CN116027204B - 基于数据融合的锂电池剩余使用寿命预测方法及装置 - Google Patents

基于数据融合的锂电池剩余使用寿命预测方法及装置 Download PDF

Info

Publication number
CN116027204B
CN116027204B CN202310132158.3A CN202310132158A CN116027204B CN 116027204 B CN116027204 B CN 116027204B CN 202310132158 A CN202310132158 A CN 202310132158A CN 116027204 B CN116027204 B CN 116027204B
Authority
CN
China
Prior art keywords
data
stage
net
charging
lithium battery
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
Application number
CN202310132158.3A
Other languages
English (en)
Other versions
CN116027204A (zh
Inventor
宋艳
崔明
李沂滨
贾磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202310132158.3A priority Critical patent/CN116027204B/zh
Publication of CN116027204A publication Critical patent/CN116027204A/zh
Application granted granted Critical
Publication of CN116027204B publication Critical patent/CN116027204B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明属于电池寿命预测技术领域，为了解决锂电池剩余使用寿命的预测精度低的问题，提供了一种基于数据融合的锂电池剩余使用寿命预测方法及装置。其中，基于数据融合的锂电池剩余使用寿命预测方法包括获取若干个历史周期的电压序列数据、电流序列数据、温度序列数据、时间序列数据和电容序列数据，经预处理后得到充电阶段输入数据和放电阶段输入数据；基于充电阶段输入数据和放电阶段输入数据以及训练好的寿命预测模型，得到锂电池电容预测值，再将其与阈值电容比较来判断锂电池的使用寿命。其利用两个U‑Net网络提取传感器数据矩阵获取中间层特征，再与电池使用的历史容量信息结合送入决策层，提高了锂电池剩余使用寿命预测精度。

