CN116609668B - 一种锂离子电池健康状态和剩余寿命预测方法 - Google Patents
一种锂离子电池健康状态和剩余寿命预测方法 Download PDFInfo
- Publication number
- CN116609668B CN116609668B CN202310463122.3A CN202310463122A CN116609668B CN 116609668 B CN116609668 B CN 116609668B CN 202310463122 A CN202310463122 A CN 202310463122A CN 116609668 B CN116609668 B CN 116609668B
- Authority
- CN
- China
- Prior art keywords
- health state
- model
- individual
- battery
- 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.)
- Active
Links
- 230000036541 health Effects 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 57
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 38
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 38
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 28
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 28
- 241000282346 Meles meles Species 0.000 claims abstract description 20
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 230000000739 chaotic effect Effects 0.000 claims abstract description 9
- 239000000178 monomer Substances 0.000 claims abstract description 4
- 230000004927 fusion Effects 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 20
- 238000005065 mining Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 235000012907 honey Nutrition 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 241000282345 Meles Species 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000001364 causal effect Effects 0.000 claims description 3
- 235000013305 food Nutrition 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000006872 improvement Effects 0.000 claims description 2
- 230000003862 health status Effects 0.000 claims 1
- 238000012847 principal component analysis method Methods 0.000 claims 1
- 230000006978 adaptation Effects 0.000 description 10
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 241000349731 Afzelia bipindensis Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005518 electrochemistry Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007773 negative electrode material Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 239000007774 positive electrode material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Abstract
本发明公开一种锂电池健康状态和剩余寿命预测方法,收集不同工况下锂离子电池单体充放电的电压、电流、温度、容量数据,采用KPCA方法消除原始数据中的冗余特征信息,建立基于时间卷积网络和Reformer模型的锂离子电池健康状态模型和剩余寿命预测模型。采用Logistic混沌映射对蜜獾算法的种群进行初始化,引入基于维度学习的更新策略,得到改进的蜜獾算法;运用改进的蜜獾算法对电池健康状态模型和剩余寿命预测模型的超参数进行优化,使用优化后的电池健康状态模型预测电池健康状态。电池健康状态预测结果输入到优化后的剩余寿命预测模型中进行预测,得到最终的锂电池剩余寿命预测结果。与现有技术相比,本发明能够高精度的预测电池健康状态和剩余寿命。
Description
技术领域
本发明涉及锂电池技术领域,特别涉及一种锂电池健康状态和剩余寿命预测方法。
背景技术
