CN115856646B - 一种基于三维电压特征的锂离子电池早期寿命预测方法 - Google Patents
一种基于三维电压特征的锂离子电池早期寿命预测方法 Download PDFInfo
- Publication number
- CN115856646B CN115856646B CN202310193881.2A CN202310193881A CN115856646B CN 115856646 B CN115856646 B CN 115856646B CN 202310193881 A CN202310193881 A CN 202310193881A CN 115856646 B CN115856646 B CN 115856646B
- Authority
- CN
- China
- Prior art keywords
- data
- capacity
- battery
- voltage
- discharge
- 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.)
- Active
Links
Images
Classifications
-
- 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
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于三维电压特征的锂离子电池早期寿命预测方法,包括:获取电池早期循环周期的第一放电容量数据和第一放电电压数据并进行数据清洗和数据预处理,得到第二放电容量数据和第二放电电压数据;根据第二放电容量数据和第二放电电压数据确定电池早期循环周期内的容量电压特征、容量增量特征和容量差值特征;将容量电压特征、容量增量特征和容量差值特征组合为三维电压特征矩阵;根据三维电压特征矩阵训练初始电池早期寿命预测模型,获得目标电池早期寿命预测模型进行循环寿命预测。本发明能够充分利用锂离子电池早期数据,预测锂离子电池循环寿命的准确度高。本发明可以广泛应用于电池寿命预测技术领域。
Description
技术领域
本发明涉及电池寿命预测技术领域,尤其是一种基于三维电压特征的锂离子电池早期寿命预测方法。
背景技术
对于锂离子电池而言,其性能会随着充放电次数的增加而逐渐退化,这种退化并非是线性的。当电池容量下降到其初始容量的80%以下时,电池容量将加速下降,性能可靠性降低。目前各大厂家都尝试在技术上推进电池寿命的有效预测,锂离子电池的寿命周期大部分在1000~2000个周期,电池快速预测寿命的方法就是利用电池退化早期有限的各项观测数据直接快速地对电池寿命周期作出评估。在电池退化的早期实现准确的电池早期寿命预测,有利于电池质量的评估,减少实际工程量以降低前期资源成本,推动电池的研发和失效预警等。
当前主流的电池早期寿命预测方法主要应用了机器学习方法,先从原始电池早期数据中人工提取与电池寿命相关性较高的特征,进而将特征组合提交给机器学习模型,映射到电池寿命上。近年来随着有关研究的开展,国内学者挖掘了大量与电池退化过程相关的特征,这些特征大体上与电池充放电过程中的电压、电流、温度、内阻等以及这些数据各自的统计量和进一步处理后的数据有关。这种方法面临的问题是人工提取特征的过程较为繁琐、人工设计特征通用性较低等,并且所提取的特征往往只能利用数据的单点信息,且这些特征的提取至少需要沿着电池容量退化的方向使用至少25%的数据。
现有技术中还存在数据输入需要依赖完整的充电或放电过程中采样获取得到的观测数据,并且对不同的电池早期循环周期间数据长度不一致、数据噪声和异常等实际功能问题没有进行深入分析。此外,目前与电池寿命预测相关的传统人工特征是从电池的一个或多个周期内选取单点信息,这种特征容易丢失电池单个周期内的连续性特征,不利于充分利用电池早期有限的数据,而且目前进行电池早期寿命研究所选用的特征大多是在时间维度上设置采样点对电池充放电过程中的电压、电流、温度等时间参数进行采样,没有结合锂离子电池的退化机理和深入挖掘电池数据内部的关系和规律。
发明内容
有鉴于此,本发明实施例提供一种准确度高、数据利用充分的基于三维电压特征的锂离子电池早期寿命预测方法。
本发明实施例提供了一种基于三维电压特征的锂离子电池早期寿命预测方法,包括:获取电池早期循环周期的第一放电容量数据和第一放电电压数据并进行数据清洗和数据预处理,得到第二放电容量数据和第二放电电压数据;根据所述第二放电容量数据和所述第二放电电压数据确定所述电池早期循环周期的容量电压特征、容量增量特征和容量差值特征;将所述容量电压特征、所述容量增量特征和所述容量差值特征组合为三维电压特征矩阵;其中,所述三维电压特征矩阵是有多种组合方式的三通道数据;根据所述三维电压特征矩阵训练初始电池早期寿命预测模型,获得目标电池早期寿命预测模型;通过所述目标电池早期寿命预测模型对锂离子电池进行循环寿命预测。
可选地,所述获取电池早期循环周期的第一放电容量数据和第一放电电压数据并进行数据清洗和数据预处理,得到第二放电容量数据和第二放电电压数据,包括:获取电池早期循环周期的第一放电容量数据和第一放电电压数据;通过Nadaraya-Watson核回归对所述第一放电容量数据和所述第一放电电压数据进行平滑处理,获得第一观测数据;剔除所述第一观测数据中存在离群值的所述电池早期循环周期的数据,得到第二放电容量数据和第二放电电压数据。
