CN115808627A - 一种锂电池soh预测方法及装置 - Google Patents
一种锂电池soh预测方法及装置 Download PDFInfo
- Publication number
- CN115808627A CN115808627A CN202310052813.4A CN202310052813A CN115808627A CN 115808627 A CN115808627 A CN 115808627A CN 202310052813 A CN202310052813 A CN 202310052813A CN 115808627 A CN115808627 A CN 115808627A
- Authority
- CN
- China
- Prior art keywords
- data
- lithium battery
- soh
- model
- gate
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 50
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000013136 deep learning model Methods 0.000 claims abstract description 22
- 230000007246 mechanism Effects 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 10
- 230000002596 correlated effect Effects 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 16
- 230000000875 corresponding effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 230000005055 memory storage Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000006731 degradation reaction Methods 0.000 description 5
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 241000544061 Cuculus canorus Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种锂电池SOH预测方法及装置,涉及锂电池健康管理技术领域,该方法包括:获取锂电池的样本数据,通过灰色关联度分析方法对样本数据进行筛选,得到相关联数据;获取锂电池SOH的原始数据,通过集合经验模态分解对原始数据进行分解,生成标签数据;构建深度学习模型,其中所述深度学习模型为基于注意力机制的CNN‑bilstm模型;通过相关联数据及标签数据对深度学习模型进行训练,生成优化模型,通过优化模型对实测数据进行预测,生成锂电池SOH预测结果以实现锂电池SOH预测;通过上述技术方案,本发明能够解决传统电池SOH预测稳定性差、泛化能力差、预测精度低的问题。
Description
技术领域
本发明涉及锂电池健康管理技术领域,特别涉及一种锂电池SOH预测方法及装置。
背景技术
锂离子电池是电动汽车、电子消费产品甚至是航天器等的核心电源,因此,锂电池电池的可靠性和安全性是实际应用过程中的一个极为关键的问题。锂离子电池的充放电过程会 导致电池内部产生化学反映,使得锂离子不断流失,电池性能不断下降,这种锂电池的老化过程是不可逆的,这种情况会影响电气设备的正常运行,如电动汽车行驶里程变短,还可能带来严重的后果,例如近年来发生的电池爆炸、电动汽车自燃以及一些发电厂的电池储能箱爆炸,因此,锂电池的健康状态(State of Health)成为了一项受人关注的指标。SOH是一个表征当前电池相对于新电池存储电能的能力,以百分比的形式表示电池从寿命开始到寿命结束期间所处的状态,用来定量描述当前的性能状态。为了能够尽量避免锂电池SOH的衰退对整体造成的影响,对SOH的预测工作成为了健康管理(PHM)领域的热点课题。SOH的预测能够帮助相关技术人员掌握电池老化的影响因素,为电池的使用和维护提供理论指导。
