CN116298902A - 一种基于多任务学习的锂电池老化预测方法及系统 - Google Patents

一种基于多任务学习的锂电池老化预测方法及系统 Download PDF

Info

Publication number
CN116298902A
CN116298902A CN202211639313.2A CN202211639313A CN116298902A CN 116298902 A CN116298902 A CN 116298902A CN 202211639313 A CN202211639313 A CN 202211639313A CN 116298902 A CN116298902 A CN 116298902A
Authority
CN
China
Prior art keywords
lithium battery
aging prediction
module
prediction model
charging data
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
Application number
CN202211639313.2A
Other languages
English (en)
Inventor
何学智
汤慈全
刘作斌
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.)
Fujian Nebula Electronics Co Ltd
Original Assignee
Fujian Nebula Electronics Co Ltd
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 Fujian Nebula Electronics Co Ltd filed Critical Fujian Nebula Electronics Co Ltd
Priority to CN202211639313.2A priority Critical patent/CN116298902A/zh
Publication of CN116298902A publication Critical patent/CN116298902A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Secondary Cells (AREA)

Abstract

本发明提供了锂电池检测技术领域的一种基于多任务学习的锂电池老化预测方法及系统，方法包括如下步骤：步骤S10、获取大量的锂电池充电数据，基于各所述锂电池充电数据构建多任务的在线充电数据集，并将所述在线充电数据集划分为训练集和测试集；步骤S20、对所述训练集和测试集中的锂电池充电数据进行预处理；步骤S30、基于Transformer创建一老化预测模型；步骤S40、设定所述老化预测模型的损失函数，基于所述训练集、测试集以及损失函数对老化预测模型进行训练和测试；步骤S50、利用测试通过的所述老化预测模型对锂电池进行老化预测。本发明的优点在于：极大的提升了锂电池老化预测的精度、速度以及泛化性。