可选地,所述根据所述第二放电容量数据和所述第二放电电压数据确定所述电池早期循环周期的容量电压特征、容量增量特征和容量差值特征的步骤中,确定所述容量电压特征的步骤,包括:确定所述电池早期循环周期的电压数据采样点;将所述第二放电容量数据作为所述第二放电电压数据的函数,通过样条插值法,根据所述电压数据采样点对所述第二放电容量数据进行采样得到所述电池早期循环周期的一维时序性容量电压数据;根据多个所述电池早期循环周期的所述一维时序性容量电压数据确定容量电压特征。
可选地,所述根据所述第二放电容量数据和所述第二放电电压数据确定所述电池早期循环周期的容量电压特征、容量增量特征和容量差值特征的步骤中,确定所述容量增量特征的步骤,包括:计算所述第二放电容量数据对所述第二放电电压数据的一阶微分结果;确定所述电池早期循环周期的电压数据采样点;将所述一阶微分结果作为所述第二放电电压数据的函数,通过样条插值法,根据所述电压数据采样点对所述一阶微分结果进行采样得到所述电池早期循环周期的一维时序性增量数据;根据多个所述电池早期循环周期的所述一维时序性增量数据确定容量增量特征。
可选地,所述根据所述第二放电容量数据和所述第二放电电压数据确定所述电池早期循环周期的容量电压特征、容量增量特征和容量差值特征的步骤中,确定所述容量差值特征的步骤,包括:计算每个所述循环周期与第二个所述循环周期的所述第二放电容量的差值结果;确定所述电池早期循环周期的电压数据采样点;将所述差值结果作为所述第二放电电压数据的函数,通过样条插值法,根据所述电压数据采样点对所述差值结果进行采样得到所述电池早期循环周期的一维时序性差值数据;根据多个所述电池早期循环周期的所述一维时序性差值数据确定容量差值特征。
可选地,所述将所述容量电压特征、所述容量增量特征和所述容量差值特征组合为三维电压特征矩阵,所述三维电压特征矩阵的组合方式包括以下任一:
F1+F1+F1;
F2+F2+F2;
F3+F3+F3;
F1+F2+F3;
其中,F1表示容量电压特征;F2表示容量增量特征;F3表示容量差值特征。
可选地,所述根据所述三维电压特征矩阵训练初始电池早期寿命预测模型,获得目标电池早期寿命预测模型,包括:构建初始电池早期寿命预测模型;将所述三维电压特征矩阵输入所述初始电池早期寿命预测模型进行模型训练;配置均方根误差和相关系数的评价指标;将满足所述评价指标的模型训练结果确定为目标电池早期寿命预测模型。
本发明的实施例还提供了一种基于三维电压特征的锂离子电池早期寿命预测系统,包括:第一模块,所述第一模块用于获取电池早期循环周期的第一放电容量数据和第一放电电压数据并进行数据清洗和数据预处理,得到第二放电容量数据和第二放电电压数据;第二模块,所述第二模块用于根据所述第二放电容量数据和所述第二放电电压数据确定所述电池早期循环周期的容量电压特征、容量增量特征和容量差值特征;第三模块,所述第三模块用于将所述容量电压特征、所述容量增量特征和所述容量差值特征组合为三维电压特征矩阵;其中,所述三维电压特征矩阵是有多种组合方式的三通道数据;第四模块,所述第四模块用于根据所述三维电压特征矩阵训练初始电池早期寿命预测模型,获得目标电池早期寿命预测模型;第五模块,所述第五模块用于通过所述目标电池早期寿命预测模型对锂离子电池进行循环寿命预测。
本发明的实施例还提供了一种电子设备,包括处理器以及存储器;所述存储器用于存储程序;所述处理器执行所述程序实现如上所述的方法。
本发明的实施例还提供了一种计算机可读存储介质,所述存储介质存储有程序,所述程序被处理器执行实现如上所述的方法。
本发明的实施例具有如下有益效果:通过对电池早期循环周期的放电容量数据和放电电压数据进行处理,获取容量电压特征、容量增量特征和容量差值特征,容量电压特征能够反映放电容量与放电电压的函数关系,容量增量特征能够反映容量电压特征在电压维度上的变化趋势,容量差值特征能够反映容量电压特征在循环周期维度上的差异,能够深入挖掘电压维度和循环周期维度的潜在信息,充分利用单个循环周期内的连续性数据,从而在电池早期有限的数据中获取更加丰富的特征信息。根据上述三个特征组合成三维电压特征的三通道数据训练初始电池早期寿命预测模型,从而获得的目标电池早期寿命预测模型能够更为准确地预测锂离子电池的循环寿命。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是本发明实施例提供的方法步骤流程图;
图2是本发明实施例提供的电池在整个循环寿命中的容量电压特征F1的曲线图;
图3是本发明实施例提供的电池前100个循环周期的容量电压特征F1的热力图;
图4是本发明实施例提供的电池在整个循环寿命中的容量增量特征F2的曲线图;
图5是本发明实施例提供的电池前100个循环周期的容量增量特征F2的热力图;
图6是本发明实施例提供的电池在整个循环寿命中的容量差值特征F3的曲线图;
图7是本发明实施例提供的电池前100个循环周期的容量差值特征F3的热力图;
图8是本发明实施例提供的电池在整个循环寿命中的三维电压特征曲线图;
图9是本发明实施例提供的前100个循环周期的三维电压特征热力图;
图10是本发明实施例提供的卷积神经网络架构图;
