CN115792680A - 一种基于贝叶斯深度学习的退役电池健康状态评估方法 - Google Patents

Abstract

本发明公开了一种基于贝叶斯深度学习的退役电池健康状态评估方法，该方法包括：对退役电池进行循环老化和容量标定测试；基于测试过程，根据电压电流时间数据提取相关特征；采用递归特征消除算法对相关特征进行筛选，得到电池状态特征；考虑认知不确定性和偶然不确定性，构建贝叶斯深度学习模型并进行优化，得到评估模型；基于电池状态特征对评估模型进行训练，得到训练完成的评估模型；提取待测电池的电池状态特征并输入至训练完成的评估模型，输出待测电池的健康状态。通过使用本发明，能够自动选择相关特征并构建预测模型。本发明可广泛应用于电池状态评估领域。

Description

一种基于贝叶斯深度学习的退役电池健康状态评估方法

技术领域

本发明涉及电池状态评估领域，尤其涉及一种基于贝叶斯深度学习的退役电池健康状态评估方法。

背景技术

退役动力电池的梯级利用越来越受到人们的重视。用于新能源汽车的动力电池在可用容量退化至80％初始容量时可以回收用于其他用途。为了保证退役动力电池梯级利用的安全，有必要对二次使用中退役电池的SOH进行监测。目前，对电池第一寿命阶段的SOH估计方法被广泛研究。然而，由于复杂的电池老化机理，不同批次甚至是相同批次间的退役电池一致性差，适用于第一寿命阶段的SOH估计的方法在退役电池上往往不可行。针对不同退役动力电池的SOH估计问题，需要耗费大量人力进行特征设计以及预测模型的构建。这是目前退役电池SOH估计的难点之一。

发明内容

本发明的目的是提供一种基于贝叶斯深度学习的退役电池健康状态评估方法，能够自动选择相关特征并构建预测模型，克服了需要耗费大量人力进行特征设计以及预测模型的构建的问题。

本发明所采用的技术方案是：一种基于贝叶斯深度学习的退役电池健康状态评估方法，包括以下步骤：

对退役电池进行循环老化和容量标定测试；

基于测试过程，根据电压电流时间数据提取相关特征；

采用递归特征消除算法对相关特征进行筛选，得到电池状态特征；

考虑认知不确定性和偶然不确定性，构建贝叶斯深度学习模型并进行优化，得到评估模型；

基于电池状态特征对评估模型进行训练，得到训练完成的评估模型；

提取待测电池的电池状态特征并输入至训练完成的评估模型，输出待测电池的健康状态。

进一步，所述对退役电池进行循环老化和容量标定测试这一步骤，其具体包括：

循环老化，模拟梯次利用场景对电池进行循环老化，直到电池最大可用容量低于初始容量的40％，判定退役电池梯次利用阶段寿命终止；

容量标定，包括恒流恒压充电过程和恒流放电过程，以恒流放电过程的放电容量为电池当前的最大可用容量；

恒流恒压充电过程，将电池恒流恒压充满至4.2V，设定截止电流并搁置；

恒流放电过程，以1C恒流放电至截止电压2.75V，搁置预设时间后，以0.05C恒流放电至截止电压2.75V。

进一步，所述相关特征包括：

恒流充电阶段中的等电压变化充电时间、平均电压、能量、电压时间曲线的斜率、偏度、峰度；

恒压充电阶段中的等电流变化充电时间、平均电流、能量、电流时间曲线的斜率、偏度、峰度；

恒流充电阶段与恒压充电阶段的能量差值；

恒流充电阶段与恒压充电阶段的能量比值。

进一步，所述采用递归特征消除算法对相关特征进行筛选，得到电池状态特征这一步骤，其具体包括：

构建随机森林模型，在相关特征上进行训练并移除重要性系数绝对值最小的特征，直至遍历完所有的电池状态特征；

通过交叉验证的方式执行递归特征消除，根据预设数量筛选特征，得到电池状态特征。

进一步，所述考虑认知不确定和偶然不确定性，构建贝叶斯深度学习模型并进行优化，得到评估模型这一步骤，其具体包括：

考虑认知不确定性，给定先验分布并构建贝叶斯神经网络的预测分布；

考虑偶然不确定性，在输出位置引入高斯分布；

采用贝叶斯优化算法确定贝叶斯深度学习模型的结构，得到评估模型。

进一步，所述预测分布的表达式如下：

p(y^′|x^′,X,Y)＝∫p(θ|X,Y)·p(y^′|x^′,θ)dθ

上式中，p(θ)表示给定的先验分布，θ表示参数，p(θ|X,Y)表示后验分布，X表示输入，Y表示标签，x^′表示新的输入，y^′表示新的输出，p(y^′|x^′,X,Y)表示在数据集(X,Y)新的输入x^′的条件下y^′的分布。

进一步，还包括：

定义变分分布并采用变分推断方法获得后验分布的近似；

基于KL散度量化变分分布与真实分布的相似度。

进一步，所述KL散度量化变分分布与真实分布的相似度这一步骤，公式表示如下：

上式中，q_λ(θ)表示变分分布，p(X,Y)表示已知数据集的分布，p(θ,X,Y)表示已知数据集和模型参数的联合概率分布。

进一步，所述采用贝叶斯优化算法确定贝叶斯深度学习模型的结构具体为采用超参数优化确定贝叶斯神经网络的隐藏层数、神经元数、优化器学习率，所述超参数优化表达式如下：

上式中，Mape(ω)表示以ω为超参数的模型在验证集上的平均绝对百分比误差，W代表所有的超参数集合。

本发明方法的有益效果是：本发明利用退役电池的充电数据进行自动特征提取，采用基于随机森林具有交叉验证的递归特征消除算法选择与电池SOH高度相关的特征，克服了需要耗费大量人力设计相关特征的问题；采用考虑了认知不确定性和偶然不确定性的贝叶斯神经网络构建SOH估计模型，克服了传统的确定性神经网络无法量化预测不确定性的问题；有利于准确且可靠地评估退役电池梯次利用下的健康状态，为退役电池的管理、维护和更换提供可靠的参考并避免意外的安全事故。

附图说明

图1是本发明一种基于贝叶斯深度学习的退役电池健康状态评估方法的步骤流程图；

图2是本发明一种基于贝叶斯深度学习的退役电池健康状态评估系统的结构框图；

图3是本发明具体实施例中考虑两种不确定性的贝叶斯神经网络模型结构示意图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

如图1所示，本发明提供了一种基于贝叶斯深度学习的退役电池健康状态评估方法，该方法包括以下步骤：

S1、对退役电池进行循环老化和容量标定测试；

本实施例中实验室阶段的循环老化测试采用18650的退役锂离子(NCM 523)动力电池(最大可用容量为70％-80％初始容量),也可采用软包或方形的锂电池，材料方面常规的动力电池(三元锂和磷酸铁锂电池)都可以适用本方法。

模拟梯次利用场景对电池进行循环老化，直到电池最大可用容量低于初始容量的40％，认为退役电池梯次利用阶段寿命终止；

每50次老化循环间隔对退役电池的当前可用容量进行标定，容量标定采用恒流恒压充电和两阶段恒流放电。恒流恒压充电过程：将电池恒流恒压充满至4.2V，截止电流为0.02C并搁置30分钟；恒流放电过程：以1C恒流放电至截止电压2.75V，搁置10分钟后，以0.05C恒流放电至截止电压2.75V。两阶段恒流放电的放电容量之和为电池当前的最大可用容量。电池的SOH采用下式定义：

式中，Q_rated为电池的额定容量；Q_aged为当前电池实际的最大可用容量。

S2、基于测试过程，根据电压电流时间数据提取相关特征；

具体地，所述相关特征，包括恒流充电阶段中的等电压变化充电时间、平均电压、能量、电压时间曲线的斜率、偏度、峰度，恒压充电阶段的等电流变化充电时间、平均电流、能量、电流时间曲线的斜率、偏度、峰度，以及恒流恒压充电两阶段的能量差值和比值。提取的特征表示如下：

上式中，Time表示等电压变化充电时间或等电流变化充电时间，V_h表示等电压变化区间的电压较大值，V_l表示等电压变化区间的电压较小值，I_h表示等电流变化区间的电流较大值，I_h表示等电流变化区间的电流较小值，t(·)表示对应电压电流值下所记录的时间。

上式中，Slope表示等电压变化阶段电压时间曲线的斜率或等电流变化阶段电流时间曲线的斜率，t_s表示等电压或等电流变化阶段的开始时间，t_e表示等电压变化阶段的结束时间，V(·)表示对应时间下的电压值，I(·)表示对应时间下的电流值。

上式中，energy表示等电压变化阶段或等电流变化阶段电池的充电能量。

上式中，Skewness表示偏度，Kurtosis表示峰度，X＝{x₁,x₂,…,x_k}表示恒流充电过程的电压或恒压充电过程的电流，k表示记录的电压或电流数据量，μ和σ表示X的均值和标准差。

S3、采用递归特征消除算法对相关特征进行筛选，得到电池状态特征；

具体地，构建随机森林模型，在原始特征集上进行训练，每次训练之后，移除1个重要性系数绝对值最小的特征。往复递归，直至遍历完所有的特征。RFECV通过交叉验证的方式执行RFE，以此来选择最佳数量的特征。

S4、考虑认知不确定性和偶然不确定性，构建贝叶斯深度学习模型并进行优化，得到评估模型；

具体地，参照图3，考虑一个具有N个样本的数据集D＝{X,Y}，其中

表示输入，

表示标签。权重和偏置参数为θ的神经网络可以定义为y＝f_θ(x)。贝叶斯神经网络模型将神经网络中的权重和偏置参数视为服从一定概率分布的随机变量，考虑了模型的认知不确定性。给定先验分布p(θ)，根据贝叶斯定理，模型参数θ的后验分布为：

对于新的输入x′，贝叶斯神经网络给出输出y′的预测分布为：

p(y′|x′,X,Y)＝∫p(θ|X,Y)·p(y′|x′,θ)dθ

由于参数后验分布涉及难以计算的高维积分，采用变分推断方法来获得后验分布的近似。定义一个变分分布q_λ(θ)，如多元正态分布

λ＝{μ,Σ}。变分推断的作用是通过调优变分参数λ，尽可能使q_λ(θ)接近真实分布p(θ|X,Y)。用Kullback-Leibler(KL)散度来量化两个分布的相似度。

通过在输出位置引入一个高斯分布将数据的偶然不确定性考虑在内，即贝叶斯深度学习模型输出均值为μ，方差为σ²的高斯分布，通过从该分布采样获得SOH预测值。本实例使用标准正态分布作为参数的先验分布，采用负对数似然作为模型训练的损失函数，最终训练得到高精度的退役电池SOH估计模型。

通过贝叶斯超参数优化算法来确定贝叶斯神经网络的隐藏层数、神经元数、优化器学习率等超参数。贝叶斯优化算法利用被搜索点的信息来指导搜索过程，即确定下一个搜索点，可以提高搜索结果的质量和超参数搜索的速度。超参数优化目标为：

式中，Mape(ω)表示以ω为超参数的模型在验证集上的平均绝对百分比误差，W代表所有的超参数集合。

S5、基于电池状态特征对评估模型进行训练，得到训练完成的评估模型；

具体地，用容量标定过程数据进行退役电池SOH估计模型的训练。

S6、提取待测电池的电池状态特征并输入至训练完成的评估模型，输出待测电池的健康状态。

如图2所示，一种基于贝叶斯深度学习的退役电池健康状态评估系统，包括：

测试模块，用于对退役电池进行循环老化和容量标定测试；

特征提取模块，基于测试过程，根据电压电流时间数据提取相关特征；

特征筛选模块，用于采用递归特征消除算法对相关特征进行筛选，得到电池状态特征；

优化模块，用于考虑认知不确定性和偶然不确定性，构建贝叶斯深度学习模型并进行优化，得到评估模型；

训练模块，基于电池状态特征对评估模型进行训练，得到训练完成的评估模型；

评估模块，用于提取待测电池的电池状态特征并输入至训练完成的评估模型，输出待测电池的健康状态。

上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

一种基于贝叶斯深度学习的退役电池健康状态评估装置：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种基于贝叶斯深度学习的退役电池健康状态评估方法。

上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

一种存储介质，其中存储有处理器可执行的指令，其特征在于：所述处理器可执行的指令在由处理器执行时用于实现如上所述一种基于贝叶斯深度学习的退役电池健康状态评估方法。

上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (9)

1.一种基于贝叶斯深度学习的退役电池健康状态评估方法，其特征在于，包括以下步骤：

对退役电池进行循环老化和容量标定测试；

基于测试过程，根据电压电流时间数据提取相关特征；

采用递归特征消除算法对相关特征进行筛选，得到电池状态特征；

考虑认知不确定性和偶然不确定性，构建贝叶斯深度学习模型并进行优化，得到评估模型；

基于电池状态特征对评估模型进行训练，得到训练完成的评估模型；

提取待测电池的电池状态特征并输入至训练完成的评估模型，输出待测电池的健康状态。

2.根据权利要求1所述一种基于贝叶斯深度学习的退役电池健康状态评估方法，其特征在于，所述对退役电池进行循环老化和容量标定测试这一步骤，其具体包括：

循环老化，模拟梯次利用场景对电池进行循环老化，直到电池最大可用容量低于初始容量的40％，判定退役电池梯次利用阶段寿命终止；

容量标定，包括恒流恒压充电过程和恒流放电过程，以恒流放电过程的放电容量为电池当前的最大可用容量；

恒流恒压充电过程，将电池恒流恒压充满至4.2V，设定截止电流并搁置；

恒流放电过程，以1C恒流放电至截止电压2.75V，搁置预设时间后，以0.05C恒流放电至截止电压2.75V。

3.根据权利要求2所述一种基于贝叶斯深度学习的退役电池健康状态评估方法，其特征在于，所述相关特征包括：

恒流充电阶段中的等电压变化充电时间、平均电压、能量、电压时间曲线的斜率、偏度、峰度；

恒压充电阶段中的等电流变化充电时间、平均电流、能量、电流时间曲线的斜率、偏度、峰度；

恒流充电阶段与恒压充电阶段的能量差值；

恒流充电阶段与恒压充电阶段的能量比值。

4.根据权利要求3所述一种基于贝叶斯深度学习的退役电池健康状态评估方法，其特征在于，所述采用递归特征消除算法对相关特征进行筛选，得到电池状态特征这一步骤，其具体包括：

构建随机森林模型，在相关特征上进行训练并移除重要性系数绝对值最小的特征，直至遍历完所有的电池状态特征；

通过交叉验证的方式执行递归特征消除，根据预设数量筛选特征，得到电池状态特征。

5.根据权利要求4所述一种基于贝叶斯深度学习的退役电池健康状态评估方法，其特征在于，所述考虑认知不确定和偶然不确定性，构建贝叶斯深度学习模型并进行优化，得到评估模型这一步骤，其具体包括：

考虑认知不确定性，给定先验分布并构建贝叶斯神经网络的预测分布；

考虑偶然不确定性，在输出位置引入高斯分布；

采用贝叶斯优化算法确定贝叶斯深度学习模型的结构，得到评估模型。

6.根据权利要求5所述一种基于贝叶斯深度学习的退役电池健康状态评估方法，其特征在于，所述预测分布的表达式如下：

p(y′|x′，x，Y)＝∫p(θ|x，Y)·p(y′|x′，θ)dθ

上式中，p(θ)表示给定的先验分布，θ表示参数，p(θ|X，Y)表示后验分布，X表示输入，Y表示标签，x′表示新的输入，y′表示新的输出，p(y′|x′，X，Y)表示在数据集(X，Y)新的输入x′的条件下y′的分布。

7.根据权利要求6所述一种基于贝叶斯深度学习的退役电池健康状态评估方法，其特征在于，还包括：

定义变分分布并采用变分推断方法获得后验分布的近似；

基于KL散度量化变分分布与真实分布的相似度。

8.根据权利要求7所述一种基于贝叶斯深度学习的退役电池健康状态评估方法，其特征在于，所述KL散度量化变分分布与真实分布的相似度这一步骤，公式表示如下：

上式中，q_λ(θ)表示变分分布，p(X,Y)表示己知数据集的分布，p(θ，X，Y)表示己知数据集和模型参数的联合概率分布。

9.根据权利要求8所述一种基于贝叶斯深度学习的退役电池健康状态评估方法，其特征在于，所述采用贝叶斯优化算法确定贝叶斯深度学习模型的结构具体为采用超参数优化确定贝叶斯神经网络的隐藏层数、神经元数、优化器学习率，所述超参数优化表达式如下：

上式中，Mape(ω)表示以ω为超参数的模型在验证集上的平均绝对百分比误差，W代表所有的超参数集合。

Images