Description

一种基于多任务学习的锂电池老化预测方法及系统
技术领域
本发明涉及锂电池检测技术领域，特别指一种基于多任务学习的锂电池老化预测方法及系统。
背景技术
由于锂电池具有高能量密度、低自放电率、低价格以及使用寿命长等优势，成为一种被广泛使用的能源工具；但随着锂电池使用时间的增加，伴随而来的是实际可用容量的降低以及剩余寿命的减少，如果不能准确对锂电池的老化进行预测，将给锂电池的使用带来一定的安全隐患。
锂电池的老化预测包括电池健康状态(SOH，State Of Health)估计和容量衰减趋势预测，传统的预测方法存在如下两种：
1、理论建模法：分为电化学模型和等效电路模型；电化学模型将锂电池简化为正电极、负电极、隔膜和电解液组成的系统，根据锂电池内部的电化学反应、离子扩散和极化效应等电化学理论建立电池模型，以分析掌握电池规律；等效电路模型是指使用电容、电阻、电压源等基础电器元件描述锂电池的动态输出特性，等效电路模型大多基于基尔霍夫电压定律与电流定律创建。
然而，该方法的模型构建难度大，也很难获得较高的预测精度，并且因锂电池单体差异大而无法获得较好的模型泛化性。
2、深度学习法：深度神经网络模型是一种采用多层隐藏的神经元网络，用于描述输入与输出的强非线性关系，因此深度神经网络模型可以通过训练或学习，从大数据中挖掘出锂电池内部潜在特性。
虽然该方法通过大数据集的训练会得到比理论建模法更高的准确性和泛化性，但目前基于深度学习的锂电池老化预测多为单任务预测，一个模型只能预测一个电池特性，如预测容量衰减率和剩余循环寿命，分别需要用两个模型，这不仅增加了神经网络的训练成本，而且增加了模型部署时的存储成本、计算成本、降低了预测速度；另外，单任务预测模型并没有考虑到多个任务同时学习不仅可以互相监督，降低噪声，而且多任务之间的相关性也有助于模型提取到更具普适性的特征，导致整体的预测精度和泛化性还是欠佳。
因此，如何提供一种基于多任务学习的锂电池老化预测方法及系统，实现提升锂电池老化预测的精度、速度以及泛化性，成为一个亟待解决的技术问题。
发明内容
本发明要解决的技术问题，在于提供一种基于多任务学习的锂电池老化预测方法及系统，实现提升锂电池老化预测的精度、速度以及泛化性。
第一方面，本发明提供了一种基于多任务学习的锂电池老化预测方法，包括如下步骤：
步骤S10、获取大量的锂电池充电数据，基于各所述锂电池充电数据构建多任务的在线充电数据集，并将所述在线充电数据集划分为训练集和测试集；
步骤S20、对所述训练集和测试集中的锂电池充电数据进行预处理；
步骤S30、基于Transformer创建一老化预测模型；
步骤S40、设定所述老化预测模型的损失函数，基于所述训练集、测试集以及损失函数对老化预测模型进行训练和测试；
步骤S50、利用测试通过的所述老化预测模型对锂电池进行老化预测。
进一步地，所述步骤S10具体包括：
步骤S11、获取大量的标准工况循环测试下记录包括充电电压、充电电流、SOC、额定电压、额定容量、容量衰减率、充电时间的锂电池充电数据；
步骤S12、基于各所述锂电池充电数据模拟锂电池的在线充电场景，并提取任意一段SOC区间内，包括充电电压、充电电流、SOC的三元时间序列；
步骤S13、基于所述锂电池充电数据提取三元时间序列对应的容量衰减率、等效充放电循环次数、衰减规律；
步骤S14、构建若干个输入为充电电压、充电电流、SOC，输出为容量衰减率、等效充放电循环次数、衰减规律的任务标签，基于各所述任务标签构建在线充电数据集；
步骤S15、设定一比例阈值，基于所述比例阈值将在线充电数据集划分为训练集和测试集。
进一步地，所述步骤S20具体为：
将所述训练集和测试集中的充电电压除以额定电压以归一化到[0，1]的区间内，将所述训练集和测试集中的充电电流除以额定容量以归一化为充电倍率曲线；
对归一化后的所述训练集和测试集中的锂电池充电数据进行等长处理。
进一步地，所述步骤S30中，所述老化预测模型包括一向量转换模块、一自注意力模块、一采样模块以及一线性投射模块；所述向量转换模块、自注意力模块、采样模块以及线性投射模块依次连接；
所述自注意力模块包括三个Transformer层；
所述向量转换模块用于将在线充电数据集中的锂电池充电数据转换为特征向量；
所述采样模块用于对自注意力模块的输出进行平均采样和最大值采样；
所述线性投射模块用于对采样模块的输出进行线性计算，进而得到所述老化预测模型的预测值。
进一步地，所述步骤S40具体包括：
步骤S41、设定所述老化预测模型的损失函数，设定一损失阈值；所述损失函数的公式为：
loss＝mse+similarity；
其中，loss表示损失函数；mse表示均方误差损失函数；similarity表示余弦相似性损失函数；
步骤S42、利用所述训练集对老化预测模型进行训练；
步骤S43、利用所述测试集对老化预测模型进行测试，判断所述损失函数计算的损失值是否小于损失阈值，若是，则进入步骤S50；若否，则扩充所述训练集，并进入步骤S42。
