CN115508711A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115508711A CN115508711A CN202211234600.5A CN202211234600A CN115508711A CN 115508711 A CN115508711 A CN 115508711A CN 202211234600 A CN202211234600 A CN 202211234600A CN 115508711 A CN115508711 A CN 115508711A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- data
- performance data
- network model
- characteristic
- 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
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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了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,该方法包括以下步骤:S1、获取历史数据库中的锂电性能数据,并生成数据集;S2、对数据集的锂电性能数据进行预处理;S3、将处理后的锂电性能数据输入深度网络模型进行训练,利用深度网络模型提取特征并通过前向传播的方式不断对特征进行深度挖掘,并建立网络体系结构;S4、在网络体系结构中通过利用adam反向传播训练建立动力锂离子电池的特性基本退化机理和等效模型;S5、依据预设的评判指标对特性基本退化机理和等效模型进行测试。本发明利用卷积神经网络采用原始图像作为输入,可以有效的从大量样本中学习到相应地特征,避免了复杂的特征提取过程。
Description
技术领域
本发明涉及电动汽车动力锂电池的技术领域,具体来说,涉及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。
背景技术
近年来,电动汽车的普及渗透速度正不断加快。2012年至今,全球销量从13万辆快速上升至2021年的631万辆。与之相伴,报废动力锂电,2021年为20万吨,预计2023年将达116万吨,并将持续快速攀升。回收利用好这些巨量的淘汰动力锂电,将有力缓解资源和环境压力、促进电动汽车更快普及。动力锂电剩余寿命的预测是其中的关键问题,目前常用的预测方法多基于粒子滤波算法、萤火虫算法等算法,这些方法的特征提取过程复杂,没有确定电池最大可放电容量规定的阀值,寿命预测还不够精确,对于获取剩余寿命概率分布函数、量化预测不确定性等方面也都存在诸多的挑战。只有当剩余寿命预测的精确度和可靠性得到有效保证,动力锂电的充分使用与高效回收才能具有良好的经济价值和市场前景。
发明内容
针对相关技术中的问题,本发明提出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,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
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,该电动汽车动力锂电剩余寿命预测方法包括以下步骤:
S1、获取历史数据库中的锂电性能数据,并生成数据集;
S2、对数据集的锂电性能数据进行预处理;
S3、将处理后的锂电性能数据输入深度网络模型进行训练,利用深度网络模型提取特征并通过前向传播的方式不断对特征进行深度挖掘,并建立网络体系结构;
S4、在网络体系结构中通过利用adam反向传播训练建立动力锂离子电池的特性基本退化机理和等效模型;
S5、依据预设的评判指标对特性基本退化机理和等效模型进行测试。
进一步的,所述获取历史数据库中的锂电性能数据,并生成数据集包括以下步骤:
S11、通过动力锂电全生命周期溯源与监控云平台对电池进行观测,记录锂电性能数据,并生成数据集;
S12、将数据集导入监控云平台,并建立数据文件夹。
进一步的,所述数据文件夹包括17列数字文本文件;
其中,每一列为不同变量,每一行为生命周期内的性能数据,第一列为单元号,第二列为时间点,其余列为电池状态属性。
进一步的,所述对数据集的锂电性能数据进行预处理包括以下步骤:
S21、使用LocalLoadDate函数加载锂电性能数据;
S22、以表的形式加载文本文件;
S23、利用VarNames函数向表中添加变量名;
S24、从原始数据选出id信号;
S25、利用unique函数去除id信号,并将去除后锂电性能数据返回数组nID;
