CN114781262A - 基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法及系统 - Google Patents
基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法及系统 Download PDFInfo
- Publication number
- CN114781262A CN114781262A CN202210420404.0A CN202210420404A CN114781262A CN 114781262 A CN114781262 A CN 114781262A CN 202210420404 A CN202210420404 A CN 202210420404A CN 114781262 A CN114781262 A CN 114781262A
- Authority
- CN
- China
- Prior art keywords
- capacity
- prediction
- sequence
- degradation
- model
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法及系统,其中,该方法包括:获取n个电池单体的容量退化数据并进行重构,得到训练数据集;建立j个基于序列对序列模型的容量预测模型,并利用所述训练数据集分别训练;将待测电池单体某周期的放电容量作为某训练好的模型的初始输入,得到第一步预测输出结果;再在其输入至这个模型中,得到下一步预测输出结果,迭代执行直至低于失效阈值,将每步预测输出结果首尾相连得到退化过程曲线;并对其他模型进行预测得到j条容量退化曲线,求其容量取均值,得到最终预测结果。该方法解决了现有使用单步迭代预测模式带来的长时预测精度和稳定性不佳的问题。
Description
技术领域
本发明涉及锂离子电池健康管理和剩余寿命预测技术领域,特别涉及一种基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法及系统。
背景技术
锂离子电池已成为工业领域最常使用的储能设备之一,广泛应用于电动汽车,储能电站以及一系列消费电子产品中。随着锂离子电池不断进行充放电循环,其容量会不断退化,直至无法完成既定任务,甚至会产生一定的安全隐患。尤其对于空间应用背景,目前空间锂离子电池寿命不断提升,其寿命预测又往往应用于空间在线场景,故难以通过地面实验获得其全寿命周期退化数据。因此,在电池退化的早期阶段准确地预测锂离子电池的容量退化过程以及剩余寿命对用电设备的安全稳定运行至关重要。传统的锂离子电池性能退化预测大多采用单点迭代的方法,即预测模型一次仅输出单个预测结果,并通过迭代更新的策略进行对未来多时间步的数据预测。对于目前较为常见的锂离子电池,其循环寿命长,但性能退化过程各异。单步迭代的预测模式往往导致循环迭代,致使预测误差过多的耦合至预测模型中,最终导致预测模型丧失预测能力,无法进行准确稳定的预测。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法,该方法解决了现有使用单步迭代预测模式带来的长时预测精度和稳定性不佳的问题。
本发明的另一个目的在于提出一种基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测系统。
为达到上述目的,本发明一方面实施例提出了基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法,包括以下步骤:步骤S1,获取预设数量的锂离子电池单体每个周期的电池容量数据其中,t为周期数,i为单体编号(i=1,2,…,n),共得到n个电池单体的容量退化数据,其包含待预测单体;步骤S2,将n-1个与所述待预测单体工作在相同工况下的其他电池单体的容量退化数据重构成训练数据集步骤S3,建立j个具有不同输入输出结构的基于序列对序列模型的容量预测模型,并利用所述训练数据集分别训练j个基于序列对序列模型的容量预测模型;步骤S4,将待测电池单体的前kj个周期的放电容量作为第j个训练好的基于序列对序列模型(Sequence to Sequencemodel,Seq2Seq)的容量预测模型的初始输入,得到第一步预测输出结果;步骤S5,在将所述第一步预测输出结果作为新的输入序列输入至所述第j个训练好的基于序列对序列模型的容量预测模型中,得到下一步预测输出结果,迭代执行直至低于失效阈值,将每步预测输出结果首尾相连进行拼接,得到退化过程曲线和寿命截止点;步骤S6,将训练好的j个基于序列对序列模型的容量预测模型分别执行步骤S4-S5,得到j条容量退化曲线以及j个寿命截止点;步骤S7,对所述j条容量退化曲线在所述周期t上对容量取均值,得到最终预测结果
