CN114861527A - 一种基于时间序列特征的锂电池寿命预测方法 - Google Patents
一种基于时间序列特征的锂电池寿命预测方法 Download PDFInfo
- Publication number
- CN114861527A CN114861527A CN202210398965.5A CN202210398965A CN114861527A CN 114861527 A CN114861527 A CN 114861527A CN 202210398965 A CN202210398965 A CN 202210398965A CN 114861527 A CN114861527 A CN 114861527A
- Authority
- CN
- China
- Prior art keywords
- prediction
- model
- rul
- charging
- time
- 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 73
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 31
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 45
- 230000000694 effects Effects 0.000 claims abstract description 19
- 238000007599 discharging Methods 0.000 claims abstract description 18
- 230000036541 health Effects 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000005065 mining Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 abstract description 5
- 230000015556 catabolic process Effects 0.000 abstract description 2
- 238000006731 degradation reaction Methods 0.000 abstract description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 7
- 229910001416 lithium ion Inorganic materials 0.000 description 7
- 230000032683 aging Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000006864 oxidative decomposition reaction Methods 0.000 description 1
- 239000007774 positive electrode material Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- 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
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种基于时间序列特征的锂电池寿命预测方法，包括以下步骤：步骤1、挖掘充放电数据中反映锂电池寿命的关键特征数据，其中包括：在一次完整的充放电循环中挖掘出的等升电压时间序列特征、截止电压时间序列特征、恒流始降时间序列特征、持续小电流时间序列特征、充电温升时间序列特征、充电温降时间序列特征和放电温升时间序列特征；步骤2、对特征数据做预处理，组成反映电池健康状态的特征向量组，利用向量组建立特征模型；步骤3、计算皮尔逊相关系数，筛选相关度更高的时间序列特征作为模型输入；步骤4、建立GRU神经网络预测模型并优化网络参数以提升预测效果；步骤5、建立多维评价体系评价GRU模型预测效果；本发明能够准确预测电池容量在整个寿命期内的非线性退化趋势，模型适用范围广，适用于多种充电策略，预测响应快，预测精度高。
Description
技术领域
本发明属于电池管理系统应用领域，具体涉及一种基于时间序列特征的锂电池寿命预测方法。
背景技术
锂离子电池由于高功率密度、自放电率低和使用寿命长等特点在电力、航空航天、交通、能源等领域发挥着重要作用(吴宇平等，《锂离子电池-应用与实际》，2011年，化学工业出版社)。从全球锂电池产量来看，动力锂电池产量份额占比达到了70.8％，根据 S&PGlobal Market Intelligence公布的数据显示，2020年，中国锂离子电池产能占世界产能的约77％。锂离子电池处在一个高速发展的过程，是能源转型阶段的重要发展目标。