S26、返回数组nID数元素个数为不重复id数,且每个id代表一个锂电池;
S27、将锂电池两个胞元属性名分为x和y,将x代表剩余寿命,y代表特征;
S28、利用stackedplot函数绘制堆叠图,令每组数据拥有共同的x轴,y轴数据随x改变而改变;
S29、利用proghosability函数对失效时条件指标可变性测量,并输入特征值输出为预测值预测性,去除可预测性等于零的特性;
S210、将训练预测器归一化,使其均值和单位方差为零;
S211、响应限制阀值,将阈值以上的y值改变为阈值大小;
S212、为填充准备数据,打包所需的输入数据。
进一步的,所述将处理后的锂电性能数据输入深度网络模型进行训练,利用深度网络模型提取特征并通过前向传播的方式不断对特征进行深度挖掘,并建立网络体系结构包括以下步骤:
S31、根据隐藏层与输出层计算锂电池性能数据特征大小;
S32、利用动力锂电样本数据对计算机进行训练,得到不同剩余寿命的特征模型。
进一步的,所述根据隐藏层与输出层计算锂电池性能数据特征大小包括以下步骤:
S311、设置隐藏层大小,numHiddenUnits=100;
S312、设置输出层大小,numResponses=1;
S313、根据隐藏层与输出层输出的数据,计算锂电池的特征大小。
进一步的,所述利用动力锂电样本数据对计算机进行训练,得到不同剩余寿命的特征模型包括以下步骤:
S321、输入数据为上述步骤S28的堆叠图,通过卷积层的计算得到输出矩阵;
S322、引入池化层的电池正火层,压缩数据的大小,将卷积层计算后输出的矩阵减小,并降低输出值的数量;
S323、引入激活层,加强特征,并利用relu函数对池化层输出进行非线性映射;
S324、引入连接积层,通过将激活层输出的矩阵拆分为一列数组并进行盆节,将该数组与特征模型进行比对,根据相似度进行预测样本特征模型,并判断出剩余寿命;
S325、通过回归层regressionLayer计算方差损失。
进一步的,所述在网络体系结构中通过利用adam反向传播训练建立动力锂离子电池的特性基本退化机理和等效模型包括以下步骤:
S41、使用adam求解器,最大训练30回合,batch为20,并利用adam反向传播训练;
S42、训练后将参数传到net,并建立等效模型。
进一步的,所述依据预设的评判指标对特性基本退化机理和等效模型进行测试包括以下步骤:
S51、提取特征文件与剩余寿命文件,把数据集合成table;
S52、将table作与训练集相同处理;
S53、再建table,用于存储现实和预测的响应;
S54、计算测试序列所有时间周期的均方根误差,通过评判指标比较测试数据中的性能。
进一步的,所述评判指标包括Dice系数及特异性系数;
其中,所述Dice系数是一种评估相似度的系数,通常用于计算两个样本的相似度或者重叠度,取值为[0,1],越接近1,相似程度越高,效果越佳,所述Dice系数通过获得具有算法预测分布情况P∈{0,1}和真实标签分布情况T∈{0,1}的二元图计算得到,Dice系数的计算公式如下:
式中,P表示所预测的锂电池性能数据集的集合,T表示测试的锂电池性能数据集合,∩表示逻辑与运算符,是集合的大小;
所述特异性系数表示负样本中预测正确的个数占实际负样本的比例,即在锂电池性能数据中,诊断锂电池性能数据有寿命的多少,取值为[0,1],特异性越高,寿命越高,特异性系数的计算公式如下:
式中,P0表示P=0时锂电池寿命的集合,模型预测的锂电池性能的使用寿命,T0代表T=0时锂电池寿命的集合。
本发明的有益效果为:
1、本发明利用卷积神经网络采用原始图像作为输入,可以有效的从大量样本中学习到相应地特征,避免了复杂的特征提取过程,卷积神经网络可以直接对图像进行处理,该网络通过简单的非线性模型从原始图像中提取出更加抽象的特征,权值共享网络结构使之更类似于生物神经网络,降低了网络模型的复杂度,减少了权值的数量。
2、在卷积神经网络中,具体到每层神经元网络,它可以分别在长(width)、宽(height)和深度(depth)等三个维度上分布神经元(深度是在单层网络中神经元分布的三个维度),因此,width×height×depth就是单层神经元的总个数,通过局部连接,对于卷积神经网络某个神经元仅仅需要与前层部分区域相连接,局部连接模式保证了学习到的卷积核对输入的空间局部模式具有最强的响应。
3、通过引入池化层,将卷积层计算后输出的矩阵减小,降低了输出值的数量,解决卷积层中信息冗余的问题,解决了预测速度的问题;由于电池中最差属性决定电池剩余寿命,因此运用relu函数,通过对池化层输出的矩阵取最小值构建出简单的非线性模型,提取出更加能够代表电池剩余寿命的特征,并且在整个过程中只需少量的人工参与。