图11是本发明实施例提供的各个三维电压特征组合方式的预测性能对比图;
图12是本发明实施例提供的F1+F2+F3组合方式的训练下电池早期寿命预测模型的预测值与真实值比较图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术中进行单点分析容易丧失数据连续性特征,数据利用不充分的问题,本发明提供了一种基于三维电压特征的锂离子电池早期寿命预测方法,包括:获取电池早期循环周期的第一放电容量数据和第一放电电压数据并进行数据清洗和数据预处理,得到第二放电容量数据和第二放电电压数据;根据第二放电容量数据和第二放电电压数据确定电池早期循环周期的容量电压特征、容量增量特征和容量差值特征;将容量电压特征、容量增量特征和容量差值特征组合为三维电压特征矩阵;其中,三维电压特征矩阵是有多种组合方式的三通道数据;根据三维电压特征矩阵训练初始电池早期寿命预测模型,获得目标电池早期寿命预测模型;通过目标电池早期寿命预测模型对锂离子电池进行循环寿命预测。
具体地,在进行详细介绍之前,首先介绍相关术语的含义如下。
锂离子电池健康特征:锂离子电池健康特征是锂离子电池的一个或多个独立可观测的属性或者特点,能够通过简化的数字概念反映锂离子电池的相关性能,例如电池的荷电状态、寿命等。
图形化数据:图形化数据相当于图片数据,将空间分割成有规律的网格,每个网格称为一个单元(像素),在各单元中填入对应的属性值。
循环周期:循环周期是锂离子电池的一次完全充放电周期。
循环次数:循环次数是指循环周期的数目。
循环寿命:用充放电循环次数来表征电池寿命,当锂离子电池的电池容量降低至额定容量的一定值时(一般设定为80%)视为电池寿命终结。
电池早期寿命预测:电池早期寿命预测是基于物理、数学、机器学习或深度学习等模型,利用电池早期循环周期的数据对锂离子电池的循环寿命作出预测。
深度学习:深度学习是机器学习中一种基于对数据进行表征学习的方法,其独特的拓扑结构能够实现特征的主动提取,从数据中学习低级和高级特征,融合特征提取器和分类器从而提高端到端解决问题的方案。
卷积神经网络:卷积神经网络是一种专用于处理图形化数据的前馈神经网络,在图像处理、分类和检测等任务中表现优异的性能。卷积运算有助于从图形化输入的局部相关数据点中提取特征,卷积神经网络独特的网络拓扑结构使得深层卷积层能够学习浅层生成的浅层特征,进一步挖掘图形化数据内部的深层特征,同时实现了特征提取器和可训练分类器的融合,解决了传统上需要分阶段完成分类任务的问题。
下面结合附图详细介绍本发明实施例的一种基于三维电压特征的锂离子电池早期寿命预测方法,参照图1,图1是本发明实施例提供的方法步骤流程图,本发明实施例包括以下步骤S100~S500。
S100、获取电池早期循环周期的第一放电容量数据和第一放电电压数据并进行数据清洗和数据预处理,得到第二放电容量数据和第二放电电压数据。
具体地,步骤S100包括以下步骤S110~S130。
S110、获取电池早期循环周期的第一放电容量数据和第一放电电压数据。
具体地,从锂离子电池的早期退化数据中获取循环周期放电过程的第一放电容量和第一电压数据。
S120、通过Nadaraya-Watson核回归对第一放电容量数据和第一放电电压数据进行平滑处理,获得第一观测数据。
具体地,通过不带参数的Nadaraya-Watson核回归对电池在一个循环周期内的时序性数据t进行非参数估计,获得第一观测数据。本发明实施例的非参数估计的表达式为:
非参数估计平滑处理的工作原理为:对于时序性数据t中的第x个数据t(x),将t中的每个元素乘上一个权重系数,然后加和得到平滑后的数据y(x)。权重系数选择一个高斯分布函数,越靠近该数据,所赋予的权重系数越大。同时为了保证所有权重的加和等于1,因此通过核函数进行归一化,获得第一观测数据。
S130、剔除第一观测数据中存在离群值的电池早期循环周期的数据,得到第二放电容量数据和第二放电电压数据。
具体地,剔除第一观测数据中存在明显离群值的电池早期循环周期的数据,若在步骤S110获取第一放电容量数据和第一放电电压数据时已经存在明显离群值,则在获取到原始数据后即进行剔除。剔除存在明显离群值的电池早期循环周期的数据后,得到第二放电容量数据和第二放电电压数据。在本发明实施例中,为了方便描述,用表示一个循环周期内的第二放电容量数据,用/>表示一个循环周期内的第二放电电压数据。
S200、根据第二放电容量数据和第二放电电压数据确定电池早期循环周期的容量电压特征、容量增量特征和容量差值特征。
具体地,由于不同循环周期之间的数据长度不一致,以放电容量作为横坐标进行特征提取难以得到标准统一的数据,因此本发明实施例在电池的一个循环周期内,将放电容量作为放电电压的函数,以放电电压作为横坐标,根据第二放电容量数据和第二放电电压数据确定电池早期循环周期的容量电压特征、容量增量特征和容量差值特征,从而提取到标准统一的数据。
步骤S200包括以下确定容量电压特征的步骤S210~S230。
S210、确定电池早期循环周期的电压数据采样点。
锂离子电池的循环寿命次数大多在1000~2000。为了方便描述,可选地,本实施例选取电池前100个循环周期的数据,在一个循环周期内,在电池放电电压上限和下限(2.0V~3.5V)之间设置100个等距的电压数据采样点。
