CN114936682A - 基于变分模态分解的锂离子电池剩余使用寿命预测方法 - Google Patents
基于变分模态分解的锂离子电池剩余使用寿命预测方法 Download PDFInfo
- Publication number
- CN114936682A CN114936682A CN202210499090.8A CN202210499090A CN114936682A CN 114936682 A CN114936682 A CN 114936682A CN 202210499090 A CN202210499090 A CN 202210499090A CN 114936682 A CN114936682 A CN 114936682A
- Authority
- CN
- China
- Prior art keywords
- prediction
- lithium ion
- ion battery
- model
- lstm
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 40
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 33
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000006731 degradation reaction Methods 0.000 claims abstract description 10
- 230000015654 memory Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 230000015556 catabolic process Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims 4
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 230000007774 longterm Effects 0.000 description 5
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008929 regeneration Effects 0.000 description 2
- 238000011069 regeneration method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000001453 impedance spectrum Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种基于变分模态分解的锂离子电池剩余使用寿命预测方法，属于新能源技术领域。针对锂离子电池退化过程具有高度非线性和随机性，且现有的基于单一模型的锂离子电池剩余寿命预测方法预测精度不高。为了解决了单一预测模型普适性低的问题，提出了一种将锂离子电池原始容量失效序列分解为具有不同特征的多个尺度的分量序列进行剩余使用寿命预测的方法。按以下步骤进行预测：S1：改进的变分模态分解数据预处理；S2：滑动窗口预测模型构建；S3：高斯过程回归预测模型构建；S4：容量预测区间；S5：根据失效阈值得到寿命预测区间。
Description
技术领域
本发明属于新能源技术领域，涉及基于变分模态分解的锂离子电池剩余使用寿命预测方法。
背景技术
随着锂离子电池的快速发展，其在电动汽车领域获得了大规模的商业化应用，已逐渐成为了电动汽车动力电池包的主流选择。然而，锂离子电池在使用过程中由于环境温度、充放电循环次数增加等因素，其性能会逐渐劣化，容量会不断衰退，进而导致电动汽车续航里程数的减少。此外，锂离子电池的劣化通常伴随着内阻的增大，发热量会显著增加，从而加快了电池内部副反应的进行，导致使用寿命快速衰减，甚至引发电池包热失控，造成安全事故。
锂离子电池的剩余使用寿命预测就是通过历史时刻充放电数据的分析和研究，预测出电池容量的变化趋势以得到剩余的充放电循环周期数。较为准确地预测锂离子电池的剩余使用寿命可以掌握电池劣化的规律，及时了解电池的健康状态，降低使用成本和维护费用。在保证用户出行体验的同时，尽量避免因电池衰退失效而导致的安全事故，从而保障电池系统的安全性和可靠性。
发明内容
有鉴于此，本发明的目的在于提供一种基于变分模态分解的锂离子电池剩余使用寿命预测方法。基于电池容量退化序列不稳定的问题，提出了改进的VMD预处理方法对原始序列进行分解，得到了相对稳定分量序列的同时解决了VMD中一些关键参数的选择没有统一标准的问题。
为达到上述目的，本发明提供如下技术方案：
本发明提供如下技术方案，具体包括以下步骤：
S1：改进的变分模态分解数据预处理：采用改进的VMD预处理方法对退化数据进行预处理。
S2：滑动窗口预测模型构建：采用带有滑动窗口的长短时记忆结构神经网络模型对分解得到的分量序列分别构造预测模型以实现RUL的预测。
