CN115166561A - 一种基于cnn-gru组合神经网络的锂电池寿命预测方法 - Google Patents

一种基于cnn-gru组合神经网络的锂电池寿命预测方法 Download PDF

Info

Publication number
CN115166561A
CN115166561A CN202210821896.4A CN202210821896A CN115166561A CN 115166561 A CN115166561 A CN 115166561A CN 202210821896 A CN202210821896 A CN 202210821896A CN 115166561 A CN115166561 A CN 115166561A
Authority
CN
China
Prior art keywords
lithium battery
cnn
capacity
gru
charge
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
Application number
CN202210821896.4A
Other languages
English (en)
Inventor
谢琳惺
张安安
李茜
彭欣
宾帆
唐涛
刘鑫宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Petroleum University
Original Assignee
Southwest Petroleum University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Petroleum University filed Critical Southwest Petroleum University
Priority to CN202210821896.4A priority Critical patent/CN115166561A/zh
Publication of CN115166561A publication Critical patent/CN115166561A/zh
Pending legal-status Critical Current

Links

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]
    • G01R31/392—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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • 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
    • G06N3/08—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
    • 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)
  • 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)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

本发明提供了一种基于CNN‑GRU组合神经网络的锂电池寿命预测方法，包括：对锂电池进行循环充放电实验：单次充放电过程包括恒流充电阶段、恒压充电阶段、放电阶段；获取循环充放电实验中的锂电池间接健康因子；构建CNN‑GRU模型：将每次充放电实验的锂电池间接健康因子和锂电池容量真实值输入至CNN层，提取锂电池间接健康因子与锂电池容量间的特征信息，并输入至GRU层优化学习锂电池容量内部的变化规律；锂电池容量预测：将循环充放电实验的锂电池间接健康因子输入至CNN‑GRU模型，输出锂电池容量预测结果。本发明验证了所提取的健康因子与容量之间的相关性，解决了锂电池容量及内阻等直接性能参数获取困难的问题，具有更好的预测效果与预测精度。