本发明实施例的基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法,通过建立锂离子电池容量退化预测模型,并通过容量退化曲线实现对寿命截止周期的预测;容量退化预测模型基于序列对序列模型,通过输出序列预测结果极大的减小了长时预测过程中的迭代步数;此外,通过构建具有不同结构的序列对序列模型,并将各模型的预测结果进行融合,可得到融合多种时域依赖性的融合预测结果,最终实现锂离子电池容量退化过程以及寿命截止周期的长时稳定预测,解决了长寿命卫星锂离子电容量退化估计和剩余寿命预测领域,基于历史数据的单步迭代预测方法长时准确度和稳定性均较低的问题,且相较于传统退化轨迹预测和寿命预测方法能够实现片段化的预测结果。
另外,根据本发明上述实施例的基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述步骤S2具体为:电池单体i为其中,k为模型的输入输出长度,且均满足(m+2)k≤EOLi,m为正整数;将所述n个电池单体的容量数据重构,再首尾相连进行拼接,得到完整的用于训练第j个模型的训练数据集
进一步地,在本发明的一个实施例中,所述基于序列对序列模型的容量预测模型包括编码器和解码器,其中,所述编码器选择长短时记忆网络并将其设置为序列输出,所述解码器选择LSTM网络并通过全连接层将输出序列映射为输出格式。
进一步地,在本发明的一个实施例中,所述失效阈值为单体单周期放电容量退化至其容量的80%时,所述寿命截止点为到达所述失效阈值的容量预测值的周期数。
为达到上述目的,本发明另一方面实施例提出了基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测系统,包括:获取模块,用于获取预设数量的锂离子电池单体每个周期的电池容量数据其中,t为周期数,i为单体编号(i=1,2,…,n),共得到n个电池单体的容量退化数据,其包含待预测单体;重构模块,用于将n-1个与所述待预测单体工作在相同工况下的其他电池单体的容量退化数据重构成训练数据集训练模块,用于建立j个具有不同输入输出结构的基于序列对序列模型的容量预测模型,并利用所述训练数据集分别训练j个基于序列对序列模型的容量预测模型;第一预测模块,用于将待测电池单体的前kj个周期的放电容量作为第j个训练好的基于序列对序列模型的容量预测模型的初始输入,得到第一步预测输出结果;迭代预测模块,用于在将所述第一步预测输出结果作为新的输入序列输入至所述第j个训练好的基于序列对序列模型的容量预测模型中,得到下一步预测输出结果,迭代执行直至低于失效阈值,将每步预测输出结果首尾相连进行拼接,得到退化过程曲线和寿命截止点;整体迭代预测模块,用于将训练好的j个基于序列对序列模型的容量预测模型分别执行所述第一预测模块和所述迭代预测模块,得到j条容量退化曲线以及j个寿命截止点;求解模块,用于对所述j条容量退化曲线在所述周期t上对容量取均值,得到最终预测结果
本发明实施例的基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测系统,通过建立锂离子电池容量退化预测模型,并通过容量退化曲线实现对寿命截止周期的预测;容量退化预测模型基于序列对序列模型,通过输出序列预测结果极大的减小了长时预测过程中的迭代步数;此外,通过构建具有不同结构的序列对序列模型,并将各模型的预测结果进行融合,可得到融合多种时域依赖性的融合预测结果,最终实现锂离子电池容量退化过程以及寿命截止周期的长时稳定预测,解决了长寿命卫星锂离子电容量退化估计和剩余寿命预测领域,基于历史数据的单步迭代预测方法长时准确度和稳定性均较低的问题,且相较于传统退化轨迹预测和寿命预测方法能够实现片段化的预测结果。
另外,根据本发明上述实施例的基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测系统还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述重构模块具体为:电池单体i为其中,k为模型的输入输出长度,且均满足(m+2)k≤EOLi,m为正整数;将所述n个电池单体的容量数据重构,再首尾相连进行拼接,得到完整的用于训练第j个模型的训练数据集
进一步地,在本发明的一个实施例中,所述基于序列对序列模型的容量预测模型包括编码器和解码器,其中,所述编码器选择长短时记忆网络并将其设置为序列输出,所述解码器选择LSTM网络并通过全连接层将输出序列映射为输出格式。
进一步地,在本发明的一个实施例中,所述失效阈值为单体单周期放电容量退化至其容量的80%时,所述寿命截止点为到达所述失效阈值的容量预测值的周期数。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明一个实施例的基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法的流程图;