作为动力电源或储能电源，锂电池均处在长期反复充放电循环的工作状态。由于电池内部正极材料结构的变化、负极SEI生长导致活性锂离子消耗、电解液氧化分解等诸多原因(吴宇平等，《锂离子电池-应用与实际》，2011年，化学工业出版社)，具体表现为可用容量衰减和最大输出功率降低，电池的使用寿命逐渐降低至阈值(容量低于标称容量的80％或内阻在相同条件下达到初始内阻的160％)。诊断和健康管理(prognostics and healthmanagement，PHM)已被广泛用于处理潜在的安全隐患，其中锂电池的健康状态管理包括准确监测锂电池的健康状态(state of health，SOH)和预测锂电池的剩余使用寿命(remaining useful life，RUL)，准确监测SOH和预测RUL对于储能系统安全、经济效益最大化和稳定运行有着重要意义。由于锂电池老化过程的复杂机理和电池内部化学行为的影响因素和RUL呈高度非线性的关系，这是预测RUL的最大阻碍。使用数据驱动的方法预测RUL的优势在于不需要分析电池内部复杂的化学反应，而是使用能够反映电池老化过程的众多特征，在模型算法强大的拟合作用下找到监测数据与RUL之间的潜在关系，从而给出精准预测结果。
现有技术方案中，发明专利CN113657030A公开了一种基于高斯过程回归的锂电池剩余使用寿命预测方法，使用在特定电压范围内的等压差变化时间作为高斯回归模型的输入特征。使用单一特征会使模型预测具有较差的鲁棒性，在实际应用中，当工况发生变化或电压监测器出现较大系统误差时，模型将无法保证预测精度。发明专利CN113777496A公开了一种基于时间卷积神经网络的锂离子电池剩余寿命预测方法，将端电压、输出电流、负载电压电流和电池温度作为算法模型的输入，依靠模型寻找潜在规律，并不能给出具体老化特征，模型计算量大，预测响应慢，对硬件设施要求苛刻，难以应用于实际。
发明内容
本发明的目的在于解决现有技术中模型预测依赖单一特征、模型鲁棒性差和模型预测方法较难应用于实际的问题，本发明通过从特定的充放电条件下监测得到的大量运行数据中挖掘出反映锂电池寿命的关键特征，通过筛选出与RUL高度相关的时间序列特征量，建立多变量时间序列特征模型；优化循环神经网络算法的变体形式GRU(Gated RecurrentUnits)，采用多维评价体系进行误差比较分析，结果表明本发明提出的方法能够准确预测电池容量在整个寿命期内的非线性退化趋势，同时将预测误差控制在1％以内。本发明提出的RUL预测方法有效提高了预测鲁棒性，并且预测响应快，预测模型易于应用于实际。
为实现上述目的，本发明提供以下技术方案：
一种基于时间序列特征的锂电池寿命预测方法，其特征在于，包括以下步骤：
步骤1、挖掘充放电数据中反映锂电池寿命的关键特征数据，其中特征数据均为在锂电池的完整充放电数据的电压、电流和温度曲线中计算得到的时间序列特征；
步骤2、对特征数据做预处理，建立反映电池健康状态的三维向量组，利用特征向量组建立GRU神经网络的特征模型；
步骤3、计算特征向量和剩余使用寿命之间的皮尔逊相关系数，筛选相关度在0.9以上的时间序列特征作为GRU预测模型输入特征向量；
步骤4、建立GRU预测模型并优化网络参数以提升预测效果；
步骤5、建立多维评价体系评价GRU预测模型预测效果。
所述步骤1具体包括以下内容：
步骤1.1、挖掘充放电数据中反映锂电池寿命的关键特征数据，提取充放电数据中的时间、电压、电流、温度数据；
步骤1.2、以起始充电电压2V为计算点，计算在充电过程中，电压上涨至3.4V所需的时间；以起始放电电压3.6V为计算点，计算在放电过程中电压下降到截止电压2V所需的时间；以小电流恒流阶段起始阶段为计算点，计算恒流开始下降的时间；以小电流恒流开始阶段为计算点，计算整个恒流和电流下降后直至达到充电截止电流经历的时间；以充电过程的起始温度为计算点，计算在充电过程中电池温度达到放电过程的最高温度所需的时间；以充电过程最高温度为计算点，计算在充电过程中电池温度下降到充电过程最低温度所需的时间；以放电过程的起始温度为计算点，计算在放电过程中电池温度达到放电过程的最高温度所需的时间。
所述步骤2中利用时间序列特征建立特征模型的实施方法为：
步骤2.1：将所有电池充放电数据按照步骤(1)叙述的进行处理提取健康特征，将相同充电策略的电池分组；
步骤2.2：对所有特征和每次循环的放电量做归一化处理，归一化到[0,1]，其公式为：
Xmax为每个向量中的最大值，Xmin为最小值；
步骤2.3：每次循环的放电量视为电池的剩余使用寿命，同时作为模型预测的目标值。将时间特征和剩余使用寿命划分为训练集和测试集，训练集和测试集的比例为70％和30％，将时间特征向量组划分为GRU模型期待的三个维度。三维向量组Xt是能够反映当前电池健康状态的特征集，从而建立电池特征模型。
所述步骤3中计算相关系数、筛选相关度更高的时间序列特征的实施方法为：
计算每一个时间序列特征和剩余使用寿命之间的皮尔逊相关系数，其公式为：
其中xi为时间特征向量，
为时间特征向量的均值，yi为以剩余使用寿命作为目标值，
为以剩余使用寿命作为目标值的均值；计算每一个时间序列特征与剩余使用寿命之间的皮尔逊相关系数，将相关系数低于0.9和负相关的特征舍弃。
所述步骤4中建立GRU预测模型并优化网络参数以提升预测效果的实施方法为：
步骤4.1：确定GRU神经网络的输入层、隐藏层和输出层；输入层的输入向量是步骤2中叙述的三维向量组Xt，将三维向量组输入到循环计算层，其中三维向量组中的第一维是输入特征向量的总数量，第二维是循环核时间展开步数，第三维是每个时间步输入特征个数；循环计算核接收前一时刻的状态信息ht-1和当前时刻的特征向量Xt。在GRU计算层中，利用更新门zt来控制前一时刻的状态信息被整合到当前状态的程度；复位门rt用来控制忽略前一时刻状态信息的程度；使用tanh激活函数，其计算公式如下:
zt＝σ(Wz·[ht-1,xt]) (3)
rt＝σ(Wr·[ht-1,xt]) (4)
