CN116381510A - 一种锂电池剩余寿命的预测方法、系统及存储介质 - Google Patents
一种锂电池剩余寿命的预测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116381510A CN116381510A CN202310510021.7A CN202310510021A CN116381510A CN 116381510 A CN116381510 A CN 116381510A CN 202310510021 A CN202310510021 A CN 202310510021A CN 116381510 A CN116381510 A CN 116381510A
- Authority
- CN
- China
- Prior art keywords
- capacity
- lithium battery
- data
- cnn
- neural network
- 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 109
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 75
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 75
- 238000013528 artificial neural network Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000006731 degradation reaction Methods 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 230000015556 catabolic process Effects 0.000 claims abstract description 14
- 230000036541 health Effects 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 230000036961 partial effect Effects 0.000 claims abstract description 8
- 238000011176 pooling Methods 0.000 claims description 12
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 11
- 229910001416 lithium ion Inorganic materials 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004880 explosion Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000008034 disappearance Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 23
- 230000015654 memory Effects 0.000 description 14
- 230000004927 fusion Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 239000002245 particle Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 238000007500 overflow downdraw method Methods 0.000 description 5
- 230000007774 longterm Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000005653 Brownian motion process Effects 0.000 description 1
- 241000254158 Lampyridae Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
-
- 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)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明的一种锂电池剩余寿命的预测方法、系统及存储介质,其方法包括先构建模型,步骤如下:选取容量作为反应锂电池RUL退化的健康因子;采用CEEMDAN算法分解平滑处理后的容量序列,得到残差和模态分量;选取残差和部分模态分量重建容量序列,组建训练样本集;结合CNN‑LSTM神经网络建立锂电池容量前期和后期的映射关系;输入组成的训练样本集的不同锂电池的时序数据,进而得到的预训练CNN‑LSTM神经网络;其次对预训练CNN‑LSTM神经网络的训练,建立实时监测数据中锂电池容量前期与后期的映射关系,并对未知的容量序列进行预测,通过迭代预测得到起点后每一个循环的容量预测值,进而计算出锂电池的RUL。本发明可提高实时锂电池数据的预测效率及预测效果。