4、设置了电池最大可放电容量规定的阈值(电池出厂时标定容量的70%),通过relu函数将阈值以上的数值变为0,进一步减小了计算量;通过利用adam反向传播训练建立了动力锂离子电池的特性基本退化机理和等效模型,通过该模型得出了锂离子电池的剩余寿命及荷电状态与各种特性影响因素间的相关关系,在进行剩余寿命预测时只需将全连接层输出的矩阵与得到模型对比即可得出剩余寿命。
5、本发明采用动力锂电池性能的原始图像作为输入,可以有效的从大量样本中学习到相应地特征,避免了复杂的特征提取过程即可构建出模型。
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的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的流程图。
具体实施方式
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例,提供了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。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明实施例的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,该电动汽车动力锂电剩余寿命预测方法包括以下步骤:
S1、获取历史数据库中的锂电性能数据,并生成数据集;
在一个实施例中,所述获取历史数据库中的锂电性能数据(包括SOC,厂商序号,车型,存储容量,当前电量,当前容量,电池编号,电池型号,电流,电压,端子结构,端子位置,额定电压,额定容量,行驶里程,个人编号,冷启动电流,高,宽,企业编号,容量保持率,生产厂商,生产日期,适用车型,所在地,总放电容量),并生成数据集包括以下步骤:
S11、通过动力锂电全生命周期溯源与监控云平台对电池进行观测,记录锂电性能数据,并生成数据集;
S12、将数据集导入监控云平台,并建立数据文件夹;
在具体应用时,SOC,厂商序号,存储容量,当前容量,电池编号,电池型号,电流,电压,端子结构,端子位置,额定电压,额定容量,冷启动电流,高,宽,企业编号,容量保持率,生产厂商,生产日期,适用车型,总放电容量为电池生产厂商填写,其中车型,行驶里程,所在地为车主填写
在一个实施例中,所述数据文件夹包括17列数字文本文件;
其中,每一列为不同变量,每一行为生命周期内的性能数据,第一列为单元号,第二列为时间点,其余列为电池状态属性(SOC,充电次数,存储容量,当前电量,当前容量,电流,电压,端子结构,端子位置,额定电压,额定容量,放电次数,冷启动电流,容量保持率,总放电容量)。
在具体应用时,本发明是利用自主研发的动力锂电全生命周期溯源与监控云平台,对电池进行观测,记录锂电性能数据,生成数据集。将数据集解压,生成解压函数,数据文件夹。对训练数据进行预处理,是以表的形式加载文本文件,向表中添加变量名,选出id信号去除后数据返回数组,绘制堆叠图,将训练预测器归一化,将响应限制阀值,为填充准备数据,打包为网络所需的输入数据。
S2、对数据集的锂电性能数据进行预处理;
在一个实施例中,所述对数据集的锂电性能数据进行预处理包括以下步骤:
S21、使用LocalLoadDate函数加载锂电性能数据;
S22、以表的形式加载文本文件;
S23、利用VarNames函数向表中添加变量名;
S24、从原始数据选出id信号;
S25、利用unique函数去除id信号,并将去除后锂电性能数据返回数组nID;
S26、返回数组nID数元素个数为不重复id数,且每个id代表一个锂电池;
S27、将锂电池两个胞元属性名分为x和y,将x代表剩余寿命,y代表特征;
S28、利用stackedplot函数绘制堆叠图,令每组数据拥有共同的x轴,y轴数据随x改变而改变;
S29、利用proghosability函数对失效时条件指标可变性测量,并输入特征值输出为预测值预测性,去除可预测性等于零的特性;
S210、将训练预测器归一化,使其均值和单位方差为零;
S211、响应限制阀值,将阈值以上的y值改变为阈值大小;
S212、为填充准备数据,打包所需的输入数据。
S3、将处理后的锂电性能数据输入深度网络模型进行训练,利用深度网络模型提取特征并通过前向传播的方式不断对特征进行深度挖掘,并建立网络体系结构;
在一个实施例中,所述将处理后的锂电性能数据输入深度网络模型进行训练,利用深度网络模型提取特征并通过前向传播的方式不断对特征进行深度挖掘,并建立网络体系结构包括以下步骤:
S31、根据隐藏层与输出层计算锂电池性能数据特征大小;
S32、利用动力锂电样本数据对计算机进行训练,得到不同剩余寿命的特征模型。
在一个实施例中,所述根据隐藏层与输出层计算锂电池性能数据特征大小包括以下步骤:
S311、设置隐藏层大小,numHiddenUnits=100;
S312、设置输出层大小,numResponses=1;