目前,针对SOH的预测方法大致上分为两类,基于模型的方法和数据驱动的方法。模型的方法运用的较多的是建立电化学模型和等效电路模型,但前者建模过程非常复杂,后者虽然结构简单,但是耗时且需要获得大量不同的数据集,且预测效果较差。数据驱动法包含机器学习、人工智能的算法等。由于电池衰退过程具有一定的规律,选择不同的算法的效果也有很大的区别。普通的数据驱动预测算法如LSTM、SVM、BP相比传统的如线性回归,对于非线性关系的数据,能够更好的捕捉到数据之间的特性,预测效果有所提高,但依然存在许多问题,LSTM由于网络的输出部分是通过随机分配权重的方式,容易丢失掉关键的信息,并且容易受到数据噪声和冗余特征的影响。BP神经网络的泛化能力差,且在训练过程中容易陷入局部最优的情况,布谷鸟算法随让能够避免网络陷入局部最优,但是在输入训练集数量下降的时候,预测模型的精度会受到影响,因此鲁棒性较差。SVM在数据集较大时,会耗费大量的机器内存,且运算时间比较长。由上分析,已有的数据驱动的预测算法在网络稳定、抵抗数据噪声和冗余特征影响这几方面的效果较差。容易影响网络的预测精度。在SOH预测工作上,现有的方法普遍没有考虑影响电池容量衰退的影响因子,而是直接将SOH输入到网络中,实际上,影响SOH衰退的因素由很多,这些影响因子或多或少都会对SOH的衰退趋势造成影响。
发明内容
为解决上述现有技术中所存在的传统SOH预测方法所暴露出来的缺点,如稳定性差、泛化能力差、预测精度低等问题,本发明提供了一种锂电池SOH预测方法及装置,能够进行预测精度较高、稳定性较强的锂电池SOH预测。
为了实现上述技术目的,本发明提供了如下技术方案:一种锂电池SOH预测方法,包括:
获取锂电池的样本数据,通过灰色关联度分析方法对样本数据进行筛选,得到相关联数据;
获取锂电池SOH的原始数据,通过集合经验模态分解对原始数据进行分解,生成SOH分量训练数据及标签数据;
构建深度学习模型,其中所述深度学习模型为基于注意力机制的CNN-bilstm模型;
通过相关联数据、SOH分量训练数据及标签数据对深度学习模型进行训练,生成优化模型,通过优化模型对实测数据进行预测,生成锂电池SOH预测结果以实现锂电池SOH预测。
可选的,所述样本数据包括SOC数据、测量电压、测量电流、工作温度。
可选的,对样本数据进行筛选的过程包括:
将样本数据与对应SOH中对应的故障特征序列分别进行差值计算,统计所述差值计算结果中的最大差值及最小差值,基于最大差值及最小差值计算得到相关系数,并对相关系数进行均值计算,基于均值计算结果对样本数据进行筛选,得到相关联数据。
可选的,对原始数据进行分解的过程包括:
将白噪声添加到原始数据中,得到原始信号,统计所述原始信号中的局部极值点,通过三次样条差值方法对局部极值点进行处理,得到包络线;计算包络线的均值,对包络线的均值及原始信号进行计算,得到中间信号,对中间信号进行判断,基于判断结果,将所述中间信号作为分量信号,根据原始信号及分量信号计算得到剩余分量,对剩余分量重复计算及判断过程,直到最后一个残余信号为单调函数,得到若干个分量信号,基于若干个分量信号及残余信号,得到分解后的信号,分解后的信号包括SOH分量训练数据及标签数据,其中SOH分量训练数据为标签数据的上一时刻数据。
可选的,构建深度学习模型的过程包括:
构建BILSTM网络,在所述BILSTM网络输入端添加CNN网络,生成CNN-bilstm模型,并在所述BILSTM网络的输出端添加注意力机制,并在注意力机制后添加Dense层进行映射,生成基于注意力机制的CNN-bilstm模型。
可选的,所述CNN-bilstm模型的计算过程为:
其中,Xt表示t时刻的输入,Wf、Wr、Wz表示CNN-BILSTM网络遗忘门、输出门、输入门对应的内置权重,ef、ez和er表示网络遗忘门、输入门、输出门对应的偏置。g(t)、j(t)、ct、r(t)分别表示的是遗忘门、输入门、记忆储存、输出门,y(t)表示网络的输出,Tanh代表双曲线正切函数,Kf、Kz、Kr表示遗忘门、输入门、输出门对应的输出权重值。
可选的,所述注意力机制中,通过Softmax函数计算注意力机制中的注意力权重。
可选的,对深度学习模型进行训练之前还包括:
分别对相关联数据进行预处理,其中预处理过程包括归一化处理。
为了更好的实现上述技术目的,本发明还提供了一种锂电池SOH预测装置,包括:
样本获取模块用于获取锂电池的样本数据,通过灰色关联度分析方法对样本数据进行筛选,得到相关联数据;
标签获取模块用于获取锂电池SOH的原始数据,通过集合经验模态分解对原始数据进行分解,生成标签数据;
构建模块用于构建深度学习模型,其中所述深度学习模型为基于注意力机制的CNN-bilstm模型;
优化测量模块用于通过相关联数据及标签数据对深度学习模型进行训练,生成优化模型,通过优化模型对实测数据进行预测,生成锂电池SOH预测结果以实现锂电池SOH预测。
本发明具有如下技术效果:
本方案相较于CNN-BILSTM,在网络框架中添加了注意力机制,能够代替传统BILSTM神经元随机分配权重以计算输出值的方式,通过计算结果与该点的误差大小合理分配权重,更能保留数据之前的关键特征。此外,把控了网络的输入部分,利用GRA-EEMD的方法合理的控制网络的输入数据,避免冗余特征和数据之间存在的噪声对网络的影响,从而整体提高网络的稳定性和泛化能力。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的方法流程示意图;
图2为本发明实施例提供的方案效果示意图。
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。