第二方面，本发明提供了一种基于多任务学习的锂电池老化预测系统，包括如下模块：
在线充电数据集构建模块，用于获取大量的锂电池充电数据，基于各所述锂电池充电数据构建多任务的在线充电数据集，并将所述在线充电数据集划分为训练集和测试集；
数据预处理模块，用于对所述训练集和测试集中的锂电池充电数据进行预处理；
老化预测模型创建模块，用于基于Transformer创建一老化预测模型；
老化预测模型训练模块，用于设定所述老化预测模型的损失函数，基于所述训练集、测试集以及损失函数对老化预测模型进行训练和测试；
老化预测模块，用于利用测试通过的所述老化预测模型对锂电池进行老化预测。
进一步地，所述在线充电数据集构建模块具体包括：
锂电池充电数据获取单元，用于获取大量的标准工况循环测试下记录包括充电电压、充电电流、SOC、额定电压、额定容量、容量衰减率、充电时间的锂电池充电数据；
三元时间序列提取单元，用于基于各所述锂电池充电数据模拟锂电池的在线充电场景，并提取任意一段SOC区间内，包括充电电压、充电电流、SOC的三元时间序列；
输出数据提取单元，用于基于所述锂电池充电数据提取三元时间序列对应的容量衰减率、等效充放电循环次数、衰减规律；
任务标签构建单元，用于构建若干个输入为充电电压、充电电流、SOC，输出为容量衰减率、等效充放电循环次数、衰减规律的任务标签，基于各所述任务标签构建在线充电数据集；
数据划分单元，用于设定一比例阈值，基于所述比例阈值将在线充电数据集划分为训练集和测试集。
进一步地，所述数据预处理模块具体用于：
将所述训练集和测试集中的充电电压除以额定电压以归一化到[0，1]的区间内，将所述训练集和测试集中的充电电流除以额定容量以归一化为充电倍率曲线；
对归一化后的所述训练集和测试集中的锂电池充电数据进行等长处理。
进一步地，所述老化预测模型创建模块中，所述老化预测模型包括一向量转换模块、一自注意力模块、一采样模块以及一线性投射模块；所述向量转换模块、自注意力模块、采样模块以及线性投射模块依次连接；
所述自注意力模块包括三个Transformer层；
所述向量转换模块用于将在线充电数据集中的锂电池充电数据转换为特征向量；
所述采样模块用于对自注意力模块的输出进行平均采样和最大值采样；
所述线性投射模块用于对采样模块的输出进行线性计算，进而得到所述老化预测模型的预测值。
进一步地，所述老化预测模型训练模块具体包括：
损失函数设定单元，用于设定所述老化预测模型的损失函数，设定一损失阈值；所述损失函数的公式为：
loss＝mse+similarity；
其中，loss表示损失函数；mse表示均方误差损失函数；similarity表示余弦相似性损失函数；
训练单元，用于利用所述训练集对老化预测模型进行训练；
测试单元，用于利用所述测试集对老化预测模型进行测试，判断所述损失函数计算的损失值是否小于损失阈值，若是，则进入老化预测模块；若否，则扩充所述训练集，并进入训练单元。
本发明的优点在于：
通过锂电池充电数据构建若干个输入为充电电压、充电电流、SOC，输出为容量衰减率、等效充放电循环次数、衰减规律的任务标签，再基于各任务标签构建在线充电数据集，再利用在线充电数据集对基于Transformer创建的老化预测模型进行训练，最后利用老化预测模型对锂电池进行老化预测，即通过多任务标签对老化预测模型进行训练，可利用各任务标签之间的相关性对老化预测模型的训练进行互相监督，减少噪声带来的影响，提高老化预测模型的泛化性，且Transformer可以有效捕捉一段序列前后信息的潜在关系，能高效融合不同时间序列之间的隐含特征，可以提取到更具普适性的高维空间特征，而结合均方误差损失函数和余弦相似性损失函数构建老化预测模型的损失函数，可以计算两个向量之间的整体分布相似度，使老化预测模型朝着更有利的方向学习，训练完成的老化预测模型可同时对电池健康状态(容量衰减率)、等效充放电循环次数和容量衰减趋势(衰减规律)进行预测，无需像传统上通过独立的模型进行预测，最终极大的提升了锂电池老化预测的精度、速度以及泛化性。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1是本发明一种基于多任务学习的锂电池老化预测方法的流程图。
图2是本发明一种基于多任务学习的锂电池老化预测系统的结构示意图。
图3是本发明老化预测模型的结构示意图。
图4是本发明衰减规律的曲线示意图。
图5是本发明多任务学习模型和单任务学习模型的对比示意图。
具体实施方式