S313、根据隐藏层与输出层输出的数据,计算锂电池的特征大小。
在一个实施例中,所述利用动力锂电样本数据对计算机进行训练,得到不同剩余寿命的特征模型包括以下步骤:
S321、输入数据为上述步骤S28的堆叠图,通过卷积层的计算得到输出矩阵;
S322、引入池化层的电池正火层,压缩数据的大小,将卷积层计算后输出的矩阵减小,并降低输出值的数量;
S323、引入激活层,加强特征,并利用relu函数对池化层输出进行非线性映射;
S324、引入连接积层,通过将激活层输出的矩阵拆分为一列数组并进行盆节,将该数组与特征模型进行比对,根据相似度进行预测样本特征模型,并判断出剩余寿命;
S325、通过回归层regressionLayer计算方差损失。
在具体应用时,为了解决卷积层中信息冗余的问题,引入池化层batchNormalizationLayer,通过减小输入的大小,即将卷积层计算后输出的矩阵减小,降低了输出值的数量。为了使得多层的神经网络具有实际意义,防止多层与单层的感知机等效,引入激活层,利用reluLayer激活函数将计算后得到的结果转变为一行数组,代入全连接层进行识别,全连接层即为输出层回归层regressionLayer计算方差损失;
网络体系结构为
numFeatures=size(XTrain{1},1)
numHiddenUnits=100
numResponses=1
sequenceInputlayer(numFeatures)
ConvolutionldLayer(5,444,’Padding’,’causal’)
池化层batchNormalizationLayer,
reluLayer激活函数
fullyconnectedLayer(numHiddenUnits)
fullyconnectedLayer(numResponses)
regressionLayer计算方差损失。
S4、在网络体系结构中通过利用adam反向传播训练建立动力锂离子电池的特性基本退化机理和等效模型;
在一个实施例中,所述在网络体系结构中通过利用adam反向传播训练建立动力锂离子电池的特性基本退化机理和等效模型包括以下步骤:
S41、使用adam求解器,最大训练30回合,batch为20,并利用adam反向传播训练;
S42、训练后将参数传到net,并建立等效模型。
S5、依据预设的评判指标对特性基本退化机理和等效模型进行测试。
在一个实施例中,所述依据预设的评判指标对特性基本退化机理和等效模型进行测试包括以下步骤:
S51、提取特征文件与剩余寿命文件,把数据集合成table;
S52、将table作与训练集相同处理;
S53、再建table,用于存储现实和预测的响应;
S54、计算测试序列所有时间周期的均方根误差,通过评判指标比较测试数据中的性能。
在具体应用时,本发明的实施例的测试是提取特征文件与剩余寿命文件,把数据集合成table,将table作与训练集相同处理,再建table,用于存储现实和预测的响应,计算测试序列所有时间周期的RMSE,比较网络在测试数据上的性能
在一个实施例中,所述评判指标包括Dice系数及特异性系数;
其中,所述Dice系数是一种评估相似度的系数,通常用于计算两个样本的相似度或者重叠度,取值为[0,1],越接近1,相似程度越高,效果越佳,所述Dice系数通过获得具有算法预测分布情况P∈{0,1}和真实标签分布情况T∈{0,1}的二元图计算得到,Dice系数(Dice coefficient)的计算公式如下:
式中,P表示所预测的锂电池性能数据集的集合,T表示测试的锂电池性能数据集合,∩表示逻辑与运算符,是集合的大小;
所述特异性系数表示负样本中预测正确的个数占实际负样本的比例,即在锂电池性能数据中,诊断锂电池性能数据有寿命的多少,取值为[0,1],特异性越高,寿命越高,特异性系数的计算公式如下:
式中,P0表示P=0时锂电池寿命的集合,模型预测的锂电池性能的使用寿命,T0代表T=0时锂电池寿命的集合。
综上所述,借助于本发明的上述技术方案,本发明利用卷积神经网络采用原始图像作为输入,可以有效的从大量样本中学习到相应地特征,避免了复杂的特征提取过程,卷积神经网络可以直接对图像进行处理,该网络通过简单的非线性模型从原始图像中提取出更加抽象的特征,权值共享网络结构使之更类似于生物神经网络,降低了网络模型的复杂度,减少了权值的数量;在卷积神经网络中,具体到每层神经元网络,它可以分别在长(width)、宽(height)和深度(depth)等三个维度上分布神经元(深度是在单层网络中神经元分布的三个维度),因此,width×height×depth就是单层神经元的总个数,通过局部连接,对于卷积神经网络某个神经元仅仅需要与前层部分区域相连接,局部连接模式保证了学习到的卷积核对输入的空间局部模式具有最强的响应;通过