如图1所述,本发明提供了一种锂电池SOH预测方法及装置,方法所涉及相关技术:注意力机制结合CNN-bilstm模型,此外,在数据处理阶段利用灰色关联度分析(GRA)和集合经验模态分解(EEMD)的方法对数据进行筛选和降噪处理。其方法步骤包括:
步骤1.特征提取:
锂电池循环测试数据集中除了容量,普遍包含多种实验过程种采集的其他相关数据,如SOC(state of charge)、测量电压、测量电流、工作温度,这些数据称之为相关数据。SOH的计算方法为SOH=当前容量/标称容量,在计算出SOH后,传统方案普遍是将相关数据包括SOH一同输入到网络中,与传统方法不同,本专利采用了GRA(Gray Relation Analysis)方法筛选出与SOH关联度较好的非冗余特征输入到网络中。
灰色关联分析是将SOH序列和相关序列通过合理的方法转化成几何形状并通过对比,判断其相似程度来确定相关序列与SOH序列之间的关联程度。表1为关联度分析表,由表1可知,当关联系数小于0.6时,相关序列与故障特征属于失调状态,如果此类失调数据作为输入被传输到网络中,会影响模型的精度和稳定性,因此,应该选择关联系数大于0.6的相关序列。
表1
步骤方法如下:
1)将相关序列视为如下矩阵:
其中,m代表每个相关序列的数据个数。将所有的相关序列转换成如式(2)所示
其中n表示的是相关序列的个数。
2) 确定SOH序列RI0:
3)依次计算每个相关序列与故障特征序列对应位置元素的差值:
6)计算5)中得到的每个相关序列与故障特征序列相关系数,利用式5求取均值,得到的结果既为相关序列与故障特征序列的关联度,由表1可知,关联度越高,证明相关性越强,协同度越高。
利用此方法,可以合理的确定网络的输入参数,保证网络的稳定性不受冗余特征的影响。
步骤2:数据分解:
由于SOH数据之间存在数据噪声的情况,此类情况会影响网络的整体性能。本专利使用了集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)将高频和不规则分量从SOH中分离出来,可以减少不同数据之间的噪声对模型精度的影响。除此之外,EEMD相比EMD,过程信号极值点分更加均匀,可以更加有效的抑制由间歇性高频分量等因素造成的模态混叠。步骤方法如下:
1)将正态分布的白噪声加到SOH中,并且作为一个整体,将其视为原始信号,记为V(t)。
2)找出原始信号V(t)中全部局部极值点,并且利用三次样条差值的方法,将局部极大值点和局部极小值点连成上包络线、下包络线,分别为emax(t),emin(t),且所有数据点都在上、下包络线构成的范围内部。
4)将原始信号V(t)减去n1(t),得到中间信号c(t),既:
5)判断信号c(t)是否满足固有模态函数IMF的两个条件,分别是:
在整个过程中,极值点个数与过零点个数相等或最多相差1;
任意时刻内,上、下包络线相对于时间轴局部对称。
若满足,则将中间信号c1(t)视为一个IMF分量,若不满足,则以该信号为基础,重新循环1)到步骤4),直到得到第一个IMF分量。
6)将原始信号v(t)减去第一个IMF分量c1(t),得到剩余分量r(t),既:
将剩余分量r(t)重复步骤1到步骤4既可得到第二个IMF分量c2(t),在通过步骤5,如此分解下去,直到最后一个残余信号d(t)成为单调函数无法分解后,既完成了对故障特征的分解工作,分解后的原始信号v(t)如式8所示,所有IMF分量与残余信号之和为原始信号V(t)。
经EEMD分解后得到多个分量,将单个分量与其他特征输入到网络中,能够降低数据噪声对网络的影响,还可以提高网络的泛化能力。
步骤3:数据预处理:
经步骤一筛选后的非冗余特征数据的按时间顺序将前70%视为训练集,后30%视为测试集。训练集用于网络的训练,测试集用于评估网络的预测精度。为了能够输出数据之间的量纲差异,需要对数据进行预处理,具体的,对除SOH数据外获取的数据进行归一化处理,归一化公式如下所示。
其中,x’表示样本数据,Xmax表示样本数据的最大值,Xmin表示样本数据的最小值。
步骤4:构建CNN-BILSTM网络结构
LSTM网络结构是由循环神经网络演变而来,是为了针对循环神经网络在训练过程中容易出现容易出现的梯度消失或梯度爆炸的情况。LSTM与其他神经网络不同的是,它内部包含3个门控模块,分别是遗忘门、输入门和输出门,这三个门控模块的作用分别是:
遗忘门:遗忘门可以通过将上一个输入Ct-1乘以遗忘权重来选择性的忘记。遗忘权重是将ht-1和Xt堆叠后乘以遗忘门的权重Wf,再通过σ函数激活,得到的值称之为“遗忘权重”。σ函数的表达式如式9所示。
输入门:输入门能够对输入选择性的记忆,将ht-1和Xt堆叠后乘以输入门的权重Wi然后使用σ函数激活,得到的权重称之为“输入权重”。
输出门:输出门可以通过将当前信息乘以输出权重来决定当前信息哪些可以当成当前状态作为输出,输出权重是将ht-1和Xt堆叠后乘以输出门的权重Wo,使用σ函数激活,得到的值称之为“输出权重”。
W则是用于循环神经网络中的运算,经过循环神经网络计算得到的权重是通过输入信息乘以W后通过激活函数tanh激活得到的权重。
输入信息经过LSTM神经元的处理后,得到的结果如式11所示。