图2是本发明一个实施例的Seq2Seq预测模型结构示意图;
图3是本发明一个实施例的基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法的整体框图;
图4是本发明一个实施例的单体融合预测结果示意图;
图5是本发明一个实施例的基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法及系统,首先将参照附图描述根据本发明实施例提出的基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法。
图1是本发明一个实施例的基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法的流程图。
如图1所示,该基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法包括以下步骤:
具体地,对于电池单体i, 其中,k为模型的输入输出长度,对于不同模型,k取不同值,且均满足(m+2)k≤EOLi,m为正整数;将n个电池单体的容量数据重构,再首尾相连进行拼接,得到完整的用于训练第j个模型的训练数据集 即
进一步地,在本发明的一个实施例中,基于序列对序列模型的容量预测模型包括编码器和解码器,其中,编码器选择长短时记忆网络并将其设置为序列输出,解码器选择LSTM网络并通过全连接层将输出序列映射为输出格式。
具体地,如图2所示,建立基于序列对序列模型Seq2Seq的容量预测模型。Seq2Seq模型由两部分组成,分别是编码器和解码器,编码器选择长短时记忆网络(Long ShortTerm Memory,LSTM)并将其设置为序列输出;解码器同样选择LSTM网络并通过全连接层将解码器的输出序列映射为输出格式。Seq2Seq模型的输入输出格式均为(k,1),构建的j个具有不同输入输出结构的Seq2Seq模型,输入输出长度分别为k1,k1…,kj,之后使用训练数据集分别训练j个基于序列对序列模型的容量预测模型。
在步骤S4中,将待测电池单体的前kj个周期的放电容量作为第j个训练好的基于序列对序列模型的容量预测模型的初始输入,得到第一步预测输出结果。
具体地,如图3所示,对于待预测单体,首先对其进行循环充放电实验,每当获得ki个周期的容量数据,即开始进行预测,由于初始片段数据长度不同,预测起始点则认为是max(k1,k2,...,kj)+1,将待测电池单体的前kj个周期的放电容量作为第j个训练好的基于序列对序列模型的容量预测模型的初始输入,即(其中上标表示周期数),得到第一步预测输出结果,记为其中表示kj+1时刻的容量预测值。
在步骤S5中,在将第一步预测输出结果作为新的输入序列输入至第j个训练好的基于序列对序列模型的容量预测模型中,得到下一步预测输出结果,迭代执行直至低于失效阈值,将每步预测输出结果首尾相连进行拼接,得到退化过程曲线和寿命截止点。
进一步地,在本发明的一个实施例中,失效阈值为单体单周期放电容量退化至其容量的80%时,寿命截止点为到达失效阈值的容量预测值的周期数,也就是说,将第i个电池单体的寿命截止周期记作EOLj,其值为该单体单周期放电容量退化至其最大容量80%时的周期数。
具体地,如图3所示,将作为新的输入序列输入到Seq2Seq模型中,得到下一步预测结果。以此类推,直到预测的容量低于失效阈值,将各步的预测结果首尾相连进行拼接,得到完整的退化过程曲线,同时将到达失效阈值容量预测值的周期数即为该模型预测的寿命截止点,记作
在步骤S6中,将训练好的j个基于序列对序列模型的容量预测模型分别执行步骤S4-S5,得到j条容量退化曲线以及j个寿命截止点。
下面通过一个具体实施例对本发明实施例提出的基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法进一步说明。
首先采用某型号18650商用锂离子电池循环充放电数据进行测试,该数据集中共有8个单体,其中一个单体由于设备故障原因,数据无法使用,因此使用其余7组数据进行测试。记录各个锂离子电池单体每个周期的电池容量数据,其中t为周期数,i=1,2,…,7为单体编号,共得到7个电池单体的容量退化数据;
然后,将第i个电池单体的寿命截止周期记作EOLi,其值为该单体单周期放电容量退化至其最大容量80%时的周期数。
将#1-#6电池单体的容量退化数据构建成用于训练模型j的训练数据集对于单体i,其中,k表示模型的输入输出长度,对于不同模型,k取不同值,且均满足(m+2)k≤EOLi,m为正整数。将6个单体的容量数据重构完成后首尾相连进行拼接,得到完整的,用于训练第j个模型的训练数据集,即
建立10个基于Seq2Seq模型的容量预测模型,即j=10。Seq2Seq模型由两部分组成,分别是编码器和解码器。编码器选择LSTM网络并将其设置为序列输出;解码器同样选择LSTM网络并通过全连接层将解码器的输出序列映射为输出格式。Seq2Seq模型的输入输出格式均为(ki,1)