S220、将第二放电容量数据作为第二放电电压数据的函数,通过样条插值法,根据电压数据采样点对第二放电容量数据进行采样,得到电池早期循环周期的一维时序性容量电压数据。
具体地,样条插值法是一种以可变样条作出经过一系列点的光滑曲线的数学采样方法,本发明实施例通过样条插值法获取一个循环周期内的电压数据采样点所对应的第二放电容量数据,得到1×100的一维时序性容量电压数据。本发明实施例的样条插值公式为:
S230、根据多个电池早期循环周期的一维时序性容量电压数据确定容量电压特征。
具体地,将电池的多个循环周期经过样条插值采样得到的一维时序性容量电压数据结合,作为容量电压特征,得到的容量电压特征。参照图2,图2是本发明实施例提供的电池在整个循环寿命中的容量电压特征F1的曲线图,渐变表示了电池的退化循环。以上述例子而言,将所选取的100个循环周期数据的一维时序性数据并联构成100×100的容量电压特征F1,其热力图参照图3,图3是本发明实施例提供的电池前100个循环周期的容量电压特征F1的热力图,图3的横轴变量为第二放电电压V,纵轴是循环次数,颜色的深浅代表了第二放电容量数据的大小。从图中可以看出,在前100个循环周期中,第二放电容量基本稳定。
步骤S200还包括以下确定容量增量特征的步骤S240~S270。
S240、计算第二放电容量数据对第二放电电压数据的一阶微分结果。
具体地,由于每个循环周期的容量电压曲线在电池循环寿命的长短不同时呈现出不同的变化率,而变化率的峰值能够反映电池的退化过程。本发明实施例在电压变化的维度上,计算每个循环周期内第二放电容量数据对第二放电电压数据的一阶微分结果,得到第二放电容量曲线的变化率/>,其计算公式为:
S250、确定电池早期循环周期的电压数据采样点。
S260、将上述一阶微分结果作为第二放电电压数据的函数,通过样条插值法,根据电压数据采样点对一阶微分结果进行采样得到电池早期循环周期的一维时序性增量数据。
S270、根据多个电池早期循环周期的一维时序性增量数据确定容量增量特征。
具体地,步骤S250~S270采用如步骤S210~S230的方法进行处理,此处不再赘述。
容量增量特征F2的横轴变量为第二放电电压V,纵轴为循环次数,颜色的深浅代表了第二放电容量对第二放电电压的一阶微分dQ/dV的大小,其中,。参照图4,图4是本发明实施例提供的电池在整个循环寿命中的容量增量特征的曲线图,从图4中可以看出第二放电容量数据对第二放电电压数据的一阶微分随着循环次数的变化逐渐变大,并且峰值向第二放电电压减小的方向偏移。参照图5,图5是本发明实施例提供的容量增量特征F2的热力图。
步骤S200还包括以下确定容量差值的步骤S280~S290。
S280、计算每个循环周期与第二个循环周期的第二放电容量的差值结果。
具体地,分析不同的循环周期对应的放电容量与放电电压之间的关系曲线(参照图2)可以发现随着充放电次数的增加,曲线逐渐向左下角偏移,偏移量在不同长度的循环寿命中表现出明显的差异。因此,本发明实施例在循环周期维度上,对放电容量数据做差值处理,将每个循环周期与第二个循环周期的时序性放电容量做差值,该差值结果的计算公式为:
S290、确定电池早期循环周期的电压数据采样点;将上述差值结果作为第二放电电压数据的函数,通过样条插值法,根据电压数据采样点对差值结果进行采样得到电池早期循环周期的一维时序性差值数据;根据多个电池早期循环周期的一维时序性差值数据确定容量差值特征。
具体地,步骤S290采用如步骤S210~S230的方法进行处理,此处不再赘述。
以电池的前100个循环周期的数据,每个循环周期中有100个等距采样点为例,参照图6和图7,图6是本发明实施例提供的电池在整个循环周期中容量差值特征的曲线图,图7是本发明实施例提供的电池的前100个循环周期的容量差值特征F3的热力图。容量差值特征F3的横轴变量为第二放电电压V,纵轴为循环次数,颜色的深浅代表了放电容量差值Q(k)-Q(2)的大小,k表示第k个循环周期,。
对于步骤S200,需要说明的是,本发明实施例所举例的具体数值100是在实验过程中确定的最优实施方案。在实际实施过程中,可以选取200、300等其他合适的数值作为循环周期数量和采样点数量,本发明对此不作限制。
S300、将容量电压特征、容量增量特征和容量差值特征组合为三维电压特征矩阵。
具体地,在提取出容量电压特征、容量增量特征和容量差值特征后,将上述三个特征的数据在深度方向上堆叠构成三维电压特征矩阵,可以有4种组合方式:
(1)F1+F1+F1;
(2)F2+F2+F2;
(3)F3+F3+F3;
(4)F1+F2+F3;
其中,F1表示容量电压特征;F2表示容量增量特征;F3表示容量差值特征。组合构成的三维电压特征矩阵可以作为卷积神经网络的三通道数据输入。可以理解的是,组合方式(1)、(2)和(3)表示单独使用一组特征,组合方式(4)表示使用F1、F2和F3这三组特征。
F1+F2+F3在深度方向上堆叠结合的示意图参照图8和图9,图8是本发明实施例提供的三维电压特征曲线图,图9是本发明实施例提供的三维电压特征热力图。结合容量电压特征、容量增量特征和容量差值特征,能够进一步更充分地利用第二放电容量和第二放电电压数据的连续性,更好地预测锂离子电池的循环寿命。
S400、根据三维电压特征矩阵训练初始电池早期寿命预测模型,获得目标电池早期寿命预测模型。