Description

基于数据融合的锂电池剩余使用寿命预测方法及装置
技术领域
本发明属于电池寿命预测技术领域，尤其涉及一种基于数据融合的锂电池剩余使用寿命预测方法及装置。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
锂电池具有能量密度大、效率高、循环寿命长、自放电率低等优点，被广泛应用于水下机器人、电动汽车、消费电子、航空航天等领域。锂离子电池本身作为一种储存能量的容器，有一定起火的风险，同时重复使用和许多不可预见的原因会导致锂离子电池安全性下降，也可能导致灾难性后果。因此必须依靠电池管理系统对电池可靠性进行严格的评估。锂电池剩余使用寿命（Remaining Useful Life，RUL）预测能够对电池管理系统提供决策依据。
具体而言，锂电池剩余使用寿命利用电池当前及历史的传感器数据，预测未来电池额定变量变化趋势。目前的RUL预测方法主要可以分为三种类型：基于物理和电化学的模型、基于统计方法的模型以及数据驱动的神经网络模型。相较于前两者模型，目前更多的工作基于神经网络展开。该类方法能够直接将输入数据转化为输出数据，端到端的模式以及自动提取特征并分配权重是它们的优势。
锂电池的使用是一个个充放电周期，先进行充电，后放电。因此，周期开始前，电池的状态受到上一周期的影响，而当前周期放电的状态受充电状态的影响，除此之外，充电与放电是完全不同的两个物理过程，锂电池在充电、放电过程中，一般可方便获取的传感器数据有电池两端的电压、电流、电池本体的表面温度以及当前的实际电池容量。然而，可获取的电压、电流、温度为较大的序列数据，而当前的实际电池容量为单个数据。在神经网络中，尺度相差巨大的特征数据同时输入会带来神经网络权重偏差的问题，导致忽视小尺寸特征数据，从而降低了锂电池剩余使用寿命的预测精度。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种基于数据融合的锂电池剩余使用寿命预测方法及装置，其利用两个U-Net网络提取传感器数据矩阵获取中间层特征，再与电池使用的历史容量信息结合送入决策层，提高了锂电池剩余使用寿命预测精度。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种基于数据融合的锂电池剩余使用寿命预测方法。
在一个或多个实施例中，提供了一种基于数据融合的锂电池剩余使用寿命预测方法，其包括：
获取若干个历史周期的电压序列数据、电流序列数据、温度序列数据、时间序列数据和电容序列数据，经预处理后得到充电阶段输入数据和放电阶段输入数据；
基于充电阶段输入数据和放电阶段输入数据以及训练好的寿命预测模型，得到锂电池电容预测值，再将其与阈值电容比较来判断锂电池的使用寿命；
其中，所述寿命预测模型包括决策层及充电阶段和放电阶段分别对应的U-Net结构；充电阶段对应的U-Net结构用于提取充电阶段的特征，放电阶段对应的U-Net结构用于提取放电阶段的特征，决策层用于对融合充电阶段的特征、放电阶段的特征及电容序列数据，得到锂电池电容预测值。
作为一种实施方式，充电阶段的特征将参与本周期放电数据特征提取，放电阶段的特征将参与下一周期的充电数据特征提取。
作为一种实施方式，在所述寿命预测模型训练的过程中，将充电阶段对应的U-Net网络和放电阶段对应的U-Net网络按照周期顺序交替进行，此过程其他神经元将被锁定。
作为一种实施方式，在所述寿命预测模型训练的过程中，决策层训练时，充电阶段对应的U-Net网络和放电阶段对应的U-Net网络部分的神经元均被锁定。
作为一种实施方式，充电阶段对应的U-Net网络和放电阶段对应的U-Net网络结构相同，均包括编码模块与解码模块，所述编码模块由编码子模块与下采样模块间隔级联组成，所述解码模块由上采样模块与解码子模块间隔级联组成。
本发明的第二个方面提供一种基于数据融合的锂电池剩余使用寿命预测装置。
在一个或多个实施例中，提供了一种基于数据融合的锂电池剩余使用寿命预测装置，其包括：
历史数据获取模块，其用于获取若干个历史周期的电压序列数据、电流序列数据、温度序列数据、时间序列数据和电容序列数据，经预处理后得到充电阶段输入数据和放电阶段输入数据；
使用寿命预测模块，其用于基于充电阶段输入数据和放电阶段输入数据以及训练好的寿命预测模型，得到锂电池电容预测值，再将其与阈值电容比较来判断锂电池的使用寿命；
其中，所述寿命预测模型包括决策层及充电阶段和放电阶段分别对应的U-Net结构；充电阶段对应的U-Net结构用于提取充电阶段的特征，放电阶段对应的U-Net结构用于提取放电阶段的特征，决策层用于对融合充电阶段的特征、放电阶段的特征及电容序列数据，得到锂电池电容预测值。
作为一种实施方式，充电阶段的特征将参与本周期放电数据特征提取，放电阶段的特征将参与下一周期的充电数据特征提取。
作为一种实施方式，在所述寿命预测模型训练的过程中，将充电阶段对应的U-Net网络和放电阶段对应的U-Net网络按照周期顺序交替进行，此过程其他神经元将被锁定。
作为一种实施方式，在所述寿命预测模型训练的过程中，决策层训练时，充电阶段对应的U-Net网络和放电阶段对应的U-Net网络部分的神经元均被锁定。