Description
技术领域
本发明涉及锂电池技术领域,具体涉及一种锂电池剩余寿命的预测方法、系统及存储介质。
背景技术
电池的剩余寿命(RUL)是指在一定的充放电条件下,电池的最大可用容量衰减到某一规定的失效阈值所需要经历的循环周期数。目前RUL预测的主流方法主要分为模型法、数据驱动法与融合法,
基于模型的方法简化了电池复杂的内部电化学反应以反映电池的运行特性,模型法中根据建模机理不同,模型法又可以进一步分为电化学模型、等效电路模型和经验模型。
电化学模型根据电池内部的物理和化学反应,推导出与机理相关的电池性能衰退机制,如有学者将简化的准2维(P2D)电化学模型与双状态热模型结合,建立电化学-热耦合简化机理模型,实现了高倍率放电曲线拟合。有学者提出了一种增强型单粒子模型的参数估计算法,通过估计可循环锂的摩尔数和欧姆电阻得出的综合指标来设计一个剩余寿命预测器。尽管电化学模型能够从电池的内部机制和结构方面定义电池的降解特性,但能表征电池微观机制的参数却很难确定和测试。
等效电路模型采用电气元件来模拟锂离子电池的内部化学反应,以反映电池的运行特性。卡尔曼滤波算法和粒子滤波算法在等效电路模型的参数估计中发挥了重要作用。如有学者提出一种开路电压模型融合方法,采用自适应立方卡尔曼滤波器来估计不同温度下动态压力测试的电池容量。有学者利用二阶RC等效电路模型来模拟锂离子电池的动态变化,将三种典型的矩阵分解策略引入容积卡尔曼滤波器中,以克服非正定误差协方差矩阵问题,提高其收敛速率。然而,等效电路模型的准确性与电子元件的数量和识别参数的准确性有关,因此很难建立一个精确的等效电路模型。
经验模型根据电池历史容量数据与所选经验模型对历史数据进行拟合获得相关参数,将规定的容量失效阈值代入寿命经验模型,即可完成电池RUL的求解与预测。如有学者建立了电池内部SEI膜厚度与寿命之间的机理模型。有学者用基于贝叶斯框架理论的方法(RVM和PF)结合等效电路模型预测RUL。有学者用萤火虫算法(FA)改进粒子滤波算法,用递归神经网络(TRNN)代替经验模型,再用改进的粒子滤波更新TRNN的参数。经验模型计算简单、计算量少,适用于计算资源受限且对精度要求不高的场景。
数据驱动方法直接通过历史数据挖掘锂离子电池的劣化信息和健康状态的演化规律,不需要建立明确的模型公式。该方法是从电池状态监测数据中直接挖掘电池老化信息和规律,能够增强预测精度和网络泛化能力。因此数据驱动方法仍然是预测剩余使用寿命的主流方法。
基于数据驱动的锂离子电池RUL测方法分为统计技术、随机技术和智能算法。统计技术包括自回归模型、卡尔曼滤波及其变体、粒子滤波及其变体模型等;随机技术包括高斯过程、维纳过程等;智能算法包括传统机器学习(支持向量机、相关向量机、粒子群优化算法等)和深度学习模型(人工神经网络、循环神经网络、长短期记忆网络)。
融合法中第一类融合类算法是模型和数据驱动法融合。如有学者提出了一种基于支持向量回归和无迹粒子滤波融合的算法,使用支持向量回归在重采样阶段获取重新赋权的粒子。有学者使用神经网络来分析OCV和SOC之间的非线性关系,并使用改进UKF来估算锂离子电池SOC,相比于单一UKF方法,该方法的估算精度更高。
第二类融合型算法将多种不同的数据驱动方法结合,通过加权或者其他融合方式,提高预测结果的稳定性。如有学者根据电池运行模式将OCV-SOC曲线划分为不同区间,同时结合ANN及模糊逻辑数据信息处理技术实时修正模型参数。融合方法能够较好地提升寿命预测的性能,但是目前仍存在计算复杂度高、不确定性融合等挑战。
但是,当前技术都存在以下问题:
基于模型的方法需要通过电池的先验知识建立可以描述退化过程的数学模型,结合多种滤波算法完成RUL预测。这种方法精度较高,但十分依赖所建立的预测模型,且受环境和电池复杂机制的影响,建立精确的退化模型有很大的困难,这限制了该方法在实际中的应用。基于模型的RUL预测方法分为电化学模型、等效电路模型以及经验模型。电化学模型在特定情况下可以获得较好的预测结果,然而当外部条件发生变化时,此模型相关参数由于是从电极的物理特性中获得,难以实现动态更新,且描述其退化特征的计算过程复杂度高,建立较为完整的电化学模型十分困难,因此该方法应用也较少;等效电路模型具有较强的可实现性,但其在等效过程中会忽略变量所隐含的内部状态变化过程,对电池性能的准确评估产生一定的影响。同时,电池衰退还会受其他因素影响,如温度和功率等,造成等效电路模型的泛化性和鲁棒性变差,预测精度将下降;经验模型计算简单、计算量少,适用于计算资源受限且对精度要求不高的场景。经验拟合法简单易实现,然而参数缺乏物理意义,滤泛化能力较弱,并且由于样本数据波动影响,结果容易发散,导致结果准确度降低。