具体地,步骤S400包括以下步骤S410~S430。
S410、构建初始电池早期寿命预测模型。
具体地,构建初始电池早期寿命预测模型,参照图10,图10是本发明实施例提供的卷积神经网络架构图,可选地,本发明实施例构建一个具有两个卷积层的卷积神经网络(TCNN)作为初始电池早期寿命预测模型,需要说明的是,也可以构建其他用于预测电池寿命的网络模型作为初始电池早期寿命预测模型以结合上述三维电压特征来预测锂离子电池寿命。
S420、配置均方根误差和相关系数的评价指标。
具体地,电池寿命预测性能的量化可以采用预测值与真实值的差值表示,具体可以配置均方根误差和相关系数评价指标作为电池寿命预测性能的量化标准。
均方根误差RMSE和相关系数R2的计算公式为:
S430、将三维电压特征矩阵输入初始电池早期寿命预测模型进行模型训练。
S440、将满足评价指标的模型训练结果确定为目标电池早期寿命预测模型。
具体地,通过三维电压特征矩阵对初始电池早期寿命预测模型进行模型训练,根据每次训练的结果修正模型,将训练满足评价指标要求的模型训练结果确定为目标电池早期寿命预测模型。
S500、通过目标电池早期寿命预测模型对锂离子电池进行循环寿命预测。
具体地,可以通过将电池早期的循环数据输入目标电池早期寿命预测模型中,通过目标电池早期寿命预测模型对锂离子电池进行循环寿命的预测。通过本发明实施例提取的三维电压特征对该初始电池早期寿命预测模型进行训练得到的目标模型能够准确地对电池寿命进行预测。
本发明的实施例还提供了一种基于三维电压特征的锂离子电池早期寿命预测系统,包括:第一模块,第一模块用于获取电池早期循环周期的第一放电容量数据和第一放电电压数据并进行数据清洗和数据预处理,得到第二放电容量数据和第二放电电压数据;第二模块,第二模块用于根据第二放电容量数据和第二放电电压数据确定电池早期循环周期的容量电压特征、容量增量特征和容量差值特征;第三模块,第三模块用于将容量电压特征、容量增量特征和容量差值特征组合为三维电压特征矩阵;其中,三维电压特征矩阵是有多种组合方式的三通道数据;第四模块,第四模块用于根据三维电压特征矩阵训练初始电池早期寿命预测模型,获得目标电池早期寿命预测模型;第五模块,第五模块用于通过目标电池早期寿命预测模型对锂离子电池进行循环寿命预测。
本发明的实施例还提供了一种电子设备,包括处理器以及存储器;存储器用于存储程序;处理器执行程序实现上述的方法。
本发明的实施例还提供了一种计算机可读存储介质,存储介质存储有程序,程序被处理器执行实现上述方法。
本发明的实施例具有如下有益效果。
(1)本发明实施例能够深入挖掘电压维度和循环周期维度的潜在信息,充分利用单个循环周期内的连续性数据,从而在电池早期有限的数据中获取更加丰富的特征信息,准确预测锂离子电池的循环寿命;
(2)将放电容量作为放电电压的函数通过电压索引搜索对应的放电容量数据,有效解决了由于电池在不同循环周期数据长度不一致而导致无法获取标准统一的数据的问题。
下面结合一个应用场景下的实验数据对本发明实施例的进行验证。
参照图11,图11是本发明实施例提供的各个三维电压特征组合方式的预测性能对比图,从图11可以看出,组合方式(4)的三组不同特征堆叠构成的三维电压特征矩阵比单独使用一组特征构成的三维电压特征矩阵预测效果更好,表明从原始数据中进一步挖掘数据内部关系的重要性。
参照图12,图12是本发明实施例提供的F1+F2+F3组合方式的训练下电池早期寿命预测模型的预测值与真实值比较图,从图12中可以看出,模型测试的过程中,循环寿命真实值与循环寿命预测值的基本一致,因此本发明实施例的锂离子电池早期寿命预测方法具有预测准确的优点。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明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发明权利要求所限定的范围内。
Claims (10)
1.一种基于三维电压特征的锂离子电池早期寿命预测方法,其特征在于,包括:
获取电池早期循环周期的第一放电容量数据和第一放电电压数据并进行数据清洗和数据预处理,得到第二放电容量数据和第二放电电压数据;
根据所述第二放电容量数据的连续性时序数据和所述第二放电电压数据的连续性时序数据确定所述电池早期循环周期的容量电压特征、容量增量特征和容量差值特征;
将所述容量电压特征、所述容量增量特征和所述容量差值特征组合为三维电压特征矩阵;其中,所述三维电压特征矩阵是有多种组合方式的三通道数据;
通过所述三维电压特征矩阵对初始电池早期寿命预测模型进行多次迭代训练,获得目标电池早期寿命预测模型;其中,所述初始电池早期寿命预测模型是卷积神经网络模型;
通过所述目标电池早期寿命预测模型对锂离子电池进行循环寿命预测。
2.根据权利要求1所述的一种基于三维电压特征的锂离子电池早期寿命预测方法,其特征在于,所述获取电池早期循环周期的第一放电容量数据和第一放电电压数据并进行数据清洗和数据预处理,得到第二放电容量数据和第二放电电压数据,包括:
获取电池早期循环周期的第一放电容量数据和第一放电电压数据;
通过Nadaraya-Watson核回归对所述第一放电容量数据和所述第一放电电压数据进行平滑处理,获得第一观测数据;