本申请实施例中的技术方案，总体思路如下：通过多任务标签对老化预测模型进行训练，利用各任务标签之间的相关性对老化预测模型的训练进行互相监督，减少噪声带来的影响，提高老化预测模型的泛化性，即提升锂电池老化预测的泛化性；通过Transformer创建老化预测模型以提取到更具普适性的高维空间特征，而结合均方误差损失函数和余弦相似性损失函数构建老化预测模型的损失函数，使老化预测模型朝着更有利的方向学习，以提升锂电池老化预测的精度；通过多任务标签对老化预测模型进行训练，使训练完成的老化预测模型可同时对电池健康状态(容量衰减率)、等效充放电循环次数和容量衰减趋势(衰减规律)进行预测，以提升锂电池老化预测的速度。
请参照图1至图5所示，本发明一种基于多任务学习的锂电池老化预测方法的较佳实施例，包括如下步骤：
步骤S10、获取大量的锂电池充电数据，基于各所述锂电池充电数据构建多任务的在线充电数据集，并将所述在线充电数据集划分为训练集和测试集；
步骤S20、对所述训练集和测试集中的锂电池充电数据进行预处理；
步骤S30、基于Transformer创建一老化预测模型；
即通过Transformer来对任意一段SOC区间的充电电压、充电电流、SOC的曲线提取高维融合特征，然后将高维融合特征分别输入并联的三个全连接层FC1、FC2、FC3，分别得到容量衰减率、等效充放电循环次数、衰减规律；衰减规律如图4所示，以当前的容量衰减率A为起点，直至容量衰减率下降至80％(E)，中间等间隔取三个点分别为B、C、D，求得B、C、D、E相对于当前点A的循环数c1、c2、c3、RUL(rest useful life，剩余使用寿命，指锂电池从当前状态到80％容量衰减率还能使用的循环数)，再通过曲线平滑拟合获取容量衰减趋势(衰减规律)；
步骤S40、设定所述老化预测模型的损失函数，基于所述训练集、测试集以及损失函数对老化预测模型进行训练和测试；训练后的所述老化预测模型为多任务模型，不仅可以预测出当前锂电池的容量衰减率，而且可以预测容量衰减趋势，给用户提供更多维度的信息，帮助用户更直观的了解锂电池的状态；
步骤S50、利用测试通过的所述老化预测模型对锂电池进行老化预测，即预测容量衰减率、等效充放电循环次数、衰减规律。
传统上，新能源汽车充电时的锂电池在线检测，只能获取有限且不固定的充电SOC区间内的电压、电流、温度等时序信号，因此无法利用安时积分法或OCV模型等计算锂电池的当前容量，更无法获取其后续的容量衰减趋势，而本发明恰好能克服传统的缺点。
所述步骤S10具体包括：
步骤S11、获取大量的标准工况循环测试下记录包括充电电压、充电电流、SOC、额定电压、额定容量、容量衰减率、充电时间的锂电池充电数据；
步骤S12、基于各所述锂电池充电数据模拟锂电池的在线充电场景，并随机提取任意一段SOC区间内，包括充电电压、充电电流、SOC的三元时间序列；
步骤S13、基于所述锂电池充电数据提取三元时间序列对应的容量衰减率、等效充放电循环次数、衰减规律；
步骤S14、构建若干个输入为充电电压、充电电流、SOC，输出为容量衰减率、等效充放电循环次数、衰减规律的任务标签，基于各所述任务标签构建在线充电数据集；
步骤S15、设定一比例阈值，基于所述比例阈值将在线充电数据集划分为训练集和测试集；所述比例阈值可选为8：2或者7：3。
所述步骤S20具体为：
将所述训练集和测试集中的充电电压除以额定电压以归一化到[0，1]的区间内，将所述训练集和测试集中的充电电流除以额定容量以归一化为充电倍率曲线；
对归一化后的所述训练集和测试集中的锂电池充电数据进行等长处理。
由于在线充电时，可能是任意一段SOC区间，因此输入的充电电压、充电电流、SOC的长度是任意的，而所述老化预测模型的输入长度是预先设定好的，例如设定值为2048，因此对于长度小于2048的需要用0在后面进行补齐，长度大于2048的需要将多余的部分截断并丢弃，使输入变量的维度为[batch_size,3,2048]，其中batch_size为进入所述老化预测模型训练的批次大小。
所述步骤S30中，所述老化预测模型包括一向量转换模块(Embedding)、一自注意力模块、一采样模块(Mean pooling&Max Pooling)以及一线性投射模块(Linera)；所述向量转换模块、自注意力模块、采样模块以及线性投射模块依次连接；
所述自注意力模块包括三个Transformer层，通过采用三个所述Transformer层，极大的提高了模型的表达能力；
所述向量转换模块用于将在线充电数据集中的锂电池充电数据转换为特征向量；
所述采样模块用于对自注意力模块的输出进行平均采样和最大值采样，数学表示为：
Figure BDA0004008076580000091
Figure BDA0004008076580000092
其中，
Figure BDA0004008076580000093
表示卷积窗口；xkpq表示卷积窗口内的原始值；通过该公式计算获得的矩阵进行拼接，最后转化为[2048,512]的矩阵形状；
所述线性投射模块用于对采样模块的输出进行线性计算，进而得到所述老化预测模型的预测值，数学表示为：
Y＝LN(Z3)＝Z3W+b；