融合技术的方法结合了两种甚至更多方法的优点,弥补了单一方法的局限性,从而最大化利用有限的信息来提高预测精度。第一类基于模型与数据驱动之间的融合方式结合了两种方法的优势,可以有效解决复杂机理模型的搭建和对数据质量的过度依赖,在一定程度上提高了锂离子电池RUL的准确度,但该方法复杂程度高,预测结果具有不确定性。基于融合技术的方法结合了两种甚至多种方法的优点,弥补了单一方法的局限性,适用性更强,但是目前仍存在计算复杂度高、不确定性融合等挑战。第二类基于数据驱动之间的融合方法将多种不同的数据驱动方法结合,通过加权或者其他融合方式,提高预测结果的稳定性。但是目前仍存在计算复杂度高、不确定性融合等挑战。目前融合技术的方法大部分只进行了确定性的预测,未深入开展不确定性的研究。
数据驱动的方法对电池的先验知识需求较少,不需要复杂的建模过程,有较高的可应用性,但数据驱动的RUL预测方法普遍概念不明确或过于复杂,或因缺乏完整的建模理论和方法限制了其在工程领域的应用。传统的数据驱动模型的预测具有极大的局限性。数据驱动中的深度学习算法在时序预测中有着极大的优势,神经网络在处理大规模、结构复杂和信息之间联系不明确的数据时尤为具有优势。通过对ANN不断改进,预测精度不断提升,如长短期记忆网络(LSTM),因为其具有良好的时间序列记忆特性而被广泛应用于时序预测,相较于传统的神经网络具有很高的预测精度。但是该类方法有着计算复杂,所需历史数据较多的缺陷,故提出将LSTM网络与其他深度学习算法进行组合,以达到更好的效果。
基于LSTM模型神经网络算法在RNN模型的基础上加入记忆单元,可对时间序列进行长期分析且防止梯度消失。与RNN模型相比,LSTM模型能更好地解决梯度爆炸和长期依赖问题。但LSTM的网络模型参数需要靠人为经验随机设置,而选取不同参数训练会直接影响网络模型结构和预测精度。
基于BiLSTM神经网络算法能够对锂电池SOH数据进行双向分析,采用加速自适应矩估计算法优化器更新网络的权值和偏置,对学习率和梯度变化具有动态约束的能力,可以处理非平稳目标。相比于LSTM模型,BiLSTM模型预测精度和稳定性更好。但是BiLSTM存在着当输入数据较少时,BiLSTM过于依赖数据局部特征的问题。
有学者提出用PSO算法改进的LSTM网络模型进行短期电力负荷预测,利用PSO优化LSTM的超参数且提高了模型预测精度,但引入的PSO算法参数较多,存在收敛性较差以及容易陷入局部最优解等问题。有学者提出的基于WOA-LSTM神经网络模型能够避免人为选择模型参数带来的不利影响。与常用优化算法PSO相比,WOA算法操作简便,并且需要调整的参数少以及跳出局部最优的能力强,使得建立的锂电池剩余使用寿命模型具有更好的预测效果和稳定性。但是该网络模型参数需要靠人为经验随机设置,而选取不同参数训练会直接影响网络模型结构和预测精度。
发明内容
本发明提出的一种锂电池剩余寿命的预测方法,可至少解决上述技术问题之一。
为实现上述目的,本发明采用了以下技术方案:
一种锂电池剩余寿命的预测方法,包括以下步骤,
首先,构建预训练CNN-LSTM神经网络,其构建步骤如下:
选取容量作为反应锂电池RUL退化的健康因子;
采用CEEMDAN算法分解平滑处理后的容量序列,得到残差和模态分量;
选取残差和部分模态分量重建容量序列,组建训练样本集,划分训练集和验证集;
结合CNN-LSTM神经网络建立锂电池容量前期和后期的映射关系;
输入组成的训练样本集的不同锂电池的时序数据,得到表征先验知识的权重数据,进而得到的预训练CNN-LSTM神经网络;
其次,使用原生的锂电池容量数据进行对预训练CNN-LSTM神经网络的训练,建立实时监测数据中锂电池容量前期与后期的映射关系,并对未知的容量序列进行预测,通过迭代预测得到起点后每一个循环的容量预测值,进而计算出锂电池的RUL。
进一步地,所述CNN-LSTM神经网络包括依次连接的一维卷积层、池化层、LSTM1层、LSTM2层、Dropout层及全连接层;
其中,一维卷积层用于快速地对一维时序数据进行特征提取;
LSTM层用于学习到时序数据中的长依赖性关系,有效识别时序数据模式,同时解决梯度爆炸和梯度消失的问题;
池化层使模型抽取到更广范围的特征,减少计算量和参数个数;
为防止过拟合的发生,在模型中加入dropout层;
通过卷积层将输入数据与不同权重的卷积核进行卷积运算,提取数据内在特征;通过池化层对输入的众多特征进行筛选,过滤出更为显著特征;最后通过全连接层进行加权求和得出特征相关度最高的一组,确定最后的识别结果。
进一步地,所述CEEMDAN算法步骤包括:
对锂离子电池容量序列添加白噪声容量序列;
使用EMD算法进行分解,得到固有模态分量,残差信号;
不断更新待分解信号,直到残差信号不能再继续分解,分解终止。
进一步地,结合CNN-LSTM神经网络建立锂电池容量前期和后期的映射关系,包括CNN算法步骤:
通过卷积层将输入数据与不同权重的卷积核进行卷积运算,提取数据内在特征;
通过池化层对输入的众多特征进行筛选,过滤出更为显著特征;
最后通过全连接层进行加权求和得出特征相关度最高的一组,确定最后的识别结果。
另一方面,本发明还公开一种锂电池剩余寿命的预测系统,可实现上述的锂电池剩余寿命的预测方法,包括以下单元,
模型构建单元,用于构建预训练CNN-LSTM神经网络,其构建步骤如下:
选取容量作为反应锂电池RUL退化的健康因子;
采用CEEMDAN算法分解平滑处理后的容量序列,得到残差和模态分量;
选取残差和部分模态分量重建容量序列,组建训练样本集,划分训练集和验证集;
结合CNN-LSTM神经网络建立锂电池容量前期和后期的映射关系;
输入组成的训练样本集的不同锂电池的时序数据,得到表征先验知识的权重数据,进而得到的预训练CNN-LSTM神经网络;
还包括预测单元,用于使用原生的锂电池容量数据进行对预训练CNN-LSTM神经网络的训练,建立实时监测数据中锂电池容量前期与后期的映射关系,并对未知的容量序列进行预测,通过迭代预测得到起点后每一个循环的容量预测值,进而计算出锂电池的RUL。
又一方面,本发明还公开一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述方法的步骤。
总得来说,本发明本发明的锂电池剩余寿命的预测方法应用于锂离子电池SOH和RUL的在线检测,使用先验知识辅助(使用先验知识训练的)的CNN-LSTM神经网络对实时数据进行处理时,不进行数据的预处理,有效节省资源;
该方法考虑到了不同应用场景中不同电池所存在的实际差异,在工业界实际应用中更具有广泛性和针对性;
该方法能够学习输入序列的非线性特征,适用于时间序列的深层提取,SOH估计稳定性和RUL预测准确度更高。
该方法可对时间序列进行长期分析且防止梯度消失,能更好地解决预测时存在的梯度爆炸和长期依赖问题;
该方法操作简便,进行参数优化时,输入参数较少,并且需要调整的参数少以及跳出局部最优的能力强,对锂电池RUL具有更好的预测效果和稳定性。
该方法采用CEEMDAN分解平滑处理后的容量序列,对学习率和梯度变化具有动态约束的能力,可以处理非平稳目标,提高锂电池SOH、RUL预测准确性。
具体的说,本发明具备以下优点:
1、仅将CEEMDAN用于现有数据集的处理,而不将其用在实时预测数据的数据处理上的方法,从而避免了数据泄露所导致的预测精度的伪提高。
2、使用CEEMDAN对锂电池数据进行处理以后不是盲目的剔除模态分量,而是进行试验,找到预训练效果最好分量进行数据重构,从而实现在剔除高频噪声的同时,保留表征容量回升的分量进行预测。
3、采用同类型锂电池现有数据进行预训练,形成先验知识,从而大大提高实时锂电池数据的预测效率,提高预测效果。
4、将CNN的一维卷积层与LSTM层相结合,保证在保持较好的特征提取效果,提取短期局部依赖特征的同时,学习到数据的长依赖性关系。
附图说明
图1是本发明实施例的方法框图;
图2是本发明实施例的方法流程图;
图3是本发明实施例的CNN-LSTM神经网络架构;
图4是本发明实施例的B5号电池的原始序列、分解后的模态分量与残差示意图;
图5是本发明实施例的B6号电池的原始序列、分解后的模态分量与残差示意图;
图6是本发明实施例的B7号电池的原始序列、分解后的模态分量与残差示意图;
图7是本发明实施例的B18号电池的原始序列、分解后的模态分量与残差示意图;
图8是本发明实施例的起点设置在容量数据40%时的预测效果示意图;
图9是本发明实施例的起点设置在容量数据60%时的预测效果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
图1是本发明实施例的锂电池剩余寿命的预测方法框图;图2是本发明实施例的方法流程图;
本发明实施例的锂电池剩余寿命的预测方法即先验知识辅助CNN-LSTM的预测方法,包括以下步骤,
步骤一:选取容量作为反应锂电池RUL退化的健康因子;
步骤二:采用CEEMDAN分解平滑处理后的容量序列,得到残差和模态分量;
步骤三:选取残差和部分模态分量重建容量序列,组建训练样本集,划分训练集和验证集;
步骤四:结合CNN-LSTM神经网络建立锂电池容量前期和后期的映射关系;
步骤五:输入组成的训练样本集的不同锂电池的时序数据,得到表征先验知识的权重数据。
其中,CEEMDAN算法步骤:
步骤一:对锂离子电池容量序列添加白噪声容量序列;
步骤二:使用EMD算法进行分解,得到固有模态分量,残差信号;
步骤三:不断更新待分解信号,直到残差信号不能再继续分解,分解终止。
CNN算法步骤:
步骤一:通过卷积层将输入数据与不同权重的卷积核进行卷积运算,提取数据内在特征;
步骤二:通过池化层对输入的众多特征进行筛选,过滤出更为显著特征;
步骤三:最后通过全连接层进行加权求和得出特征相关度最高的一组,确定最后的识别结果。