作为一种实施方式，充电阶段对应的U-Net网络和放电阶段对应的U-Net网络结构相同，均包括编码模块与解码模块，所述编码模块由编码子模块与下采样模块间隔级联组成，所述解码模块由上采样模块与解码子模块间隔级联组成。
与现有技术相比，本发明的有益效果是：
本发明提出了一种基于数据融合及U-Net预训练的锂电池剩余使用寿命预测方法，其利用两个U-Net网络提取传感器数据矩阵获取中间层特征，再与电池使用的历史容量信息结合送入决策层。在网络训练过程中，采用的模块化训练的策略，加速了整体网络的训练，而且提高了锂电池剩余寿命预测的精度。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例的一种基于数据融合的锂电池剩余使用寿命预测方法流程图；
图2是本发明实施例的U-Net结构示意图；
图3是本发明实施例的编码模块结构示意图；
图4是不同决策层结构的目标容量和预测容量的曲线。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
本实施例针对锂电池RUL预测主要解决的问题有：尺度相差巨大的特征数据同时输入会带来神经网络权重偏差的问题、神经网络对电池使用的物理过程拟合的问题。具体来说，本实施例利用两个U-Net网络提取传感器数据矩阵获取中间层特征，再与电池使用的历史容量信息结合送入决策层。在网络训练过程中，采用的模块化训练的策略，加速整体网络的训练。为了验证本实施例的有效性，对本实施例在开源数据集中进行了验证实验。
本实施例的输入包含当前使用周期的充放电数据，代表了短期电池特征，也包含前期的电容数据，代表了长期的变化趋势。本发明的输出为一个电容值，其与阈值电容比较来判断电池的使用寿命。
参照图1，本实施例提供了一种基于数据融合的锂电池剩余使用寿命预测方法，其包括：
步骤1：获取若干个历史周期的电压序列数据、电流序列数据、温度序列数据、时间序列数据和电容序列数据，经预处理后得到充电阶段输入数据和放电阶段输入数据；
步骤2：基于充电阶段输入数据和放电阶段输入数据以及训练好的寿命预测模型，得到锂电池电容预测值，再将其与阈值电容比较来判断锂电池的使用寿命；
其中，所述寿命预测模型包括决策层及充电阶段和放电阶段分别对应的U-Net结构；充电阶段对应的U-Net结构用于提取充电阶段的特征，放电阶段对应的U-Net结构用于提取放电阶段的特征，决策层用于对融合充电阶段的特征、放电阶段的特征及电容序列数据，得到锂电池电容预测值。
基于数据融合的锂电池剩余使用寿命预测方法，具体包括如下三个部分：一、数据预处理；二、利用U-Net网络进行模块化特征提取；三、将数据融合进行决策层输出。图1展示了本实施例的框架。下面将具体介绍本发明的各个步骤。
数据预处理：
在一般情况下，传感器获取的电压、电流以及温度等数据的时间非等间隔的，总时间长度也不一致，对数据序列进行预处理是必要的。假设获得的数据完整的包含了充电、放电的过程。
设第
Figure SMS_2
次周期测量的电容值为/>
Figure SMS_8
；/>
Figure SMS_11
、/>
Figure SMS_4
、/>
Figure SMS_6
对应于第/>
Figure SMS_10
次周期在时间/>
Figure SMS_13
获得的电压、电流以及温度序列数据，其中，上标/>
Figure SMS_1
、/>
Figure SMS_5
、/>
Figure SMS_9
分别表示电压、电流，温度，时间序列保存在/>
Figure SMS_12
。首先，为了后续的特征提取的输入规格化，需要对上述序列的长度进行调整。假设上述电压、电流、温度或时间序列原始长度为/>
Figure SMS_3
，扩充后的长度为/>
Figure SMS_7
，则
Figure SMS_14
(1)
对于
Figure SMS_15
扩充多出来的数据，首先在时间序列的最小与最大值/>
Figure SMS_16
之间进行随机选择/>
Figure SMS_17
个时间点序列/>
Figure SMS_18
作为补充，新的时间序列/>
Figure SMS_19
将包含原始时间序列与补充时间序列，需要注意的是，新的时间序列仍按照从小到大排序。
接下来，需要对电压、电流以及温度序列数据进行调整补充。以电压序列为例，假设对序列对
Figure SMS_20
进行拟合，获得拟合函数/>
Figure SMS_21
，则电压的补充序列为
Figure SMS_22
(2)
因此，可以获得新的电压序列
Figure SMS_23
，其包含了原始电压序列与补充电压序列，并且序列的顺序与时间序列/>
Figure SMS_24
一一对应。与/>
Figure SMS_25
类似，可以获得电流序列/>
Figure SMS_26
、温度序列/>
Figure SMS_27
。
需要注意的是，这里的拟合函数可以选择多项式回归、样条插值等方法，拟合函数的选择并不能成为区别于本发明的要点。
考虑到各个序列的范围与物理意义，需要对上述获得的样本序列样本数据进行压缩处理：
Figure SMS_28
(3)
Figure SMS_29
(4)
Figure SMS_30
(5)
Figure SMS_31
(6)
上述
Figure SMS_35
与/>
Figure SMS_36
分别表示数据的最大值和最小值。要注意上述序列没有下标/>