剔除所述第一观测数据中存在离群值的所述电池早期循环周期的数据,得到第二放电容量数据和第二放电电压数据。
3.根据权利要求1所述的一种基于三维电压特征的锂离子电池早期寿命预测方法,其特征在于,所述根据所述第二放电容量数据的连续性时序数据和所述第二放电电压数据的连续性时序数据确定所述电池早期循环周期的容量电压特征、容量增量特征和容量差值特征的步骤中,确定所述容量电压特征的步骤,包括:
确定所述电池早期循环周期的电压数据采样点;
将所述第二放电容量数据作为所述第二放电电压数据的函数,通过样条插值法,根据所述电压数据采样点对所述第二放电容量数据进行采样得到所述电池早期循环周期的一维时序性容量电压数据;
根据多个所述电池早期循环周期的所述一维时序性容量电压数据确定容量电压特征。
4.根据权利要求1所述的一种基于三维电压特征的锂离子电池早期寿命预测方法,其特征在于,所述根据所述第二放电容量数据的连续性时序数据和所述第二放电电压数据的连续性时序数据确定所述电池早期循环周期的容量电压特征、容量增量特征和容量差值特征的步骤中,确定所述容量增量特征的步骤,包括:
计算所述第二放电容量数据对所述第二放电电压数据的一阶微分结果;
确定所述电池早期循环周期的电压数据采样点;
将所述一阶微分结果作为所述第二放电电压数据的函数,通过样条插值法,根据所述电压数据采样点对所述一阶微分结果进行采样得到所述电池早期循环周期的一维时序性增量数据;
根据多个所述电池早期循环周期的所述一维时序性增量数据确定容量增量特征。
5.根据权利要求1所述的一种基于三维电压特征的锂离子电池早期寿命预测方法,其特征在于,所述根据所述第二放电容量数据的连续性时序数据和所述第二放电电压数据的连续性时序数据确定所述电池早期循环周期的容量电压特征、容量增量特征和容量差值特征的步骤中,确定所述容量差值特征的步骤,包括:
计算每个所述循环周期与第二个所述循环周期的所述第二放电容量的差值结果;
确定所述电池早期循环周期的电压数据采样点;
将所述差值结果作为所述第二放电电压数据的函数,通过样条插值法,根据所述电压数据采样点对所述差值结果进行采样得到所述电池早期循环周期的一维时序性差值数据;
根据多个所述电池早期循环周期的所述一维时序性差值数据确定容量差值特征。
6.根据权利要求1所述的一种基于三维电压特征的锂离子电池早期寿命预测方法,其特征在于,所述将所述容量电压特征、所述容量增量特征和所述容量差值特征组合为三维电压特征矩阵,所述三维电压特征矩阵的组合方式包括以下任一:
F1+F1+F1;
F2+F2+F2;
F3+F3+F3;
F1+F2+F3;
其中,F1表示容量电压特征;F2表示容量增量特征;F3表示容量差值特征。
7.根据权利要求1所述的一种基于三维电压特征的锂离子电池早期寿命预测方法,其特征在于,所述通过所述三维电压特征矩阵对初始电池早期寿命预测模型进行多次迭代训练,获得目标电池早期寿命预测模型,包括:
构建初始电池早期寿命预测模型;
配置均方根误差和相关系数的评价指标;
将所述三维电压特征矩阵输入所述初始电池早期寿命预测模型进行多次迭代模型训练;
将满足所述评价指标的模型训练结果确定为目标电池早期寿命预测模型。
8.一种基于三维电压特征的锂离子电池早期寿命预测系统,其特征在于,包括:
第一模块,所述第一模块用于获取电池早期循环周期的第一放电容量数据和第一放电电压数据并进行数据清洗和数据预处理,得到第二放电容量数据和第二放电电压数据;
第二模块,所述第二模块用于根据所述第二放电容量数据的连续性时序数据和所述第二放电电压数据的连续性时序数据确定所述电池早期循环周期的容量电压特征、容量增量特征和容量差值特征;
第三模块,所述第三模块用于将所述容量电压特征、所述容量增量特征和所述容量差值特征组合为三维电压特征矩阵;其中,所述三维电压特征矩阵是有多种组合方式的三通道数据;
第四模块,所述第四模块用于通过所述三维电压特征矩阵对初始电池早期寿命预测模型进行多次迭代训练,获得目标电池早期寿命预测模型;其中,所述初始电池早期寿命预测模型是卷积神经网络模型;
第五模块,所述第五模块用于通过所述目标电池早期寿命预测模型对锂离子电池进行循环寿命预测。
9.一种电子设备,其特征在于,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有程序,所述程序被处理器执行实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310193881.2A CN115856646B (zh) | 2023-03-03 | 2023-03-03 | 一种基于三维电压特征的锂离子电池早期寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310193881.2A CN115856646B (zh) | 2023-03-03 | 2023-03-03 | 一种基于三维电压特征的锂离子电池早期寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115856646A CN115856646A (zh) | 2023-03-28 |
CN115856646B true CN115856646B (zh) | 2023-05-23 |
Family