Description

一种基于CNN-GRU组合神经网络的锂电池寿命预测方法
技术领域
本发明涉及锂电池寿命预测技术领域，具体涉及一种基于CNN-GRU组合神经网络的锂电池寿命预测方法。
背景技术
近年来，随着能源危机和环境污染问题的日益突出，以及碳达峰碳中和国家战略目标的提出，使得锂电池凭借体积小、环保无污染及循环寿命长等优点，成为电动汽车领域的主流技术解决方案。然而，随着锂电池不断地充放电循环使用，电池内阻增大，导致电池内部发生不可逆转的老化，从而使电池剩余使用寿命(Remaining Useful Life,RUL)不断衰减，削减电动汽车的行驶里程且存在巨大的安全隐患。因此准确预测锂电池寿命，提前获知寿命信息，及时更换和维护电池，对避免危险事故的发生，降低运行成本具有重要意义。
由锂电池的退化机理分析可知，锂电池不断地充放电循环使用，电池内阻增大，可用容量和能量不断衰减，进而导致电池寿命衰减。然而，在电池实际运行过程中，容量与内阻受外界环境干扰因素及采集仪器精密度难以达到标准等问题困扰，获取困难。
目前，关于锂电池寿命预测的研究越来越多，提出用于提高RUL预测精度的方法主要分为机理模型法和数据驱动法：
基于机理模型的方法是利用精确的数理模型与失效退化机制描述锂电池退化过程，从而实现对锂电池RUL的预测。现有技术中采用高斯-厄米特粒子滤波器技术对等效电路模型的锂电池RUL进行预测，可以获得较高的预测精度，但模型计算及参数识别都较为复杂。基于分数阶等效电路模型，建立锂电池的电化学阻抗图谱，引入到PF框架中用以预测RUL的方法过于依赖准确而复杂的电池退化模型。
基于数据驱动的方法是通过提取锂电池充放电循环过程中历史运行数据与当前数据中的隐藏信息，追踪电池退化的趋势与退化进程，进而实现RUL的预测。现有技术中基于传统LSTM的RUL预测方法利用相关向量机监测设备性能退化的起始时间，LSTM负责计算设备RUL，但LSTM需要大量训练参数，且模型收敛速度较慢。
综上所述，目前大多数文献对从充电和放电中提取能够直接表征电池性能退化的健康因子提取存在困难，导致电池寿命预测精度不高。而传统提高锂电池寿命预测精度的机理模型法过于依赖准确的退化模型，数据驱动法又仅仅只考虑单一的神经网络进行预测，在工况复杂的环境下不具有较高预测准确度。
因此，如何提供一种通过合理提取电池性能退化的健康因子的基于CNN-GRU组合神经网络的锂电池寿命预测方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了提供一种基于CNN-GRU组合神经网络的锂电池寿命预测方法，以解决锂电池容量及内阻等直接性能参数获取困难，导致锂电池寿命预测准确度不高的问题。
为了实现上述目的，本发明采用如下技术方案：
本发明公开了一种基于CNN-GRU组合神经网络的锂电池寿命预测方法，包括如下步骤：
S1、对锂电池进行循环充放电实验：单次充放电过程包括恒流充电阶段、恒压充电阶段、放电阶段；
S2、获取循环充放电实验中的锂电池间接健康因子：
根据恒流充电阶段电压变化，获取从初始标称电压到截止电压的时间间隔为健康因子H1；
根据恒压充电阶段电流变化，获取电压到截止电压时的初始电流值降至设定所需电流值时的时间间隔为健康因子H2；
根据放电阶段温度变化，获取放电温度达到峰值时间间隔为健康因子H3；
获取锂电池可用容量到达设定下限阈值时经历的循环充放电次数为健康因子H4；
S3、构建CNN-GRU模型：将每次充放电实验的锂电池间接健康因子和锂电池容量真实值输入至CNN层，提取锂电池间接健康因子与锂电池容量间的特征信息，并输入至GRU层优化学习锂电池容量内部的变化规律；
S4、锂电池容量预测：将循环充放电实验的锂电池间接健康因子输入至CNN-GRU模型，输出锂电池容量预测结果。
优选的，所述循环充放电实验包括：
充电模式：以恒定电流对锂电池进行充电，初始标称电压随着恒流充电时间的增加而增加到截止电压，然后维持截止电压直至充电到电流降至设定所需电流值为止；
放电模式：以恒定电流对锂电池进行放电，直至初始电流值降至设定所需电流值为止。
根据权利要求1所述的基于CNN-GRU组合神经网络的锂电池寿命预测方法，其特征在于，还包括通过Pearson相关分析法及Spearman相关分析法，验证锂电池间接健康因子与容量之间的相关性的步骤。
优选的，还包括利用评价指标对CNN-GRU模型的预测结果进行评价的步骤：所述评价指标包括：锂电池容量预测值与锂电池容量真实值之间的平均绝对百分比误差和均方根误差。
经由上述的技术方案可知，与现有技术相比，本发明的有益效果包括：
本发明有效解决锂电池容量及内阻等直接性能参数获取困难，导致锂电池寿命预测准确度不高的问题。具体体现在以下两点：
1、通过提取恒流充电时间间隔、恒压充电时间间隔、放电温度峰值时间及循环次数作为锂电池的间接健康因子，并通过Pearson及Spearman分析法，验证了所提取的健康因子与容量之间的相关性，解决了锂电池容量及内阻等直接性能参数获取困难的问题；
2、采用CNN-GRU组合神经网络模型对锂电池寿命预测，所得平均绝对百分比误差MAPE与均方根误差RMSE比其他神经网络都小，具有更好的预测效果与预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的CNN-GRU模型预测流程图；
图2为本发明实施例提供的CNN-GRU模型架构图；
图3为本发明实施例提供的电池容量衰退曲线图；
图4为本发明实施例提供的恒流充电电压曲线图；
图5为本发明实施例提供的恒压充电电流曲线图；
图6为本发明实施例提供的放电温度曲线图；
图7为本发明实施例提供的5种方法的锂电池寿命预测结果图一；
