向传播方法不断调整当前AE的权值与偏置以此完成第一层AE的训练。仅保留本次训练完成的AE编码部分，将隐藏层所得数据H作为下一个AE的输入层数据以同样方式继续训练下一个AE,最终完成下一个AE的训练。重复步骤1.3直至将SAE中的全部AE训练完成。

本发明中SAE中由两个AE组成。将第一个AE的隐藏层输出作为第一层融合后的结果，随即将第一层融合后的结果作为第二个AE输入层的输入数据，并将第二层的隐藏层节点数设为1，最后输出为一个序列，即对应的融合后的HI。通过SAE提取出一个融合HI，验证融合后HI与容量的相关性系数优于单一HI的相关性系数。

3.根据权利要求1所述的基于SAE-CEEMDAN-LSTM的锂离子电池剩余寿命预测方法，其特征在于，所述步骤2具体包括：

步骤2.1、记经SAE融合后的HI为H(t)，现将H(t)作为原始信号分解为k个IMF，每个IMF用IMF_k表示。定义操作符E_k(*)为H(t)经EMD分解产生的第k个模态分量。

步骤2.2、对H(t)添加满足标准正态分布的高斯白噪声n_k(t)，其表达式如下：H_k(t)＝H(t)+δ_in_k(t)式中t为电池循环周期，H_k(t)为第k次添加了白噪声的原始信号，δ_i为第i个噪声和原始信号之间的信噪比。

步骤2.3、对H_k(t)信号使用EMD算法进行N次重复分解，通过均值计算得到第一个模态分量IMF₁(t)，随即求出第一个余量信号R₁(t)，其表达式如下；R₁(t)＝C(t)-IMF₁(t)

步骤2.4、求出第二个模态分量和余量，对信号R₁(t)+δ₁E₁(n_k(t))进行N次重复分解并求均值，得到的第二个模态分量IMF₂(t)和第二个余量信号R₂(t)的表达式如下：R₂(t)＝R₁(t)-IMF₂(t)

步骤2.5、后续的模态分量和余量信号的计算方法，类比步骤2.4即可得到第k+1个模态分量IMF_k+1(t)和第k+1个余量信号R_k+1(t)

重复步骤2.5，直到所得余量信号不能再分解，最终信号被分解为

对获得的若干组模态分量进行相关性分析，设定关联阈值CT＝max(IMF_k)/K,用于选取相关系数大于CT的分量，得到相关性较大的若干组IMF(t)。

4.根据权利要求1所述的基于SAE-CEEMDAN-LSTM的锂离子电池剩余寿命预测方法，其特征在于，所述步骤3具体包括：

步骤3.1、将分解后的若干组IMF(t)和一组R(t)信号分为一定比列的训练集和测试集，并分别代入训练好的LSTM模型中。

步骤3.2、对LSTM模型的预测结果进行累加，得到最终的锂离子电池寿命预测结果。

Images