在全球净零排放的大环境下,大力发展可再生能源已经成为全球能源转型和应对气候变化的一致战略选择,但高比例可再生能源自身的随机性、波动性和间歇性将给电力系统的安全稳定运行带来前所未有的挑战。锂离子电池作为新型储能的主力,随着关键电池材料和固态电池设计、正负极材料、快充技术、半固态电池技术等方面取得了重要进展,锂离子电池的安全性、一致性、循环寿命等技术指标均大幅度提高,并广泛应用于电源侧、用户侧和电网侧储能。据EVTank机构统计,2021年,全球锂离子电池总体出货量562.4GWh,同比大幅增长91.0%。锂离子电池在快速发展的同时也面临着挑战。锂离子电池的性能退化过程包含着复杂的理化变化,而且在实际运行中不同的充放电模式、电流大小、环境的压力温度以及电池制作工艺本身等众多因素相互存在且彼此耦合,具有典型的非确定性、非线性等特征,导致电池退化性能复杂且难以掌控,在不同运行环境下难以确保锂离子电池的稳定性和安全性是锂离子电池发展的一大难题。
电池的健康状态(state ofhealth,SOH)估计和剩余使用寿命(remaining usefullife,RUL)预测是锂离子电池寿命相关的两个重要技术。SOH表征电池相对于新电池存储电能和能量的能力,是定量描述电池当前性能状态的指标。RUL是表征电池老化衰退程度的参量,目的是得到从预测时刻开始到电池寿命结束的工作时长。前者表示对电池当前状态的估计,后者表示对于电池未来可正常使用时间的预测,是对容量未来变化趋势的研究。SOH和RUL的预测方法主要分为两类,基于电化学、等效电路等基于模型的方法和基于数据驱动的方法。其中电化学模型是利用锂电池中发生的物理化学反应建立机理模型来计算SOH和RUL,等效电路模型的方法通常使用一系列拟合的参数组成的方程式来描述等效电路,但是并不能精确描述所有工作状态下所有锂电池老化的动态行为。由于电池中发生的物理化学反应的简化模型难以全面反映电池所面临的复杂工作模式,所以基于模型方法的SOH和RUL预测精度受到严重影响。
基于数据驱动的SOH估计和RUL预测得益于大量可用的电池数据,并且不需要考虑电池内部复杂的变化机理,计算量小,过程简单且适用于锂电池实际应用场景,是锂离子电池SOH和RUL预测的研究热点。模型融合的思想是将多个数据驱动模型按照一定方式进行组合,以期望得到比单个模型更好的效果。时间卷积网络可以捕获局部时序特征,Reformer模型可以建立局部时序特征与全局的依赖关系,将两种模型进行融合,可以准确地对SOH和RUL做出预测,方便用户了解电池处于的寿命阶段,帮助用户建立更好的维修策略,延长电池寿命、减少能量损失,使电池得到更有效的使用。对锂离子电池在新型储能系统中推广具有较大的现实意义。
发明内容
发明目的:针对现有技术存在的SOH和RUL预测精度不高的问题,本发明提供一种锂电池健康状态和剩余寿命预测方法,能提高锂电池健康状态和剩余寿命预测精度。
技术方案:本发明提出一种锂离子电池健康状态和剩余寿命预测方法,包括以下步骤:
步骤1:采集不同工况下锂离子电池单体充放电的电压、电流、温度、容量数据,运用KPCA核主成分分析的方式对原始数据进行主成分分析,消除冗余特征信息;
步骤2:获取经核主成分信息提取后的数据,对数据进行重新构建,形成电池健康状态数据集,建立基于时间卷积网络和Reformer模型的锂离子电池健康状态模型;使用时间卷积网络捕获锂电池充放电时局部时序特征,通过Reformer的局部哈希敏感注意力机制建立对局部时序特征与电池健康状态的全局依赖关系;
步骤3:获取经核主成分信息提取后的数据,对数据进行重新构建,形成容量时间序列数据集,建立基于时间卷积网络和Reformer模型的锂离子电池剩余寿命预测模型;通过时间卷积网络提取容量序列的局部电池容量变化特征,将获得的特征输入到Reformer中建立全局容量变化联系;
步骤4:对蜜獾算法HBA进行改进,采用Logistic混沌映射方法对种群进行初始化,加速算法在迭代初期的搜索速度,并引入维度学习的方法增强间接层的信息交互,提高算法的全局搜索能力,得到IHBA算法;
步骤5:利用IHBA算法对步骤3中的TCN-Reformer模型的超参数进行优化,获得最优超参数,利用优化后的锂离子电池剩余寿命预测模型对电池健康状态进行预测,得到电池健康状态的预测结果;
步骤6:利用IHBA算法对步骤4中的TCN-Reformer模型的超参数进行优化,获得最优超参数,利用步骤5中电池健康状态的预测结果,对电池剩余寿命进行预测,得到剩余寿命的预测结果。
进一步地,所述步骤1采用KPCA主成分分析对锂电池原始运行数据进行处理,包括如下步骤:
步骤1.1:对原始数据进行线性变换,使数据映射到[0,1]的范围,实现对原始数据的等比缩放,其公式为:
其中,xk为第k个随机变量,为第k个变量的均值,sk为第k个变量的标准差;
步骤1.2:将样本点xi组成输入空间矩阵X,X中共有N个样本,用一个非线性映射φ将样本点x映射到高维空间得到新的矩阵φ(X)。
φ(x):RK→RD,D>>K (2)
其中,K为样本点xi维度,D为高维空间的维度;
步骤1.3:将步骤1.2中得到的φ(X)在中进行PCA降维,求出特征空间/>的协方差矩阵公式如下:
其中是D×D的矩阵;
步骤1.4:通过核函数计算矩阵K,然后计算其较大的特征值对应的特征向量α,进而得到相应的权重向量,并按照特征值占比大小依次降序排列,占比越大则表示越重要,按重要性顺序找到主成分:
进一步地,所述步骤2中建立基于时间卷积网络和Reformer模型的锂离子电池健康状态模型,包括如下步骤:
步骤2.1:利用步骤1处理后的数据,建立电池健康状态数据集,并按照6:2:2的比例划分为训练集、验证集和测试集;
步骤2.2:对时间卷积网络和Reformer模型进行融合,通过因果卷积操作分层收集局部变量的特征,其公式为:
其中F为滤波器,X为输入序列;
步骤2.3:对步骤2.1获得的特征进行池化运算,池化操作的公式为:
其中,R是池大小,T是确定要移动的数据区域的距离的步长,小于输入大小y,l为卷积层层数;