图8为本发明实施例提供的5种方法的锂电池寿命预测结果图二。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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，都属于本发明保护的范围。
本发明实施例公开了一种基于CNN-GRU组合神经网络的锂电池寿命预测方法，主要包括以下几个步骤：
S1、对锂电池进行循环充放电实验：
锂电池充/放电模式
在室温下对锂电池进行循环充放电实验，可分为充电模式与放电模式两种，具体操作过程如下：
1)充电模式：以某一恒定电流对锂电池进行充电，初始标称电压随着恒流充电时间的增加而不断增加，当初始标称电压增加到截止电压，然后以截至电压一直充电到电流降至某一特定电流为止。
2)放电模式：以某一恒定电流对锂电池进行放电，考虑实际放电情况，电池的电压会降低到某一所需的电压。
S2、获取循环充放电实验中的锂电池间接健康因子：
随着锂电池不断地充放电循环使用，电池内阻增大，可用容量和能量不断衰减，进而导致电池寿命衰减。然而在电池实际运行中，受外界环境影响及严苛的实验环境限制，容量及内阻等直接性能参数获取困难。因此，考虑从锂电池的充放电循环周期中提取间接健康因子，以此来表征电池的健康状态，如电池的电压、温度、电流等均可适当选择。
1)恒流充电时间间隔
以某一恒定电流对锂电池充电，随着充放电循环次数的增加，从初始电压增加到截止电压所需时间逐渐减少。此阶段中，电压变化明显，由此可知，恒流充电阶段电压可间接表征电池健康状态信息。因此取从初始标称电压到截止电压的时间间隔为健康因子，记作H1。
2)恒压充电时间间隔
随着充放电循环次数的增加，以恒定电压对锂电池进行充电，从初始电流下降到设定电流所需的充电时间逐渐减少。此阶段中，电流变化明显。考虑实际应用，因此选取电流值从初始电流降至实际所需电流时的充电时间作为健康因子，记作H2。
3)放电温度峰值时间
锂电池在放电过程中，随着放电时间的增加，电池的温度增大至温度峰值再下降，温度变化明显。因此，取放电温度达到峰值时间作为锂电池的第三个健康因子，记作H3。
4)循环次数
锂电池充放电实验不断进行，电池内阻增大，循环次数也会增大，可用容量和能量不断衰减，进而导致电池寿命衰减。因此，选取循环次数为第四个健康因子，记作H4。
在一个实施例中，通过Pearson相关分析法及Spearman相关分析法，验证锂电池间接健康因子与容量之间的相关性，具体执行步骤如下：
通过建立Pearson及Spearman相关系数，用来验证所提取的健康因子的合理性。若给出两个变量分别为α＝(α1,α2,...,αn)和β＝(β1,β2,...,βn)，则Pearson相关系数可表示为：
Figure BDA0003742578030000051
式(5)中，E为期望值。Pearson相关系数可用于定量分析两个向量之间的相似程度且取值范围为[-1,1]，若取值逼近-1或1时，则说明两个向量相似度极高，有极强的线性关系；若取值为0，则说明两者相互独立，无相关性。
锂电池退化过程中，Pearson相关系数能描述电压、温度、电流等特性参量与容量的相关性，从而判断这些特性参量能否表征容量变化趋势。但Pearson相关系数在锂电池循环充放电实验中受外界环境因素影响较大，无法准确判断，因此Spearman相关系数不受影响的优势得以发挥，能很好地描述特性参量与容量的相关关系。
Spearman相关系数可表示为：
Figure BDA0003742578030000061
式(6)中，
Figure BDA0003742578030000062
和
Figure BDA0003742578030000063
为α和β的平均值，且Spearman相关系数取值范围也为[-1,1]。通过分别计算每个健康因子与容量间的相关性，判断提取健康因子的合理性，结果见表3。
S3、构建CNN-GRU组合神经网络模型；CNN是一种包含输入层、卷积层、池化层、全连接层和输出层的前馈型神经网络，广泛应用于深度学习领域。LSTM网络可利用自身的“输入门”、“输出门”、“遗忘门”解决梯度消失和梯度爆炸的问题，GRU作为LSTM的一种改进模型，简化了网络的结构，在保持训练效果的同时减少训练参数，方便计算。结合CNN与GRU的优势，提出CNN-GRU模型结构，主要分为输入层、CNN层、GRU层、和输出层。
S4、锂电池容量预测：将循环充放电实验的锂电池间接健康因子输入至CNN-GRU模型，输出锂电池容量预测结果。
如图1所示，S3-S4中对CNN-GRU组合神经网络模型的具体训练和预测过程包括：
如图2所示，CNN-GRU模型主要分为输入层、CNN层、GRU层、和输出层。首先将锂电池健康因子数据作为输入通过CNN层提取特征，挖掘特征量与锂电池容量间的内在联系。在CNN层中，设计卷积操作使其深度增加，通过relu激活函数实现3次连续卷积后，再经过池化处理进行特征降维，池化层进行进入步长为1的Valid最大池化计算后，进一步提取特征信息。而全连接层将处理后的锂电池数据所得到的n个长度为288的一维向量输入到GRU神经网络中进行优化训练，在GRU层学习锂电池容量内部的变化规律以实现预测功能，最后通过输出层得到锂电池容量预测的结果，即为锂电池寿命预测的结果。
首先通过CNN层提取输入的锂电池健康因子数据，挖掘特征量与锂电池容量间的内在联系，再通过池化层进行池化计算，卷积核在卷积结果的宽度上计算，进一步提取特征信息，而全连接层将处理后的锂电池数据输入到GRU网络中进行优化训练，在GRU层学习容量内部的变化规律以实现预测，最后通过输出层得到锂电池容量预测的结果，即为锂电池寿命预测的结果。
CNN-GRU模型的预测流程步骤如下：
1)数据处理
针对输入数据中不同特征量的数值差异较大且容易带来不良影响的问题，对数据集的数据进行归一化处理.