S3：高斯过程回归预测模型构建：预测结果与LSTM神经网络对低频分量的预测结果结合得到分量的置信上限与置信下限。
S4：容量预测区间：结合S1、S2与S3中的预处理数据与预测结果，基于改进VMD-LSTM-GPR模型得到容量预测预测区间，以保证组合预测模型的点预测精度。
S5：根据失效阈值得到寿命预测区间：由S4中容量预测区间得到寿命预测区间。
步骤S1具体为：针对变分模态分解中各个参数难以确定的问题，不同模态个数K的值下各个序列与原始序列的相关系数(皮尔逊相关系数)的变化可以作为确定模态个数K值的依据。各个模态分量与原始序列中最小的相关系数会随着K值增大不断变小。具体的K值确定流程如下：首先预设K＝K0，进行变分模态分解，计算各个模态分量与原始序列的相关系数，若最小值小于初始设定阈值则视为分解完毕，否则K＝K0+1。这个确定方法的问题在于阈值难以设定，容易出现K值实际的最优值比该方法求解出的要小。初始化模态个数K＝2，计算各个IMF及残差分量与原始序列的相关系数，跳至步骤S14。
S11：通过K值进行VMD，计算各个IMF及残差分量与原始序列的相关系数。
S12：若IMF2的相关系数大于IMF1的相关系数，即RIMF2＞RIMF1，则继续S13，否则跳至S14；
S13：若当前K值的残差分量与上一个K值的残差分量变化很大，即|R′res|/|Rres|＞2，则K-1可以视为是一个分界点，否则跳至S14。
若满足终止条件，则K-1即为最优K值。
S14：将最小的相关系数、最小相关系数的变化幅度和残差分量相关系数分别更新至R′min、P和R′res中，令K＝K+1，返回S11。
其中终止条件的计算公式如下：
式中R′min和Rmin分别为K-1和当前K值的最小相关系数，ε代表终止阈值，可取为10％～15％。
惩罚因子α是在约束变分问题转换为非约束变分问题中引入的，取不同值会让各个分量显现不同的变化趋势，从而出现不同程度的残差分量ε(t)。，关于该参数的选取需要在保证IMF1是一个单调递减分量的基础上，让残差尽可能小，计算公式如下：
因此最终惩罚因子α的确定可以通过对比多组预设α下的残差得到。
步骤S2具体为：由于LSTM与标准RNN模型类似，可在时间上展开为重复神经网络模块的循环链式结构，主要由遗忘门、输入门和输出门三个门(Gate)以及一个记忆单元状态Ct组成。首先通过遗忘门丢弃一些记忆，遗忘门的计算公式为：
ft＝σ(Wf·[yt-1，xt]+bf)
再从输入门中选择一些新的记忆添加进来，最终结果经过输出门过滤，得到这一时间步长内的单元输出yt(也被称为短时记忆状态)。从而可以选择性地保存有效的输出信息而遗忘之前无用的信息，更为高效地处理长序列信息，其中输入门的计算公式为：
it＝σ(Wi·[yt-1，xt]+bi)
输出门的计算公式：
ot＝σ(Wo·[yt-1，xt]+bo)
则这一时间步长的单元输出yt则为记忆单元状态Ct经过tanh激活函数映射后的数值与sigmoid函数的输出ot的乘积得到，即：
yt＝ottanh(Ct)
通过滑动窗口，以t-1-d，...，t时刻所对应的窗口大小d内的实际数据yt-1-d，...，yt作为模型的输入，通过LSTM学习该时间段内实际数据体现的特征，最后通过下式实现对下一个时间步长的单步预测：
yt+1＝LSTM(yt-1-d，...，yt)
步骤S3具体为：其中，对回归模型而言f(x)的形式不是固定的，每个形式都可以看作是函数空间的一个测度，而GPR取该函数空间的先验为高斯过程，对于0均值高斯过程而言，则f(x)可以表示为：
f(x)～GP[0，k(xi，xj)]
接着对给定的训练集根据贝叶斯理论建立先验函数，由于噪声ε服从高斯分布ε～N(0，σ2)，则观测值y的有限维分布即联合分布集合则可形成一个新的高斯过程，如下式所示：
对于预处理后的训练集样本X和测试集样本x*，其均值m(x)＝m(x*)＝0，I为单位矩阵，K(X，x*)代表训练集样本和测试集样本之间的协方差矩阵。
已知联合高斯分布的情况下，可以得到f(x*)的条件概率分布为：
从函数空间角度的线性贝叶斯回归中，可以计算推出f(x*)的后验分布公式为：
f(x*)|X，Y，x*～N(m*，cov(f(x*)))
式中，m*为后验分布的均值，亦可作为GPR模型点预测结果，cov(f(x*))为后验分布的方差，每个样本点根据各自的均值和方差就可以计算得到指定置信水平下的预测区间。
步骤S4具体为：针对步骤S3中建立的预测模型仅能实现RUL点估计的问题，提出了VMD-LSTM-GPR的组合预测模型。采用GPR模型对高频分量进行建模，以实现对电池容量退化过程的不确定表达，将预测结果与LSTM神经网络对低频分量的预测结果结合以得到容量预测区间。
步骤S5具体为：建立了基于改进VMD-LSTM-GPR的锂离子电池RUL区间预测模型，将LSTM对于低频分量的点预测结果与GPR得到的高频分量的双侧置信区间进行叠加，进而得到RUL预测区间。
本发明的有益效果在于：