步骤2.4:引入ReLU作为激活函数、权值归一化和Dropout操作,与步骤2.2和步骤2.3组合为一个残差块,利用n个残差块组成残差网络TCN;
步骤2.5:利用Reformer局部敏感哈希注意力机制,对残差网络输出的序列分为不同的哈希桶,根据哈希桶进行排序,进而得到注意力机制结果,聚合数据的全局属性;
步骤2.6:利用步骤2.1划分的训练集和验证集,对基于时间卷积网络和Reformer的融合模型进行训练,使用融合模型对测试集进行预测,得到电池健康状态预测结果。
进一步地,所述步骤3中建立基于时间卷积网络和Reformer模型的锂离子电池剩余寿命预测模型,包括如下步骤:
步骤3.1:利用步骤1处理后的数据,建立电池容量变化时间序列数据集,将容量数据除以电池标称容量得到电池健康状态时间序列,并将前60%数据划分为训练集,接下来中间20%数据划分为验证集;
步骤3.2:执行步骤2.2至步骤2.5,对时间卷积网络和Reformer模型进行融合;
步骤3.2:利用步骤3.1中处理好的训练集和验证集,对融合模型进行训练,并使用步骤2.6中得到的电池健康状态预测结果进行剩余寿命预测,得到电池剩余寿命预测结果。
进一步地,所述步骤4中对蜜獾算法HBA进行改进,包括如下步骤:
步骤4.1:设置HBA算法的种群大小和迭代次数,以及搜索空间的上下限;
步骤4.2:采用Logistic混沌映射策略初始化算法的种群位置,改进后的公式如下所示:
zk+1=μzk(1-zk) (7)
其中,μ∈[0,4];
步骤4.3:在挖掘模式阶段,蜜獾个体位置更新公式如下所示:
式中,xprey是猎物的全局最优位置,β是蜜獾获取食物的能力,取大于等于1的数,di是猎物与第i只蜜獾之间的距离,r3、r4和r5是(0,1)三个不同的随机数,F是改变搜索方向的标志;
步骤4.4:在采蜜阶段,蜜獾个体位置更新公式如下所示:
xnew=xprey+F×r7×w×di (9)
式中,xprey是猎物的位置,xnew是蜜獾的新位置;
步骤4.5:引入维度学习搜索策略,首先计算出个体当前位置的邻域Ni(t),其公式如下:
Ni(t)=xj(t)|Di(xi(t),xj(t))≤Radiusi(t),xj(t)∈N (10)
其中,Radiusi(t)表示半径,Di是当前解与替代解之间的欧式距离。
步骤4.6:计算维度学习位置xi-DLH,j(t+1),公式如下所示:
xi-DLH,j(t+1)=xi,d(t)+rand×(xn,d(t)-xr,d(t)) (11)
其中xi,d(t)是步骤4.5得到的邻域Ni(t)中的随机个体位置,Xr,d(h)是个体矩阵内随机个体位置;
步骤4.7:通过加入维度学习的搜索策略,对蜜獾算法位置更新进行改进,改进后的位置更新公式如下:
进一步地,利用IHBA算法对步骤2中的TCN-Reformer模型的超参数进行优化,获得最优超参数,利用优化后的预测模型对电池健康状态进行预测,包括如下步骤:
步骤5.1:初始化HBA算法的相关参数,包括种群、维度、最大迭代次数、搜索空间的上下限和当前迭代次数;
步骤5.2:计算经过融合模型训练的预测值Ypi和样本实际值Ovi间的均方根误差,将其作为HBA算法中每个个体的适应度值Fit:
步骤5.3:根据挖掘模式策略和采蜜模式策略,计算出每个个体的位置,利用公式(13)算出每个个体的适应度值,并对其进行排序;
步骤5.4:利用维度学习策略重新对个体位置进行计算,使用公式(11)计算个体位置,并利用公式(13)计算个体适应度值,将其与步骤5.3得到的个体适应度值进行比较,选出最优适应度值对应的最优位置;
步骤5.5:判断是否达到最大迭代次数,若达到,则输出最优解,并从中提取出融合模型的超参数,否则返回步骤5.3;
步骤5.6:将步骤1中得到的测试集数据输入到优化后的融合模型中进行预测,得到最终的锂电池健康状态预测结果。
进一步地,利用IHBA算法对步骤3中的TCN-Reformer模型的超参数进行优化,获得最优超参数,利用优化后的预测模型对电池剩余寿命进行预测,包括如下步骤:
步骤6.1:初始化HBA算法的相关参数,包括种群、维度、最大迭代次数、搜索空间的上下限和当前迭代次数;
步骤6.2:计算经过融合模型训练的预测值Ypi和样本实际值Ovi间的均方根误差,将其作为HBA算法中每个个体的适应度值Fit:
步骤6.3:根据挖掘模式策略和采蜜模式策略,计算出每个个体的位置,利用公式(14)算出每个个体的适应度值,并对其进行排序;
步骤6.4:利用维度学习策略重新对个体位置进行计算,使用公式(11)计算个体位置,并利用公式(14)计算个体适应度值,将其与步骤6.3得到的个体适应度值进行比较,选出最优适应度值对应的最优位置;
步骤6.5:判断是否达到最大迭代次数,若达到,则输出最优解,并从中提取出融合模型的超参数。否则返回步骤6.3;
步骤6.6:将步骤5中得到的锂电池健康状态预测序列输入到优化后的融合模型中进行预测,得到最终的锂电池剩余寿命预测结果。
有益效果:
本发明基于时间卷积网络和Reformer建立模型,同时采用改进的HBA算法优化模型超参数,能够有效地对锂电池健康状态和剩余寿命进行预测,提高模型预测精度。
本发明针对模型在锂电池充放电过程中数据量大,且非线性等特点,采用核主成分分析的方法,对原始数据进行非线性降维,从而减少特征个数,消除冗余特征信息,减少运行时间的目的。
针对单模型对数据处理方式不同,对时序特征捕获存在偏好的特点,提出将时间卷积网络和Reformer进行融合,通过时间卷积网络捕获锂电池充放电时局部时序特征,Reformer模型建立全局变化与局部特征的联系。采用模型融合的方法,能够有效的提高模型的泛化能力,提升模型的准确率。
针对蜜獾算法在寻优过程中,存在收敛速度慢,容易陷入局部最优等问题,采用Logistic混沌映射方法对种群进行初始化操作,避免初始化个体集中分布,在更新阶段增加维度学习的更新方式,增加个体对间接层信息的利用能力,提高搜索效率。
附图说明
图1为本发明提供的TCN-Reformer融合模型流程示意图;