建立10个具有不同输入输出结构的Seq2Seq模型,即j=10,输入输出长度分别为57,61,67,74,82,90,92,93,100,105;
将为新的输入序列输入到Seq2Seq模型中,得到下一步预测结果。以此类推,直到预测的容量低于失效阈值。将各步的预测结果首尾相连进行拼接,得到完整的退化过程曲线;到达失效阈值容量预测值的周期数即为该模型预测的寿命截止点,记作
对10个Seq2Seq模型分别进行前两步骤的操作,得到10条容量退化曲线以及10个寿命截止点,如下表1所示7组电池的容量及EOL预测结果:
图中,红色曲线为放电容量融合预测结果,蓝色曲线#7单体真实容量退化曲线。通过统计分析的方法计算融合预测结果中EOL的不确定度,各单体的EOL估计不确定度情况如下表2所示:
表2所提出方法对各单体EOL估计的置信度结果
由以上结果可知,使用本发明实施例所提出的方法锂离子电池容量退化曲线和剩余寿命(寿命截止周期)精度较高,且置信度较高。
综上,本发明实施例提出的基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法,具有以下有益效果:
(1)与现有传统的迭代多步预测方法在每步更新中只更新1个周期的容量数据相比,本发明实施例使用了片段化的输入输出结构,在迭代过程中将片段数据作为更新的内容,即每步更新一个片段的容量数据;
(2)与现有的基于深度学习的锂电池长时容量预测方法大多只根据一种固定的时域依赖性来建模和预测相比,而本发明实施例的预测结果中融合了多种时域依赖性(即时间序列数据前后之间的映射关系),从而拥有较高长时准确性和稳定性的优点。
使用序列对序列模型实现了长寿命锂电池容量退化和剩余寿命的准确稳定预测,一定程度上解决了该领域内常使用单步迭代预测模式带来的长时预测精度和稳定性不佳的问题;同时,融合多个序列对序列模型的输出结果得到最终估计结果;相较于传统的单步迭代方法,该方法融合了容量退化过程中的多种时域依赖性,提升了该方法整体预测精度的同时保证了较好的模型泛化能力以及预测稳定性;此外该方法容量预测的全局精度可达到0.3%左右,EOL估计结果置信度较高,相较于传统方法具有较好的精度以及稳定性。
其次参照附图描述根据本发明实施例提出的基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测系统。
图5是本发明一个实施例的基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测系统的结构示意图。
如图5所示,该系统10包括:获取模块100、训练模块200、第一预测模块300、迭代预测模块400、整体迭代预测模块500和求解模块600。
其中,获取模块100用于获取预设数量的锂离子电池单体每个周期的电池容量数据其中,t为周期数,i为单体编号(i=1,2,…,n),共得到n个电池单体的容量退化数据,其包含待预测单体。重构模块200用于将n-1个与待预测单体工作在相同工况下的其他电池单体的容量退化数据重构成训练数据集训练模块300用于建立j个具有不同输入输出结构的基于序列对序列模型的容量预测模型,并利用训练数据集分别训练j个基于序列对序列模型的容量预测模型。第一预测模块400用于将待测电池单体的前kj个周期的放电容量作为第j个训练好的基于序列对序列模型的容量预测模型的初始输入,得到第一步预测输出结果。迭代预测模块500用于在将第一步预测输出结果作为新的输入序列输入至第j个训练好的基于序列对序列模型的容量预测模型中,得到下一步预测输出结果,迭代执行直至低于失效阈值,将每步预测输出结果首尾相连进行拼接,得到退化过程曲线和寿命截止点。整体迭代预测模块600用于将训练好的j个基于序列对序列模型的容量预测模型分别执行第一预测模块和迭代预测模块,得到j条容量退化曲线以及j个寿命截止点。求解模块700用于对j条容量退化曲线在周期t上对容量取均值,得到最终预测结果
进一步地,在本发明的一个实施例中,重构模块具体为:
进一步地,在本发明的一个实施例中,基于序列对序列模型的容量预测模型包括编码器和解码器,其中,编码器选择长短时记忆网络并将其设置为序列输出,解码器选择LSTM网络并通过全连接层将输出序列映射为输出格式。
进一步地,在本发明的一个实施例中,失效阈值为单体单周期放电容量退化至其容量的80%时,寿命截止点为到达失效阈值的容量预测值的周期数。
需要说明的是,前述对基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法实施例的解释说明也适用于该实施例的基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测系统,此处不再赘述。
根据本发明实施例提出的基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测系统,具有以下有益效果:
(1)与现有传统的迭代多步预测方法在每步更新中只更新1个周期的容量数据相比,本发明实施例使用了片段化的输入输出结构,在迭代过程中将片段数据作为更新的内容,即每步更新一个片段的容量数据;
(2)与现有的基于深度学习的锂电池长时容量预测方法大多只根据一种固定的时域依赖性来建模和预测相比,而本发明实施例的预测结果中融合了多种时域依赖性(即时间序列数据前后之间的映射关系),从而拥有较高长时准确性和稳定性的优点。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法,其特征在于,包括以下步骤:
步骤S4,将所述待测电池单体的前kj个周期的放电容量作为第j个训练好的基于序列对序列模型的容量预测模型的初始输入,得到第一步预测输出结果;
步骤S5,在将所述第一步预测输出结果作为新的输入序列输入至所述第j个训练好的基于序列对序列模型的容量预测模型中,得到下一步预测输出结果,迭代执行直至低于失效阈值,将每步预测输出结果首尾相连进行拼接,得到退化过程曲线和寿命截止点;
步骤S6,将训练好的j个基于序列对序列模型的容量预测模型分别执行步骤S4-S5,得到j条容量退化曲线以及j个寿命截止点;
3.根据权利要求1所述的基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法,其特征在于,所述基于序列对序列模型的容量预测模型包括编码器和解码器,其中,所述编码器选择长短时记忆网络并将其设置为序列输出,所述解码器选择LSTM网络并通过全连接层将输出序列映射为输出格式。
4.根据权利要求1所述的基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法,其特征在于,所述失效阈值为单体单周期放电容量退化至其容量的80%时,所述寿命截止点为到达所述失效阈值的容量预测值的周期数。
6.一种基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测系统,其特征在于,包括:
第一预测模块,用于将待测电池单体的前kj个周期的放电容量作为第j个训练好的基于序列对序列模型的容量预测模型的初始输入,得到第一步预测输出结果;
迭代预测模块,用于在将所述第一步预测输出结果作为新的输入序列输入至所述第j个训练好的基于序列对序列模型的容量预测模型中,得到下一步预测输出结果,迭代执行直至低于失效阈值,将每步预测输出结果首尾相连进行拼接,得到退化过程曲线和寿命截止点;
整体迭代预测模块,用于将训练好的j个基于序列对序列模型的容量预测模型分别执行所述第一预测模块和所述迭代预测模块,得到j条容量退化曲线以及j个寿命截止点;
求解模块,用于对所述j条容量退化曲线在所述周期t上对容量取均值,得到最终预测结果Ct。
8.根据权利要求6所述的基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测系统,其特征在于,所述基于序列对序列模型的容量预测模型包括编码器和解码器,其中,所述编码器选择长短时记忆网络并将其设置为序列输出,所述解码器选择LSTM网络并通过全连接层将输出序列映射为输出格式。
9.根据权利要求6所述的基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测系统,其特征在于,所述失效阈值为单体单周期放电容量退化至其容量的80%时,所述寿命截止点为到达所述失效阈值的容量预测值的周期数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210420404.0A CN114781262A (zh) | 2022-04-21 | 2022-04-21 | 基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210420404.0A CN114781262A (zh) | 2022-04-21 | 2022-04-21 | 基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114781262A true CN114781262A (zh) | 2022-07-22 |
Family
ID=82431534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210420404.0A Pending CN114781262A (zh) | 2022-04-21 | 2022-04-21 | 基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114781262A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117054893A (zh) * | 2023-10-12 | 2023-11-14 | 宁德时代新能源科技股份有限公司 | 电池容量预测模型的训练方法、电池容量预测方法及装置 |
CN117808454A (zh) * | 2023-12-29 | 2024-04-02 | 长春理工大学 | 基于数据集成的三相光伏逆变器生命周期管理系统及方法 |
-
2022
- 2022-04-21 CN CN202210420404.0A patent/CN114781262A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117054893A (zh) * | 2023-10-12 | 2023-11-14 | 宁德时代新能源科技股份有限公司 | 电池容量预测模型的训练方法、电池容量预测方法及装置 |
CN117054893B (zh) * | 2023-10-12 | 2024-03-29 | 宁德时代新能源科技股份有限公司 | 电池容量预测模型的训练方法、电池容量预测方法及装置 |
CN117808454A (zh) * | 2023-12-29 | 2024-04-02 | 长春理工大学 | 基于数据集成的三相光伏逆变器生命周期管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107064805B (zh) | 蓄电池容量测量系统和蓄电池容量测量方法 | |
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
TWI670674B (zh) | 充電圖案作成裝置、充電控制裝置、充電圖案作成方法、記憶媒體、及蓄電系統 | |
CN103399276B (zh) | 一种锂离子电池容量估计及剩余循环寿命预测方法 | |
CN113009349B (zh) | 一种基于深度学习模型的锂离子电池健康状态诊断方法 | |
CN103020445B (zh) | 一种电动车车载磷酸铁锂电池的soc与soh预测方法 | |
CN114781262A (zh) | 基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法及系统 | |
Tang et al. | A hybrid neural network model with attention mechanism for state of health estimation of lithium-ion batteries | |
CN110554324B (zh) | 一种soc和soh联合估计方法 | |
CN115632179B (zh) | 一种锂离子电池智能快速充电方法及系统 | |
CN108872869B (zh) | 一种基于bp神经网络的锂离子电池劣化分类方法 | |
CN110095731B (zh) | 应用于长寿命空间锂离子电池的剩余寿命直接预测方法 | |
CN109633456B (zh) | 一种基于分段电压识别法的动力锂电池组soc估算方法 | |
US20200067146A1 (en) | Method, system and device for active balance control of battery pack | |
CN113011012B (zh) | 一种基于Box-Cox变化的储能电池剩余寿命预测方法 | |
Li et al. | Lithium-ion battery remaining useful life prognostics using data-driven deep learning algorithm | |
CN107895175A (zh) | 一种基于非齐次马尔科夫链模型预测锂离子电池容量退化的方法 | |
CN115267588A (zh) | 一种基于局部容量增量特征的锂电池健康状态估计方法 | |
CN111762059B (zh) | 一种考虑电池充放电工况的多变量融合电池组的均衡方法 | |
CN109444750A (zh) | 一种铅酸蓄电池容量预估方法 | |
CN113255205A (zh) | 基于电动汽车电池的生命周期成本和电池温度优化方法 | |
CN117022048A (zh) | 一种电动汽车电池荷电状态的评估方法 | |
CN116774045A (zh) | 一种基于hho-svr的锂电池健康状态预测方法 | |
CN113721151B (zh) | 基于双塔深度学习网络的电池容量预估模型及方法 | |
CN113125969A (zh) | 基于aukf的电池数据处理方法、设备和介质 |
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 |