ID=85659803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310193881.2A Active CN115856646B (zh) | 2023-03-03 | 2023-03-03 | 一种基于三维电压特征的锂离子电池早期寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115856646B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116593903B (zh) * | 2023-07-17 | 2023-10-20 | 中国华能集团清洁能源技术研究院有限公司 | 电池剩余寿命预测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113391220A (zh) * | 2020-03-12 | 2021-09-14 | 郑州深澜动力科技有限公司 | 一种锂离子电池衰减来源判定方法及装置 |
CN114839552A (zh) * | 2022-04-08 | 2022-08-02 | 泉州装备制造研究所 | 一种基于wasserstein距离的电池SOH估计方法及装置 |
CN115236519A (zh) * | 2022-07-07 | 2022-10-25 | 泉州装备制造研究所 | 基于隐马尔可夫模型的锂电池健康状态预测方法及装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005001B (zh) * | 2015-06-26 | 2018-04-24 | 江苏北新能源科技有限公司 | 一种快速检测电池剩余使用次数的方法 |
US11226374B2 (en) * | 2017-10-17 | 2022-01-18 | The Board Of Trustees Of The Leland Stanford Junior University | Data-driven model for lithium-ion battery capacity fade and lifetime prediction |
EP3983814A4 (en) * | 2019-06-14 | 2023-06-28 | Cummins Inc. | Methods and devices for determining battery state of health using incremental capacity analysis and support vector regression |
US11703548B2 (en) * | 2020-04-03 | 2023-07-18 | Cummins Inc. | Methods and systems for accelerated determining of state of health using incremental capacity analysis |
KR20210141096A (ko) * | 2020-05-15 | 2021-11-23 | 주식회사 엘지에너지솔루션 | 배터리 상태 진단 장치 및 방법 |
US11774514B2 (en) * | 2021-06-17 | 2023-10-03 | GM Global Technology Operations LLC | Electrochemical methods for identification of cell quality |
CN113671394A (zh) * | 2021-08-16 | 2021-11-19 | 中国华能集团清洁能源技术研究院有限公司 | 一种锂离子电池期望寿命预测方法及系统 |
CN114114049B (zh) * | 2021-09-30 | 2022-10-18 | 北京交通大学 | 一种基于样本迁移的锂离子电池寿命预测方法 |
CN114636932A (zh) * | 2022-03-14 | 2022-06-17 | 华中科技大学 | 一种电池剩余使用寿命预测方法及系统 |
CN115356647A (zh) * | 2022-08-29 | 2022-11-18 | 湖北工程学院 | 一种锂离子电池寿命早期预测方法 |
CN115575843A (zh) * | 2022-10-25 | 2023-01-06 | 楚能新能源股份有限公司 | 一种锂离子电池寿命预测方法 |
-
2023
- 2023-03-03 CN CN202310193881.2A patent/CN115856646B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113391220A (zh) * | 2020-03-12 | 2021-09-14 | 郑州深澜动力科技有限公司 | 一种锂离子电池衰减来源判定方法及装置 |
CN114839552A (zh) * | 2022-04-08 | 2022-08-02 | 泉州装备制造研究所 | 一种基于wasserstein距离的电池SOH估计方法及装置 |