图2为本发明提供的改进后的HBA算法(IHBA)的流程示意图;
图3为本发明提供的基于融合模型的电池健康状态和剩余寿命预测模型流程示意图。
具体实施方式
下面结合附图对本发明进行进一步地描述。
结合图1、图2和图3,本发明公开了一种锂离子电池健康状态和剩余寿命预测方法,采用核主成分分析的方法,对原始数据进行非线性降维,消除冗余信息,减少模型训练的时间;将处理后的数据集进行重构,构建锂电池健康状态数据集和锂电池容量时间序列数据集;建立基于时间卷积网络和Reformer模型的锂电池健康状态预测模型和剩余寿命预测模型;针对融合模型中超参数的选取对模型性能的影响,使用HBA算法对其进行优化,同时为改善HBA容易陷入局部最优的缺陷,使用Logistic混沌映射初始化、维度学习搜索策略,对HBA进行改进,得到改进的HBA算法(IHBA);利用IHBA优化时间卷积网络和Reformer的超参数,使用电池健康状态测试集进行测试,并使用输出的电池健康状态预测结果进行剩余寿命预测,得到电池剩余寿命预测结果。具体步骤如下:
步骤1:采集不同工况下锂离子电池单体充放电的电压、电流、温度、容量数据,运用Kernel principal components analysis(KPCA)核主成分分析的方式对原始数据进行主成分分析,消除冗余特征信息。
步骤1.1:对原始数据进行线性变换,使数据映射到[0,1]的范围,实现对原始数据的等比缩放。其公式为:
其中,xk为第k个随机变量,为第k个变量的均值,sk为第k个变量的标准差。
步骤1.2:将样本点xi组成输入空间矩阵X,X中共有N个样本,用一个非线性映射φ将样本点x映射到高维空间得到新的矩阵φ(X)。
φ(x):RK→RD,D>>K (2)
其中,K为样本点xi维度,D为高维空间的维度。
步骤1.3:将步骤1.2中得到的φ(X)在中进行PCA降维,求出特征空间/>的协方差矩阵公式如下:
其中是D×D的矩阵。
步骤1.4:通过核函数计算矩阵K,然后计算其较大的特征值对应的特征向量α,进而得到相应的权重向量,并按照特征值占比大小依次降序排列,占比越大则表示越重要,按重要性顺序找到主成分:
步骤2:获取经核主成分信息提取后的数据,对数据进行重新构建,形成电池健康状态数据集,建立基于时间卷积网络和Reformer模型的锂离子电池健康状态模型。使用时间卷积网络捕获锂电池充放电时局部时序特征,通过Reformer的局部哈希敏感注意力机制建立对局部时序特征与电池健康状态的全局依赖关系。
步骤2.1:利用步骤1处理后的数据,建立电池健康状态数据集。并按照6:2:2的比例划分为训练集、验证集和测试集。
步骤2.2:对时间卷积网络和Reformer模型进行融合,通过因果卷积操作分层收集局部变量的特征,其公式为:
其中F为滤波器,X为输入序列。
步骤2.3:对步骤2.1获得的特征进行池化运算,降低特征的维度,进一步减轻模型的计算负担,池化操作的公式为:
其中R是池大小,T是确定要移动的数据区域的距离的步长,小于输入大小y,l为卷积层层数。
步骤2.4:引入ReLU作为激活函数、权值归一化和Dropout操作,与步骤2.2和步骤2.3组合为一个残差块,利用n个残差块组成残差网络。
步骤2.5:利用Reformer局部敏感哈希注意力机制,对残差网络输出的序列分为不同的哈希桶,根据哈希桶进行排序,进而得到注意力机制结果,聚合数据的全局属性。
步骤2.6:利用步骤2.1划分的训练集和验证集,对基于时间卷积网络和Reformer的融合模型进行训练,使用融合模型对测试集进行预测,得到电池健康状态预测结果。
步骤3:获取经核主成分信息提取后的数据,对数据进行重新构建,形成容量时间序列数据集,建立基于时间卷积网络和Reformer模型的锂离子电池剩余寿命预测模型。通过时间卷积网络提取容量序列的局部电池容量变化特征,将获得的特征输入到Reformer中建立全局容量变化联系。
步骤3.1:利用步骤1处理后的数据,建立电池容量变化时间序列数据集,将容量数据除以电池标称容量得到电池健康状态时间序列,并将前60%数据划分为训练集,接下来中间20%数据划分为验证集。
步骤3.2:利用步骤3.1中处理好的训练集和验证集,对融合模型进行训练,并使用步骤2.5中得到的电池健康状态预测结果进行剩余寿命预测,得到电池剩余寿命预测结果。
步骤4:对蜜獾算法HBA进行改进,采用Logistic混沌映射方法对种群进行初始化,加速算法在迭代初期的搜索速度。引入维度学习的方法增强间接层的信息交互,提高算法的全局搜索能力,得到IHBA算法。
步骤4.1:设置HBA算法的种群大小和迭代次数,以及搜索空间的上下限。
步骤4.2:采用Logistic混沌映射策略初始化算法的种群位置,改进后的公式如下所示:
zk+1=μzk(1-zk) (7)
其中μ∈[0,4]
步骤4.3:在挖掘模式阶段,蜜獾个体位置更新公式如下所示:
式中,xprey是猎物的全局最优位置,β是蜜獾获取食物的能力,取大于等于1的数,di是猎物与第i只蜜獾之间的距离,r3、r4和r5是(0,1)三个不同的随机数,F是改变搜索方向的标志。
步骤4.4:在采蜜阶段,蜜獾个体位置更新公式如下所示:
xnew=xprey+F×r7×w×di (9)
式中,xprey是猎物的位置,xnew是蜜獾的新位置。
步骤4.5:引入维度学习搜索策略,首先计算出个体当前位置的邻域Ni(t),其公式如下:
Ni(t)=xj(t)|Di(xi(t),xj(t))≤Radiusi(t),xj(t)∈N (10)
其中,Radiusi(t)表示半径,Di是当前解与替代解之间的欧式距离。
步骤4.6:计算维度学习位置xi-DLH,j(t+1),公式如下所示:
xi-DLH,j(t+1)=xi,d(t)+rand×(xn,d(t)-xr,d(t)) (11)
其中xi,d(t)是步骤4.5得到的邻域Ni(t)中的随机个体位置,Xr,d(h)是个体矩阵内随机个体位置。
步骤4.7:通过加入维度学习的搜索策略,对蜜獾算法位置更新进行改进,改进后的位置更新公式如下:
步骤5:利用IHBA算法对步骤2中的TCN-Reformer模型的超参数进行优化,获得最优超参数,利用优化后的预测模型对电池健康状态进行预测,得到电池健康状态的预测结果。
步骤5.1:初始化HBA算法的相关参数,包括种群、维度、最大迭代次数、搜索空间的上下限和当前迭代次数。
步骤5.2:计算经过融合模型训练的预测值Ypi和样本实际值Ovi间的均方根误差,将其作为HBA算法中每个个体的适应度值Fit:
步骤5.3:根据挖掘模式策略和采蜜模式策略,计算出每个个体的位置,利用公式(13)算出每个个体的适应度值,并对其进行排序。
步骤5.4:利用维度学习策略重新对个体位置进行计算,使用公式(11)计算个体适应位置,并利用公式(13)计算个体适应度值,将其与步骤5.3得到的个体适应度值进行比较,选出最优适应度值对应的最优位置。
步骤5.5:判断是否达到最大迭代次数,若达到,则输出最优解,并从中提取出融合模型的超参数。否则返回步骤5.3。
步骤5.6:将步骤1中得到的测试集数据输入到优化后的融合模型中进行预测,得到最终的锂电池健康状态预测结果。
步骤6:利用IHBA算法对步骤3中的TCN-Reformer模型的超参数进行优化,获得最优超参数,利用步骤5中电池健康状态的预测结果,对电池剩余寿命进行预测,得到剩余寿命的预测结果。
步骤6.1:初始化HBA算法的相关参数,包括种群、维度、最大迭代次数、搜索空间的上下限和当前迭代次数;
步骤6.2:计算经过融合模型训练的预测值Ypi和样本实际值Ovi间的均方根误差,将其作为HBA算法中每个个体的适应度值Fit:
步骤6.3:根据挖掘模式策略和采蜜模式策略,计算出每个个体的位置,利用公式(14)算出每个个体的适应度值,并对其进行排序;
步骤6.4:利用维度学习策略重新对个体位置进行计算,使用公式(11)计算个体适应位置,并利用公式(14)计算个体适应度值,将其与步骤6.3得到的个体适应度值进行比较,选出最优适应度值对应的最优位置;
步骤6.5:判断是否达到最大迭代次数,若达到,则输出最优解,并从中提取出融合模型的超参数,否则返回步骤6.3。
步骤6.6:将步骤5.6中得到的锂电池健康状态预测序列输入到优化后的融合模型中进行预测,得到最终的锂电池剩余寿命预测结果。
步骤7:采用均方根误差(RMSE),平均绝对误差(MAE),平均绝对百分误差(MAPE)三个评价指标评判当前模型的精确度,采用RMSE,MAE,MAPE三个评价指标公式分别如下:
式中,MAE为平均绝对误差,RMSE为均方根误差,MAPE为平均绝对百分误差,prei为预测值,obsi训练样本实际值,N为样本个数。
上述实施方式只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种锂离子电池健康状态和剩余寿命预测方法,其特征在于,包括以下步骤:
步骤1:采集不同工况下锂离子电池单体充放电的电压、电流、温度和容量数据,运用KPCA核主成分分析的方式对原始数据进行主成分分析,消除冗余特征信息;
步骤2:获取经核主成分信息提取后的数据,对数据进行重新构建,形成电池健康状态数据集,建立基于时间卷积网络和Reformer模型的锂离子电池健康状态模型;使用时间卷积网络捕获锂电池充放电时局部时序特征,通过Reformer的局部哈希敏感注意力机制建立对局部时序特征与电池健康状态的全局依赖关系;
所述步骤2中建立基于时间卷积网络和Reformer模型的锂离子电池健康状态模型,包括如下步骤:
步骤2.1:利用步骤1处理后的数据,建立电池健康状态数据集,并按照6:2:2的比例划分为训练集、验证集和测试集;
步骤2.2:对时间卷积网络和Reformer模型进行融合,通过因果卷积操作分层收集局部变量的特征,其公式为:
其中F为滤波器,X为输入序列;
步骤2.3:对步骤2.2获得的特征进行池化运算,池化操作的公式为:
其中,R是池大小,T是确定要移动的数据区域的距离的步长,小于输入大小y,l为卷积层层数;
步骤2.4:引入ReLU作为激活函数、权值归一化和Dropout操作,与步骤2.2和步骤2.3组合为一个残差块,利用n个残差块组成残差网络TCN;
步骤2.5:利用Reformer局部敏感哈希注意力机制,对残差网络输出的序列分为不同的哈希桶,根据哈希桶进行排序,进而得到注意力机制结果,聚合数据的全局属性;
步骤2.6:利用步骤2.1划分的训练集和验证集,对基于时间卷积网络和Reformer的融合模型进行训练,使用融合模型对测试集进行预测,得到电池健康状态预测结果;
步骤3:获取经核主成分信息提取后的数据,对数据进行重新构建,形成容量时间序列数据集,建立基于时间卷积网络和Reformer模型的锂离子电池剩余寿命预测模型;通过时间卷积网络提取容量序列的局部电池容量变化特征,将获得的特征输入到Reformer中建立全局容量变化联系;
所述步骤3中建立基于时间卷积网络和Reformer模型的锂离子电池剩余寿命预测模型,包括如下步骤:
步骤3.1:利用步骤1处理后的数据,建立电池容量变化时间序列数据集,将容量数据除以电池标称容量得到电池健康状态时间序列,并将前60%数据划分为训练集,接下来中间20%数据划分为验证集;
步骤3.2:执行步骤2.2至步骤2.5,对时间卷积网络和Reformer模型进行融合;
步骤3.3:利用步骤3.1中处理好的训练集和验证集,对融合模型进行训练,并使用步骤2.6中得到的电池健康状态预测结果进行剩余寿命预测,得到电池剩余寿命预测结果;
步骤4:对蜜獾算法HBA进行改进,采用Logistic混沌映射方法对种群进行初始化,加速算法在迭代初期的搜索速度,并引入维度学习的方法增强间接层的信息交互,提高算法的全局搜索能力,得到IHBA算法;
所述步骤4中对蜜獾算法HBA进行改进,包括如下步骤:
步骤4.1:设置HBA算法的种群大小和迭代次数,以及搜索空间的上下限;
步骤4.2:采用Logistic混沌映射策略初始化算法的种群位置,改进后的公式如下所示:
zk+1=μzk(1-zk) (7)
其中,