在输入层后加Dropout层，Dropout层能有效去除冗余信息，防止过拟合；
步骤4.2：在Dropout层后再次添加循环计算层，计算过程与步骤4.1相同，循环计算层后再次添加Dropout层，总计两层GRU结构，在循环计算过程使用自适应矩估计(Adam)优化器，以均方误差损失函数作为训练的优化目标，最后通过
Yt+1＝σ(Wh·ht) (7)
输出预测结果，利用测试集检验预测效果，逐一验证来确定GRU模型中的循环核时间展开步数、神经元个数、Dropout数值、学习率、Batch Size数值和epochs数值的最佳参数组合，保存最理想的网络模型参数。
所述步骤5中建立多维评价体系评价模型预测效果的具体实施方法为：
步骤5.1：使用剩余使寿命的预测误差(RULerror)、均方误差(mean square error，MSE) 均方根误差(root mean square error，RMSE)和绝对误差(mean absolute error，MAE)来评估模型性能，如下所示：
RULerror是模型预测值(RULpr)与真实值(RULtr)的误差，可当作模型的准确性评价指标；
RULerror＝RULpr-RULtr (8)
其中RULpr和
表示RUL预测值，RULtr和y(k)表示表示RUL真实值，K是循环数；在每一次预测过程都会输出这四个误差参数，其中模型优化的最终目的也是减小这四个误差。
与现有技术相比，本发明有益效果如下：
在现有技术中，许多模型使用单一特征作为模型预测依据，预测结果鲁棒性较差，或将两种算法结合将电池电压电流和温度作为模型输入特征但不给出具体老化特征，计算量大，需要苛刻的硬件条件。本发明使用多个变量作为老化特征，特征可靠性高，模型适用范围广，适用于多种充电策略，预测响应快，预测精度高，预测鲁棒性好，模型可应用于实际。
附图说明
图1为电池容量衰退趋势；
图2为预测模型整体结构；
图3为GRU计算层结构；
图4为实例1充电策略1预测结果；
图5为实例1充电策略2预测结果；
图6为实例1充电策略1预测结果误差；
图7为实例1充电策略2预测结果误差；
图8为本发明和对比例预测结果；
图9为实例2预测结果；
图10为实例1预测结果误差；
图11为本发明和对比例预测误差。
具体实施方式
为阐明技术问题、技术方案、实施过程及性能展示，以下结合实施例，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仅用以解释。本发明，并不用于限定本发明。以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
本发明的目的可以通过以下技术方案来实现：
步骤1：挖掘充放电数据中反映锂电池寿命的关键特征数据。
步骤1.1：提取充放电数据中的时间、电压、电流、温度数据。
步骤1.2：以起始充电电压2V为计算点，计算在充电过程中，电压上涨至3.4V所需的时间。
步骤1.3：以起始放电电压3.6V为计算点，计算在放电过程中电压下降到截止电压2V 所需的时间。
步骤1.4：以小电流恒流阶段起始阶段为计算点，计算恒流开始下降的时间。
步骤1.5：以小电流恒流开始阶段为计算点，计算整个恒流和电流下降后直至达到充电截止电流经历的时间。
步骤1.6：以充电过程的起始温度为计算点，计算在充电过程中电池温度达到放电过程的最高温度所需的时间。
步骤1.7：以充电过程最高温度为计算点，计算在充电过程中电池温度下降到充电过程最低温度所需的时间。
步骤1.8：以放电过程的起始温度为计算点，计算在放电过程中电池温度达到放电过程的最高温度所需的时间。
步骤2：利用时间序列特征建立特征模型；
步骤2.1：将所有电池充放电数据按照步骤(1)叙述的进行处理提取健康特征，将相同充电策略的电池分组。
步骤2.2：对所有特征和每次循环的放电量做归一化处理，归一化到[0,1]，其公式为：
Xmax为每个向量中的最大值，Xmin为最小值。
步骤2.3：每次循环的放电量视为电池的剩余使用寿命，同时作为模型预测的目标值。将时间特征和剩余使用寿命划分为训练集和测试集，训练集和测试集的比例为70％和30％，将时间特征向量组划分为GRU模型期待的三个维度。三维向量组Xt是能够反映当前电池健康状态的特征集，从而建立电池特征模型。
步骤3：计算相关系数，筛选相关度更高的时间序列特征。
其公式为：
其中xi为时间特征向量，
为时间特征向量的均值，yi为以剩余使用寿命作为目标值，
为以剩余使用寿命作为目标值的均值。计算每一个时间序列特征与剩余使用寿命之间的皮尔逊相关系数，将相关系数低于0.9和负相关的特征舍弃。
步骤4：建立GRU预测模型并优化网络参数以提升预测效果；
步骤4.1：建立GRU预测模型并优化网络参数以提升预测效果，确定GRU神经网络的输入层、隐藏层和输出层。输入层的输入向量是步骤2中叙述的三维向量组Xt，将三维向量组输入到循环计算层，其中三维向量组中的第一维是输入特征向量的总数量，第二维是循环核时间展开步数，第三维是每个时间步输入特征个数。循环计算核接收前一时刻的状态信息ht-1和当前时刻的特征向量Xt。在GRU计算层中，利用更新门zt来控制前一时刻的状态信息被整合到当前状态的程度。复位门rt用来控制忽略前一时刻状态信息的程度。使用tanh激活函数，其计算公式如下:
zt＝σ(Wz·[ht-1,xt]) (3)
rt＝σ(Wr·[ht-1,xt]) (4)
在输入层后加Dropout层，Dropout层能有效去除冗余信息，防止过拟合。