通过上层采样的数据形状为[2048,512]，后通过拉直的方法将数据拉伸的1维的向量，最后转化为[1,n]的矩阵形状,n为Linera回归的点数；
所述Transformer层的数学表示为：
Figure BDA0004008076580000094
Z2＝FFN(Z)＝max(0,ZW1+b1)W2+b2；
其中，Q,K,V为相同的矩阵，形状为[3,512]；dk为512的算术平方根；FFN()为线性投射层，最终将[2048,512]形状的矩阵转化为[2048,1024]形状的矩阵；Z表示Attention函数的输出值，是一个[2048,512]形状的矩阵；Z2表示FFN函数的输出值，是一个[2048,1024]形状的矩阵；W1表示参数矩阵1，形状为[512,1024]；W2表示参数矩阵2，形状为[512,1024]；b1表示长度为2048的偏置向量1；b2表示长度为2048的偏置向量2。
所述步骤S40具体包括：
步骤S41、设定所述老化预测模型的损失函数，设定一损失阈值；所述损失函数的公式为：
loss＝mse+similarity；
其中，loss表示损失函数；mse表示均方误差损失函数；similarity表示余弦相似性损失函数；
所述损失函数计算的损失值越小代表老化预测模型的训练效果越好，所述老化预测模型通过反向传播算法不断的优化参数，使损失值朝着不断变小的方向优化；
所述均方误差损失函数的公式为：
Figure BDA0004008076580000101
所述余弦相似性损失函数的公式为：
Figure BDA0004008076580000102
其中，f(x)表示预测值；y表示目标值；A表示三个FC层回归出的n点组成的向量；B表示目标向量；
步骤S42、利用所述训练集对老化预测模型进行训练；
步骤S43、利用所述测试集对老化预测模型进行测试，判断所述损失函数计算的损失值是否小于损失阈值，若是，则进入步骤S50；若否，则扩充所述训练集，并进入步骤S42。
本发明一种基于多任务学习的锂电池老化预测系统的较佳实施例，包括如下模块：
在线充电数据集构建模块，用于获取大量的锂电池充电数据，基于各所述锂电池充电数据构建多任务的在线充电数据集，并将所述在线充电数据集划分为训练集和测试集；
数据预处理模块，用于对所述训练集和测试集中的锂电池充电数据进行预处理；
老化预测模型创建模块，用于基于Transformer创建一老化预测模型；
即通过Transformer来对任意一段SOC区间的充电电压、充电电流、SOC的曲线提取高维融合特征，然后将高维融合特征分别输入并联的三个全连接层FC1、FC2、FC3，分别得到容量衰减率、等效充放电循环次数、衰减规律；衰减规律如图4所示，以当前的容量衰减率A为起点，直至容量衰减率下降至80％(E)，中间等间隔取三个点分别为B、C、D，求得B、C、D、E相对于当前点A的循环数c1、c2、c3、RUL(rest useful life，剩余使用寿命，指锂电池从当前状态到80％容量衰减率还能使用的循环数)，再通过曲线平滑拟合获取容量衰减趋势(衰减规律)；
老化预测模型训练模块，用于设定所述老化预测模型的损失函数，基于所述训练集、测试集以及损失函数对老化预测模型进行训练和测试；训练后的所述老化预测模型为多任务模型，不仅可以预测出当前锂电池的容量衰减率，而且可以预测容量衰减趋势，给用户提供更多维度的信息，帮助用户更直观的了解锂电池的状态；
老化预测模块，用于利用测试通过的所述老化预测模型对锂电池进行老化预测，即预测容量衰减率、等效充放电循环次数、衰减规律。
传统上，新能源汽车充电时的锂电池在线检测，只能获取有限且不固定的充电SOC区间内的电压、电流、温度等时序信号，因此无法利用安时积分法或OCV模型等计算锂电池的当前容量，更无法获取其后续的容量衰减趋势，而本发明恰好能克服传统的缺点。
所述在线充电数据集构建模块具体包括：
锂电池充电数据获取单元，用于获取大量的标准工况循环测试下记录包括充电电压、充电电流、SOC、额定电压、额定容量、容量衰减率、充电时间的锂电池充电数据；
三元时间序列提取单元，用于基于各所述锂电池充电数据模拟锂电池的在线充电场景，并随机提取任意一段SOC区间内，包括充电电压、充电电流、SOC的三元时间序列；
输出数据提取单元，用于基于所述锂电池充电数据提取三元时间序列对应的容量衰减率、等效充放电循环次数、衰减规律；
任务标签构建单元，用于构建若干个输入为充电电压、充电电流、SOC，输出为容量衰减率、等效充放电循环次数、衰减规律的任务标签，基于各所述任务标签构建在线充电数据集；
数据划分单元，用于设定一比例阈值，基于所述比例阈值将在线充电数据集划分为训练集和测试集；所述比例阈值可选为8：2或者7：3。
所述数据预处理模块具体用于：
将所述训练集和测试集中的充电电压除以额定电压以归一化到[0，1]的区间内，将所述训练集和测试集中的充电电流除以额定容量以归一化为充电倍率曲线；