1)主要通过针对锂离子电池退化过程中的数据分别采用EEMD和改进VMD进行分解实验，结果表明该改进方法具有更高的分解精度。
2)各分量的正交性较好且分解结果中不存在模态混叠现象，能有效提取出锂离子电池容量序列中的长期退化趋势并捕获到容量再生现象。
3)建立了基于改进VMD-LSTM-GPR的锂离子电池RUL区间预测模型，将LSTM对于低频分量的点预测结果与GPR得到的高频分量的双侧置信区间进行叠加，解决了单一GPR模型得到过于宽泛的预测区间从而失去区间预测结果意义的问题，实验证明该方法虽然牺牲了一部分的区间覆盖率，但大幅缩减了预测区间结果的宽度，获得了更为精确的预测结果。从而提升剩余寿命预测的效果。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到指导。本发明的目标和其他优点可以通过下面的说明书来实现和获得
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明的结构框架图；
图2为B5锂电池变分模态分解和集合经验模态分解效果对比图；
图3为B6锂电池变分模态分解和集合经验模态分解效果对比图；
图4为变分模态分解参数确定流程图；
图5为基于滑动窗口的LSTM模型训练结构图；
图6为B18号电池容量序列预测结果图；
图7为高斯过程回归区间预测结构图；
图8为B5号电池改进VMD-LSTM-GPR预测结果图；
图9为B7号电池改进VMD-LSTM-GPR预测结果图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
如图1所示，本发明的实施过程包括：
S1：改进的变分模态分解数据预处理：改进的变分模态分解数据预处理包括两步，第一步是模态个数K值的确定，其核心思想在于，首先预设K＝K0，进行变分模态分解，计算各个模态分量与原始序列的相关系数，若满足终止条件，则K–1即为最优K值。若最小值小于初始设定阈值则视为分解完毕，否则K＝K0+1。其中终止条件的计算公式如下：
式中R′min和Rmin分别为K-1和当前K值的最小相关系数，ε代表终止阈值，可取为10％～15％。
第二步是惩罚因子α的确定，如果VMD能对原始容量序列进行有效分解，那么低频分量应呈现单调递减趋势以方便后续建模，且分解之后的残差应该很小以保证预测精度。因此，关于该参数的选取需要在保证IMF1是一个单调递减分量的基础上，让残差尽可能小，计算公式为：
为了进一步比较分解性能，这里引入Huang等定义的正交性指标(Index ofOrthogonality，IO)，这也是判断序列分解技术分解效果常用的指标。该值越小，证明各分量间正交性越好，序列分解精度越高。其定义如下所示：
通过上式获取上述两组电池容量数据分解结果的IO值，实验求得对于两组电池的容量数据，改进VMD的IO值均小于EEMD，因此分解性能更好。
S2：滑动窗口预测模型构建：滑动窗口预测模型构建是为了解决标准RNN模型在处理长序列样本时普遍出现的梯度消失与梯度爆炸现象并利用长序列的长期依赖性，长短时记忆神经网络结构，与典型RNN模型相比，LSTM在隐含层中增加了一个记忆状态，以用于解决长期依赖问题。
主要由遗忘门、输入门和输出门三个门(Gate)以及一个记忆单元状态Ct组成，LSTM的核心思想就是从记忆单元状态Ct中学习哪些信息需要保留、丢弃和读取。在每个时间步长内，上一个时间步长的记忆状态Ct-1从左向右在网络中传播。
则这一时间步长的单元输出yt则为记忆单元状态Ct经过tanh激活函数映射后的数值与sigmoid函数的输出ot的乘积得到，即：
yt＝ottanh(Ct)
S3：高斯过程回归预测模型构建：预测结果与LSTM神经网络对低频分量的预测结果结合得到分量的置信上限与置信下限。
从函数空间角度的线性贝叶斯回归中，可以计算推出f(x*)的后验分布：
f(x*)|X，Y，x*～N(m*，cov(f(x*)))
S4：容量预测区间：用于高频分量的SW-LSTM模型用GPR模型进行代替以得到各个分量的预测区间。以S1、S2与S3中的预处理数据与预测结果，基于改进VMD-LSTM-GPR模型得到容量预测区间，以保证组合预测模型的点预测精度。
S5：根据失效阈值得到寿命预测区间：由S4中的容量预测区间得到剩余使用寿命预测区间。
实验
本实例进行锂离子电池剩余寿命预测研究所采用的实验数据来源于美国国家航天航空局PcoE实验室。电池加速寿命测试平台主要是由可编程电子负载、电源、恒温箱、热电偶传感器、电化学阻抗谱和计算机构成，实验对象为额定容量为2Ah的商用18650钴酸锂离子电池，通过该测试平台，在不同条件下对多组锂离子电池进行老化循环测试。为了评估所采用的变分模态分解技术对于高度非线性的电池退化数据的分解能力，采用数据集中典型的一组实验数据(电池#B5、#B6、#B7和#B18)来验证。该组实验是在室温24℃下通过重复执行电池的充、放电循环操作直至电池寿命终结，获得电池不同寿命阶段的性能、特性。