CN115236519A (zh) * | 2022-07-07 | 2022-10-25 | 泉州装备制造研究所 | 基于隐马尔可夫模型的锂电池健康状态预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115856646A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109991542B (zh) | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 | |
CN110568359B (zh) | 一种锂电池剩余寿命预测方法 | |
CN111695301A (zh) | 电池电荷状态的预测方法及预测装置、存储介质、设备 | |
Wang et al. | Rapid ultracapacitor life prediction with a convolutional neural network | |
Chen et al. | An overview of data-driven battery health estimation technology for battery management system | |
CN115856646B (zh) | 一种基于三维电压特征的锂离子电池早期寿命预测方法 | |
CN115684947A (zh) | 电池模型构建方法及电池劣化预测装置 | |
CN108989889A (zh) | 一种视频播放量预测方法、装置及电子设备 | |
CN113884937B (zh) | 基于分解集成策略的锂离子电池剩余寿命预测方法及系统 | |
KR20150022896A (ko) | 프로세싱 방법으로부터의 데이터에 따라 전력 상태를 결정하기 위한 장치 및 방법 | |
CN111579993A (zh) | 一种基于卷积神经网络的锂电池容量在线估计方法 | |
CN114966436A (zh) | 锂电池荷电状态预测方法、装置、设备及可读存储介质 | |
CN113536676A (zh) | 基于特征迁移学习的锂电池健康状况监测方法 | |
Ma et al. | State of health and remaining useful life prediction for lithium-ion batteries based on differential thermal voltammetry and a long and short memory neural network | |
Khaleghi et al. | Towards machine-learning driven prognostics and health management of Li-ion batteries. A comprehensive review | |
Beltran et al. | Machine learning techniques suitability to estimate the retained capacity in lithium-ion batteries from partial charge/discharge curves | |
He et al. | Early prediction of battery lifetime based on graphical features and convolutional neural networks | |
Zhang et al. | Remaining useful life prediction of lithium-ion batteries based on TCN-DCN fusion model combined with IRRS filtering | |
CN117310504A (zh) | 一种电池健康状态评估方法、系统、设备及介质 | |
CN117074951A (zh) | 锂电池荷电状态的估计方法、装置、设备及可读存储介质 | |
CN113884936B (zh) | 一种基于issa耦合delm的锂离子电池健康状态预测方法 | |
CN114610595A (zh) | 模型性能影响因素的识别方法、装置、设备及存储介质 | |
Zhao et al. | Lithium‐Ion Battery State‐of‐Health Estimation Method Using Isobaric Energy Analysis and PSO‐LSTM | |
El Marghichi | Estimation of battery capacity using the enhanced self-organization maps | |
Navidi et al. | Physics-informed machine learning for battery degradation diagnostics: A comparison of state-of-the-art methods |
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 |