CN115684943A - 一种基于多层架构的电池状态预测模型及方法 - Google Patents

Abstract

本发明公开了一种基于多层架构的电池状态预测模型及方法，该预测模型包括输入层、第一预测层、第二预测层和输出层；输入层用于接收电池采集数据；第一预测层，包括若干并行设置的基模型，用于分别依据接收的电池采集数据进行预测，并将多个并行预测结果拼接输出；第二预测层用于对第一预测层输出的多个平行预测结果进行拟合输出；输出层用于输出第二预测层的预测结果，即电池的预测状态和寿命。本发明结合了多种机器学习模型的优点，对于不同类型的电池，在保持精度的情况下，具有良好的泛化性能。

Description

一种基于多层架构的电池状态预测模型及方法

技术领域：

本发明属于人工智能领域，具体涉及一种基于机器学习的多层集成模型的电池健康状态与电池剩余使用寿命评估方法。

背景介绍：

锂离子电池因为比能量高、安全性能高、使用寿命长、绿色环保和价格低廉等优点，广泛应用于电动汽车及其他新能源领域。但是，复杂的电化学系统与复杂多变的工作环境和工作条件，使得电池退化呈现非线性、强时变、迟滞的特点，因此，精确估计电池的健康状态(State-of-health，SOH)和电池剩余使用寿命(Remaining Useful Life，RUL)对于锂离子电池的安全生产、梯度利用与二次回收至关重要，是电池故障预测与电池健康管理的核心问题。

电池SOH和RUL预测方法主要可以分为基于模型和基于数据驱动。基于模型依赖于建立可靠的电池性能模型如：电化学模型，等效电量模型，经验模型等模拟电池内部电化学反应特征和退化机理实现对电池SOH和RUL的估计，但是电池循环过程大量副反应使得电池建模困难，且大量的参数设置和复杂的数学运算使得此方法在实际运用中受到限制；区别于基于模型的方法，基于数据驱动的方法只关注于电池历史循环数据，通过电池管理系统记录的状态参数，如：电流、电压、温度、内阻，时间等，通过不同的学习算法对关键老化信息提取，实现对电池SOH和RUL的估计，并且，随着计算机技术的不断发展，学习算法对于电池的预测也将更加精确和稳定，实现对电池性能在线精确预测。

目前，基于数据驱动的机器学习算法在电池SOH和RUL估计研究中取得了较好的精度，如：线性回归(LR)、人工神经网络(ANN)、支持向量机(SVM)、支持向量回归(SVR)、弹性网络回归(ENR)、长短期记忆网络(LSTM)等。但是单个模型对于特定预测对象的性能具有很大的不确定性，参数设置复杂且不容易在实际应用时达到局部最优的结果，使得预测效果不稳定，泛化能力有限。

发明内容：

鉴于现有预测算法的缺陷的不足，本发明提出了一种基于多层架构的电池状态预测模型——Stacking Regressor，其目的在于提升模型对于不同电池预测的稳定性和泛化能力，并一次性达到对电池SOH和RUL的估计。

本发明中，主要是基于在线动力电池测试平台及电池管理系统(BatteryManagement System，BMS)对电池进行采集的综合性能表征数据(简称电池采集数据)，包括电压、电流、循环时间、温度等中的至少一种，并由管理平台统一整理。对电池采集数据进行预处理，首先进行清洗去除无效数据，并通过尔逊相关系数(Pearson correlationcoefficient，PCCs)测试筛出冗长的重复性变量，选取与电池老化性能最相关的健康因子(health Indictor，HI)。

然后利用电池采集数据，对电池状态进行预测。电池状态包括电池的健康状态(State-of-health，SOH)或/和电池剩余使用寿命(Remaining Useful Life，RUL)。设定最佳的SOH定义方法与阈值，如：容量定义法，内阻定义法，参数加权法等，并设定SOH达到阈值点时电池的RUL为零，计算公式如下(假定阈值为70％)：

容量定义法：

内阻定义法：

EOL＝C₀×70％ (3)

RUL＝n^EOL-nⁱ (4)

其中，C_i为i时刻的电量，C₀为电池的初始电量；R_EOL为电池停止使用时的内阻，研究上一般认为R_EOL达到初始内阻的50％时，停止使用；R_BoL为新电池的初始内阻，R为当前内阻；EOL(End-of-Life)为(电池达到寿命终止状态)；n^EOL为电池总的循环寿命，nⁱ为当前的循环次数。

考虑到电池的RUL与电池的SOH紧密相关，而SOH可通过测量电池的电量计算，故对电池SOH和RUL的预测也可以转化为对电池电量的预测，预测结果再输入公式(1)、(4)求得。因此，本发明中所指出的电池状态还可以为电池电量。

本发明提供的基于多层架构的电池状态预测模型，其包括：

输入层，用于接收电池采集数据；

第一预测层，包括若干并行设置的基模型，用于分别依据接收的电池采集数据进行预测，并将多个并行预测结果拼接输出；

第二预测层，用于对第一预测层输出的多个平行预测结果进行拟合输出；

输出层，用于输出第二预测层的预测结果，即电池的预测状态。

上述第一预测层，需要具有足够强大的拟合性能，因此第一预测层的基模型可以选取差异性较大的机器学习算法，例如可以为袋装算法模型(Bagging)、Boost算法中的梯度提升回归模型(Gradient Boost，GBR)、直方图的梯度提升回归模型(Hist-GBR)、eXtremeGradient Boosting(XGBoost)、基于决策树算法的分布式梯度提升框架(LightGBM)、支持向量回归模型(SVR)、自适应增强算法模型(AdaBoost)、极端随机树(Extra Trees)等中的一种。第一预测层中并行设置的基模型个数可以根据需要设定，以保证整体的拟合性能，一般3个及以上基模型并行设置；并行设置的各基模型相同或不同；优选实现方式中，第一预测层至少包括两种以上不同类型的基模型，由于结合了不同预测模型的优点，从而具有更好的预测效果。

上述第二预测层，为了防止数据的过度拟合，可以选取较为简单的拟合器，例如可以选择线性回归模型(Linear Regression,LR)或逻辑回归模型(Logistics Regression,LR)等中的一种。

基于多层架构的电池状态预测模型，其效果测试，采用三个主要参数：模型决定系数(coefficient of determination,R²)，平均绝对误差(Mean Absolute Error，MAE)，均方根误差(Root Mean Square Error，RMSE)，R²用以评估Stacking Regressor与单个估计器的性能表现，MAE和RMSE用以评估Stacking模型对于SOH数据的拟合效果。其计算公示如下：

其中，n表示样本数据个数，

和y_i分别表示第i个评估变量数据的预测值和测试值。

采用误差(error,E)、相对误差(relative error,RE)、平均绝对误差(averageabsolute error，AAE)对电池RUL的预测结果进行评估。其计算公式分别如下：

其中，n表示样本数据个数，

和RUL_i分别代表剩余寿命的预测值和测试值。

本发明进一步提供了基于多层架构的电池状态预测模型的构建方法，包括以下步骤：

S1利用训练集A和测试集A对第一预测层进行训练；

S2利用第一预测层对训练集A和测试集A的预测结果作为第二预测层的训练集B和测试集B，对第二预测层进行训练。

上述步骤S1中，通过在线动力电池测试平台及电池管理系统(BatteryManagement System，BMS)对若干电池标签样本进行测试，并对得到的电池采集数据进行预处理，获取相应的训练用数据，并将训练用数据划分为训练集A和测试集A。再根据需要估计的变量(SOH、RUL或电池电量)，确定模型的输入和输出。

这里，设模型的输入

输出Y＝[y₁,y₂…y_％].其中m为输入参数的维度，n为输入的数据量，y根据预测参数的不同可以为SOH，RUL，或者电量值。

将训练集A：{x_train,y_train}据输入第一预测层的各个基模型：

{model₁,model₂,…model_L}，对各基模型进行训练，并基于相应的损失函数和优化算法分别对各基模型进行优化，直至损失函数所得损失值趋于稳定或不变。

为了保证模型对于数据的充分学习，将训练集A分为若干训练子集，利用每个训练子集依次对第一预测层的各基模型进行训练，然后用测试集对训练后的模型进行验证。

具体地，对于每个基模型model_l：进一步将训练集划分为K组份，每个基模型都对训练集进行K次训练和预测，也即算法中的K-fold交叉验证，每次折叠训练得到一个预测结果

每进行一次fold训练后，基模型对测试集A：{x_test,y_test}也进行一次预测，每次预测结果为：p_k。K次fold训练之后，model_l(l＝1,2,…,L)训练集的训练结果：

对测试集的预测结果

取其平均值

因此，第一预测层L个基模型完全训练完毕，对训练集A的输出结果：ψ＝[φ₁,φ₂,…φ_L],对测试集A的训练结果：

将ψ与P分别作为第二预测层的训练集B和测试集B，对第二预测层进行训练，并基于相应的的损失函数和优化算法分别对各基模型进行优化，直至损失函数所得损失值趋于稳定或不变，得到最终训练好的第一预测层和第二预测层。

然后再基于前面的公式(5)-(10)计算预测精度是否达到要求，从而反向调整第一预测层各基模型的构成、基模型参数、并列基模型的个数等，重复这个训练过程直到模型精度达到预设效果，得到最终的预测模型(Stacking模型)。

本发明进一步提供了一种基于多层架构的电池状态预测方法，将电池采集数据输入训练好的预测模型，得到相应电池的电池状态。

通过在线动力电池测试平台及电池管理系统(Battery Management System，BMS)对待评估电池进行测试，并对得到的电池采集数据进行预处理，然后将预处理后的电池采集数据输入到训练好的预测模型(Stacking模型)中，即可确定其评估变量(SOH、RUL或电池电量)，当评估变量为电池电量时，可以进一步通过公式(1)、(2)或(4)确定SOH和RUL。在实际应用中，将训练好的预测模型与电池的性能检测平台相结合，实时数据传入，即进行数据的处理预测，了解电池的实时SOH和RUL。

此外，还可以基于管道机制，对预测模型进行封装。以pipeline算法作为连接各个机器学习模型的链条，形成了完整的数据处理流水线，拟合各个转换器并连接结果，方便后续对模型进行流水线的封装和管理。

与现有的技术相比，本发明具有以下有益效果：

(1)本发明提供的电池状态预测模型，结合了多种机器学习模型的优点，对于不同类型的电池，在保持精度的情况下，具有良好的泛化性能；

(2)本发明提供的电池状态预测模型，基于第一预测层各基模型的自动继承型策略，不需要太多的参数调整；第二预测层的简单回归模型防止了数据的过拟合，且可以通过添加正则项，也有效防止过拟合；

(3)本发明提供的电池状态预测模型，可调性高，通过不同的基模型组合，层数调整等，能够得到最适当所预测种类电池的组成结构。

附图说明

图1为基于多层架构的电池状态预测模型的原理示意图。

图2为利用皮尔逊系数(PCCs)查看5号电池健康因子与容量相关的热度图。

图3为四种电池基于20％的历史数据训练后得到的预测模型对于测试集电池SOH的拟合效果(设定SOH的阈值为70％)；其中，(a)对应5号电池，(b)对应6号电池，(c)对应7号电池，(d)对应18号电池。

图4分别对比了单个机器学习算法和本发明提供的预测模型对5、6、7、18号电池预测效果的决定系数。

图5为本发明所提供的预测模型对5、6、18号电池在30个循环起点处，对电池电量及RUL的预测拟合效果；其中，(a)对应5号电池，(b)对应6号电池，(c)对应18号电池。

图6为本发明所提供的预测模型对5、6、18号电池以20％、30％、30％历史数据，对电池全部RUL的预测拟合效果；其中，(a)对应5号电池，(b)对应6号电池，(c)对应18号电池；精度范围指的是RUL的预测值偏离真实值的范围，图中展现了预测值精度达到95％或90％的预测状态。

术语解释：

袋装算法模型(Bagging)，模型结构、损失函数及优化算法参见L.Breiman,Bagging predictors,Machine learning 24(2)(1996)123-140。

梯度提升回归模型(Gradient Boost，GBR)，模型结构、损失函数及优化算法参见F.Yang,D.Wang,F.Xu,Z.Huang,K.-L.Tsui,Lifespan prediction of lithium-ionbatteries based on various extracted features and gradient boostingregression tree model,Journal of Power Sources 476(2020)228654。

直方图的梯度提升回归模型(Hist-GBR)也是梯度提升回归的一种，其模型结构、损失函数及优化算法与GBR类似，参见T.

Y.

Machinelearning approach to ship fuel consumption:A case of container vessel,Transportation Research Part D:Transport and Environment 84(2020)。

支持向量回归模型(SVR)，模型结构、损失函数及优化算法参见Q.Li,D.Li,K.Zhao,L.Wang,K.Wang,State of health estimation of lithium-ion battery basedon improved ant lion optimization and support vector regression,Journal ofEnergy Storage 50(2022)104215和R.Li,S.Xu,S.Li,Y.Zhou,K.Zhou,X.Liu,J.Yao,Stateof charge prediction algorithm of lithium-ion battery based on PSO-SVR crossvalidation,Ieee Access 8(2020)10234-10242。

自适应增强算法模型(AdaBoost)，模型结构、损失函数及优化算法参见C.Ying,M.Qi-Guang,L.Jia-Chen,G.Lin,Advance and prospects of AdaBoost algorithm,ActaAutomatica Sinica 39(6)(2013)745-758和R.E.Schapire,Explaining adaboost,Empirical inference,Springer2013,pp.37-52。

线性回归模型(Linear Regression,LR)，模型结构、损失函数及优化算法参见S.Weisberg,Applied linear regression,John Wiley&Sons2005.和G.A.F.Seber,A.J.Lee,Linear regression analysis,John Wiley&Sons2012。

具体实施方式

实施例1

本实施例提供的基于多层架构的电池状态预测模型，其包括输入层、第一预测层、第二预测层和输出层。

输入层，用于接收电池采集数据。

上这里的电池采集数据包括电压、电流、循环时间和温度。

可以通过在线动力电池测试平台及电池管理系统(Battery Management System，BMS)对电池进行采集得到电池采集数据。对电池采集数据进行预处理，首先进行清洗去除无效数据，并通过PCCs测试筛出冗长的重复性变量，选取与电池老化性能最相关的HI。

第一预测层，包括若干并行设置的基模型，用于分别依据接收的电池采集数据进行预测，并将多个并行预测结果拼接输出。

本实施例中，第一预测层包括五个并行设置的基模型。五个基模型分别为袋装算法模型(Bagging)、梯度提升回归模型(Gradient Boost,GBR)、支持向量回归模型(SVR)、直方图的梯度提升回归模型(Hist-GBR)、自适应增强算法模型(AdaBoost)。

第二预测层，用于对第一预测层输出的多个平行预测结果进行拟合输出。

本实施例中，第二预测层采用线性回归模型(Linear Regression,LR)。

输出层，用于输出第二预测层的预测结果，即电池的预测状态。

本实施例中，当预测结果为电池电量时，可以进一步通过公式(1)、(2)或(4)确定SOH和RUL。本实施例还提供了上述基于多层架构的电池状态预测模型的构建方法，其包括以下步骤：

S1利用训练集A和测试集A对第一预测层进行训练。

通过在线动力电池测试平台及电池管理系统(Battery Management System，BMS)对若干电池标签样本进行测试，并对得到的电池采集数据进行预处理，获取相应的训练用数据，并将训练用数据划分为训练集A和测试集A。再根据需要估计的变量(SOH、RUL或电池电量)，确定模型的输入和输出。

这里，设模型的输入

输出Y＝[y₁,y₂…y_％].其中m为输入参数的维度，n为输入的数据量，y根据预测参数的不同可以为SOH，RUL，或者电量值。

利用训练集A分别对第一预测层的各基模型进行训练。并基于相应的损失函数和优化算法分别对各基模型进行优化，直至损失函数所得损失值趋于稳定或不变。经研究发现，即使采用各模型初始化参数，通过本发明所提供的第一预测层，也具有较好的预测效果，从而能减少模型所需训练参数，提升模型训练效率。

为了保证模型对于数据的充分学习，将训练集A分为若干训练子集，利用每个训练子集依次对第一预测层的各基模型进行训练，然后用测试集对训练后的模型进行验证。

具体地，对于每个基模型model_l：进一步将训练集划分为K组份，每个基模型都对训练集进行K次训练和预测，也即算法中的K-fold交叉验证，每次折叠训练得到一个预测结果

每进行一次fold训练后，基模型对测试集A：{x_test,y_test}也进行一次预测，每次预测结果为：p_k。K次fold训练之后，model_l(l＝1,2,…,L)训练集的训练结果：

对测试集的预测结果

取其平均值

因此，第一预测层L个基模型完全训练完毕，对训练集A的输出结果：ψ＝[φ₁,φ₂,…φ_L],对测试集A的训练结果：

S2利用第一预测层对训练集A和测试集A的预测结果作为第二预测层的训练集B和测试集B，对第二预测层进行训练。

本步骤中，以第一预测层各基模型对各训练子集的预测结果及相应标签值构建训练集B；各基模型每次训练后对测试集进行测试，并以各模型预测结果的平均值及相应标签值构建测试集B。

这里，即将ψ与P分别作为第二预测层的训练集B和测试集B，对第二预测层进行训练，并基于相应的损失函数和优化算法分别对各基模型进行优化，直至损失函数所得损失值趋于稳定或不变，得到最终训练好的第一预测层和第二预测层。

本实施例还提供了一种基于多层架构的电池状态预测方法，将对待评估电池测试得到的电池采集数据输入训练好的预测模型，便可得到相应电池的电池状态。

应用例

本应用例采用美国宇航局(NASA)预测卓越中心的电池预测数据集(5、6、7、18号电池数据构成)对本发明所提出的基于多层架构的电池桩孔预测模型进行了训练和结果评估。本应用例中评估变量为(电池的SOH和RUL)。

首先，从电池循环过程的各种状态参数，采用皮尔逊相关系数(Pearsoncorrelation coefficient,PCCs)对数据集进行筛选确定电池估计所需的健康因子(health Indictor，HI)。图2给出了利用利用皮尔逊系数(PCCs)查看5号电池健康因子与容量相关的热度图。从图2可以看出，电压、电流与SOH和RUL均存在极强的相关性，循环时间与SOH与RUL存在强相关，温度与SOH和RUL为中度相关，其他无相关性或极弱相关性因子已删除，从而确定电池评估所需的健康因子为电压、电流、循环时间和温度。

其次，预处理后的HI数据集作为训练用数据，并分别将5号、6号、7号和18号电池对应训练用数据划分为训练集A和测试集A(训练集A和测试集A比例为2：8或3：7)，然后按照前面提供的预测模型构建方法中给出的步骤S1对第一预测层的各基模型进行训练。再以第一预测层各基模型对各训练子集的预测结果及相应标签值构建训练集B；各基模型每次训练后对测试集进行测试，并以各模型预测结果的平均值及相应标签值构建测试集B，按照步骤S2对第二预测层进行训练。

最后，通过公式(5)-(10)，评估预测模型的预测精度。从而反向调整第一预测层各基模型的构成、基模型参数、并列基模型的个数等，重复这个训练过程直到模型的预测精度达到预设效果，得到分别与5号、6号、7号和18号电池对应的预测模型(Stacking模型)。

利用训练好的预测模型对NASA数据集上的5、6、7、18号电池对应的测试集进行测试。

四种电池基于20％的历史数据训练下对于测试集电池SOH的拟合效果如图3所示，从图中可以看出，预测数据与测试数据基本一致，且对于四组不同电池的拟合效果均较好，说明(Stacking模型的预测精度和鲁棒性很好)。

本发明还将目前传统的预测模型(见表1所示)与Stacking模型的预测效果进行了对比，结果如表1所示。

表1不同预测模型对电池SOH预测的均方根误差值

注：RNN模型结构、LSTM模型结构、RVM模型结构参见J.Qu,F.Liu,Y.Ma,J.Fan,ANeural-Network-Based Method for RUL Prediction and SOH Monitoring of Lithium-Ion Battery,IEEE Access 7(2019)87178-87191；

SVR模型结构参见T.Qin,S.Zeng,J.Guo,Robust prognostics for state ofhealth estimation of lithium-ion batteries based on an improved PSO–SVRmodel,Microelectronics Reliability 55(9-10)(2015)1280-1284；

GPR模型结构参见D.Yang,X.Zhang,R.Pan,Y.Wang,Z.Chen,A novel Gaussianprocess regression model for state-of-health estimation of lithium-ionbattery using charging curve,Journal of Power Sources 384(2018)387-395；

AST-LSTM模型结构参见P.Li,Z.Zhang,Q.Xiong,B.Ding,J.Hou,D.Luo,Y.Rong,S.Li,State-of-health estimation and remaining useful life prediction for thelithium-ion battery based on a variant long short term memory neural network,Journal of Power Sources 459(2020)；

从表1对比数据可以看出，Stacking模型对于电池SOH的整体预测精度比其他模型更高，平均均方根误差(0.0070)达到最小值；且模型对于四组电池的预测均方根误差，除了B0005号电池仅次于AST-LSTM，其他三组均达到最小值，鲁棒性良好。

同时对比了不同预测模型对5、6、7、18号电池预测效果的决定系数(R²)及预测时间，对于结果的预测，预测时间在2秒钟左右即可完成，反应速度较快，结果如图4所示。从图4可以看出，本发明所提出的预测模型具有较高的判定系数和可信度。

对于5、6、18号电池，基于20％的历史数据训练后得到的预测模型，从30个循环起点处开始，对电池电量及RUL的预测拟合效果，如图5所示，从图中可以看出，(Stacking模型对于电池电量的变化趋势预测整体拟合良好，对于RUL的预测值分别为：131，112，99(真实值为：125，108，96)，相对误差分别为：0.048,0.037,0.031。可以看出，以前30个循环为起点，对电池电量变化和RUL的预测能够取得较好的精度)。

对于5、6、18号电池，分别基于20％、30％、30％的历史数据训练后得到的预测模型，对电池全部RUL的预测拟合效果，如图6所示，从图中可以看出，Stacking模型对于电池RUL的预测误差，绝大部分均在95％的精度范围以内，仅1-2个预测值出现90％精度范围外，整体拟合情况良好。

综上所述，经过多次的基模型调整与组合，将训练好的多层集成模型在测试集上进行测试取得了很高的精度和鲁棒性。

Claims (10)

1.一种基于多层架构的电池状态预测模型，其特征在于，包括：

输入层，用于接收电池采集数据；

第一预测层，包括若干并行设置的基模型，用于分别依据接收的电池采集数据进行预测，并将多个并行预测结果拼接输出；

第二预测层，用于对第一预测层输出的多个平行预测结果进行拟合输出；

输出层，用于输出第二预测层的预测结果，即电池的预测状态。

2.根据权利要求1所述的基于多层架构的电池状态预测模型，其特征在于，所述电池采集数据包括电压、电流、循环时间、温度中的至少一种。

3.根据权利要求1或2所述的基于多层架构的电池状态预测模型，其特征在于，所述基模型为袋装算法模型、Boost算法中的梯度提升回归模型、直方图的梯度提升回归模型、基于决策树算法的分布式梯度提升框架、自适应增强算法模型、极端随机树中的一种。

4.根据权利要求3所述的基于多层架构的电池状态预测模型，其特征在于，并行设置的各基模型相同或不同。

5.根据权利要求4所述的基于多层架构的电池状态预测模型，其特征在于，所述第一预测层至少包括两种以上不同类型的基模型。

6.根据权利要求1所述的基于多层架构的电池状态预测模型，其特征在于，所述第二预测层采用线性回归模型或逻辑回归模型。

7.一种基于多层架构的电池状态预测模型的构建方法，其特征在于，包括以下步骤：

S1利用训练集A和测试集A对第一预测层进行训练；

S2利用第一预测层对训练集A和测试集A的预测结果作为第二预测层的训练集B和测试集B，对第二预测层进行训练。

8.根据权利要求7所述的基于多层架构的电池状态预测模型的构建方法，其特征在于，步骤S1中，将训练集A分为若干训练子集，利用每个训练子集依次对第一预测层的各基模型进行训练，然后用测试集对训练后的模型进行验证。

9.根据权利要求8所述的基于多层架构的电池状态预测模型的构建方法，其特征在于，以第一预测层各基模型对各训练子集的预测结果及相应标签值构建训练集B；各基模型每次训练后对测试集进行测试，并以各模型预测结果的平均值及相应标签值构建测试集B。

10.一种基于多层架构的电池状态预测方法，其特征在于，将电池采集数据输入训练好的预测模型，得到相应电池的电池状态。

Images