LSTM通过引入这三个门和记忆单元，可以有选择地记忆或遗忘序列历史信息，实现了对存在长期依赖的信息的有效利用。此外，由于三个门的激活函数为sigmoid，这三个门的输出要么接近0，要么接近1，梯度能在在反向传播中能够很好地传递，很大程度上减轻了梯度消失和梯度爆炸出现的概率。同时保留了RNN结构的优势，能同时激活多个隐含层得到线性状态并完成序列特征的学习。LSTM神经网络在处理锂离子电池容量数据这种长期时间序列上具有显著优势，面对序列数据中存在的波动LSTM能及时给与响应，有效降低了迭代过程中陷入局部最优现象的可能性，进一步提高了预测的精度。
该组合预测模型通过LSTM神经网络结构可以解决RNN处理长序列时出现的梯度消失和梯度爆炸现象，并能有效利用序列的长期依赖性。此外，采用滑动窗口的方式将单维时序特征拓展到多维度上，解决了LSTM对高频分量建模时容易过度关注异常极值点从而出现过拟合的问题。最后以NASA锂离子电池退化数据中的四组电池为例验证了所提组合预测模型的有效性，结果表明，由于该模型对原始容量数据进行了改进VMD预处理，可以很好地学习到锂离子电池的容量再生现象且能有效跟踪容量的下降趋势，提高了预测模型的预测精度。预测结果如图6所示。
为了验证本章所提出的改进VMD-LSTM-GPR组合区间预测模型的有效性，选择锂离子电池老化数据集中失效阈值不同的电池#B5和#B7两组数据进行仿真实验。与之前的预测实验相同，选取前80个循环周期的数据作为训练集，其余周期的数据用于测试，而关于容量的预测区间是在置信水平95％下得到的。同时，本节选取了另外两个模型的预测结果进行对比：直接对原始数据进行GPR的模型和改进VMD-GPR的组合模型以验证改进VMD-LSTM-GPR的预测效果。VMD数据预处理后如图2、图3所示，图4为变分模态分解参数确定流程图；图5为基于滑动窗口的LSTM模型训练结构图；图7为高斯过程回归区间预测结构图；RUL预测结果如图8、图9所示。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.基于变分模态分解的锂离子电池剩余使用寿命预测方法，其特征在于：该方法包括以下步骤：
S1：改进的变分模态分解数据预处理：采用改进的变分模态分解VMD预处理方法对退化数据进行预处理；
S2：滑动窗口预测模型构建：采用带有滑动窗口的长短时记忆结构神经网络模型对分解得到的分量序列分别构造预测模型以实现剩余使用寿命RUL的预测；
S3：高斯过程回归预测模型构建：预测结果与LSTM神经网络对低频分量的预测结果结合得到分量的置信上限与置信下限；
S4：容量预测区间：结合S1、S2与S3中的预处理数据与预测结果，基于改进变分模态分解-长短时记忆-高斯过程回归VMD-LSTM-GPR模型得到容量预测预测区间，以保证组合预测模型的点预测精度；
S5：根据失效阈值得到寿命预测区间：由S4中容量预测区间得到剩余寿命预测区间。
2.根据权利要求1所述的基于变分模态分解的锂离子电池剩余使用寿命预测方法，其特征在于：所述S1具体为：
初始化模态个数K＝2，计算各个本征模态函数IMF及残差分量与原始序列的相关系数，惩罚因子α是在约束变分问题转换为非约束变分问题中引入的，取不同值会让各个分量显现不同的变化趋势，从而出现不同程度的残差分量ε(t)；通过终止条件的计算确定出模态个数K与惩罚因子α，具体计算公式如下：
其中R′min和Rmin分别为K-1和当前K值的最小相关系数，ε代表终止阈值，取为10％～15％；意味着只要K值的终止条件在10％～15％内，能够取得；惩罚因子α的确定通过对比多组预设α下的残差得到。
3.根据权利要求2所述的基于变分模态分解的锂离子电池剩余使用寿命预测方法，其特征在于：所述S2具体为：
长短时记忆LSTM与标准循环神经网络RNN模型类似，在时间上展开为重复神经网络模块的循环链式结构，由遗忘门、输入门和输出门三个门以及一个记忆单元状态Ct组成；首先通过遗忘门丢弃记忆，遗忘门的计算公式为：
ft＝σ(Wf·[yt-1，xt]+bf)
再从输入门中选择一些新的记忆添加进来，最终结果经过输出门过滤，得到这一时间步长内的单元输出yt，被称为短时记忆状态；从而选择性地保存有效的输出信息而遗忘之前无用的信息，处理长序列信息；
输出门的计算公式：
ot＝σ(Wo·[yt-1，xt]+bo)
则这一时间步长的单元输出yt则为记忆单元状态Ct经过tanh激活函数映射后的数值与sigmoid函数的输出ot的乘积得到，即：
yt＝ottanh(Ct)
基于滑动窗口LSTM模型的训练过程为：通过滑动窗口，以t-1-d，...，t时刻所对应的窗口大小d内的实际数据yt-1-d，...，yt作为模型的输入，通过LSTM学习该时间段内实际数据体现的特征，最后通过下式实现对下一个时间步长的单步预测：
yt+1＝LSTM(yt-1-d，...，yt)。
4.根据权利要求3所述的基于变分模态分解的锂离子电池剩余使用寿命预测方法，其特征在于：所述S3具体为：
对给定的训练集根据贝叶斯理论建立先验函数，噪声ε服从高斯分布ε～N(0，σ2)，观测值y的有限维分布即联合分布集合则形成新的高斯过程，如下式所示：