LSTM算法步骤:
遗忘门:用于控制有多少历史状态被舍弃;
输入门:作用于单元状态对输入信息进行选择性保留;
输出门:用于决定单元状态中有哪些被当作当前状态的输出。
具体的说,该框架主要通过三个阶段来得到先验知识辅助CNN-LSTM神经网络:
(3)对于组成的训练样本集的不同锂电池的时序数据,按任意顺序输入到上述网络中,得到表征先验知识的权重数据。
通过上述三个步骤得到的预训练CNN-LSTM神经网络,便是先验知识辅助CNN-LSTM神经网络。
该框架对先验知识部分的数据集进行了数据预处理,通过数据预处理减少或消除不同电池因所处环境不同、仪器测量误差等因素造成的噪声(差异)。而使用先验知识辅助(使用先验知识训练的)的CNN-LSTM神经网络对实时数据进行处理时,则不进行数据的预处理。一方面更符合生活实际:因为在实际应用场景中,对于随时产生的数据进行数据预处理的可行性差且资源消耗大;另一方面也考虑到了不同应用场景中不同电池所存在的实际差异,使用原生的数据,更加符合数据驱动的本质。对于工业界的每一个实际应用案例都更具针对性,过往研究中对数据进行预处理的操作,虽然可以使得预测效果表面上表现的更好,但是对于实际应用中复杂多样的应用场景,其反倒是有不利的影响。尤其是对全局数据进行处理的操作,通常会导致数据泄露,使得预测结果没有意义。
该框架在得到先验知识辅助CNN-LSTM神经网络后,使用原生的锂电池容量数据进行神经网络的训练,建立实时监测数据中锂电池容量前期与后期的映射关系,并对未知的容量序列进行预测。通过迭代预测得到起点后每一个循环的容量预测值,进而计算出锂电池的RUL。
与现有技术相比,本发明开创性的使用了先验知识辅助的思想,在大大提高工作效率、减少时间消耗的同时,增强了预测效果,减少了预测误差。同时,通过不断改善神经网络结构与参数调整,得到了适用于锂电池SOH监测与RUL预测的CNN-LSTM神经网络架构。具体架构如图3所示。
一维卷积层(Conv1D)可以快速地对一维时序数据进行特征提取,但无法学习到数据的长依赖性关系;LSTM层可以学习到时序数据中的长依赖性关系,能够有效识别时序数据模式,同时解决梯度爆炸和梯度消失的问题,但是其对时序数据的特征提取效果较差。
池化层具有特征不变性、特征降维等特点,可以使特征学习包含更大程度的自由度,能够容忍一些微小的位移;可以使模型抽取到更广范围的特征,同时减少计算量和参数个数;同时在一定程度上具有防止过拟合的作用。
经实验,卷积层和池化层的设置均对模型效果的提升起到了积极的作用。具体结果可参考实验结果分析部分。同时,经过实验发现,在其他条件均相同且将以下三种模型运行十次取平均值的情况下,使用双层LSTM的效果最好,相比于一层LSTM与三层LSTM的MAE:0.15%、0.23%,双层LSTM的MAE为0.12%;相比于一层LSTM与三层LSTM的RMSE:0.34%、0.39%,双层LSTM的RMSE为0.34%。
为防止过拟合的发生,在模型中加入dropout层。经实验,在其他条件均相同的情况下,在模型最后一个LSTM层之后增加dropout层的效果最好。对M1、M2、M3、M4三种情况分别运行十次,并对得到的MAE、RMSE取平均值,可知相比于M2、M3和M4的MAE:0.34%、0.16%,0.14%,M1的MAE为0.12%;相比于M2、M3和M4的RMSE:0.55%、0.38%,0.34%,M1的RMSE为0.33%;M1的MAE与RMSE均小于其他情况。其中方法M1为在模型最后一个LSTM层之后增加dropout层;M2为在除输入层和输出层外的所有层后均增加dropout层;M3为在所有LSTM层后加入dropout层;M4为不设置dropout层。经实验,将dropout层的速率设置为0.1效果最好。模型使用Adam(Kingma D P,Ba J.Adam:A method for stochastic optimization[J].arXiv preprint arXiv:1412.6980,2014.)算法用于优化模型的参数,使用均方误差作为损失函数。
本研究使用CEEMDAN对容量序列进行分解,剔除部分模态分量,以减少噪声对数据预测的影响。通过剔除不同数量的模态分量,对最终的预测效果进行统计,从而找出最好的处理方法进行后续的处理。
本研究中所用锂电池容量数据分解后原始序列、模态分量与残差如图4-7所示。
对于去除不同数量模态分量得到的重构数据,分别用其对CNN-LSTM神经网络进行预训练,形成不同的先验知识,然后用形成的先验知识分别进行B18电池的RUL预测,最终得到的评价指标如表1所示。
表1
由表1可知,使用IMF5到RES组成的重构数据进行预训练,产生先验知识的效果最好。且在实验中,使用该重构数据得到的评价指标变动幅度最小,MAE始终在0.17%-0.20%之间,RMSE始终在0.64%-0.65%之间,使用该重构数据可以更好的保证方法的鲁棒性。
以下举例说明,本发明的技术效果:
为验证本研究所提出的先验知识辅助的CNN-LSTM方法(M1)的可靠性,设计了三种对比方法。M2为无先验知识辅助的CNN-LSTM方法;M3为先验知识辅助的LSTM;M4为传统预测算法SVM。通过M2来证明本文所提出的先验知识辅助的优越性;通过M3来证明CNN-LSTM算法中卷积层与池化层的优越性;通过M4来证明本文提出的方法与传统算法相比在锂电池RUL预测上的准确性更高。方法设置见表:
表2方法说明
在本研究中,本发明使用NASA锂电池数据集中B05、B06、B07电池的容量序列进行预训练,以形成先验知识,以B18电池的容量数据模拟实时监测的锂电池容量序列进行RUL实时预测。
比较标准为MAE、RMSE。测试电池设置总数据量的40%与60%两个预测起点,在保证起点的多样性的条件下获得预测效果,检验提出方法的鲁棒性和适应性。同时,对每一种预测方法得到的评价指标均采用运行十次取均值的方式,进一步保证了提出方法的鲁棒性。M1方法的预测效果如图7和图8所示。
由表3可以看出,M1的MAE和RMSE在同条件下都是最小的,说明本文所提方法具有较高的预测精度。且使用M1方法预测的RUL与RUL的真实值之间的绝对误差为3,预测效果远高于现存的其他方法。
表3为四种方法在NASA数据集下的评价指标对比
通过仿真结果与评价指标对比可以得到如下规律:
本文提出的方法的预测值明显接近容量序列真实值,预测精度明显优于无先验知识辅助的CNN-LSTM、先验知识辅助的LSTM与以SVM为代表传统预测方法。通过10次预测,M1方法预测的RUL与实际RUL之间的绝对误差均为1,其效果远远优于现存其他方法。
通过对不同预测起点的设置,研究发现不同的预测起点下预测效果会有一定差异,起点靠后情况下四种方法的预测结果明显优于起点靠前情况。起点后移意味着训练数据的增加,模型通过学习更多的循环数据,可以获得更精准的预测性能,预测曲线更加趋近于真实曲线。
由于B18电池容量序列与其他电池容量序列相比变动幅度较大,导致该条件下M1预测结果的MAE值和RMSE值均难以达到最低值。但在该情况下,M1的预测曲线仍与实际序列曲线十分接近,AE值始终保持在1,在预测起点分别为容量数据40%和60%的条件下,MAE值分别低至0.28941%、0.18992%,RMSE值分别低至0.76115%、0.64715%。表明本文方法可以更好的预测电池的RUL。
又一方面,本发明还公开一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述任一方法的步骤。
再一方面,本发明还公开一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上述任一方法的步骤。
在本申请提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一方法的步骤。
可理解的是,本发明实施例提供的系统与本发明实施例提供的方法相对应,相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种锂电池剩余寿命的预测方法,其特征在于,包括以下步骤,
首先,构建预训练CNN-LSTM神经网络,其构建步骤如下:
选取容量作为反应锂电池RUL退化的健康因子;
采用CEEMDAN算法分解平滑处理后的容量序列,得到残差和模态分量;
选取残差和部分模态分量重建容量序列,组建训练样本集,划分训练集和验证集;
结合CNN-LSTM神经网络建立锂电池容量前期和后期的映射关系;
输入组成的训练样本集的不同锂电池的时序数据,得到表征先验知识的权重数据,进而得到的预训练CNN-LSTM神经网络;
其次,使用原生的锂电池容量数据进行对预训练CNN-LSTM神经网络的训练,建立实时监测数据中锂电池容量前期与后期的映射关系,并对未知的容量序列进行预测,通过迭代预测得到起点后每一个循环的容量预测值,进而计算出锂电池的RUL。
2.根据权利要求1所述的锂电池剩余寿命的预测方法,其特征在于:所述CNN-LSTM神经网络包括依次连接的一维卷积层、池化层、LSTM1层、LSTM2层、Dropout层及全连接层;
其中,一维卷积层用于快速地对一维时序数据进行特征提取;
LSTM层用于学习到时序数据中的长依赖性关系,有效识别时序数据模式,同时解决梯度爆炸和梯度消失的问题;
池化层使模型抽取到更广范围的特征,减少计算量和参数个数;
为防止过拟合的发生,在模型中加入dropout层;
通过卷积层将输入数据与不同权重的卷积核进行卷积运算,提取数据内在特征;通过池化层对输入的众多特征进行筛选,过滤出更为显著特征;最后通过全连接层进行加权求和得出特征相关度最高的一组,确定最后的识别结果。
3.根据权利要求1所述的锂电池剩余寿命的预测方法,其特征在于:所述CEEMDAN算法步骤包括:
对锂离子电池容量序列添加白噪声容量序列;
使用EMD算法进行分解,得到固有模态分量,残差信号;
不断更新待分解信号,直到残差信号不能再继续分解,分解终止。