对归一化后的所述训练集和测试集中的锂电池充电数据进行等长处理。
由于在线充电时，可能是任意一段SOC区间，因此输入的充电电压、充电电流、SOC的长度是任意的，而所述老化预测模型的输入长度是预先设定好的，例如设定值为2048，因此对于长度小于2048的需要用0在后面进行补齐，长度大于2048的需要将多余的部分截断并丢弃，使输入变量的维度为[batch_size,3,2048]，其中batch_size为进入所述老化预测模型训练的批次大小。
所述老化预测模型创建模块中，所述老化预测模型包括一向量转换模块(Embedding)、一自注意力模块、一采样模块(Mean pooling&Max Pooling)以及一线性投射模块(Linera)；所述向量转换模块、自注意力模块、采样模块以及线性投射模块依次连接；
所述自注意力模块包括三个Transformer层，通过采用三个所述Transformer层，极大的提高了模型的表达能力；
所述向量转换模块用于将在线充电数据集中的锂电池充电数据转换为特征向量；
所述采样模块用于对自注意力模块的输出进行平均采样和最大值采样，数学表示为：
Figure BDA0004008076580000131
Figure BDA0004008076580000132
其中，
Figure BDA0004008076580000133
表示卷积窗口；xkpq表示卷积窗口内的原始值；通过该公式计算获得的矩阵进行拼接，最后转化为[2048,512]的矩阵形状；
所述线性投射模块用于对采样模块的输出进行线性计算，进而得到所述老化预测模型的预测值，数学表示为：
Y＝LN(Z3)＝Z3W+b；
通过上层采样的数据形状为[2048,512]，后通过拉直的方法将数据拉伸的1维的向量，最后转化为[1,n]的矩阵形状,n为Linera回归的点数；
所述Transformer层的数学表示为：
Figure BDA0004008076580000134
Z2＝FFN(Z)＝max(0,ZW1+b1)W2+b2；
其中，Q,K,V为相同的矩阵，形状为[3,512]；dk为512的算术平方根；FFN()为线性投射层，最终将[2048,512]形状的矩阵转化为[2048,1024]形状的矩阵；Z表示Attention函数的输出值，是一个[2048,512]形状的矩阵；Z2表示FFN函数的输出值，是一个[2048,1024]形状的矩阵；W1表示参数矩阵1，形状为[512,1024]；W2表示参数矩阵2，形状为[512,1024]；b1表示长度为2048的偏置向量1；b2表示长度为2048的偏置向量2。
所述老化预测模型训练模块具体包括：
损失函数设定单元，用于设定所述老化预测模型的损失函数，设定一损失阈值；所述损失函数的公式为：
loss＝mse+similarity；
其中，loss表示损失函数；mse表示均方误差损失函数；similarity表示余弦相似性损失函数；
所述损失函数计算的损失值越小代表老化预测模型的训练效果越好，所述老化预测模型通过反向传播算法不断的优化参数，使损失值朝着不断变小的方向优化；
所述均方误差损失函数的公式为：
Figure BDA0004008076580000141
所述余弦相似性损失函数的公式为：
Figure BDA0004008076580000142
其中，f(x)表示预测值；y表示目标值；A表示三个FC层回归出的n点组成的向量；B表示目标向量；
训练单元，用于利用所述训练集对老化预测模型进行训练；
测试单元，用于利用所述测试集对老化预测模型进行测试，判断所述损失函数计算的损失值是否小于损失阈值，若是，则进入老化预测模块；若否，则扩充所述训练集，并进入训练单元。
综上所述，本发明的优点在于：
通过锂电池充电数据构建若干个输入为充电电压、充电电流、SOC，输出为容量衰减率、等效充放电循环次数、衰减规律的任务标签，再基于各任务标签构建在线充电数据集，再利用在线充电数据集对基于Transformer创建的老化预测模型进行训练，最后利用老化预测模型对锂电池进行老化预测，即通过多任务标签对老化预测模型进行训练，可利用各任务标签之间的相关性对老化预测模型的训练进行互相监督，减少噪声带来的影响，提高老化预测模型的泛化性，且Transformer可以有效捕捉一段序列前后信息的潜在关系，能高效融合不同时间序列之间的隐含特征，可以提取到更具普适性的高维空间特征，而结合均方误差损失函数和余弦相似性损失函数构建老化预测模型的损失函数，可以计算两个向量之间的整体分布相似度，使老化预测模型朝着更有利的方向学习，训练完成的老化预测模型可同时对电池健康状态(容量衰减率)、等效充放电循环次数和容量衰减趋势(衰减规律)进行预测，无需像传统上通过独立的模型进行预测，最终极大的提升了锂电池老化预测的精度、速度以及泛化性。
虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。