步骤4.3:在挖掘模式阶段,蜜獾个体位置更新公式如下所示:
式中,xprey是猎物的全局最优位置,β是蜜獾获取食物的能力,取大于等于1的数,di是猎物与第i只蜜獾之间的距离,r3、r4和r5是(0,1)三个不同的随机数,F是改变搜索方向的标志;
步骤4.4:在采蜜阶段,蜜獾个体位置更新公式如下所示:
xnew=xprey+F×r7×w×di (9)
式中,xprey是猎物的位置,xnew是蜜獾的新位置;
步骤4.5:引入维度学习搜索策略,首先计算出个体当前位置的邻域Ni(t),其公式如下:
Ni(t)=xj(t)|Di(xi(t),xj(t))≤Radiusi(t),xj(t)∈N (10)
其中,Radiusi(t)表示半径,Di是当前解与替代解之间的欧式距离;
步骤4.6:计算维度学习位置xi-DLH,j(t+1),公式如下所示:
xi-DLH,j(t+1)=xi,d(t)+rand×(xn,d(t)-xr,d(t)) (11)
其中xi,d(t)是步骤4.5得到的邻域Ni(t)中的随机个体位置,Xr,d(h)是个体矩阵内随机个体位置;
步骤4.7:通过加入维度学习的搜索策略,对蜜獾算法位置更新进行改进,改进后的位置更新公式如下:
步骤5:利用IHBA算法对步骤2中的基于时间卷积网络和Reformer模型的锂离子电池健康状态模型的超参数进行优化,获得最优超参数,利用优化后的锂离子电池健康状态模型对电池健康状态进行预测,得到电池健康状态的预测结果;
步骤6:利用IHBA算法对步骤3中的基于时间卷积网络和Reformer模型的锂离子电池剩余寿命预测模型的超参数进行优化,获得最优超参数,利用步骤5中电池健康状态的预测结果,对电池剩余寿命进行预测,得到剩余寿命的预测结果。
2.根据权利要求1所述的一种锂离子电池健康状态和剩余寿命预测方法,其特征在于,所述步骤1运用KPCA核主成分分析的方式对原始数据进行主成分分析,包括如下步骤:
步骤1.1:对原始数据进行线性变换,使数据映射到[0,1]的范围,实现对原始数据的等比缩放,其公式为:
其中,xk为第k个随机变量,为第k个变量的均值,sk为第k个变量的标准差;
步骤1.2:将样本点xi组成输入空间矩阵X,X中共有N个样本,用一个非线性映射φ将样本点x映射到高维空间得到新的矩阵φ(X);
φ(x):RK→RD,D>>K (2)
其中,K为样本点xi维度,D为高维空间的维度;
步骤1.3:将步骤1.2中得到的φ(X)在中进行PCA降维,求出特征空间/>的协方差矩阵公式如下:
其中是D×D的矩阵;
步骤1.4:通过核函数计算矩阵K,然后计算其较大的特征值对应的特征向量α,进而得到相应的权重向量,并按照特征值占比大小依次降序排列,占比越大则表示越重要,按重要性顺序找到主成分:
3.根据权利要求1所述的一种锂离子电池健康状态和剩余寿命预测方法,其特征在于,利用IHBA算法对步骤2中的TCN-Reformer模型的超参数进行优化,获得最优超参数,利用优化后的预测模型对电池健康状态进行预测,包括如下步骤:
步骤5.1:初始化HBA算法的相关参数,包括种群、维度、最大迭代次数、搜索空间的上下限和当前迭代次数;
步骤5.2:计算经过融合模型训练的预测值Ypi和样本实际值Ovi间的均方根误差,将其作为HBA算法中每个个体的适应度值Fit:
步骤5.3:根据挖掘模式策略和采蜜模式策略,计算出每个个体的位置,利用公式(13)算出每个个体的适应度值,并对其进行排序;
步骤5.4:利用维度学习策略重新对个体位置进行计算,使用公式(11)计算个体位置,并利用公式(13)计算个体适应度值,将其与步骤5.3得到的个体适应度值进行比较,选出最优适应度值对应的最优位置;
步骤5.5:判断是否达到最大迭代次数,若达到,则输出最优解,并从中提取出融合模型的超参数,否则返回步骤5.3;
步骤5.6:将步骤1中得到的测试集数据输入到优化后的融合模型中进行预测,得到最终的锂电池健康状态预测结果。
4.根据权利要求1所述的一种锂离子电池健康状态和剩余寿命预测方法,其特征在于,利用IHBA算法对步骤3中的TCN-Reformer模型的超参数进行优化,获得最优超参数,利用优化后的预测模型对电池剩余寿命进行预测,包括如下步骤:
步骤6.1:初始化HBA算法的相关参数,包括种群、维度、最大迭代次数、搜索空间的上下限和当前迭代次数;
步骤6.2:计算经过融合模型训练的预测值Ypi和样本实际值Ovi间的均方根误差,将其作为HBA算法中每个个体的适应度值Fit:
步骤6.3:根据挖掘模式策略和采蜜模式策略,计算出每个个体的位置,利用公式(14)算出每个个体的适应度值,并对其进行排序;
步骤6.4:利用维度学习策略重新对个体位置进行计算,使用公式(11)计算个体位置,并利用公式(14)计算个体适应度值,将其与步骤6.3得到的个体适应度值进行比较,选出最优适应度值对应的最优位置;
步骤6.5:判断是否达到最大迭代次数,若达到,则输出最优解,并从中提取出融合模型的超参数。否则返回步骤6.3;
步骤6.6:将步骤5中得到的锂电池健康状态预测序列输入到优化后的融合模型中进行预测,得到最终的锂电池剩余寿命预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310463122.3A CN116609668B (zh) | 2023-04-26 | 2023-04-26 | 一种锂离子电池健康状态和剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310463122.3A CN116609668B (zh) | 2023-04-26 | 2023-04-26 | 一种锂离子电池健康状态和剩余寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116609668A CN116609668A (zh) | 2023-08-18 |
CN116609668B true CN116609668B (zh) | 2024-03-26 |