若将ht进行Softmax操作,则得到真正意义上的输出既y(t),否则,它就将被作为下一个神经元的输入。
LSTM是一个正向的过程,它只考虑上文的信息,如果将输入的序列反转,在重新按照LSTM的方式重新计算一遍,最后得到的结果与正向计算得到的结果简单的叠加,考虑正向、反向LSTM便是BILSTM,通过BILSTM更能够捕捉双向数据的变化趋势。
CNN主要由卷积层和池化层构成,在BILSTM网络中添加卷积神经网络,卷积层能够提高网络的非线性特征提取能力,池化层通过过滤器的结果MAX操作,负责压缩提取的特征并且生成更具有特征信息的信号,MAX可以保留显著的信息,经CNN处理后的结果作为BILSTM的输入。经过CNN-BILSTM处理后,得到的结果如下公式所示:
式中,Xt表示t时刻的输入,Wf、Wr、Wz表示CNN-BILSTM网络遗忘门、输出门、输入门对应的内置权重,ef、ez和er表示网络遗忘门、输入门、输出门对应的偏置。g(t)、j(t)、ct、r(t)分别表示的是遗忘门、输入门、记忆储存、输出门,y(t)表示网络的输出,Tanh代表双曲线正切函数,Kf、Kz、Kr表示遗忘门、输入门、输出门对应的输出权重值。网络的数据流是BILSTM网络通过读取上一时刻的输出y(t)和记忆存储ct,通过上述的公式得到g(t)、j(t)、r(t),随后得到下一时刻的输出和记忆存储。
步骤5:网络的输出添加注意力机制。
注意力机制被提出的初衷就是为了模仿人脑的资源分配机制,这种机制能够让人将注意力集中在需要关注的地方,从而获得更多的有用信息,忽略无用信息。注意力机制是通过合理分配权重的方法,忽略无用信息,将关注点聚焦在关键部位,从而提高模型的预测精度。在所提出的网络中添加注意力机制,可以有效的避免BILSTM在针对长序列预测工作中出现的有效信息丢失的情况。
具体的,在BILSTM的输出部分添加注意力机制,以此取代BILSTM神经元随机分配权值的方式。计算神经元内部隐含层hi ’和前面的随机初始化的四个隐含层hi的相似度ei,公式如式11所示,下一步,使用Softmax函数计算出注意力权重,得到注意力权重W后,与神经元的输出加权整合,通过Dense层映射,得到预测值output。Softmax公式如式12所示。
步骤6:模型训练与测试。
经GRA-EEMD处理后,将T-1时刻的SOH分量和非冗余特征作为训练数据,T时刻的SOH分量作为目标标签,利用时间滑窗制造出训练数据与标签对。标签值即为实际值,用于展示训练过程中预测值与实际值的误差。在CNN-BILSTM网络的输出中添加注意力机制,将训练集作为网络的输入,经过训练得到一个预训练模型,随后,将测试集输入到预训练模型中,得到的结果为分量1的预测值,随后,将SOH分量2替换分量1,在重复上述训练-测试步骤,最后得到了每个分量的预测值,最后,将多个分量的预测值叠加即为SOH预测结果即测试结果。构建预训练模型的流程如图1所示。
本方案可用于在线预测或离线分析。在线预测需要先进行离线分析,先通过离线分析电池包的终身数据,经过GRA确定非冗余参数。在线预测过程中,根据离线分析得到的经GRA处理的结果,选择满足要求的参数作为网络的输入。根据预训练模型的建立时长,如预训练模型建立需要4分钟,那么选择输送到网络中的时间片段为五分钟,既每五分钟,数据输入到网络中,由于预训练模型建立后无需重新建立,因此,可以在未来五分钟的数据传入到网络之前得到预测结果。综上所述,根据预训练模型的建立时长,延长一定的时间确定每个输入到网络中的时间片段,确保下次数据传输之前得到预测结果,实现在线应用。
根据本方案阐述的步骤,采用NASA锂电池公开数据集作为验证,利用该数据集中的容量参数计算SOH,计算公式如下。该数据集包含多个参数,根据方案的步骤,先利用GRA分析各参数与SOH的关联度,最后发现只有工作温度和工作电压与SOH的关联度超过0.6,其它参数都属于失调状态,因此,将这两类参数作为网络的输入。随后将工作温度、工作电压和SOH划分成训练集和测试集,前70%为训练集,后30%为测试集。将工作温度和工作电压进行归一化处理后,将SOH进行EEMD分解,得到10个分量和1个残余信号。将SOH序列替换成分量1序列,三类参数输入到添加了注意力机制的CNN-BILSTM网络中,通过训练集对网络进行训练,经过训练得到预训练模型后,将测试集输入到预训练模型中,得到分量1的预测结果。后续将分量1替换成分量2,重复上述步骤,得到分量2的预测结果。重复该步骤,直到10个分量和残余信号都完成了上述步骤,最终得到了10个分量和残余信号的预测值,将这些预测值叠加即为SOH预测结果即测试集所生成结果。如图2所示,可以发现,本方案相较于CNN-BILSTM,更能够追踪SOH的变化曲线。为了能够直观的看出模型之间的差异,利用公式15.16和17计算预测值与实际值的误差。式中,xi表示实际值,yi表示预测值,误差越小代表预测精度越高。计算误差如表2所示。表2为误差指标表,由表2所示,本方案在三个误差指标分别为0.0832、0.0991和4.67%上,相比CNN-LSTM的误差都更低,因此本方案的预测精度相较于CNN-LSTM更高。
在实际运用过程中,除循环次数外,其他参数如温度,工作电压等参数都具有一定的周期性,既重复性,只有循环次数是基于上次的次数逐渐叠加,因此,在已有的数据中,未来时刻的除循环次数以外的参数与训练集中的数据相同。以NASA数据集为例,选择训练集的工作电压和工作温度作为未来该电池的这两类参数,循环次数基于之前的基础上叠加,由此构建了未来时刻的众参数即实测数据,将其导入模型中即可得到未来时刻的SOH。
表2
实施例二
为了更好的实现上述技术目的,本发明还提供了一种锂电池SOH预测装置,包括:
样本获取模块用于获取锂电池的样本数据,通过灰色关联度分析方法对样本数据进行筛选,得到相关联数据;
标签获取模块用于获取锂电池SOH的原始数据,通过集合经验模态分解对原始数据进行分解,生成标签数据;
构建模块用于构建深度学习模型,其中所述深度学习模型为基于注意力机制的CNN-bilstm模型;
优化测量模块用于通过相关联数据及标签数据对深度学习模型进行训练,生成优化模型,通过优化模型对实测数据进行预测,生成锂电池SOH预测结果以实现锂电池SOH预测。本装置与上述方法相对应,此处不做赘述。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种锂电池SOH预测方法,其特征在于,包括:
获取锂电池的样本数据,通过灰色关联度分析方法对样本数据进行筛选,得到相关联数据;
获取锂电池SOH的原始数据,通过集合经验模态分解对原始数据进行分解,生成SOH分量数据及标签数据;
构建深度学习模型,其中所述深度学习模型为基于注意力机制的CNN-bilstm模型;
通过相关联数据、SOH分量数据及标签数据对深度学习模型进行训练及测试,生成优化模型,通过优化模型对实测数据进行预测,生成锂电池SOH预测结果以实现锂电池SOH预测。
2.根据权利要求1所述的锂电池SOH预测方法,其特征在于:
所述样本数据包括SOC数据、测量电压、测量电流、工作温度。
3.根据权利要求1所述的锂电池SOH预测方法,其特征在于:
对样本数据进行筛选的过程包括:
将样本数据与对应SOH中对应的故障特征序列分别进行差值计算,统计所述差值计算结果中的最大差值及最小差值,基于最大差值及最小差值计算得到相关系数,并对相关系数进行均值计算,基于均值计算结果对样本数据进行筛选,得到相关联数据。
4.根据权利要求1所述的锂电池SOH预测方法,其特征在于:
对原始数据进行分解的过程包括:
将白噪声添加到原始数据中,得到原始信号,统计所述原始信号中的局部极值点,通过三次样条差值方法对局部极值点进行处理,得到包络线;计算包络线的均值,对包络线的均值及原始信号进行计算,得到中间信号,对中间信号进行判断,基于判断结果,将所述中间信号作为分量信号,根据原始信号及分量信号计算得到剩余分量,对剩余分量重复计算及判断过程,直到最后一个残余信号为单调函数,得到若干个分量信号,基于若干个分量信号及残余信号,得到分解后的信号,分解后的信号包括SOH分量数据及标签数据,其中SOH分量数据为标签数据的上一时刻数据。
5.根据权利要求1所述的锂电池SOH预测方法,其特征在于:
构建深度学习模型的过程包括:
构建BILSTM网络,在所述BILSTM网络输入端添加CNN网络,生成CNN-bilstm模型,并在所述BILSTM网络的输出端添加注意力机制,并在注意力机制后添加Dense层进行映射,生成基于注意力机制的CNN-bilstm模型。
7.根据权利要求5所述的锂电池SOH预测方法,其特征在于:
所述注意力机制中,通过Softmax函数计算注意力机制中的注意力权重。
8.根据权利要求1所述的锂电池SOH预测方法,其特征在于:
对深度学习模型进行训练之前还包括:
分别对相关联数据进行预处理,其中预处理过程包括归一化处理。
9.一种锂电池SOH预测装置,其特征在于,包括:
样本获取模块用于获取锂电池的样本数据,通过灰色关联度分析方法对样本数据进行筛选,得到相关联数据;
标签获取模块用于获取锂电池SOH的原始数据,通过集合经验模态分解对原始数据进行分解,生成标签数据;
构建模块用于构建深度学习模型,其中所述深度学习模型为基于注意力机制的CNN-bilstm模型;
优化测量模块用于通过相关联数据及标签数据对深度学习模型进行训练,生成优化模型,通过优化模型对实测数据进行预测,生成锂电池SOH预测结果以实现锂电池SOH预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310052813.4A CN115808627A (zh) | 2023-02-03 | 2023-02-03 | 一种锂电池soh预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310052813.4A CN115808627A (zh) | 2023-02-03 | 2023-02-03 | 一种锂电池soh预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115808627A true CN115808627A (zh) | 2023-03-17 |
Family
ID=85487658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310052813.4A Pending CN115808627A (zh) | 2023-02-03 | 2023-02-03 | 一种锂电池soh预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115808627A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116400227A (zh) * | 2023-06-08 | 2023-07-07 | 长安大学 | 电动汽车动力电池soh预测方法、系统、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108303652A (zh) * | 2018-01-18 | 2018-07-20 | 武汉理工大学 | 一种锂电池剩余寿命预测方法 |
CN111220921A (zh) * | 2020-01-08 | 2020-06-02 | 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 |
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 |
CN113705864A (zh) * | 2021-08-13 | 2021-11-26 | 华北水利水电大学 | 基于VMD-CNN-BiLSTM-ATT混合模型的气象干旱预测方法及装置 |
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 |
CN114372417A (zh) * | 2022-01-12 | 2022-04-19 | 青岛科技大学 | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 |
CN114580262A (zh) * | 2021-11-18 | 2022-06-03 | 吉林大学 | 一种锂离子电池健康状态估计方法 |
CN114819343A (zh) * | 2022-04-25 | 2022-07-29 | 南京信息工程大学 | 一种基于TrellisNet和注意力机制的新闻驱动股票指数预测方法 |
-
2023
- 2023-02-03 CN CN202310052813.4A patent/CN115808627A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108303652A (zh) * | 2018-01-18 | 2018-07-20 | 武汉理工大学 | 一种锂电池剩余寿命预测方法 |
CN111220921A (zh) * | 2020-01-08 | 2020-06-02 | 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 |
US20220114421A1 (en) * | 2020-01-08 | 2022-04-14 | Chongqing Unversity Of Posts And Telecommunications | Method for estimating the capacity of lithium battery based on convolution long-short-term memory neural network |
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 |
CN113705864A (zh) * | 2021-08-13 | 2021-11-26 | 华北水利水电大学 | 基于VMD-CNN-BiLSTM-ATT混合模型的气象干旱预测方法及装置 |
CN114580262A (zh) * | 2021-11-18 | 2022-06-03 | 吉林大学 | 一种锂离子电池健康状态估计方法 |
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 |
CN114372417A (zh) * | 2022-01-12 | 2022-04-19 | 青岛科技大学 | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 |
CN114819343A (zh) * | 2022-04-25 | 2022-07-29 | 南京信息工程大学 | 一种基于TrellisNet和注意力机制的新闻驱动股票指数预测方法 |
Non-Patent Citations (3)
Title |
---|
ZHENYU ZHU等: "Attention-based CNN-BiLSTM for SOH and RUL estimation of lithium-ion batteries" * |
成燕等: "基于模态分解和时间序列的锂电池健康状态估计" * |
韩嵩,吴海建: "《人工智能与机器人先进技术丛书 智能摘要与深度学习》", 北京理工大学出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116400227A (zh) * | 2023-06-08 | 2023-07-07 | 长安大学 | 电动汽车动力电池soh预测方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112131212A (zh) | 基于集成学习技术面向混合云场景的时序数据异常预测方法 | |
Li et al. | Remaining useful life prediction for lithium-ion batteries with a hybrid model based on TCN-GRU-DNN and dual attention mechanism | |
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 | |
CN112434848A (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN114417948A (zh) | 一种基于神经网络预测电池热失控的方法 | |
CN112803398A (zh) | 基于经验模态分解和深度神经网络的负荷预测方法及系统 | |
CN115598557B (zh) | 一种基于恒压充电电流的锂电池soh估计方法 | |
CN116794543A (zh) | 一种基于GBLS Booster多任务学习模型的锂电池性能预测方法 | |
CN115409263A (zh) | 一种基于门控和注意力机制的锂电池剩余寿命预测方法 | |
CN115808627A (zh) | 一种锂电池soh预测方法及装置 | |
CN116184210A (zh) | 电池异常检测方法、装置、系统和电子装置 | |
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 | |
Couture et al. | Novel image-based rapid RUL prediction for li-ion batteries using a capsule network and transfer learning | |
Sadoughi et al. | A deep learning approach for failure prognostics of rolling element bearings | |
CN116540098A (zh) | 电池残值评估方法、装置、设备及可读存储介质 | |
CN112379274A (zh) | 一种动力电池剩余寿命预测方法 | |
CN115730525A (zh) | 一种轨道交通ups蓄电池健康状态预测方法 | |
CN117148197A (zh) | 一种基于集成Transformer模型的锂离子电池寿命预测方法 | |
Liu et al. | State of health estimation of lithium-ion batteries based on multi-feature extraction and temporal convolutional network | |
Zhang et al. | Remaining useful life prediction of lithium-ion batteries based on TCN-DCN fusion model combined with IRRS filtering | |
CN117648557A (zh) | 一种基于soh联合降噪的soh预测方法及设备 | |
Fu et al. | Transfer learning and vision transformer based state-of-health prediction of lithium-ion batteries | |
Niu et al. | Fault diagnosis and prognosis based on deep belief network and particle filtering | |
CN116579233A (zh) | 一种机械设备的剩余寿命预测方法 | |
CN113722308B (zh) | 基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230317 |
|
RJ01 | Rejection of invention patent application after publication |