Claims (10)

1.一种基于多任务学习的锂电池老化预测方法，其特征在于：包括如下步骤：
步骤S10、获取大量的锂电池充电数据，基于各所述锂电池充电数据构建多任务的在线充电数据集，并将所述在线充电数据集划分为训练集和测试集；
步骤S20、对所述训练集和测试集中的锂电池充电数据进行预处理；
步骤S30、基于Transformer创建一老化预测模型；
步骤S40、设定所述老化预测模型的损失函数，基于所述训练集、测试集以及损失函数对老化预测模型进行训练和测试；
步骤S50、利用测试通过的所述老化预测模型对锂电池进行老化预测。
2.如权利要求1所述的一种基于多任务学习的锂电池老化预测方法，其特征在于：所述步骤S10具体包括：
步骤S11、获取大量的标准工况循环测试下记录包括充电电压、充电电流、SOC、额定电压、额定容量、容量衰减率、充电时间的锂电池充电数据；
步骤S12、基于各所述锂电池充电数据模拟锂电池的在线充电场景，并提取任意一段SOC区间内，包括充电电压、充电电流、SOC的三元时间序列；
步骤S13、基于所述锂电池充电数据提取三元时间序列对应的容量衰减率、等效充放电循环次数、衰减规律；
步骤S14、构建若干个输入为充电电压、充电电流、SOC，输出为容量衰减率、等效充放电循环次数、衰减规律的任务标签，基于各所述任务标签构建在线充电数据集；
步骤S15、设定一比例阈值，基于所述比例阈值将在线充电数据集划分为训练集和测试集。
3.如权利要求1所述的一种基于多任务学习的锂电池老化预测方法，其特征在于：所述步骤S20具体为：
将所述训练集和测试集中的充电电压除以额定电压以归一化到[0，1]的区间内，将所述训练集和测试集中的充电电流除以额定容量以归一化为充电倍率曲线；
对归一化后的所述训练集和测试集中的锂电池充电数据进行等长处理。
4.如权利要求1所述的一种基于多任务学习的锂电池老化预测方法，其特征在于：所述步骤S30中，所述老化预测模型包括一向量转换模块、一自注意力模块、一采样模块以及一线性投射模块；所述向量转换模块、自注意力模块、采样模块以及线性投射模块依次连接；
所述自注意力模块包括三个Transformer层；
所述向量转换模块用于将在线充电数据集中的锂电池充电数据转换为特征向量；
所述采样模块用于对自注意力模块的输出进行平均采样和最大值采样；
所述线性投射模块用于对采样模块的输出进行线性计算，进而得到所述老化预测模型的预测值。
5.如权利要求1所述的一种基于多任务学习的锂电池老化预测方法，其特征在于：所述步骤S40具体包括：
步骤S41、设定所述老化预测模型的损失函数，设定一损失阈值；所述损失函数的公式为：
loss＝mse+similarity；
其中，loss表示损失函数；mse表示均方误差损失函数；similarity表示余弦相似性损失函数；
步骤S42、利用所述训练集对老化预测模型进行训练；
步骤S43、利用所述测试集对老化预测模型进行测试，判断所述损失函数计算的损失值是否小于损失阈值，若是，则进入步骤S50；若否，则扩充所述训练集，并进入步骤S42。
6.一种基于多任务学习的锂电池老化预测系统，其特征在于：包括如下模块：
在线充电数据集构建模块，用于获取大量的锂电池充电数据，基于各所述锂电池充电数据构建多任务的在线充电数据集，并将所述在线充电数据集划分为训练集和测试集；
数据预处理模块，用于对所述训练集和测试集中的锂电池充电数据进行预处理；
老化预测模型创建模块，用于基于Transformer创建一老化预测模型；
老化预测模型训练模块，用于设定所述老化预测模型的损失函数，基于所述训练集、测试集以及损失函数对老化预测模型进行训练和测试；
老化预测模块，用于利用测试通过的所述老化预测模型对锂电池进行老化预测。
7.如权利要求6所述的一种基于多任务学习的锂电池老化预测系统，其特征在于：所述在线充电数据集构建模块具体包括：
锂电池充电数据获取单元，用于获取大量的标准工况循环测试下记录包括充电电压、充电电流、SOC、额定电压、额定容量、容量衰减率、充电时间的锂电池充电数据；
三元时间序列提取单元，用于基于各所述锂电池充电数据模拟锂电池的在线充电场景，并提取任意一段SOC区间内，包括充电电压、充电电流、SOC的三元时间序列；
输出数据提取单元，用于基于所述锂电池充电数据提取三元时间序列对应的容量衰减率、等效充放电循环次数、衰减规律；
任务标签构建单元，用于构建若干个输入为充电电压、充电电流、SOC，输出为容量衰减率、等效充放电循环次数、衰减规律的任务标签，基于各所述任务标签构建在线充电数据集；
数据划分单元，用于设定一比例阈值，基于所述比例阈值将在线充电数据集划分为训练集和测试集。
8.如权利要求6所述的一种基于多任务学习的锂电池老化预测系统，其特征在于：所述数据预处理模块具体用于：
将所述训练集和测试集中的充电电压除以额定电压以归一化到[0，1]的区间内，将所述训练集和测试集中的充电电流除以额定容量以归一化为充电倍率曲线；
对归一化后的所述训练集和测试集中的锂电池充电数据进行等长处理。
9.如权利要求6所述的一种基于多任务学习的锂电池老化预测系统，其特征在于：所述老化预测模型创建模块中，所述老化预测模型包括一向量转换模块、一自注意力模块、一采样模块以及一线性投射模块；所述向量转换模块、自注意力模块、采样模块以及线性投射模块依次连接；
所述自注意力模块包括三个Transformer层；
所述向量转换模块用于将在线充电数据集中的锂电池充电数据转换为特征向量；
所述采样模块用于对自注意力模块的输出进行平均采样和最大值采样；
所述线性投射模块用于对采样模块的输出进行线性计算，进而得到所述老化预测模型的预测值。
10.如权利要求6所述的一种基于多任务学习的锂电池老化预测系统，其特征在于：所述老化预测模型训练模块具体包括：
损失函数设定单元，用于设定所述老化预测模型的损失函数，设定一损失阈值；所述损失函数的公式为：
loss＝mse+similarity；
其中，loss表示损失函数；mse表示均方误差损失函数；similarity表示余弦相似性损失函数；
训练单元，用于利用所述训练集对老化预测模型进行训练；
测试单元，用于利用所述测试集对老化预测模型进行测试，判断所述损失函数计算的损失值是否小于损失阈值，若是，则进入老化预测模块；若否，则扩充所述训练集，并进入训练单元。
CN202211639313.2A 2022-12-20 2022-12-20 一种基于多任务学习的锂电池老化预测方法及系统 Pending CN116298902A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211639313.2A CN116298902A (zh) 2022-12-20 2022-12-20 一种基于多任务学习的锂电池老化预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211639313.2A CN116298902A (zh) 2022-12-20 2022-12-20 一种基于多任务学习的锂电池老化预测方法及系统