Figure SMS_38
时，表示全体训练集的数据，而非某一个周期的数据。以/>
Figure SMS_34
为例，表示所有周期的电压数据集合，电流序列集合/>
Figure SMS_40
、温度序列集合/>
Figure SMS_42
，时间序列/>
Figure SMS_43
同理。经过公式(2)-(6)之后，可以获得第/>
Figure SMS_32
个周期新的电压序列/>
Figure SMS_37
，电流序列/>
Figure SMS_39
，温度序列/>
Figure SMS_41
，时间序列/>
Figure SMS_33
。
第
Figure SMS_47
个周期的充电数据的/>
Figure SMS_54
、/>
Figure SMS_55
、/>
Figure SMS_45
与/>
Figure SMS_49
组成了二维矩阵/>
Figure SMS_52
，第/>
Figure SMS_53
个周期的放电数据的/>
Figure SMS_44
、/>
Figure SMS_48
、/>
Figure SMS_50
与/>
Figure SMS_51
组成了二维矩阵/>
Figure SMS_46
。
设第
Figure SMS_56
次周期测量的电容值为/>
Figure SMS_57
，所有周期的电容序列为/>
Figure SMS_58
，同样需要将电池电容曲线标准化为
Figure SMS_59
(7)
在后续的输入中，代表第
Figure SMS_60
个周期的/>
Figure SMS_61
个历史电容数据序列为
Figure SMS_62
，/>
Figure SMS_63
步前向训练需要输出的是/>
Figure SMS_64
的对应预测值/>
Figure SMS_65
。本段的下标都为周期编号。
利用U-Net网络进行模块化特征提取：
为了有效的提取输入数据的特征，使用U-Net结构是一种有效的方法，图2展示了其组成部分，其主体分为编码模块与解码模块。下面将分开讲解其具体结构组成。
对于编码部分，主要由图3的中编码子模块与下采样模块间隔级联组成，编码子模块依次为卷积层、
Figure SMS_66
标准化层、卷积层、激活层。各个级联的编码子模块差异的主要是编码子模块的输入通道/>
Figure SMS_67
与输出通道/>
Figure SMS_68
大小，在本方法中，除第一个编码子模块的输出通道为64外，
Figure SMS_69
(8)
Figure SMS_70
(9)
其中下标
Figure SMS_71
和/>
Figure SMS_72
表示编码子模块的层级，下采样模块的大小与步长均为2，同时激活函数选择，下采样的方法选择、级联层数选择也不能成为区别于本发明的要点。
编码部分的输出
Figure SMS_73
将作为解码模块的输入，同时根据图1，充电数据对应的U-Net的/>
Figure SMS_74
将作为本周期放电数据对应的U-Net的部分输入，放电数据的U-Net的/>
Figure SMS_75
将作为下一周期放电数据对应的U-Net的部分输入。具体地，先将/>
Figure SMS_76
进行一维展开，再进行可选的上采样或下采样以使得展开的/>
Figure SMS_77
数据长度与/>
Figure SMS_78
或者
Figure SMS_79
匹配。
对于解码部分，与编码模块类似，主要由图2的上采样模块与中解码子模块间隔级联组成，编码子模块与编码子模块类似，依次为卷积层、
Figure SMS_80
标准化层、卷积层、激活层。解码子模块的输入由上采样模块的输出与同层次编码子模块的输出相加组成：
Figure SMS_81
(10)
其中，
Figure SMS_82
表示解码子模块的输入，/>
Figure SMS_83
表示编码子模块的输出，/>
Figure SMS_84
表示上采样。下标/>
Figure SMS_85
对于编码从输入开始计算层数，对于解码从输出开始反向计算层数。最后，解码部分的输出与编码部分的输入拥有相同的大小。
综合上述描述，充电阶段、放电阶段分别对应一个U-Net结构，其中充电阶段的特征将参与本周期放电数据特征提取，放电阶段的特征将参与下一周期的充电数据特征提取。充电阶段的输入与标签为
Figure SMS_86
，放电阶段的输入与标签为
Figure SMS_87
。
将数据融合进行决策层输出：
网络的整体训练将分为两个步骤进行：U-Net训练过程与决策层训练。U-Net训练过程中将充电阶段、放电阶段对应的U-Net网络按照周期顺序交替进行，此过程其他神经元将被锁定。决策层训练时，U-Net组合部分的神经元也将锁定。采用复杂的训练过程一方面是对电池的实际使用过程进行模拟，另一方面考虑到训练数据集较小，将大结构神经网络分割成小神经网络依次进行将加快拟合过程。
根据图1，在本实施例中，充电阶段、放电阶段的
Figure SMS_88
、/>
Figure SMS_89
都将作为决策层的输入，决策层的输入为/>
Figure SMS_90
，经过全连接层的链接，决策层的输出为预测值/>
Figure SMS_91
。考虑到一般获得的数据集较小，本发明采用不同的电池扩充数据量来进行混合批训练，该方法可以有效避免数据集过小导致的网络无法收敛或者过拟合问题。