引入池化层,将卷积层计算后输出的矩阵减小,降低了输出值的数量,解决卷积层中信息冗余的问题,解决了预测速度的问题;由于电池中最差属性决定电池剩余寿命,因此运用relu函数,通过对池化层输出的矩阵取最小值构建出简单的非线性模型,提取出更加能够代表电池剩余寿命的特征,并且在整个过程中只需少量的人工参与;设置了电池最大可放电容量规定的阈值(电池出厂时标定容量的70%),通过relu函数将阈值以上的数值变为0,进一步减小了计算量;通过利用adam反向传播训练建立了动力锂离子电池的特性基本退化机理和等效模型,通过该模型得出了锂离子电池的剩余寿命及荷电状态与各种特性影响因素间的相关关系,在进行剩余寿命预测时只需将全连接层输出的矩阵与得到模型对比即可得出剩余寿命;本发明采用动力锂电池性能的原始图像作为输入,可以有效的从大量样本中学习到相应地特征,避免了复杂的特征提取过程即可构建出模型。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一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,其特征在于,该电动汽车动力锂电剩余寿命预测方法包括以下步骤:
S1、获取历史数据库中的锂电性能数据,并生成数据集;
S2、对数据集的锂电性能数据进行预处理;
S3、将处理后的锂电性能数据输入深度网络模型进行训练,利用深度网络模型提取特征并通过前向传播的方式不断对特征进行深度挖掘,并建立网络体系结构;
S4、在网络体系结构中通过利用adam反向传播训练建立动力锂离子电池的特性基本退化机理和等效模型;
S5、依据预设的评判指标对特性基本退化机理和等效模型进行测试。
2.根据权利要求1所述的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,其特征在于,所述获取历史数据库中的锂电性能数据,并生成数据集包括以下步骤:
S11、通过动力锂电全生命周期溯源与监控云平台对电池进行观测,记录锂电性能数据,并生成数据集;
S12、将数据集导入监控云平台,并建立数据文件夹。
3.根据权利要求2所述的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,其特征在于,所述数据文件夹包括17列数字文本文件;
其中,每一列为不同变量,每一行为生命周期内的性能数据,第一列为单元号,第二列为时间点,其余列为电池状态属性。
4.根据权利要求1所述的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,其特征在于,所述对数据集的锂电性能数据进行预处理包括以下步骤:
S21、使用LocalLoadDate函数加载锂电性能数据;
S22、以表的形式加载文本文件;
S23、利用VarNames函数向表中添加变量名;
S24、从原始数据选出id信号;
S25、利用unique函数去除id信号,并将去除后锂电性能数据返回数组nID;
S26、返回数组nID数元素个数为不重复id数,且每个id代表一个锂电池;
S27、将锂电池两个胞元属性名分为x和y,将x代表剩余寿命,y代表特征;
S28、利用stackedplot函数绘制堆叠图,令每组数据拥有共同的x轴,y轴数据随x改变而改变;
S29、利用proghosability函数对失效时条件指标可变性测量,并输入特征值输出为预测值预测性,去除可预测性等于零的特性;
S210、将训练预测器归一化,使其均值和单位方差为零;
S211、响应限制阀值,将阈值以上的y值改变为阈值大小;
S212、为填充准备数据,打包所需的输入数据。
5.根据权利要求1所述的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,其特征在于,所述将处理后的锂电性能数据输入深度网络模型进行训练,利用深度网络模型提取特征并通过前向传播的方式不断对特征进行深度挖掘,并建立网络体系结构包括以下步骤:
S31、根据隐藏层与输出层计算锂电池性能数据特征大小;
S32、利用动力锂电样本数据对计算机进行训练,得到不同剩余寿命的特征模型。
6.根据权利要求5所述的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,其特征在于,所述根据隐藏层与输出层计算锂电池性能数据特征大小包括以下步骤:
S311、设置隐藏层大小,numHiddenUnits=100;
S312、设置输出层大小,numResponses=1;
S313、根据隐藏层与输出层输出的数据,计算锂电池的特征大小。
7.根据权利要求5所述的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,其特征在于,所述利用动力锂电样本数据对计算机进行训练,得到不同剩余寿命的特征模型包括以下步骤:
S321、输入数据为上述步骤S28的堆叠图,通过卷积层的计算得到输出矩阵;
S322、引入池化层的电池正火层,压缩数据的大小,将卷积层计算后输出的矩阵减小,并降低输出值的数量;
S323、引入激活层,加强特征,并利用relu函数对池化层输出进行非线性映射;
S324、引入连接积层,通过将激活层输出的矩阵拆分为一列数组并进行盆节,将该数组与特征模型进行比对,根据相似度进行预测样本特征模型,并判断出剩余寿命;
S325、通过回归层regressionLayer计算方差损失。
8.根据权利要求1所述的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,其特征在于,所述在网络体系结构中通过利用adam反向传播训练建立动力锂离子电池的特性基本退化机理和等效模型包括以下步骤:
S41、使用adam求解器,最大训练30回合,batch为20,并利用adam反向传播训练;
S42、训练后将参数传到net,并建立等效模型。
9.根据权利要求1所述的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,其特征在于,所述依据预设的评判指标对特性基本退化机理和等效模型进行测试包括以下步骤:
S51、提取特征文件与剩余寿命文件,把数据集合成table;
S52、将table作与训练集相同处理;
S53、再建table,用于存储现实和预测的响应;
S54、计算测试序列所有时间周期的均方根误差,通过评判指标比较测试数据中的性能。
10.根据权利要求9所述的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,其特征在于,所述评判指标包括Dice系数及特异性系数;
其中,所述Dice系数是一种评估相似度的系数,通常用于计算两个样本的相似度或者重叠度,取值为[0,1],越接近1,相似程度越高,效果越佳,所述Dice系数通过获得具有算法预测分布情况P∈{0,1}和真实标签分布情况T∈{0,1}的二元图计算得到,Dice系数的计算公式如下:
式中,P表示所预测的锂电池性能数据集的集合,T表示测试的锂电池性能数据集合,∩表示逻辑与运算符,是集合的大小;
所述特异性系数表示负样本中预测正确的个数占实际负样本的比例,即在锂电池性能数据中,诊断锂电池性能数据有寿命的多少,取值为[0,1],特异性越高,寿命越高,特异性系数的计算公式如下:
式中,P0表示P=0时锂电池寿命的集合,模型预测的锂电池性能的使用寿命,T0代表T=0时锂电池寿命的集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211234600.5A CN115508711B (zh) | 2022-10-10 | 2022-10-10 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211234600.5A CN115508711B (zh) | 2022-10-10 | 2022-10-10 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115508711A true CN115508711A (zh) | 2022-12-23 |
CN115508711B CN115508711B (zh) | 2023-06-30 |
Family
ID=84507691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211234600.5A Active CN115508711B (zh) | 2022-10-10 | 2022-10-10 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115508711B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116387653A (zh) * | 2023-06-05 | 2023-07-04 | 钛玛科(北京)工业科技有限公司 | 一种用于锂电池的低损耗管理方法及装置 |
CN117374469A (zh) * | 2023-12-07 | 2024-01-09 | 深圳市普裕时代新能源科技有限公司 | 基于浸没式液冷储能系统的控制方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188920A (zh) * | 2019-04-26 | 2019-08-30 | 华中科技大学 | 一种锂电池剩余寿命预测方法 |