4.根据权利要求3所述的锂电池剩余寿命的预测方法,其特征在于:结合CNN-LSTM神经网络建立锂电池容量前期和后期的映射关系,包括CNN算法步骤:
通过卷积层将输入数据与不同权重的卷积核进行卷积运算,提取数据内在特征;
通过池化层对输入的众多特征进行筛选,过滤出更为显著特征;
最后通过全连接层进行加权求和得出特征相关度最高的一组,确定最后的识别结果。
5.一种锂电池剩余寿命的预测系统,可实现权利要求1-4任意一项所述的锂电池剩余寿命的预测方法,其特征在于:包括以下单元,
模型构建单元,用于构建预训练CNN-LSTM神经网络,其构建步骤如下:
选取容量作为反应锂电池RUL退化的健康因子;
采用CEEMDAN算法分解平滑处理后的容量序列,得到残差和模态分量;
选取残差和部分模态分量重建容量序列,组建训练样本集,划分训练集和验证集;
结合CNN-LSTM神经网络建立锂电池容量前期和后期的映射关系;
输入组成的训练样本集的不同锂电池的时序数据,得到表征先验知识的权重数据,进而得到的预训练CNN-LSTM神经网络;
还包括预测单元,用于使用原生的锂电池容量数据进行对预训练CNN-LSTM神经网络的训练,建立实时监测数据中锂电池容量前期与后期的映射关系,并对未知的容量序列进行预测,通过迭代预测得到起点后每一个循环的容量预测值,进而计算出锂电池的RUL。
6.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至4中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310510021.7A CN116381510A (zh) | 2023-05-08 | 2023-05-08 | 一种锂电池剩余寿命的预测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310510021.7A CN116381510A (zh) | 2023-05-08 | 2023-05-08 | 一种锂电池剩余寿命的预测方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116381510A true CN116381510A (zh) | 2023-07-04 |
Family
ID=86965804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310510021.7A Pending CN116381510A (zh) | 2023-05-08 | 2023-05-08 | 一种锂电池剩余寿命的预测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116381510A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117637044A (zh) * | 2023-10-07 | 2024-03-01 | 武汉理工大学 | 一种电池电压预测方法、装置、电子设备及存储介质 |
-
2023
- 2023-05-08 CN CN202310510021.7A patent/CN116381510A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117637044A (zh) * | 2023-10-07 | 2024-03-01 | 武汉理工大学 | 一种电池电压预测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102354112B1 (ko) | 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법 | |
CN112036084B (zh) | 一种相似产品寿命迁移筛选方法和系统 | |
Ren et al. | A review of machine learning state-of-charge and state-of-health estimation algorithms for lithium-ion batteries | |
Li et al. | A comparative study of battery state-of-health estimation based on empirical mode decomposition and neural network | |
Zhang et al. | Cost-effective Lebesgue sampling long short-term memory networks for lithium-ion batteries diagnosis and prognosis | |