为了验证本实施例的方法有效性，在NASA锂电池数据集进行了实验，测试数据表明，该方法可以提高预测准确率。
实验数据为锂电池寿命预测领域广泛使用的来自于NASA PCOE的开放数据集，该数据集记录了多组锂电池在使用过程中容量退化的多物理参数数据。本实施例将在#5, #6, #7和#18电池组上进行验证。该组电池在24摄氏度环境运行，其放电中止电压、原始容量与使用周期稍有不同，具体使用场景可以通过表1获得。在表1中，
Figure SMS_93
表示恒定充电电压,
Figure SMS_96
代表放电结束时电压, 单位均为伏（/>
Figure SMS_98
）；/>
Figure SMS_94
与/>
Figure SMS_95
分别代表充电、放电时的电流，单位均为安培（/>
Figure SMS_97
）；温度的单位为摄氏度（/>
Figure SMS_99
）；容量的单位为安培时（/>
Figure SMS_92
）；周期单位为次。
表1 #5, #6, #7 和#18电池使用记录
Figure SMS_100
预测结果评价指标：
为了从多个角度有效地评估我们的方法，本文选择了两种广泛使用的指标：均方根误差（RMSE）和均值绝对百分比误差（MAPE）。假设目标容量值为
Figure SMS_101
, 且预测容量值为/>
Figure SMS_102
, 则将RMSE和MAPE定义为
Figure SMS_103
(11)
Figure SMS_104
(12)
RMSE和MAPE的值越小，预测结果越接近真实值。
本实施例将与Chen等人提出的基于最优输入序列选择和误差补偿的锂离子电池剩余使用寿命预测方法进行了比较。同时也与充电与放电解除依赖关系的U-Net模型（基础U-Net）、不进行模块化训练的模型（同步训练）进行了对比实验。表2显示了几种方法的测试结果，测试数据表明，本实施例的方法可以提高预测准确率。
表2 与其他方法的性能比较
Figure SMS_105
根据本实施例的方法，针对原始传感器数据的不同拟合函数的选择、U-Net结构中子模块级联层数，激活函数的选择等方面并不能在本质上区别于本发明方法，同时仅在模型层级别上进行局部的简单的相似替换也不能改变模型的整体框架，例如将决策层在特征拼接后的全连接层更改为LSTM层或者Self-attention都只是在决策层简单替换。这里进行实验比较了决策层简单替换的效果。实验的数据集与评价准则与上述相同。实验是基于#5、#6、#7、#18电池进行的。具体来说，将电池#6、#7、#18以及电池＃5的前80个周期的数据用作训练数据集，将电池＃5的第81-168个周期的数据用于性能测试；将电池#5、#6、#18以及电池#7的前80个周期的数据用作训练数据集，将电池#7的第81-168个周期的数据用于性能测试；将电池#5、#6、#7以及电池#18的前80个周期的数据用作训练数据集，将电池#18的第81-132个周期的数据用于性能测试。表3显示了基于不同决策层结构的实验结果，图4显示了不同决策层结构的目标容量和预测容量的曲线。可以看出，不同的决策层结构具有类似的性能表现，简单的全连接层的效果稍好，这可能与电池数据集较小有关。
表3 不同决策层结构的性能指标
Figure SMS_106
实施例二
本实施例提供了一种基于数据融合的锂电池剩余使用寿命预测装置，其包括：
（1）历史数据获取模块，其用于获取若干个历史周期的电压序列数据、电流序列数据、温度序列数据、时间序列数据和电容序列数据，经预处理后得到充电阶段输入数据和放电阶段输入数据；
（2）使用寿命预测模块，其用于基于充电阶段输入数据和放电阶段输入数据以及训练好的寿命预测模型，得到锂电池电容预测值，再将其与阈值电容比较来判断锂电池的使用寿命；
其中，所述寿命预测模型包括决策层及充电阶段和放电阶段分别对应的U-Net结构；充电阶段对应的U-Net结构用于提取充电阶段的特征，放电阶段对应的U-Net结构用于提取放电阶段的特征，决策层用于对融合充电阶段的特征、放电阶段的特征及电容序列数据，得到锂电池电容预测值。
其中，充电阶段的特征将参与本周期放电数据特征提取，放电阶段的特征将参与下一周期的充电数据特征提取。
具体地，在所述寿命预测模型训练的过程中，将充电阶段对应的U-Net网络和放电阶段对应的U-Net网络按照周期顺序交替进行，此过程其他神经元将被锁定。
在所述寿命预测模型训练的过程中，决策层训练时，充电阶段对应的U-Net网络和放电阶段对应的U-Net网络部分的神经元均被锁定。充电阶段对应的U-Net网络和放电阶段对应的U-Net网络结构相同，均包括编码模块与解码模块，所述编码模块由编码子模块与下采样模块间隔级联组成，所述解码模块由上采样模块与中解码子模块间隔级联组成。
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于数据融合的锂电池剩余使用寿命预测方法中的步骤。
实施例四
本实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于数据融合的锂电池剩余使用寿命预测方法中的步骤。
本发明是参照本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (4)