对于预处理后的训练集样本X和测试集样本x*，其均值m(x)＝m(x*)＝0，I为单位矩阵，K(X，x*)代表训练集样本和测试集样本之间的协方差矩阵；
从函数空间角度的线性贝叶斯回归中，计算推出f(x*)的后验分布公式为：
f(x*)|X，Y，x*～N(m*，cov(f(x*)))
式中，m*为后验分布的均值，作为GPR模型点预测结果，cov(f(x*))为后验分布的方差，每个样本点根据各自的均值和方差计算得到指定置信水平下的预测区间。
5.根据权利要求4所述的基于变分模态分解的锂离子电池剩余使用寿命预测方法，其特征在于：所述S4具体为：
针对建立的预测模型仅能实现RUL点估计的问题，提出VMD-LSTM-GPR的组合预测模型；采用GPR模型对高频分量进行建模，将预测结果与LSTM神经网络对低频分量的预测结果结合以得到容量预测预测区间。
6.根据权利要求5所述的基于变分模态分解的锂离子电池剩余使用寿命预测方法，其特征在于：所述S5具体为：
建立基于改进VMD-LSTM-GPR的锂离子电池RUL区间预测模型，将LSTM对于低频分量的点预测结果与GPR得到的高频分量的双侧置信区间进行叠加，进而得到RUL预测区间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210499090.8A CN114936682B (zh) | 2022-05-09 | 2022-05-09 | 基于变分模态分解的锂离子电池剩余使用寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210499090.8A CN114936682B (zh) | 2022-05-09 | 2022-05-09 | 基于变分模态分解的锂离子电池剩余使用寿命预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114936682A true CN114936682A (zh) | 2022-08-23 |
| CN114936682B CN114936682B (zh) | 2024-05-17 |
Family
ID=82864555
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210499090.8A Active CN114936682B (zh) | 2022-05-09 | 2022-05-09 | 基于变分模态分解的锂离子电池剩余使用寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114936682B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116203448A (zh) * | 2023-02-07 | 2023-06-02 | 江南大学 | 基于蒙特卡洛和深度学习的动力电池剩余寿命预测方法 |
| CN117805662A (zh) * | 2024-02-26 | 2024-04-02 | 深圳市拓湃新能源科技有限公司 | 电池参数处理方法、装置、设备及存储介质 |
| CN118191612A (zh) * | 2024-03-20 | 2024-06-14 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于可扩展循环神经网络的锂电池健康诊断方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112348185A (zh) * | 2020-11-04 | 2021-02-09 | 上海海事大学 | 一种基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法 |
| CN112508244A (zh) * | 2020-11-25 | 2021-03-16 | 武汉大学 | 一种用户级综合能源系统多元负荷预测方法 |
| CN112966432A (zh) * | 2021-02-09 | 2021-06-15 | 东北电力大学 | 一种锂离子电池剩余有效寿命预测方法及装置 |
| WO2021138925A1 (zh) * | 2020-01-08 | 2021-07-15 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
| CN116643174A (zh) * | 2023-05-09 | 2023-08-25 | 大连理工大学 | 一种电池剩余寿命预测方法 |
| CN117420442A (zh) * | 2023-11-07 | 2024-01-19 | 长安大学 | 一种基于mnq-lstm的电池剩余寿命预测方法 |
-
2022