Zhang et al. | Remaining useful life prediction of lithium-ion batteries based on attention mechanism and bidirectional long short-term memory network | |
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 | |
Liu et al. | Lithium-ion battery remaining useful life prediction with long short-term memory recurrent neural network | |
CN116381510A (zh) | 一种锂电池剩余寿命的预测方法、系统及存储介质 | |
CN113393034A (zh) | 一种在线自适应oselm-garch模型的电量预测方法 | |
CN117148197A (zh) | 一种基于集成Transformer模型的锂离子电池寿命预测方法 | |
CN115456245A (zh) | 一种感潮河网区溶解氧预测方法 | |
Mazzi et al. | Lithium-ion battery state of health estimation using a hybrid model based on a convolutional neural network and bidirectional gated recurrent unit | |
Alsuwian et al. | A Review of Expert Hybrid and Co-Estimation Techniques for SOH and RUL Estimation in Battery Management System with Electric Vehicle Application | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
Huang et al. | A hybrid bayesian deep learning model for remaining useful life prognostics and uncertainty quantification | |
Guo et al. | Future degradation trajectory prediction of lithium-ion battery based on a three-step similarity evaluation criterion for battery selection and transfer learning | |
CN113570129A (zh) | 带钢酸洗浓度的预测方法及计算机可读存储介质 | |
Desai et al. | Separating multiscale Battery dynamics and predicting multi-step ahead voltage simultaneously through a data-driven approach | |
Li et al. | Remaining useful life prediction of tool with BiGRU-Attention and improved particle filter | |
Hu et al. | Online fault prognostics based on degradation-oriented slow feature analysis and temporal smoothness analysis | |
Hu et al. | Early software reliability prediction with ANN models | |
Yin et al. | Remaining useful life prediction based on parallel multi-scale feature fusion network | |
Liu et al. | State of Health Estimation for Lithium-Ion Batteries by Using Partial Battery Data with a Hybrid Neural Network Model | |
Shan et al. | Review of Various Machine Learning Approaches for Predicting Parameters of Lithium-Ion Batteries in Electric Vehicles |
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 |