1.一种基于数据融合的锂电池剩余使用寿命预测方法，其特征在于，包括：
获取若干个历史周期的电压序列数据、电流序列数据、温度序列数据、时间序列数据和电容序列数据，经预处理后得到充电阶段输入数据和放电阶段输入数据；
基于充电阶段输入数据和放电阶段输入数据以及训练好的寿命预测模型，得到锂电池电容预测值，再将其与阈值电容比较来判断锂电池的使用寿命；
其中，所述寿命预测模型包括决策层及充电阶段和放电阶段分别对应的U-Net结构；充电阶段对应的U-Net结构用于提取充电阶段的特征，放电阶段对应的U-Net结构用于提取放电阶段的特征，决策层用于融合充电阶段的特征、放电阶段的特征及电容序列数据，得到锂电池电容预测值；
充电阶段的特征将参与本周期放电数据特征提取，放电阶段的特征将参与下一周期的充电数据特征提取；
设第
Figure QLYQS_2
次周期测量的电容值为/>
Figure QLYQS_6
；/>
Figure QLYQS_9
、/>
Figure QLYQS_3
、/>
Figure QLYQS_5
对应于第/>
Figure QLYQS_8
次周期在时间/>
Figure QLYQS_10
获得的电压、电流以及温度序列数据，其中，上标/>
Figure QLYQS_1
、/>
Figure QLYQS_4
、/>
Figure QLYQS_7
分别表示电压、电流，温度，时间序列保存在/>
Figure QLYQS_11
中；
经过预处理之后，获得第
Figure QLYQS_18
个周期新的电压序列/>
Figure QLYQS_14
，电流序列/>
Figure QLYQS_25
，温度序列/>
Figure QLYQS_16
，时间序列/>
Figure QLYQS_23
；第/>
Figure QLYQS_19
个周期的充电数据的/>
Figure QLYQS_24
、/>
Figure QLYQS_27
、/>
Figure QLYQS_28
与/>
Figure QLYQS_13
组成了矩阵/>
Figure QLYQS_20
，第/>
Figure QLYQS_15
个周期的放电数据的/>
Figure QLYQS_22
、/>
Figure QLYQS_17
、/>
Figure QLYQS_26
与/>
Figure QLYQS_12
组成了矩阵/>
Figure QLYQS_21
；
充电数据对应的U-Net的输出
Figure QLYQS_29
将作为本周期放电数据对应的U-Net的部分输入，放电数据的U-Net的输出/>
Figure QLYQS_30
将作为下一周期充电数据对应的U-Net的部分输入；
充电阶段的U-Net的输入为
Figure QLYQS_31
，放电阶段的U-Net的输入为
Figure QLYQS_32
；
在所述寿命预测模型训练的过程中，将充电阶段对应的U-Net网络和放电阶段对应的U-Net网络按照周期顺序交替进行，此过程其他神经元将被锁定；
在所述寿命预测模型训练的过程中，决策层训练时，充电阶段对应的U-Net网络和放电阶段对应的U-Net网络部分的神经元均被锁定。
2.如权利要求1所述的基于数据融合的锂电池剩余使用寿命预测方法，其特征在于，充电阶段对应的U-Net网络和放电阶段对应的U-Net网络结构相同，均包括编码模块与解码模块，所述编码模块由编码子模块与下采样模块间隔级联组成，所述解码模块由上采样模块与解码子模块间隔级联组成。
3.一种基于数据融合的锂电池剩余使用寿命预测装置，其特征在于，包括：
历史数据获取模块，其用于获取若干个历史周期的电压序列数据、电流序列数据、温度序列数据、时间序列数据和电容序列数据，经预处理后得到充电阶段输入数据和放电阶段输入数据；
使用寿命预测模块，其用于基于充电阶段输入数据和放电阶段输入数据以及训练好的寿命预测模型，得到锂电池电容预测值，再将其与阈值电容比较来判断锂电池的使用寿命；
其中，所述寿命预测模型包括决策层及充电阶段和放电阶段分别对应的U-Net结构；充电阶段对应的U-Net结构用于提取充电阶段的特征，放电阶段对应的U-Net结构用于提取放电阶段的特征，决策层用于融合充电阶段的特征、放电阶段的特征及电容序列数据，得到锂电池电容预测值；
充电阶段的特征将参与本周期放电数据特征提取，放电阶段的特征将参与下一周期的充电数据特征提取；
设第
Figure QLYQS_34
次周期测量的电容值为/>
Figure QLYQS_37
；/>
Figure QLYQS_40
、/>
Figure QLYQS_35
、/>
Figure QLYQS_38
对应于第/>
Figure QLYQS_41
次周期在时间/>
Figure QLYQS_43
获得的电压、电流以及温度序列数据，其中，上标/>
Figure QLYQS_33
、/>
Figure QLYQS_36
、/>
Figure QLYQS_39
分别表示电压、电流，温度，时间序列保存在/>
Figure QLYQS_42
中；
经过预处理之后，获得第
Figure QLYQS_51
个周期新的电压序列/>
Figure QLYQS_47
，电流序列/>
Figure QLYQS_57
，温度序列/>
Figure QLYQS_50
，时间序列/>
Figure QLYQS_58
；第/>
Figure QLYQS_56
个周期的充电数据的/>
Figure QLYQS_60
、/>
Figure QLYQS_49
、/>
Figure QLYQS_59
与/>
Figure QLYQS_44
组成了矩阵/>
Figure QLYQS_52
，第/>
Figure QLYQS_46
个周期的放电数据的/>
Figure QLYQS_53
、/>
Figure QLYQS_48
、/>
Figure QLYQS_55
与/>
Figure QLYQS_45
组成了矩阵/>
Figure QLYQS_54
；
充电数据对应的U-Net的输出
Figure QLYQS_61
将作为本周期放电数据对应的U-Net的部分输入，放电数据的U-Net的输出/>
Figure QLYQS_62
将作为下一周期充电数据对应的U-Net的部分输入；
充电阶段的U-Net的输入为
Figure QLYQS_63
，放电阶段的U-Net的输入为
Figure QLYQS_64
；
在所述寿命预测模型训练的过程中，将充电阶段对应的U-Net网络和放电阶段对应的U-Net网络按照周期顺序交替进行，此过程其他神经元将被锁定；
在所述寿命预测模型训练的过程中，决策层训练时，充电阶段对应的U-Net网络和放电阶段对应的U-Net网络部分的神经元均被锁定。
4.如权利要求3所述的基于数据融合的锂电池剩余使用寿命预测装置，其特征在于，充电阶段对应的U-Net网络和放电阶段对应的U-Net网络结构相同，均包括编码模块与解码模块，所述编码模块由编码子模块与下采样模块间隔级联组成，所述解码模块由上采样模块与解码子模块间隔级联组成。
CN202310132158.3A 2023-02-20 2023-02-20 基于数据融合的锂电池剩余使用寿命预测方法及装置 Active CN116027204B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310132158.3A CN116027204B (zh) 2023-02-20 2023-02-20 基于数据融合的锂电池剩余使用寿命预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310132158.3A CN116027204B (zh) 2023-02-20 2023-02-20 基于数据融合的锂电池剩余使用寿命预测方法及装置