- 2022-05-09 CN CN202210499090.8A patent/CN114936682B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021138925A1 (zh) * | 2020-01-08 | 2021-07-15 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
| CN112348185A (zh) * | 2020-11-04 | 2021-02-09 | 上海海事大学 | 一种基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法 |
| CN112508244A (zh) * | 2020-11-25 | 2021-03-16 | 武汉大学 | 一种用户级综合能源系统多元负荷预测方法 |
| CN112966432A (zh) * | 2021-02-09 | 2021-06-15 | 东北电力大学 | 一种锂离子电池剩余有效寿命预测方法及装置 |
| CN116643174A (zh) * | 2023-05-09 | 2023-08-25 | 大连理工大学 | 一种电池剩余寿命预测方法 |
| CN117420442A (zh) * | 2023-11-07 | 2024-01-19 | 长安大学 | 一种基于mnq-lstm的电池剩余寿命预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| CHAOLONG ZHANG 等: "An Integrated Method of the Future Capacity and RUL Prediction for Lithium-Ion Battery Pack", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》, vol. 71, no. 3, 28 December 2021 (2021-12-28), pages 2601 - 2613 * |
| 刘志文: "基于变分模态分解的锂离子电池剩余使用寿命预测方法研究", 《万方学位数据库》, 1 November 2023 (2023-11-01), pages 1 - 80 * |
| 王冉 等: "基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法", 《仪器仪表学报》, vol. 42, no. 4, 13 May 2021 (2021-05-13), pages 111 - 120 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116203448A (zh) * | 2023-02-07 | 2023-06-02 | 江南大学 | 基于蒙特卡洛和深度学习的动力电池剩余寿命预测方法 |
| CN116203448B (zh) * | 2023-02-07 | 2023-10-03 | 江南大学 | 基于蒙特卡洛和深度学习的动力电池剩余寿命预测方法 |
| CN117805662A (zh) * | 2024-02-26 | 2024-04-02 | 深圳市拓湃新能源科技有限公司 | 电池参数处理方法、装置、设备及存储介质 |
| CN117805662B (zh) * | 2024-02-26 | 2024-06-11 | 深圳市拓湃新能源科技有限公司 | 电池参数处理方法、装置、设备及存储介质 |
| CN118191612A (zh) * | 2024-03-20 | 2024-06-14 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于可扩展循环神经网络的锂电池健康诊断方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114936682B (zh) | 2024-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Online remaining useful life prediction of lithium-ion batteries using bidirectional long short-term memory with attention mechanism | |
| Oji et al. | Data-driven methods for battery soh estimation: Survey and a critical analysis | |
| CN114936682A (zh) | 基于变分模态分解的锂离子电池剩余使用寿命预测方法 | |
| Xu et al. | A novel data-driven method for predicting the circulating capacity of lithium-ion battery under random variable current | |