US20200081070A1 (en) * | 2017-11-20 | 2020-03-12 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge and state of health estimation |
CN112016237A (zh) * | 2019-05-13 | 2020-12-01 | 北京航空航天大学 | 锂电池寿命预测的深度学习方法、装置及系统 |
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 |
CN112557907A (zh) * | 2020-12-17 | 2021-03-26 | 杭州六纪科技有限公司 | 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法 |
CN113805064A (zh) * | 2021-09-18 | 2021-12-17 | 北京航空航天大学 | 基于深度学习的锂离子电池组健康状态预测方法 |
CN114062948A (zh) * | 2022-01-11 | 2022-02-18 | 南通大学 | 一种基于3dcnn的锂离子电池soc估计方法 |
CN114325450A (zh) * | 2022-01-11 | 2022-04-12 | 青岛科技大学 | 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法 |
WO2022144542A1 (en) * | 2020-12-31 | 2022-07-07 | The University Court Of The University Of Edinburgh | Method for predicting condition parameter degradation of a cell |
CN114742203A (zh) * | 2022-03-31 | 2022-07-12 | 武汉理工大学 | 基于混合机器学习方法的锂电池状态预测方法、系统和介质 |
CN114861527A (zh) * | 2022-04-15 | 2022-08-05 | 南京工业大学 | 一种基于时间序列特征的锂电池寿命预测方法 |
-
2022
- 2022-10-10 CN CN202211234600.5A patent/CN115508711B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200081070A1 (en) * | 2017-11-20 | 2020-03-12 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge and state of health estimation |
CN110188920A (zh) * | 2019-04-26 | 2019-08-30 | 华中科技大学 | 一种锂电池剩余寿命预测方法 |
CN112016237A (zh) * | 2019-05-13 | 2020-12-01 | 北京航空航天大学 | 锂电池寿命预测的深度学习方法、装置及系统 |
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 |
CN112557907A (zh) * | 2020-12-17 | 2021-03-26 | 杭州六纪科技有限公司 | 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法 |
WO2022144542A1 (en) * | 2020-12-31 | 2022-07-07 | The University Court Of The University Of Edinburgh | Method for predicting condition parameter degradation of a cell |
CN113805064A (zh) * | 2021-09-18 | 2021-12-17 | 北京航空航天大学 | 基于深度学习的锂离子电池组健康状态预测方法 |
CN114062948A (zh) * | 2022-01-11 | 2022-02-18 | 南通大学 | 一种基于3dcnn的锂离子电池soc估计方法 |
CN114325450A (zh) * | 2022-01-11 | 2022-04-12 | 青岛科技大学 | 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法 |
CN114742203A (zh) * | 2022-03-31 | 2022-07-12 | 武汉理工大学 | 基于混合机器学习方法的锂电池状态预测方法、系统和介质 |