Publications (2)

Publication Number Publication Date
CN116027204A CN116027204A (zh) 2023-04-28
CN116027204B true CN116027204B (zh) 2023-06-20

Family

ID=86091176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310132158.3A Active CN116027204B (zh) 2023-02-20 2023-02-20 基于数据融合的锂电池剩余使用寿命预测方法及装置

Country Status (1)

Country Link
CN (1) CN116027204B (zh)

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102385660A (zh) * 2010-09-03 2012-03-21 湘潭大学 一种充电站电池soc的估计方法
CN108398652A (zh) * 2017-05-26 2018-08-14 北京航空航天大学 一种基于多层特征融合深度学习的锂电池健康状态评估方法
CN108680861A (zh) * 2018-03-05 2018-10-19 北京航空航天大学 锂电池剩余循环寿命预测模型的构建方法及装置
CN110568361A (zh) * 2019-09-12 2019-12-13 华中科技大学 一种动力电池健康状态的预测方法
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
CN112098848A (zh) * 2020-09-14 2020-12-18 北京大学深圳研究生院 一种电池放电容量预测方法、系统及可读存储介质
CN112666479A (zh) * 2020-12-02 2021-04-16 西安交通大学 一种基于充电循环融合的电池寿命预测方法
JP2021077516A (ja) * 2019-11-08 2021-05-20 学校法人早稲田大学 電池システムおよび電池状態予測方法
CN112986830A (zh) * 2021-04-22 2021-06-18 湖北工业大学 一种基于卷积时间记忆神经网络的锂电池容量估计方法
CN113361197A (zh) * 2021-06-08 2021-09-07 山东大学 一种锂电池剩余使用寿命预测方法及系统
CN113721151A (zh) * 2021-11-03 2021-11-30 杭州宇谷科技有限公司 基于双塔深度学习网络的电池容量预估模型及方法
CN114167284A (zh) * 2021-11-02 2022-03-11 江苏博强新能源科技股份有限公司 基于bms大数据和集成学习的锂电池rul预测方法及设备
CN114325449A (zh) * 2022-01-05 2022-04-12 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) 一种锂离子电池soh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
CN114675187A (zh) * 2022-03-10 2022-06-28 中国科学院力学研究所 一种物理机理和机器学习融合的锂离子电池寿命预测方法
CN114740360A (zh) * 2022-03-29 2022-07-12 安徽理工大学 一种基于sae-ceemdan-lstm的锂离子电池剩余使用寿命预测方法
CN114839538A (zh) * 2022-04-26 2022-08-02 北京工商大学 一种提取锂离子电池退化特征用于估计剩余寿命的方法
CN114880939A (zh) * 2022-05-23 2022-08-09 遥相科技发展(北京)有限公司 一种动力电池寿命的智能预测方法及装置
CN115219907A (zh) * 2022-07-09 2022-10-21 西安邮电大学 一种锂电池soc估计方法、系统、介质、设备及终端
CN115510612A (zh) * 2022-08-24 2022-12-23 广州大学 一种锂离子电池剩余使用寿命预测方法
CN115698737A (zh) * 2020-11-13 2023-02-03 株式会社Lg化学 电池容量测量装置和方法，以及包括电池容量测量装置的电池控制系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10031185B2 (en) * 2013-02-13 2018-07-24 Exide Technologies Method for determining a state of charge and remaining operation life of a battery