Family
ID=87679084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310463122.3A Active CN116609668B (zh) | 2023-04-26 | 2023-04-26 | 一种锂离子电池健康状态和剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116609668B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116990692B (zh) * | 2023-09-28 | 2023-12-08 | 深圳康普盾科技股份有限公司 | 一种锂电池的健康状况评估与剩余寿命预测方法及系统 |
CN117074965B (zh) * | 2023-10-17 | 2023-12-12 | 深圳市神通天下科技有限公司 | 一种锂离子电池剩余寿命预测方法及系统 |
CN117368745B (zh) * | 2023-12-07 | 2024-02-20 | 深圳联钜自控科技有限公司 | 基于深度学习的硬包锂电池安全监测方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949164A (zh) * | 2021-01-27 | 2021-06-11 | 上海电机学院 | 一种锂电池健康状态预测方法 |
CN113589189A (zh) * | 2021-08-30 | 2021-11-02 | 武汉理工大学 | 基于充放电数据特征的锂电池健康状况预测方法及装置 |
CN113777496A (zh) * | 2021-09-06 | 2021-12-10 | 北京化工大学 | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 |
CN114578249A (zh) * | 2021-12-23 | 2022-06-03 | 江苏省安全生产科学研究院 | 一种基于稳定特征和as-tcn模型的锂电池健康状态估计方法 |
CN114660495A (zh) * | 2022-01-27 | 2022-06-24 | 华南理工大学 | 一种基于mtcn算法的电池剩余寿命预测的方法 |
CN114740388A (zh) * | 2022-04-01 | 2022-07-12 | 浙江大学 | 一种基于改进tcn的锂电池剩余寿命状态评估方法 |
CN115549095A (zh) * | 2022-09-19 | 2022-12-30 | 南昌大学 | 一种改进蜜獾算法优化sapf直流侧电压控制方法 |
CN115951254A (zh) * | 2022-12-15 | 2023-04-11 | 东南大学 | 一种锂离子电池健康状态及剩余使用寿命预估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11165270B2 (en) * | 2019-03-21 | 2021-11-02 | Microsoft Technology Licensing, Llc | Predictive management of battery operation |
-
2023
- 2023-04-26 CN CN202310463122.3A patent/CN116609668B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949164A (zh) * | 2021-01-27 | 2021-06-11 | 上海电机学院 | 一种锂电池健康状态预测方法 |
CN113589189A (zh) * | 2021-08-30 | 2021-11-02 | 武汉理工大学 | 基于充放电数据特征的锂电池健康状况预测方法及装置 |
CN113777496A (zh) * | 2021-09-06 | 2021-12-10 | 北京化工大学 | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 |
CN114578249A (zh) * | 2021-12-23 | 2022-06-03 | 江苏省安全生产科学研究院 | 一种基于稳定特征和as-tcn模型的锂电池健康状态估计方法 |
CN114660495A (zh) * | 2022-01-27 | 2022-06-24 | 华南理工大学 | 一种基于mtcn算法的电池剩余寿命预测的方法 |
CN114740388A (zh) * | 2022-04-01 | 2022-07-12 | 浙江大学 | 一种基于改进tcn的锂电池剩余寿命状态评估方法 |
CN115549095A (zh) * | 2022-09-19 | 2022-12-30 | 南昌大学 | 一种改进蜜獾算法优化sapf直流侧电压控制方法 |
CN115951254A (zh) * | 2022-12-15 | 2023-04-11 | 东南大学 | 一种锂离子电池健康状态及剩余使用寿命预估方法 |
Non-Patent Citations (2)
Title |
---|
Remaining Useful Life Prediction for Lithium-Ion Batteries With a Hybrid Model Based on TCN-GRU-DNN and Dual Attention Mechanism;L. Li et al.;《IEEE Transactions on Transportation Electrification》;第9卷(第3期);第4726-4740页 * |
基于改进TCN模型的动力电池健康状态评估;张孝远 等;《储能科学与技术》;第11卷(第05期);第1617-1626页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116609668A (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116609668B (zh) | 一种锂离子电池健康状态和剩余寿命预测方法 | |
Kaur et al. | Deep learning networks for capacity estimation for monitoring SOH of Li‐ion batteries for electric vehicles | |
Zhao et al. | A compact methodology via a recurrent neural network for accurate equivalent circuit type modeling of lithium-ion batteries | |
Zhang et al. | A deep learning method for lithium-ion battery remaining useful life prediction based on sparse segment data via cloud computing system | |
Yang et al. | Remaining useful life prediction of lithium-ion batteries based on a mixture of ensemble empirical mode decomposition and GWO-SVR model | |
CN109324291B (zh) | 一种针对质子交换膜燃料电池寿命预测的预测方法 | |
CN110082682B (zh) | 一种锂电池荷电状态估计方法 | |
Cui et al. | A dynamic spatial-temporal attention-based GRU model with healthy features for state-of-health estimation of lithium-ion batteries | |
Wang et al. | A data-driven method with mode decomposition mechanism for remaining useful life prediction of lithium-ion batteries | |
CN111999649A (zh) | 一种基于XGBoost算法的锂电池剩余寿命预测方法 | |
Jin et al. | State-of-health estimation for lithium-ion batteries with hierarchical feature construction and auto-configurable Gaussian process regression | |
CN108009585B (zh) | 基于局部信息融合的铅酸电池健康状态预测方法 | |
CN115718263B (zh) | 基于注意力的锂离子电池日历老化预测模型和方法 | |
Zhao et al. | The li-ion battery state of charge prediction of electric vehicle using deep neural network | |
Fei et al. | Early-stage lifetime prediction for lithium-ion batteries: A deep learning framework jointly considering machine-learned and handcrafted data features | |
CN115201686A (zh) | 一种不完备充放电数据下的锂离子电池健康状态评估方法 | |
Cao et al. | A flexible battery capacity estimation method based on partial voltage curves and polynomial fitting | |
Lin et al. | Lithium-ion batteries SOH estimation with multimodal multilinear feature fusion | |
Vilsen et al. | Transfer learning for adapting battery state-of-health estimation from laboratory to field operation | |
Jiang et al. | Multiple health indicators assisting data-driven prediction of the later service life for lithium-ion batteries | |
CN116449218B (zh) | 一种锂电池健康状态的估计方法 | |
CN115792677A (zh) | 一种基于改进的elm的锂离子电池寿命预测方法 | |
CN114966436A (zh) | 锂电池荷电状态预测方法、装置、设备及可读存储介质 | |
CN114415034A (zh) | 一种基于内部机理分析的锂离子电池容量预测方法 | |
Khan et al. | Global Sensitivity Analysis of Aging Parameters for a Lithium-ion Battery Cell using Optimal Charging Profiles |
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 |