CN114861527A (zh) * | 2022-04-15 | 2022-08-05 | 南京工业大学 | 一种基于时间序列特征的锂电池寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
白爽: ""基于深度学习的锂离子电池寿命预测方法研究"", pages 8 - 30 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116387653A (zh) * | 2023-06-05 | 2023-07-04 | 钛玛科(北京)工业科技有限公司 | 一种用于锂电池的低损耗管理方法及装置 |
CN116387653B (zh) * | 2023-06-05 | 2023-08-22 | 钛玛科(北京)工业科技有限公司 | 一种用于锂电池的低损耗管理方法及装置 |
CN117374469A (zh) * | 2023-12-07 | 2024-01-09 | 深圳市普裕时代新能源科技有限公司 | 基于浸没式液冷储能系统的控制方法 |
CN117374469B (zh) * | 2023-12-07 | 2024-02-09 | 深圳市普裕时代新能源科技有限公司 | 基于浸没式液冷储能系统的控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115508711B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115508711B (zh) | 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 | |
CN113343633B (zh) | 动力锂电池热失控故障分类及风险预测方法、系统 | |
CN107290679B (zh) | 用于电动汽车共享充电桩的智能化电池健康状态检测方法 | |
CN112213643B (zh) | 电池初始容量、电池健康状态的预测方法、系统及设备 | |
CN112379269A (zh) | 电池异常检测模型训练及其检测方法、装置 | |
CN112666479B (zh) | 一种基于充电循环融合的电池寿命预测方法 | |
CN115656857A (zh) | 一种锂离子电池剩余使用寿命的多尺度融合预测方法 | |
CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
CN112686380A (zh) | 基于神经网络的梯次动力电芯一致性评估方法和系统 | |
CN116572747A (zh) | 电池故障检测方法、装置、计算机设备和存储介质 | |
CN114578234A (zh) | 一种考虑因果性特征的锂离子电池退化与容量预测模型 | |
CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
CN117289167A (zh) | 基于多重神经网络的电池剩余寿命预测方法、装置及介质 | |
CN117169743A (zh) | 基于部分数据和模型融合的电池健康状态估计方法及设备 | |
CN116061690A (zh) | 一种电动汽车充电过程中的安全预警方法及装置 | |
CN116595363A (zh) | 预测方法、装置、设备、存储介质和计算机程序产品 | |
CN115980585A (zh) | 电池故障的检测方法、装置、计算机设备和存储介质 | |
Zhao et al. | Lithium‐Ion Battery State‐of‐Health Estimation Method Using Isobaric Energy Analysis and PSO‐LSTM | |
CN115825790B (zh) | 电池绝缘故障的预警方法、装置、系统和计算机设备 | |
CN115062300B (zh) | 一种基于多通道深度卷积的入侵检测方法和系统 | |
CN118112445A (zh) | 退役电池分选方法、装置、设备及存储介质 | |
CN114781256A (zh) | 一种基于云端终身学习的动力电池热失控风险评估方法 | |
CN117706372A (zh) | 电池健康状态在线预测的方法、装置及电子设备 | |
CN117890792A (zh) | 动力电池容量的预测方法、装置、计算机设备、存储介质 | |
CN117031293A (zh) | 锂离子电池工作状态的检测方法和相关装置 |
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 |