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102385660A (zh) * 2010-09-03 2012-03-21 湘潭大学 一种充电站电池soc的估计方法
CN108398652A (zh) * 2017-05-26 2018-08-14 北京航空航天大学 一种基于多层特征融合深度学习的锂电池健康状态评估方法
CN108680861A (zh) * 2018-03-05 2018-10-19 北京航空航天大学 锂电池剩余循环寿命预测模型的构建方法及装置
CN110568361A (zh) * 2019-09-12 2019-12-13 华中科技大学 一种动力电池健康状态的预测方法
JP2021077516A (ja) * 2019-11-08 2021-05-20 学校法人早稲田大学 電池システムおよび電池状態予測方法
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
CN112098848A (zh) * 2020-09-14 2020-12-18 北京大学深圳研究生院 一种电池放电容量预测方法、系统及可读存储介质
CN115698737A (zh) * 2020-11-13 2023-02-03 株式会社Lg化学 电池容量测量装置和方法，以及包括电池容量测量装置的电池控制系统
CN112666479A (zh) * 2020-12-02 2021-04-16 西安交通大学 一种基于充电循环融合的电池寿命预测方法
CN112986830A (zh) * 2021-04-22 2021-06-18 湖北工业大学 一种基于卷积时间记忆神经网络的锂电池容量估计方法
CN113361197A (zh) * 2021-06-08 2021-09-07 山东大学 一种锂电池剩余使用寿命预测方法及系统
CN114167284A (zh) * 2021-11-02 2022-03-11 江苏博强新能源科技股份有限公司 基于bms大数据和集成学习的锂电池rul预测方法及设备
CN113721151A (zh) * 2021-11-03 2021-11-30 杭州宇谷科技有限公司 基于双塔深度学习网络的电池容量预估模型及方法
CN114325449A (zh) * 2022-01-05 2022-04-12 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) 一种锂离子电池soh预测方法
CN114675187A (zh) * 2022-03-10 2022-06-28 中国科学院力学研究所 一种物理机理和机器学习融合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
CN114740360A (zh) * 2022-03-29 2022-07-12 安徽理工大学 一种基于sae-ceemdan-lstm的锂离子电池剩余使用寿命预测方法
CN114839538A (zh) * 2022-04-26 2022-08-02 北京工商大学 一种提取锂离子电池退化特征用于估计剩余寿命的方法
CN114880939A (zh) * 2022-05-23 2022-08-09 遥相科技发展(北京)有限公司 一种动力电池寿命的智能预测方法及装置
CN115219907A (zh) * 2022-07-09 2022-10-21 西安邮电大学 一种锂电池soc估计方法、系统、介质、设备及终端
CN115510612A (zh) * 2022-08-24 2022-12-23 广州大学 一种锂离子电池剩余使用寿命预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Cycle life prediction method of lithium ion batteries for new energy electric vehicles;Runze Gao;2021 International Conference of Social Computing and Digital Economy (ICSCDE);全文 *
基于深度学习的锂电池寿命预测方法;吴飞腾;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑;全文 *
混合动力设备蓄电池剩余容量估计方法;冯志君;周德俭;;华南理工大学学报(自然科学版)(第12期);全文 *
锂离子电池健康状态估计及剩余寿命预测研究;郭涵刚;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑;全文 *

Also Published As

Publication number Publication date
CN116027204A (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
Han et al. Estimation of cell SOC evolution and system performance in module-based battery charge equalization systems
Zhang et al. Lithium-ion battery remaining useful life prediction with Box–Cox transformation and Monte Carlo simulation
Zhao et al. A compact methodology via a recurrent neural network for accurate equivalent circuit type modeling of lithium-ion batteries
Han et al. Near-fastest battery balancing by cell/module reconfiguration
CN107064800A (zh) 锂离子电池剩余使用寿命的实时预测方法
Jiang et al. State of health estimation for lithium-ion battery using empirical degradation and error compensation models
CN112230154A (zh) 一种锂电池剩余寿命预测方法
CN108132441B (zh) 储能电池模组荷电状态的运行范围确定方法及装置
CN112666479A (zh) 一种基于充电循环融合的电池寿命预测方法
CN114881318A (zh) 基于生成对抗网络的锂电池健康状态预测方法及系统
CN114757340A (zh) 基于神经网络集成的锂电池健康状态预测方法及系统
Wang et al. Design and management of lithium-ion batteries: A perspective from modeling, simulation, and optimization
CN116027204B (zh) 基于数据融合的锂电池剩余使用寿命预测方法及装置
Audin et al. Auto-encoder LSTM for Li-ion SOH prediction: A comparative study on various benchmark datasets
Wang Battery state of charge estimation based on multi-model fusion
CN107544033B (zh) 一种锂离子电池剩余使用寿命数模融合预测方法
CN116466242A (zh) 一种锂离子电池剩余寿命预测方法、装置、设备及介质
Yu et al. SOH estimation method for lithium-ion battery based on discharge characteristics
CN113721151B (zh) 基于双塔深度学习网络的电池容量预估模型及方法
CN115528664A (zh) 一种微电网有功功率机会约束优化方法及系统
CN114545279A (zh) 一种基于神经网络常微分方程的锂电池健康状态估计方法
Wang et al. Improved modeling of lithium-ion battery capacity degradation using an individual-state training method and recurrent softplus neural network
Romero et al. Fast charge of Li-ion batteries using a two-layer distributed MPC with electro-chemical and thermal constraints
Cao et al. A fast capacity estimation approach for retired lithium-ion batteries
周温丁 et al. Remaining useful life prediction of lithium-ion batteries using a fusion method based on Wasserstein GAN

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