2)模型训练
模型训练过程中，CNN网络采取3层卷积层与1层池化层，Same卷积方式，其中，卷积核数目依次为8、16、32。本模型采用3层GRU迭代网络可实现都对锂电池寿命预测值的最好预测效果。
3)预测评价指标
平均绝对百分比误差
Figure BDA0003742578030000071
均方根误差
Figure BDA0003742578030000072
在式(7)与式(8)中：ypr代表锂电池容量预测值，ytr代表锂电池容量真实值。若MAPE和RMSE的值越小，则容量预测结果越准确。
4)锂电池寿命预测
用实际数据验证已有模型，并预测锂电池寿命，根据对比分析预测评价指标得出预测结果的好坏，验证所提模型的优越性。
下面给出本发明方法与SVR、LSTM、GRU、CNN-LSTM进行对比分析的具体算例：
为了验证建立模型的有效性，本发明采用采用NASA所提供的容量为2A·h的18650钴酸锂电池老化数据集，利用B0005(B5)，B0006(B6)，B0007(B7)，B0018(B18)四种锂电池在室温下的循环充放电数据对CNN-GRU方法进行验证，将其与SVR、LSTM、GRU、CNN-LSTM进行对比分析，则五种预测方法的参数设置详细信息如表1所示。其中，C为惩罚因子，为SVR的核参数，Max_epochs为最大训练次数，Gt为梯度阈值，Ir为学习率I，CNN均采取3层卷积层与1层池化层，Same卷积方式。
选取NASA提供的四种锂电池前60周(如图7所示)与前80周(如图8所示)的数据作为训练样本对电池寿命进行预测，考虑B18的实际循环周期，当B5、B6、B7循环起点的为60周时，B18循环起点则为40周；当B5、B6、B7循环起点的为80周时，B18循环起点则为60周。
表1预测方法参数设置
Figure BDA0003742578030000081
对NASA数据集进行分析可知，B5、B6、B7及B18四种锂电池的实验数据集信息如表2所示。
表2实验数据集详细信息
Figure BDA0003742578030000082
B5、B6、B7、B18在室温24℃下的容量衰退曲线如图3所示，其中四种电池的初始容量皆为2A·h，容量阈值为额定容量的70％，即为1.4A·h，当容量低于1.4A·h时，电池则会失效。
利用Pearson及Spearman相关系数来验证所提取的健康因子的合理性，因此，B5、B6、B7及B18的健康因子的相关系数信息如表3所示。
表3健康因子的相关系数
Figure BDA0003742578030000091
从表3的数据可知，Pearson及Spearman相关系数均在±(0.7～1.0)的取值范围间，可以说明所提取的四种健康因子与容量存在紧密联系，则验证了提取健康因子的合理性。
预测结果对比分析
对B5、B6、B7与B18的前60周数据训练，基于SVR、LSTM、GRU、CNN-LSTM和CNN-GRU五种方法对锂电池寿命预测。为了评价CNN-GRU模型预测的精度，统计B5、B6、B7与B18四种电池前60次循环周期数据所得预测所得MAPE与RMSE。如图7a)为B5预测结果，图7b)为B6预测结果，图7c)为B7预测结果，图7d)为B18预测结果，详细信息见表4。
表4五种方法预测精度对比(前60周)
Figure BDA0003742578030000092
Figure BDA0003742578030000101
从表4的信息可知，对B5而言，CNN-GRU方法所得MAPE与RMSE分别为1.10％和2.23％，且CNN-GRU方法所得MAPE与RMSE值约为SVR方法的1/14和1/12，约为LSTM方法的1/5和1/4，约为GRU方法的1/4和1/4。相同的，B6、B7、B18三种电池通过CNN-GRU方法所得MAPE与RMSE均小于其他四种方法。因此，CNN-GRU方法可获得更小的预测误差，具有更准确的预测性。
随着训练周期的增加，预测的误差结果逐渐变小。为了进一步验证所提方法的有效性，对B5、B6、B7与B18四种电池的前80次循环周期数据进行训练。基于SVR、LSTM、GRU、CNN-LSTM和CNN-GRU五种方法的B5、B6、B7与B18四种锂电池进行前80次循环周期训练后，其寿命预测结果如图8所示。如图8a)为B5预测结果，图8b)为B6预测结果，图8c)为B7预测结果，图8d)为B18预测结果。
统计B5、B6、B7与B18前80次循环周期数据预测所得MAPE与RMSE，其结果见表5。
表5五种方法预测精度对比(前80周)
Figure BDA0003742578030000111
从图7与表5的信息中可知，对B5而言，CNN-GRU方法所得MAPE与RMSE分别为0.98％和2.12％，相较于前60周所得MAPE与RMSE值分别下降了0.11％和0.12％；SVR方法下降了1.03％和2.67％；LSTM方法下降了0.87％和1.11％；GRU下降了1.08％和1.95％；CNN-LSTM下降了0.03％和0.11％。相同的，B6、B7、B18三种电池前80周预测所得MAPE与RMSE值均小于前60周预测所得MAPE与RMSE值。因此，随着训练周期的增加，预测的误差结果更小，具有更准确的预测性。
以上对本发明所提供的基于CNN-GRU组合神经网络的锂电池寿命预测方法进行了详细介绍，本实施例中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本实施例中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本实施例所示的这些实施例，而是要符合与本实施例所公开的原理和新颖特点相一致的最宽的范围。