Publications (1)

Publication Number Publication Date
CN116298902A true CN116298902A (zh) 2023-06-23

Family

ID=86780329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211639313.2A Pending CN116298902A (zh) 2022-12-20 2022-12-20 一种基于多任务学习的锂电池老化预测方法及系统

Country Status (1)

Country Link
CN (1) CN116298902A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116774058A (zh) * 2023-08-18 2023-09-19 深圳凌奈智控有限公司 电池寿命预测方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116774058A (zh) * 2023-08-18 2023-09-19 深圳凌奈智控有限公司 电池寿命预测方法、装置、设备及存储介质
CN116774058B (zh) * 2023-08-18 2023-10-20 深圳凌奈智控有限公司 电池寿命预测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Ren et al. A data-driven auto-CNN-LSTM prediction model for lithium-ion battery remaining useful life
CN110187290B (zh) 一种基于融合型算法的锂离子电池剩余寿命预测方法
Kim et al. Estimation of Li-ion battery state of health based on multilayer perceptron: As an EV application
EP4198531A1 (en) Battery cell defectiveness and fire early diagnosis method and apparatus based on neural network
Cui et al. A dynamic spatial-temporal attention-based GRU model with healthy features for state-of-health estimation of lithium-ion batteries
CN110806541B (zh) 一种基于ad-bas的锂电池模型参数辨识方法
CN112686380A (zh) 基于神经网络的梯次动力电芯一致性评估方法和系统
CN116298902A (zh) 一种基于多任务学习的锂电池老化预测方法及系统
CN113791351B (zh) 基于迁移学习和差值概率分布的锂电池寿命预测方法
CN116008827A (zh) 一种锂离子电池析锂电位的确定方法、装置及电子设备
CN116699410A (zh) 一种融合无监督和监督学习的锂电池健康状态估计方法
CN117554846B (zh) 计及约束条件的锂电池寿命预测方法及系统
Liu et al. Review on degradation mechanism and health state estimation methods of lithium-ion batteries
Li et al. State of charge estimation of lithium-ion batteries based on PSO-TCN-Attention neural network
CN116930769A (zh) 一种基于双向生成式对抗神经网络的锂电池建模方法
CN115481796A (zh) 基于贝叶斯混合神经网络的电池剩余使用寿命预测方法
Wang et al. Joint prediction of Li-ion battery state of charge and state of health based on the DRSN-CW-LSTM model
Dikmen et al. Onboard battery type determination
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
Mu et al. Estimation of state of charge of lithium-ion batteries based on wide and deep neural network model
Ma et al. Residual Life Prediction of Lithium Batteries Based on Data Mining
CN117148165B (zh) 聚合物锂离子电池的测试分析方法及其系统
Zhou A Lightweight Neural Network Model For Battery State Of Health
CN117192377B (zh) 一种基于先验知识增强和半监督学习的锂电池soh估计方法
CN116577665A (zh) 一种基于多数据融合的电池容量寿命预测方法及装置

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