步骤4.2：在Dropout层后再次添加循环计算层，计算过程与步骤4.1相同，循环计算层后再次添加Dropout层，总计两层GRU结构，在循环计算过程使用自适应矩估计(Adam)优化器，以均方误差损失函数作为训练的优化目标，最后通过
Yt+1＝σ(Wh·ht) (7)
输出预测结果，利用测试集检验预测效果，逐一验证来确定GRU模型中的循环核时间展开步数、神经元个数、Dropout数值、学习率、Batch Size数值和epochs数值的最佳参数组合，保存最理想的网络模型参数。
步骤5：建立多维评价体系评价模型预测效果；
步骤5.1：使用剩余使寿命的预测误差(RULerror)、均方误差(mean square error，MSE) 均方根误差(root mean square error，RMSE)和绝对误差(mean absolute error，MAE)来评估模型性能，如下所示：
RULerror是模型预测值(RULpr)与真实值(RULtr)的误差，可当作模型的准确性评价指标。
RULerror＝RULpr-RULtr (8)
其中RULpr和
表示RUL预测值，RULtr和y(k)表示表示RUL真实值，K是循环数。在每一次预测过程都会输出这四个误差参数，其中模型优化的最终目的也是减小这四个误差。
实施例1
本实例所用的数据集为2019年Severson等人[Severson K A,Attia P M,Jin N,et al. Nature Energy.2019,4:383-391]公开的锂电池数据。图1为在数据集中选取的用来训练和验证的电池容量衰退曲线。由于充电策略的不同，同型号的电池的在循环性能上显示出非常大的差异，这种差异性将会给模型预测带来很大的难度。图2为预测过程整体结构图。图3为GRU计算层结构图。GRU网络的所有参数都是在大量实验结果的分析后选定的最佳参数，本实例将展示在两种不同充电策略下的实验结果。其中这两种充电策略分别为以三个阶段的不同充电倍率的恒流恒压方式对电池进行充电的策略，第一种充电策略为：第一阶段使用5.6C电流充电至36％SOC，第二阶段使用4.3C电流充电至80％SOC，第三阶段使用1C电流充电至3.6V截止电压后继续充电至0.05C充电截止电流。第二种充电策略为：第一阶段和第二阶段均使用4.8C电流充电至80％SOC，第三阶段使用1C电流充电至3.6V截止电压后继续充电至0.05C充电截止电流。在实际应用中，锂电池的充电策略大多使用的均是恒流恒压的多段充电策略。本实验结果证明了基于时间序列特征的GRU预测模型在不同充电策略下对锂电池的RUL预测同样具有很好的效果，使用这两组电池数据的实验结果如图4和图5所示，两组实验的如图6和图7所示，误差结果如图10所示。
为了定量比较和衡量预测性能，图8展示了本发明提出的预测模型和仅使用等压差变化时间为输入特征的反向传播神经网络预测模型对充电策略1下锂电池RUL的预测结果。误差结果对比如图11所示。通过对比例的结果说明本发明所提出的基于时间序列的GRU神经网络预测模型的预测效果远高于一般预测模型。本发明所提出的预测模型有效提高了对锂离子电池RUL的预测精度，并且在本发明所提出的方法支持下，模型所需的训练数据较少，训练耗时短，模型适用性广，适用于多种充电策略，预测响应快，预测精度高，能直观的反映预测结果。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
实施例2
在本实例中，将本发明所提出的方法拓展应用到超级电容器领域。本实例所用的数据集为2020年Ren等人[Ren J,Lin X,Liu J,et al..Materials Today Energy,2020,18:100537]公开的超级电容器数据。在本实例中，所使用的输入特征向量仅为剩余使用寿命本身，通过历史放电量的变化趋势预测当前放电量，依然使用实例一所叙述的GRU神经网络模型，但网络参数需要根据本实例重新调整。在本实例中，循环寿命在一万圈的超级电容器仅仅使用前百分之一的循环数据就可以准确的跟踪容量衰退的趋势，精确的预测剩余使用寿命，预测结果如图9所示，其中MSE均方误差:0.000009，RMSE均方根误差:0.003082，MAE平均绝对误差:0.002809。本实例的结果证明了本发明所提出的模型在超级电容器领域同样具有很好的寿命预测效果。
Claims (6)
1.一种基于时间序列特征的锂电池寿命预测方法，其特征在于，包括以下步骤：
步骤1、挖掘充放电数据中反映锂电池寿命的关键特征数据，其中特征数据均为在锂电池的完整充放电数据的电压、电流和温度曲线中计算得到的时间序列特征；
步骤2、对特征数据做预处理，建立反映电池健康状态的三维向量组，利用特征向量组建立GRU神经网络的特征模型；
步骤3、计算特征向量和剩余使用寿命之间的皮尔逊相关系数，筛选相关度在0.9以上的时间序列特征作为GRU预测模型输入特征向量；
步骤4、建立GRU预测模型并优化网络参数以提升预测效果；
步骤5、建立多维评价体系评价GRU预测模型预测效果。
2.根据权利要求1所述的一种基于时间序列特征的锂电池寿命预测方法，其特征在于，所述步骤1具体包括以下内容：
步骤1.1、挖掘充放电数据中反映锂电池寿命的关键特征数据，提取充放电数据中的时间、电压、电流、温度数据；
步骤1.2、以起始充电电压2V为计算点，计算在充电过程中，电压上涨至3.4V所需的时间；以起始放电电压3.6V为计算点，计算在放电过程中电压下降到截止电压2V所需的时间；以小电流恒流阶段起始阶段为计算点，计算恒流开始下降的时间；以小电流恒流开始阶段为计算点，计算整个恒流和电流下降后直至达到充电截止电流经历的时间；以充电过程的起始温度为计算点，计算在充电过程中电池温度达到放电过程的最高温度所需的时间；以充电过程最高温度为计算点，计算在充电过程中电池温度下降到充电过程最低温度所需的时间；以放电过程的起始温度为计算点，计算在放电过程中电池温度达到放电过程的最高温度所需的时间。
3.根据权利要求1所述的一种基于时间序列特征的锂电池寿命预测方法，其特征在于，所述步骤2中利用时间序列特征建立特征模型的实施方法为：
步骤2.1：将所有电池充放电数据按照步骤(1)叙述的进行处理提取健康特征，将相同充电策略的电池分组；
步骤2.2：对所有特征和每次循环的放电量做归一化处理，归一化到[0,1]，其公式为：
Xmax为每个向量中的最大值，Xmin为最小值；
步骤2.3：每次循环的放电量视为电池的剩余使用寿命，同时作为模型预测的目标值。将时间特征和剩余使用寿命划分为训练集和测试集，训练集和测试集的比例为70％和30％，将时间特征向量组划分为GRU模型期待的三个维度。三维向量组Xt是能够反映当前电池健康状态的特征集，从而建立电池特征模型。
4.根据权利要求1所述的一种基于时间序列特征的锂电池寿命预测方法，其特征在于，所述步骤3中计算相关系数、筛选相关度更高的时间序列特征的实施方法为：
计算每一个时间序列特征和剩余使用寿命之间的皮尔逊相关系数，其公式为：
其中xi为时间特征向量，
为时间特征向量的均值，yi为以剩余使用寿命作为目标值，
为以剩余使用寿命作为目标值的均值；计算每一个时间序列特征与剩余使用寿命之间的皮尔逊相关系数，将相关系数低于0.9和负相关的特征舍弃。
5.根据权利要求1所述的一种基于时间序列特征的锂电池寿命预测方法，其特征在于，所述步骤4中建立GRU预测模型并优化网络参数以提升预测效果的实施方法为：
步骤4.1：确定GRU神经网络的输入层、隐藏层和输出层；输入层的输入向量是步骤2中叙述的三维向量组Xt，将三维向量组输入到循环计算层，其中三维向量组中的第一维是输入特征向量的总数量，第二维是循环核时间展开步数，第三维是每个时间步输入特征个数；循环计算核接收前一时刻的状态信息ht-1和当前时刻的特征向量Xt。在GRU计算层中，利用更新门zt来控制前一时刻的状态信息被整合到当前状态的程度；复位门rt用来控制忽略前一时刻状态信息的程度；使用tanh激活函数，其计算公式如下:
zt＝σ(Wz·[ht-1,xt]) (3)
rt＝σ(Wr·[ht-1,xt]) (4)
在输入层后加Dropout层，Dropout层能有效去除冗余信息，防止过拟合；
步骤4.2：在Dropout层后再次添加循环计算层，计算过程与步骤4.1相同，循环计算层后再次添加Dropout层，总计两层GRU结构，在循环计算过程使用自适应矩估计(Adam)优化器，以均方误差损失函数作为训练的优化目标，最后通过
Yt+1＝σ(Wh·ht) (7)
输出预测结果，利用测试集检验预测效果，逐一验证来确定GRU模型中的循环核时间展开步数、神经元个数、Dropout数值、学习率、Batch Size数值和epochs数值的最佳参数组合，保存最理想的网络模型参数。
6.根据权利要求1所述的一种基于时间序列特征的锂电池寿命预测方法，其特征在于，所述步骤5中建立多维评价体系评价模型预测效果的具体实施方法为：
步骤5.1：使用剩余使寿命的预测误差(RULerror)、均方误差(mean square error，MSE)均方根误差(root mean square error，RMSE)和绝对误差(mean absolute error，MAE)来评估模型性能，如下所示：
RULerror是模型预测值(RULpr)与真实值(RULtr)的误差，可当作模型的准确性评价指标；
RULerror＝RULpr-RULtr (8)
其中RULpr和
表示RUL预测值，RULtr和y(k)表示表示RUL真实值，K是循环数；在每一次预测过程都会输出这四个误差参数，其中模型优化的最终目的也是减小这四个误差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210398965.5A CN114861527A (zh) | 2022-04-15 | 2022-04-15 | 一种基于时间序列特征的锂电池寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210398965.5A CN114861527A (zh) | 2022-04-15 | 2022-04-15 | 一种基于时间序列特征的锂电池寿命预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114861527A true CN114861527A (zh) | 2022-08-05 |
Family
ID=82630747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210398965.5A Pending CN114861527A (zh) | 2022-04-15 | 2022-04-15 | 一种基于时间序列特征的锂电池寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114861527A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115508711A (zh) * | 2022-10-10 | 2022-12-23 | 南京工程学院 | 一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法 |
| CN116298934A (zh) * | 2023-05-19 | 2023-06-23 | 河南科技学院 | 一种用于锂电池健康状态估算的预测网络的建模方法 |
| CN116298936A (zh) * | 2023-05-19 | 2023-06-23 | 河南科技学院 | 在不完全电压范围内的锂离子电池智能健康状态预测方法 |
| CN116432542A (zh) * | 2023-06-12 | 2023-07-14 | 国网江西省电力有限公司电力科学研究院 | 一种基于误差序列修正的开关柜母排温升预警方法及系统 |
| CN116449209A (zh) * | 2023-01-12 | 2023-07-18 | 帕诺(常熟)新能源科技有限公司 | 一种基于lstm的实际运营储能锂电容量预测方法 |
| CN116505629A (zh) * | 2023-06-29 | 2023-07-28 | 深圳市南霸科技有限公司 | 固态电池的控制管理方法、装置、设备及存储介质 |
| CN116774057A (zh) * | 2023-08-18 | 2023-09-19 | 南京大全电气研究院有限公司 | 一种训练电池寿命预测模型和预测电池寿命的方法及装置 |
| CN117879115A (zh) * | 2024-03-11 | 2024-04-12 | 南京道尔斯特电气有限公司 | 一种高能量转换效率的智能电源缓冲模块及实现方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101262076A (zh) * | 2007-03-08 | 2008-09-10 | 复旦大学 | 一种水溶液可充锂电池 |
| CN109270460A (zh) * | 2018-09-04 | 2019-01-25 | 南京工业大学 | 锂离子电池热失控的能量计算方法 |
| CN110222431A (zh) * | 2019-06-11 | 2019-09-10 | 哈尔滨工业大学 | 基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法 |
| CN111832216A (zh) * | 2020-04-14 | 2020-10-27 | 新疆大学 | 基于eemd-mcnn-gru的滚动轴承剩余使用寿命预测方法 |
| 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 |
| CN112379274A (zh) * | 2020-11-16 | 2021-02-19 | 河南科技大学 | 一种动力电池剩余寿命预测方法 |
| CN112986827A (zh) * | 2021-04-12 | 2021-06-18 | 山东凯格瑞森能源科技有限公司 | 一种基于深度学习的燃料电池剩余寿命预测方法 |
| CN113627076A (zh) * | 2021-07-20 | 2021-11-09 | 首都师范大学 | 一种基于hi和ann的锂离子电池rul预测方法 |
| CN113777496A (zh) * | 2021-09-06 | 2021-12-10 | 北京化工大学 | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 |
| CN113919554A (zh) * | 2021-09-22 | 2022-01-11 | 江苏恒鹏智慧城市技术有限公司 | 一种基于小波包-gru神经网络的路灯寿命预测方法 |
| CN113917336A (zh) * | 2021-10-13 | 2022-01-11 | 国网福建省电力有限公司 | 基于片段充电时间和gru的锂离子电池健康状态预测方法 |
-
2022
- 2022-04-15 CN CN202210398965.5A patent/CN114861527A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101262076A (zh) * | 2007-03-08 | 2008-09-10 | 复旦大学 | 一种水溶液可充锂电池 |
| CN109270460A (zh) * | 2018-09-04 | 2019-01-25 | 南京工业大学 | 锂离子电池热失控的能量计算方法 |
| CN110222431A (zh) * | 2019-06-11 | 2019-09-10 | 哈尔滨工业大学 | 基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法 |
| CN111832216A (zh) * | 2020-04-14 | 2020-10-27 | 新疆大学 | 基于eemd-mcnn-gru的滚动轴承剩余使用寿命预测方法 |
| 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 |
| CN112379274A (zh) * | 2020-11-16 | 2021-02-19 | 河南科技大学 | 一种动力电池剩余寿命预测方法 |
| CN112986827A (zh) * | 2021-04-12 | 2021-06-18 | 山东凯格瑞森能源科技有限公司 | 一种基于深度学习的燃料电池剩余寿命预测方法 |
| CN113627076A (zh) * | 2021-07-20 | 2021-11-09 | 首都师范大学 | 一种基于hi和ann的锂离子电池rul预测方法 |
| CN113777496A (zh) * | 2021-09-06 | 2021-12-10 | 北京化工大学 | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 |
| CN113919554A (zh) * | 2021-09-22 | 2022-01-11 | 江苏恒鹏智慧城市技术有限公司 | 一种基于小波包-gru神经网络的路灯寿命预测方法 |
| CN113917336A (zh) * | 2021-10-13 | 2022-01-11 | 国网福建省电力有限公司 | 基于片段充电时间和gru的锂离子电池健康状态预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| REZA ROUHI ARDESHIRI,CHENGBIN MA: "\"Multivariate gated recurrent unit for battery remaining useful life\"", INT J ENERGY RES. * |
| WENXIAN DUAN, CHUANXUE SONG, ET AL.: "\"An Improved Gated Recurrent Unit Network Model for State-of-Charge Estimation of Lithium-Ion Battery\"", ENERGIES * |
| 刘丽丽, 田舒, 吴宇平: "\"动力锂离子电池负极材料的纳米化研究\"", 新材料产业 * |
| 姚远，陈志聪等: "\"采用GRU-MC混合算法的锂离子电池RUL预测\"", 福州大学学报( 自然科学版) * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115508711A (zh) * | 2022-10-10 | 2022-12-23 | 南京工程学院 | 一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法 |
| CN116449209A (zh) * | 2023-01-12 | 2023-07-18 | 帕诺(常熟)新能源科技有限公司 | 一种基于lstm的实际运营储能锂电容量预测方法 |
| CN116298934A (zh) * | 2023-05-19 | 2023-06-23 | 河南科技学院 | 一种用于锂电池健康状态估算的预测网络的建模方法 |
| CN116298936A (zh) * | 2023-05-19 | 2023-06-23 | 河南科技学院 | 在不完全电压范围内的锂离子电池智能健康状态预测方法 |
| CN116298934B (zh) * | 2023-05-19 | 2023-08-04 | 河南科技学院 | 一种用于锂电池健康状态估算的预测网络的建模方法 |
| CN116432542A (zh) * | 2023-06-12 | 2023-07-14 | 国网江西省电力有限公司电力科学研究院 | 一种基于误差序列修正的开关柜母排温升预警方法及系统 |
| CN116432542B (zh) * | 2023-06-12 | 2023-10-20 | 国网江西省电力有限公司电力科学研究院 | 一种基于误差序列修正的开关柜母排温升预警方法及系统 |
| CN116505629A (zh) * | 2023-06-29 | 2023-07-28 | 深圳市南霸科技有限公司 | 固态电池的控制管理方法、装置、设备及存储介质 |
| CN116505629B (zh) * | 2023-06-29 | 2023-09-08 | 深圳市南霸科技有限公司 | 固态电池的控制管理方法、装置、设备及存储介质 |
| CN116774057A (zh) * | 2023-08-18 | 2023-09-19 | 南京大全电气研究院有限公司 | 一种训练电池寿命预测模型和预测电池寿命的方法及装置 |
| CN116774057B (zh) * | 2023-08-18 | 2023-11-14 | 南京大全电气研究院有限公司 | 一种训练电池寿命预测模型和预测电池寿命的方法及装置 |
| CN117879115A (zh) * | 2024-03-11 | 2024-04-12 | 南京道尔斯特电气有限公司 | 一种高能量转换效率的智能电源缓冲模块及实现方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114861527A (zh) | 一种基于时间序列特征的锂电池寿命预测方法 | |
| Ma et al. | A novel method for state of health estimation of lithium-ion batteries based on improved LSTM and health indicators extraction | |
| Xu et al. | A novel data-driven method for predicting the circulating capacity of lithium-ion battery under random variable current | |
| CN109993270A (zh) | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 | |
| Cui et al. | State of health diagnosis and remaining useful life prediction for lithium-ion battery based on data model fusion method | |
| CN114636932A (zh) | 一种电池剩余使用寿命预测方法及系统 | |
| Wei et al. | State of health assessment for echelon utilization batteries based on deep neural network learning with error correction | |
| CN115308606A (zh) | 一种基于邻近特征的锂离子电池健康状态估计方法 | |
| Zhang et al. | A state-of-charge estimation method based on bidirectional lstm networks for lithium-ion batteries | |
| CN115201686A (zh) | 一种不完备充放电数据下的锂离子电池健康状态评估方法 | |
| Cailian | Life prediction of battery based on random forest optimized by genetic algorithm | |
| Cai et al. | Prediction of lithium-ion battery remaining useful life based on hybrid data-driven method with optimized parameter | |
| Zhou et al. | A light-weight feature extractor for lithium-ion battery health prognosis | |
| Mazzi et al. | Lithium-ion battery state of health estimation using a hybrid model based on a convolutional neural network and bidirectional gated recurrent unit | |
| CN112327169B (zh) | 一种锂电池剩余寿命预测方法 | |
| Feng et al. | A data-driven prediction model for the remaining useful life prediction of lithium-ion batteries | |
| Nair et al. | AI-Driven Digital Twin Model for Reliable Lithium-Ion Battery Discharge Capacity Predictions | |
| Ren et al. | A novel multiple training-scale dynamic adaptive cuckoo search optimized long short-term memory neural network and multi-dimensional health indicators acquisition strategy for whole life cycle health evaluation of lithium-ion batteries | |
| Zhang et al. | Lithium battery SOC prediction based on mproved BP eural etwork algorithm | |
| CN116047314B (zh) | 一种可充电电池健康状态预测方法 | |
| CN112731183A (zh) | 一种基于改进的elm的锂离子电池寿命预测方法 | |
| Lv et al. | Analysis of strategies to maximize the cycle life of lithium-ion batteries based on aging trajectory prediction | |
| CN116400224A (zh) | 一种基于工作温度矫正的电池剩余使用寿命预测方法 | |
| CN115993537A (zh) | 基于相关性分析和woa-lstm的锂电池容量预测方法 | |
| CN115389946A (zh) | 一种基于等压升能量和改进gru的锂电池健康状态估计方法 |
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 |