Claims (4)

1.一种基于CNN-GRU组合神经网络的锂电池寿命预测方法，其特征在于，包括如下步骤：
S1、对锂电池进行循环充放电实验：单次充放电过程包括恒流充电阶段、恒压充电阶段、放电阶段；
S2、获取循环充放电实验中的锂电池间接健康因子：
根据恒流充电阶段电压变化，获取从初始标称电压到截止电压的时间间隔为健康因子H1；
根据恒压充电阶段电流变化，获取电压到截止电压时的初始电流值降至设定所需电流值时的时间间隔为健康因子H2；
根据放电阶段温度变化，获取放电温度达到峰值时间间隔为健康因子H3；
获取锂电池可用容量到达设定下限阈值时经历的循环充放电次数为健康因子H4；
S3、构建CNN-GRU模型：将每次充放电实验的锂电池间接健康因子和锂电池容量真实值输入至CNN层，提取锂电池间接健康因子与锂电池容量间的特征信息，并输入至GRU层优化学习锂电池容量内部的变化规律；
S4、锂电池容量预测：将循环充放电实验的锂电池间接健康因子输入至CNN-GRU模型，输出锂电池容量预测结果。
2.根据权利要求1所述的基于CNN-GRU组合神经网络的锂电池寿命预测方法，其特征在于，所述循环充放电实验包括：
充电模式：以恒定电流对锂电池进行充电，初始标称电压随着恒流充电时间的增加而增加到截止电压，然后维持截止电压直至充电到电流降至设定所需电流值为止；
放电模式：以恒定电流对锂电池进行放电，直至初始电流值降至设定所需电流值为止。
3.根据权利要求1所述的基于CNN-GRU组合神经网络的锂电池寿命预测方法，其特征在于，还包括通过Pearson相关分析法及Spearman相关分析法，验证锂电池间接健康因子与容量之间的相关性的步骤。
4.根据权利要求1所述的基于CNN-GRU组合神经网络的锂电池寿命预测方法，其特征在于，还包括利用评价指标对CNN-GRU模型的预测结果进行评价的步骤：所述评价指标包括：锂电池容量预测值与锂电池容量真实值之间的平均绝对百分比误差和均方根误差。
CN202210821896.4A 2022-07-12 2022-07-12 一种基于cnn-gru组合神经网络的锂电池寿命预测方法 Pending CN115166561A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210821896.4A CN115166561A (zh) 2022-07-12 2022-07-12 一种基于cnn-gru组合神经网络的锂电池寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210821896.4A CN115166561A (zh) 2022-07-12 2022-07-12 一种基于cnn-gru组合神经网络的锂电池寿命预测方法