| Liu et al. | Prognostics for state of health estimation of lithium-ion batteries based on combination Gaussian process functional regression | |
| Pan et al. | Transfer learning-based hybrid remaining useful life prediction for lithium-ion batteries under different stresses | |
| Chen et al. | A long short-term memory neural network based Wiener process model for remaining useful life prediction | |
| Li et al. | A comparative study of battery state-of-health estimation based on empirical mode decomposition and neural network | |
| CN111310387B (zh) | 一种燃料电池寿命预测方法 | |
| Xia et al. | State of health and remaining useful life prediction of lithium-ion batteries based on a disturbance-free incremental capacity and differential voltage analysis method | |
| CN111595485B (zh) | 一种基于降阶模型的锂离子电池在线温度分布观测器设计方法 | |
| Li et al. | Accurate state of charge prediction for real-world battery systems using a novel dual-dropout-based neural network | |
| Wang et al. | Multiple indicators-based health diagnostics and prognostics for energy storage technologies using fuzzy comprehensive evaluation and improved multivariate grey model | |
| CN113093020B (zh) | 基于lstm神经网络预测锂离子电池剩余使用寿命方法 | |
| CN113125987A (zh) | 一种新型混合的锂离子电池健康状态预测方法 | |
| Bhalaji et al. | Remaining Useful Life (RUL) estimation of lead acid battery using bayesian approach | |
| CN111707956B (zh) | 多类型锂离子电池组管理系统的健康状态和剩余寿命预测方法 | |
| CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和系统 | |
| Xu et al. | State-of-charge estimation and health prognosis for lithium-ion batteries based on temperature-compensated Bi-LSTM network and integrated attention mechanism | |
| CN116125306A (zh) | 基于混合预测框架的动力电池热失控诊断方法及系统 | |
| CN113687242A (zh) | 基于ga算法优化改进gru神经网络的锂离子电池soh估计方法 | |
| Cao et al. | A flexible battery capacity estimation method based on partial voltage curves and polynomial fitting | |
| CN116298936A (zh) | 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 | |
| CN113361692A (zh) | 一种锂电池剩余寿命结合预测方法 | |
| Wang et al. | A hybrid method for online cycle life prediction of lithium‐ion batteries |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |