CN114839540A - 一种基于深度学习算法的锂离子电池剩余寿命在线预测方法 - Google Patents
一种基于深度学习算法的锂离子电池剩余寿命在线预测方法 Download PDFInfo
- Publication number
- CN114839540A CN114839540A CN202210534892.8A CN202210534892A CN114839540A CN 114839540 A CN114839540 A CN 114839540A CN 202210534892 A CN202210534892 A CN 202210534892A CN 114839540 A CN114839540 A CN 114839540A
- Authority
- CN
- China
- Prior art keywords
- data
- battery
- neural network
- curve
- discharge
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 17
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 17
- 238000013526 transfer learning Methods 0.000 claims abstract description 15
- 238000003672 processing method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 46
- 238000013528 artificial neural network Methods 0.000 claims description 43
- 238000013527 convolutional neural network Methods 0.000 claims description 27
- 230000000306 recurrent effect Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 22
- 125000004122 cyclic group Chemical group 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000012407 engineering method Methods 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000013508 migration Methods 0.000 claims 1
- 230000005012 migration Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000036541 health Effects 0.000 abstract description 2
- 238000013178 mathematical model Methods 0.000 abstract description 2
- 239000000126 substance Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 239000012634 fragment Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000005562 fading Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000008929 regeneration Effects 0.000 description 3
- 238000011069 regeneration method Methods 0.000 description 3
- 229910002804 graphite Inorganic materials 0.000 description 2
- 239000010439 graphite Substances 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- CKFRRHLHAJZIIN-UHFFFAOYSA-N cobalt lithium Chemical compound [Li].[Co] CKFRRHLHAJZIIN-UHFFFAOYSA-N 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Abstract
本发明公开了一种基于深度学习算法的锂离子电池剩余寿命在线预测方法,本发明基于深度学习方法,首先通过大量离线电池数据集对深度学习网络进行训练,后以在线阶段采集得到的放电曲线片段作为数据输入,基于离线阶段优化完毕的深度学习网络,通过结合信号处理方法和迁移学习技术得到电池的剩余寿命,进而可推断出在线使用中电池的健康状态并进行电池管理;不同于传统的纯理论计算和经验模型预测,本发明剩余寿命预测模型基于深度学习网络,避免对于电池内部的物理化学模型和数学模型的依赖,提高了预测方法的鲁棒性和普适性,同时有效降低计算成本。
Description
技术领域
本发明属于锂离子电池技术,涉及一种基于深度学习算法的锂离子电池剩余寿命在线预测方法。
背景技术
在电池实际应用过程中,完整的充放电过程通常是不容易实现的,锂离子电池在线数据采样系统仅能采集到电池的片段放电信息(包括电压,容量变化等),而电池本轮充放电过程的最大放电容量往往无法确定,所以其剩余寿命只能依靠收集部分放电曲线片段进行估计。现有的电池剩余寿命预测主要基于完整的充放电过程,既每次充放电循环的最大放电容量需已知,这限制了电池状态估计的现实应用。同时,在电池容量衰减过程中,由于运行条件不同,存在着不可控的容量再生现象,这些噪声会导致电池管理系统无法更有效的掌握电池容量衰减的主要趋势。
此外,对需要评价的在线电池从零开始建立深度学习模型进行训练预测,这无疑会增加计算成本和在线采集的数据量,降低预测精度。因此,如果基于准确的完全充放电曲线,结合信号处理方法,深度学习技术对离线的大量电池数据建立预训练模型,通过迁移学习技术微调部分权重对在线电池进行剩余寿命进行预测,这对于在线电池的充放电状态估计和电池管理的效果提升,具有重大意义。
发明内容
本发明的目的在于提供一种基于深度学习算法的锂离子电池剩余寿命在线预测方法,准确预测锂离子电池剩余寿命,计算量小,运算效率高。
为了实现上述目的,本发明采用以下技术方案予以实现:
一种基于深度学习算法的锂离子电池剩余寿命在线预测方法,具体包括以下步骤:
步骤一、获取一定量的离线电池数据作为训练数据集,通过数据预处理和特征工程方法将获得的完整放电曲线划分为固定长度的数据片段,接着将数据分布标准化以符合卷积神经网络的输入要求;
步骤二、利用步骤一获得的数据片段,对构建的卷积神经算法进行训练,寻找数据片段与完整的放电曲线的对应关系,进而得到其与对应的最大放电容量之间的关系;
步骤三、对于步骤一获取的离线电池数据,提取其原始的容量衰减曲线,使用信号处理方法将其进行降噪处理,提取出其主容量衰减曲线,并将提取的多条主容量衰减曲线收集起来作为后续循环神经网络的离线训练集;
步骤四、通过数据预处理和特征工程方法,将步骤三获得的离线训练集中的主容量衰减曲线划分为固定长度的数据片段,并接着使数据分布标准化以符合循环神经网络的输入要求;
步骤五、利用步骤四分割得到的标准化后的主容量衰减曲线数据集,对构建的循环神经网络进行训练,使算法掌握离线电池在容量衰减过程中的容量变化趋势;
步骤六、将电池数据在线采集系统收集到的放电曲线片段先经过步骤一中的标准化处理,再通过步骤二优化完毕的卷积神经网络预测出每一圈的最大放电容量,形成剩余寿命预测起始点之前的容量衰减曲线,接着通过步骤三中的信号处理方法提取出其对应的主容量衰减曲线,再经过步骤四中的标准化处理,将其作为步骤五离线优化完毕的循环神经网络算法的迁移学习训练集,微调部分单元权重,训练完毕后预测出剩余寿命预测起始点之后的容量衰减趋势,最终得到该在线电池的剩余寿命。
进一步,所述步骤一中将放电曲线划分为固定长度的数据片段具体过程为:
先确定步骤一所获得的所有完整放电曲线的电压区间,并将其放电曲线各个点之间的电压间隔设置为相等;之后将固定点数的窗口在其电压区间内滑动,划分为相同电压间隔的放电曲线片段;每个片段包含相应时间段的电压、放电容量信号;
数据分布标准化过程是将混合数据进行标准正态分布,使其符合卷积神经网络的数据输入要求。
进一步,所述步骤三中的信号处理方法为经验模态分解方法,将高频内涵模态分量去除,得到低频残差作为离线电池数据集提取的主容量衰减曲线。
进一步,所述步骤六中迁移学习方法是对循环神经网络的前端单元权重进行冻结,而对后端单元的权重进行微调训练。
本发明具有以下优点:
本发明基于深度学习方法,通过获取得到的放电曲线片段来对锂离子电池的剩余寿命进行在线预测的方法。首先通过大量离线电池数据集对深度学习网络进行训练,后以在线阶段采集得到的放电曲线片段作为数据输入,基于离线阶段优化完毕的深度学习网络,通过结合信号处理方法和迁移学习技术得到电池的剩余寿命,进而可推断出在线使用中电池的健康状态并进行电池管理。
首先不同于传统的纯理论计算和经验模型预测,本发明剩余寿命预测模型基于深度学习网络,避免对于电池内部的物理化学模型和数学模型的依赖,提高了预测方法的鲁棒性和普适性,同时有效降低计算成本;
然后,对于传统的基于深度学习电池剩余寿命预测方法,需要在预测起始点之前的最大放电容量为已知,但在实际应用中,电池的充放电过程往往是不完整的,因此通过步骤二离线训练卷积神经网络,来映射出放电曲线片段与最大放电容量之间的关系,为后续的循环神经网络的迁移学习提供训练集;
其次,传统方法易受到电池容量再生现象的干扰,降低模型预测的准确性,因此通过步骤三中的信号处理方法,可以有效减少电池容量再生噪声对于后续剩余寿命预测的影响,提高模型对于全局容量衰减趋势的掌握。
最后,传统在线预测方法需要模型对剩余寿命预测起始点之前的容量衰减曲线重新训练,造成计算成本增加和对在线数据量的依赖。而通过步骤六中的迁移学习技术,微调步骤五中基于离线数据集已预训练完毕的循环神经网络权重,使其减少计算成本和对在线数据的需求量,同时更有效地掌握离线电池特征。
附图说明
图1是本发明所提供方法的流程图;
图2是本发明针对循环神经网络训练及预测的窗口滑动示意图;
图3是本发明对实施例1中的离线电池数据集的容量衰减曲线,经过信号处理后的主容量衰减曲线示意图;
图4是本发明对实施例1中的在线电池,放电曲线的重构优选实例;
图5是本发明对实施例1中的在线电池,在剩余寿命预测起始点之前,取每一条放电曲线的任意一个片段作为输入数据,通过离线优化完毕的卷积神经网络预测出其对应的最大放电容量与真实放电容量对比的示意图;
图6是本发明对实施例1中的在线电池,通过信号处理技术对卷积神经网络预测出的最大放电容量进行降噪处理的示意图;
图7是本发明对实施例1中的在线电池,基于离线优化完毕的循环神经网络,通过迁移学习技术进行剩余寿命预测起始点之后的容量衰减趋势预测示意图;
图8是本发明对实施例2中的离线电池数据集的容量衰减曲线,经过信号处理后的主容量衰减曲线示意图;
图9是本发明对实施例2中的在线电池,放电曲线的重构优选实例;
图10是本发明对实施例2中的在线电池,在剩余寿命预测起始点之前,取每一条放电曲线的任意一个片段作为输入数据,通过离线优化完毕的卷积神经网络预测出其对应的最大放电容量与真实放电容量对比的示意图;
图11是本发明对实施例2中的在线电池,通过信号处理技术对卷积神经网络预测出的最大放电容量进行降噪处理的示意图;
图12是本发明对实施例2中的在线电池,基于离线优化完毕的循环神经网络,通过迁移学习技术进行剩余寿命预测起始点之后的容量衰减趋势预测示意图;
具体实施方式
以下结合附图与具体实施方式对本发明做出进一步的详细说明。
本发明所提供的在线电池剩余寿命预测方法如附图1所示,具体包括以下步骤:
步骤一、将得到的离线电池数据作为训练数据集,并把完整的放电曲线划分为固定长度的数据片段,后标准化处理。具体包括,先确定获得的所有完整放电曲线的电压区间,并将其放电曲线上各个点之间的电压间隔设置为相等。之后将固定点数为n1的窗口在其电压区间内滑动,划分为相同电压间隔的放电曲线片段。每个片段包含相应时间段的采样信号,例如电压、放电容量等。最后将放电曲线片段数据进行标准正态分布,使其符合卷积神经网络的数据输入要求。
步骤二、使用卷积神经网络建立放电曲线片段与完整放电曲线的对应关系,进而得到放电曲线片段与对应的最大放电容量之间的关系。具体包括,使用卷积神经网络作为目标算法,其输入为步骤一经过数据预处理和特征工程后的数据片段,输出则是完整的实际放电曲线结果,基于步骤一得到的离线电池训练集对卷积神经网络进行训练,进而得到放电曲线片段与最大放电容量之间的关系。
步骤三、对于步骤一获取的离线电池数据集,提取其原始的容量衰减曲线,通过信号处理方法进行降噪处理,得到对应的主容量衰减曲线,并将提取的多条主容量衰减曲线打包作为后续循环神经网络的训练集。具体包括,将步骤一中采集得到的离线电池数据集提取出原始的容量衰减曲线,通过经验模态分解方法,去除高频内涵模态分量,得到的低频残差作为离线电池数据集提取的主容量衰减曲线。最终将所有离线电池分解得到的主容量衰减曲线收集起来作为后续循环神经网络离线训练的数据集。
步骤四、将步骤三得到的主容量衰减曲线训练集中的每一条主容量衰减曲线划分为固定长度的数据片段,在区分特征和标签后进行标准化处理。具体包括,先确定滑动窗口大小,之后将固定点数为n2的窗口在其主容量衰减曲线内滑动,如附图2所示,划分为相同点数的容量衰减片段。每个片段包含特征和对应标签,既前(n2-1)元素为输入的特征,而最后一个元素为输出的标签。最后将每一个容量变化曲线片段的特征部分进行标准正态分布,使其符合循环神经网络的数据输入要求。
步骤五、使用循环神经网络预测电池在容量衰减过程中的电池容量变化趋势。具体包括,使用循环神经网络,其输入为步骤四经过数据预处理和特征工程后的容量变化曲线的特征部分,输出则是步骤四的容量变化曲线的标签部分,基于步骤四得到的离线电池训练集对循环神经网络进行训练。
步骤六、在电池剩余寿命在线预测过程中,将在线采集得到的放电曲线片段通过步骤一标准化处理后,作为步骤二中离线训练完毕的卷积神经网络输入,得到剩余寿命起始预测点前的容量衰减曲线,接着通过步骤三提取其主容量衰减曲线。再将其经过步骤四标准化处理,使其可以作为步骤五中离线训练完毕的循环神经网络的迁移学习训练集,通过迁移学习方法微调部分权重,微调后预测后续的容量衰减趋势,最终得到该在线电池的剩余寿命,具体包括,在线收集电池每一次充放电过程中的放电曲线数据,对每条放电曲线任取一节符合步骤二中的卷积神经网络输入要求的数据片段,通过步骤一进行标准化处理,将步骤二中测试误差最小的权重参数加载到构造的卷积神经网络中,将步骤一中已经处理好的数据作为该算法的输入,在线预测出每一条放电曲线片段对应的完整放电曲线,进而得到每一条放电曲线片段对应的最大放电容量,最后按照充放电顺序将每一圈预测得到的最大放电容量相互组合,形成剩余寿命预测起始点之前的容量衰减曲线。接着将剩余寿命预测起始点之前的容量衰减曲线通过步骤三信号处理方法得到其对应的主容量衰减曲线,通过步骤四的标准化处理,使其符合循环神经网络的数据输入要求。将步骤五中测试误差最小的权重参数加载到构造的循环神经网络中,将步骤四已标准化完毕的数据作为该算法迁移学习的训练集,通过微调算法后端单元的权重实现对于在线电池容量衰减个性特征的掌握。训练完毕后,预测出后续的容量衰减趋势,当预测出的放电容量衰减为初始容量的80%时对应的循环次数,减去预测起始点圈数为该在线电池预测出的剩余寿命。
实施例1
本实施例用于说明本发明公开的电池剩余寿命在线预测方法。
步骤一:电池数据集来自于马里兰大学Center for Advanced Life CycleEngineering,电池为4.2V钴酸锂-石墨体系的锂离子电池(额定容量:1100mAh),以0.5C/1C进行充放电循环(充电截止电流为0.05C)。选择CS2-36,CS2-37及CS2-38为离线电池数据集,而CS2-35电池为在线电池。确定获得的所有完整放电曲线的电压区间为2.710V-4.181V,并将其放电曲线上各个点之间的电压间隔设置为0.01V。之后将固定点数n1为30的窗口在其电压区间内滑动,划分为电压间隔为0.30V的放电曲线片段。每个片段包含相应时间段的采样信号(电压及容量信号)。最后将放电曲线片段数据进行标准正态分布,使其符合卷积神经网络的数据输入要求。
步骤二:用卷积神经网络作为目标算法,其输入为步骤一经过数据预处理和特征工程后的数据片段,输出则是完整的实际放电曲线结果,基于步骤一得到的离线电池训练集对卷积神经网络进行训练,进而得到放电曲线片段与最大放电容量之间的关系。
步骤三:将步骤一中采集得到的离线电池数据集提取出原始的容量衰减曲线,通过经验模态分解方法,去除高频内涵模态分量,得到的低频残差作为离线电池数据集提取的主容量衰减曲线,如附图3所示。最终将所有离线电池分解得到的主容量衰减曲线收集起来作为后续循环神经网络离线训练的数据集。
步骤四:固定点数n2为20的滑动窗口在其主容量衰减曲线内滑动,划分为相同点数的容量衰减片段。每个片段包含特征和对应标签,既前19个元素为输入的特征,而最后一个元素为输出的标签。最后将每一个容量变化曲线片段的特征部分进行标准正态分布,使其符合循环神经网络的数据输入要求。
步骤五:使用循环神经网络,其输入为步骤四经过数据预处理和特征工程后的容量变化曲线的特征部分,输出则是步骤四的容量变化曲线的标签部分,基于步骤四得到的离线电池训练集对循环神经网络进行训练。
步骤六:收集在线电池每一次充放电过程中的放电曲线数据,对每条放电曲线任取一节符合步骤二中的卷积神经网络输入要求的数据片段,通过步骤一进行标准化处理,将步骤二中测试误差最小的权重参数加载到构造的卷积神经网络中,将步骤一中已经处理好的数据作为该算法的输入,在线预测出每一条放电曲线片段对应的完整放电曲线,如附图4所示,进而得到每一条放电曲线片段对应的最大放电容量,最后按照充放电顺序将每一圈预测得到的最大放电容量相互组合,形成剩余寿命预测起始点之前的容量衰减曲线,如附图5所示。接着将剩余寿命预测起始点之前的容量衰减曲线通过步骤三信号处理方法得到其对应的主容量衰减曲线,如附图6所示,接着进行步骤四的标准化处理,使其符合循环神经网络的数据输入要求。将步骤五中测试误差最小的权重参数加载到构造的循环神经网络中,同时将步骤四已标准化完毕的数据作为该算法迁移学习的训练集,通过微调算法后端单元的权重实现对于在线电池容量衰减个性特征的掌握。训练完毕后,预测出后续的容量衰减趋势,如附图7所示。当预测出的放电容量衰减为初始容量的80%时对应的循环次数,减去预测起始点圈数为该在线电池预测出的剩余寿命,结果填入表1:
实施例2
本实施例用于说明本发明公开的电池剩余寿命在线预测方法。
步骤一:电池数据集来自于马里兰大学Center for Advanced Life CycleEngineering,电池为4.2V钴酸锂-石墨体系的锂离子电池(额定容量:1350mAh),以0.5C/1C进行充放电循环(充电截止电流为0.05C)。选择CX2-34,CX2-36及CX2-37为离线电池数据集,而CX2-38电池为在线电池。确定获得的所有完整放电曲线的压区间为2.700V-4.040V,并将其放电曲线上各个点之间的电压间隔设置为0.01V。之后将固定点数n1为30的窗口在其电压区间内滑动,划分为电压间隔为0.30V的放电曲线片段。每个片段包含相应时间段的采样信号(电压及容量信号)。最后将放电曲线片段数据进行标准正态分布,使其符合卷积神经网络的数据输入要求。
步骤二:用卷积神经网络作为目标算法,其输入为步骤一经过数据预处理和特征工程后的数据片段,输出则是完整的实际放电曲线结果,基于步骤一得到的离线电池训练集对卷积神经网络进行训练,进而得到放电曲线片段与最大放电容量之间的关系。
步骤三:将步骤一中采集得到的离线电池数据集提取出原始的容量衰减曲线,通过经验模态分解方法,去除高频内涵模态分量,得到的低频残差作为离线电池数据集提取的主容量衰减曲线,如附图8所示。最终将所有离线电池分解得到的主容量衰减曲线收集起来作为后续循环神经网络离线训练的数据集。
步骤四:固定点数n2为20的滑动窗口在其主容量衰减曲线内滑动,划分为相同点数的容量衰减片段。每个片段包含特征和对应标签,既前19个元素为输入的特征,而最后一个元素为输出的标签。最后将每一个容量变化曲线片段的特征部分进行标准正态分布,使其符合循环神经网络的数据输入要求。
步骤五:使用循环神经网络,其输入为步骤四经过数据预处理和特征工程后的容量变化曲线的特征部分,输出则是步骤四的容量变化曲线的标签部分,基于步骤四得到的离线电池训练集对循环神经网络进行训练。
步骤六:收集在线电池每一次充放电过程中的放电曲线数据,对每条放电曲线任取一节符合步骤二中的卷积神经网络输入要求的数据片段,通过步骤一进行标准化处理,将步骤二中测试误差最小的权重参数加载到构造的卷积神经网络中,将步骤一中已经处理好的数据作为该算法的输入,在线预测出每一条放电曲线片段对应的完整放电曲线,如附图9所示,进而得到每一条放电曲线片段对应的最大放电容量,最后按照充放电顺序将每一圈预测得到的最大放电容量相互组合,形成剩余寿命预测起始点之前的容量衰减曲线,如附图10所示。接着将剩余寿命预测起始点之前的容量衰减曲线通过步骤三信号处理方法得到其对应的主容量衰减曲线,如附图11所示,接着进行步骤四的标准化处理,使其符合循环神经网络的数据输入要求。将步骤五中测试误差最小的权重参数加载到构造的循环神经网络中,同时将步骤四已标准化完毕的数据作为该算法迁移学习的训练集,通过微调算法后端单元的权重实现对于在线电池容量衰减个性特征的掌握。训练完毕后,预测出后续的容量衰减趋势,如附图12所示。当预测出的放电容量衰减为初始容量的80%时对应的循环次数,减去预测起始点圈数为该在线电池预测出的剩余寿命,结果见表1:
表一
在线电池 | 实际剩余寿命 | 预测剩余寿命 |
CS2-35 | 289 | 283 |
CX2-38 | 323 | 335 |
根据表中数据可以看出,以两个开源锂离子电池数据集作为案例,采用本发明的预测方法对在线电池预测得到的剩余寿命与实际剩余寿命误差均在±12范围内,说明本发明的在线电池剩余寿命预测方法具有较高的准确度,不需要对待测在线电池进行全充放电,是一种无损耗的寿命预测方法,同时操作简单,可大批量进行,大幅提高生产效率。
Claims (4)
1.一种基于深度学习算法的锂离子电池剩余寿命在线预测方法,其特征在于具体包括以下步骤:
步骤一、获取一定量的离线电池数据作为训练数据集,通过数据预处理和特征工程方法将获得的完整放电曲线划分为固定长度的数据片段,接着将数据分布标准化以符合卷积神经网络的输入要求;
步骤二、利用步骤一获得的数据片段,对构建的卷积神经算法进行训练,寻找数据片段与完整的放电曲线的对应关系,进而得到其与对应的最大放电容量之间的关系;
步骤三、对于步骤一获取的离线电池数据,提取其原始的容量衰减曲线,使用信号处理方法将其进行降噪处理,提取出其主容量衰减曲线,并将提取的多条主容量衰减曲线收集起来作为后续循环神经网络的离线训练集;
步骤四、通过数据预处理和特征工程方法,将步骤三获得的离线训练集中的主容量衰减曲线划分为固定长度的数据片段,并接着使数据分布标准化以符合循环神经网络的输入要求;
步骤五、利用步骤四分割得到的标准化后的主容量衰减曲线数据集,对构建的循环神经网络进行训练,使算法掌握离线电池在容量衰减过程中的容量变化趋势;
步骤六、将电池数据在线采集系统收集到的放电曲线片段先经过步骤一中的标准化处理,再通过步骤二离线优化完毕的卷积神经网络预测出每一圈的最大放电容量,形成剩余寿命起始预测点之前的容量衰减曲线,接着通过步骤三中的信号处理方法提取出其对应的主容量衰减曲线,再经过步骤四中的标准化处理,将其作为步骤五离线优化完毕的循环神经网络算法的迁移学习训练集,微调部分单元权重,训练完毕后预测出剩余寿命预测起始点之后的容量衰减趋势,最终得到该在线电池的剩余寿命。
2.根据权利要求1所述的一种基于深度学习算法的锂离子电池剩余寿命在线预测方法,其特征在于所述步骤一中将放电曲线划分为固定长度的数据片段具体过程为:
先确定步骤一所获得的所有完整放电曲线的电压区间,并将其放电曲线各个点之间的电压间隔设置为相等;之后将固定点数的窗口在其电压区间内滑动,划分为相同电压间隔的放电曲线片段;每个片段包含相应时间段的电压、放电容量信号;
数据分布标准化过程是将混合数据进行标准正态分布,使其符合卷积神经网络的数据输入要求。
3.根据权利要求1所述的一种基于深度学习算法的锂离子电池剩余寿命在线预测方法,其特征在于:所述步骤三中的信号处理方法为经验模态分解方法,将高频内涵模态分量去除,得到低频残差作为离线电池数据集提取的主容量衰减曲线。
4.根据权利要求1所述的一种基于深度学习算法的锂离子电池剩余寿命在线预测方法,其特征在于:所述步骤六中迁移学习方法是对循环神经网络的前端单元权重进行冻结,而对后端单元的权重进行微调训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210534892.8A CN114839540A (zh) | 2022-05-17 | 2022-05-17 | 一种基于深度学习算法的锂离子电池剩余寿命在线预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210534892.8A CN114839540A (zh) | 2022-05-17 | 2022-05-17 | 一种基于深度学习算法的锂离子电池剩余寿命在线预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114839540A true CN114839540A (zh) | 2022-08-02 |
Family
ID=82568814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210534892.8A Pending CN114839540A (zh) | 2022-05-17 | 2022-05-17 | 一种基于深度学习算法的锂离子电池剩余寿命在线预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114839540A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115856642A (zh) * | 2022-12-26 | 2023-03-28 | 华中科技大学 | 一种锂电池的实时个性化健康评估方法和装置 |
CN116205379A (zh) * | 2023-05-04 | 2023-06-02 | 上海叁零肆零科技有限公司 | 锂亚电池存活天数预测模型建立方法、系统、设备及介质 |
CN117054892A (zh) * | 2023-10-11 | 2023-11-14 | 特变电工西安电气科技有限公司 | 一种储能电站电池健康状态的评估方法、装置及管理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107797067A (zh) * | 2016-09-05 | 2018-03-13 | 北京航空航天大学 | 一种基于深度学习的锂离子电池寿命迁移预测方法 |
CA3119812A1 (en) * | 2018-12-10 | 2020-06-18 | The Climate Corporation | Mapping field anomalies using digital images and machine learning models |
CN112241608A (zh) * | 2020-10-13 | 2021-01-19 | 国网湖北省电力有限公司电力科学研究院 | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 |
CN113128672A (zh) * | 2021-04-16 | 2021-07-16 | 昆明理工大学 | 一种基于迁移学习算法的锂离子电池组soh估计方法 |
CN114114049A (zh) * | 2021-09-30 | 2022-03-01 | 北京交通大学 | 一种基于样本迁移的锂离子电池寿命预测方法 |
-
2022
- 2022-05-17 CN CN202210534892.8A patent/CN114839540A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107797067A (zh) * | 2016-09-05 | 2018-03-13 | 北京航空航天大学 | 一种基于深度学习的锂离子电池寿命迁移预测方法 |
CA3119812A1 (en) * | 2018-12-10 | 2020-06-18 | The Climate Corporation | Mapping field anomalies using digital images and machine learning models |
CN112241608A (zh) * | 2020-10-13 | 2021-01-19 | 国网湖北省电力有限公司电力科学研究院 | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 |
CN113128672A (zh) * | 2021-04-16 | 2021-07-16 | 昆明理工大学 | 一种基于迁移学习算法的锂离子电池组soh估计方法 |
CN114114049A (zh) * | 2021-09-30 | 2022-03-01 | 北京交通大学 | 一种基于样本迁移的锂离子电池寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
王正;: "基于DAE-HTPF的新能源汽车电池剩余寿命预测", 机械与电子, no. 03, 24 March 2020 (2020-03-24) * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115856642A (zh) * | 2022-12-26 | 2023-03-28 | 华中科技大学 | 一种锂电池的实时个性化健康评估方法和装置 |
CN116205379A (zh) * | 2023-05-04 | 2023-06-02 | 上海叁零肆零科技有限公司 | 锂亚电池存活天数预测模型建立方法、系统、设备及介质 |
CN116205379B (zh) * | 2023-05-04 | 2023-07-07 | 上海叁零肆零科技有限公司 | 锂亚电池存活天数预测模型建立方法、系统、设备及介质 |
CN117054892A (zh) * | 2023-10-11 | 2023-11-14 | 特变电工西安电气科技有限公司 | 一种储能电站电池健康状态的评估方法、装置及管理方法 |
CN117054892B (zh) * | 2023-10-11 | 2024-02-27 | 特变电工西安电气科技有限公司 | 一种储能电站电池健康状态的评估方法、装置及管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114839540A (zh) | 一种基于深度学习算法的锂离子电池剩余寿命在线预测方法 | |
CN103018673B (zh) | 一种基于改进型动态小波神经网络的航天Ni-Cd蓄电池寿命预测方法 | |
CN101504443B (zh) | 一种锂离子电池放电容量的预测方法 | |
CN112485689B (zh) | 一种基于Xgboost模型预测储能系统中锂电池剩余循环寿命的方法 | |
CN110687450B (zh) | 基于相空间重构和粒子滤波的锂电池剩余寿命预测方法 | |
CN112379273B (zh) | 基于人工智能的锂离子电池充电曲线重构及状态估计方法 | |
CN111257754B (zh) | 一种基于plstm序列映射的电池soc鲁棒评估方法 | |
CN112611976A (zh) | 一种基于双差分曲线的动力电池健康状态估计方法 | |
CN114740388A (zh) | 一种基于改进tcn的锂电池剩余寿命状态评估方法 | |
CN112163372A (zh) | 一种动力电池的soc估算方法 | |
Zheng et al. | A novel method for lithium-ion battery remaining useful life prediction using time window and gradient boosting decision trees | |
CN113627671A (zh) | 一种储能场景单体电池soh预测计算方法 | |
CN112305441A (zh) | 一种集成式聚类下的动力电池健康状态评估方法 | |
CN117554846B (zh) | 计及约束条件的锂电池寿命预测方法及系统 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN113533995B (zh) | 一种动力电池一致性检测方法 | |
CN114545275A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
CN112287597B (zh) | 基于vpga-gpr算法的铅酸蓄电池soh估计方法 | |
CN115980588A (zh) | 基于自编码器提取特征的锂离子电池健康状态估计方法 | |
CN116381500A (zh) | 基于大数据分析的纯电动汽车动力电池评价指标构建方法 | |
CN115329277A (zh) | 一种退运动力镍氢电池的soh预测方法 | |
CN113459897B (zh) | 一种基于电动汽车充电大数据的荷电状态修正及预测方法 | |
CN115018133A (zh) | 一种基于混沌理论和非线性系统的锂电池容量预测方法 | |
CN115097317A (zh) | 一种锂离子电池容量估计方法及系统 | |
CN114545276A (zh) | 基于容量测试与车联网大数据的动力电池寿命预测方法 |
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 |