Publications (1)

Publication Number Publication Date
CN115166561A true CN115166561A (zh) 2022-10-11

Family

ID=83492541

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210821896.4A Pending CN115166561A (zh) 2022-07-12 2022-07-12 一种基于cnn-gru组合神经网络的锂电池寿命预测方法

Country Status (1)

Country Link
CN (1) CN115166561A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117092541A (zh) * 2023-08-23 2023-11-21 苏州吉智能源科技有限公司 一种直流充电大数据计算电池健康的分析方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117092541A (zh) * 2023-08-23 2023-11-21 苏州吉智能源科技有限公司 一种直流充电大数据计算电池健康的分析方法
CN117092541B (zh) * 2023-08-23 2024-04-30 苏州吉智能源科技有限公司 一种直流充电大数据计算电池健康的分析方法
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
Zhou et al. State of health monitoring and remaining useful life prediction of lithium-ion batteries based on temporal convolutional network
Dai et al. A novel estimation method for the state of health of lithium-ion battery using prior knowledge-based neural network and Markov chain
Xiao et al. Accurate state-of-charge estimation approach for lithium-ion batteries by gated recurrent unit with ensemble optimizer
CN115166561A (zh) 一种基于cnn-gru组合神经网络的锂电池寿命预测方法
Chen et al. A long short-term memory neural network based Wiener process model for remaining useful life prediction
CN110457789B (zh) 一种锂离子电池剩余寿命预测方法
CN113406521B (zh) 一种基于特征分析的锂电池健康状态在线估计方法
Tang et al. Design of power lithium battery management system based on digital twin
CN114861527A (zh) 一种基于时间序列特征的锂电池寿命预测方法
CN114636932A (zh) 一种电池剩余使用寿命预测方法及系统
CN111231758B (zh) 一种电池容量的估算方法、装置、电子设备及介质
CN114779087A (zh) 一种基于相关性分析与vmd-lstm的锂离子电池剩余使用寿命预测方法
CN114545275A (zh) 一种锂离子电池剩余使用寿命间接预测方法
Zhou et al. A light-weight feature extractor for lithium-ion battery health prognosis
CN113689039A (zh) 一种锂离子电池rul时间序列预测方法
CN115792677A (zh) 一种基于改进的elm的锂离子电池寿命预测方法
CN116774045A (zh) 一种基于hho-svr的锂电池健康状态预测方法
Lv et al. Analysis of strategies to maximize the cycle life of lithium-ion batteries based on aging trajectory prediction
Wang et al. A novel capacity estimation method for li-ion battery cell by applying ensemble learning to extremely sparse significant points
CN116626499A (zh) 基于能压峰特征和改进lstm的锂电池健康状态估计方法
CN115993537A (zh) 基于相关性分析和woa-lstm的锂电池容量预测方法
CN113640674B (zh) 基于优化高斯过程回归的锂离子电池可用容量估计方法
Gao et al. SOH estimation method for lithium-ion batteries under low temperature conditions with nonlinear correction
CN115980607A (zh) 基于增量容量曲线特征点的电池健康状态soh估算方法
CN114295994A (zh) 一种基于pca-rvm的锂离子电池剩余使用寿命预测方法

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