CN116908699A - 一种基于lstm和多特征的锂电池健康预测方法及系统 - Google Patents
一种基于lstm和多特征的锂电池健康预测方法及系统 Download PDFInfo
- Publication number
- CN116908699A CN116908699A CN202310909839.6A CN202310909839A CN116908699A CN 116908699 A CN116908699 A CN 116908699A CN 202310909839 A CN202310909839 A CN 202310909839A CN 116908699 A CN116908699 A CN 116908699A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- health
- training
- lstm
- battery health
- 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
- 230000036541 health Effects 0.000 title claims abstract description 135
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 111
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000010276 construction Methods 0.000 claims abstract 2
- 238000007600 charging Methods 0.000 claims description 24
- 230000003862 health status Effects 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000032683 aging Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000011149 active material Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000010277 constant-current charging Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 238000007619 statistical method 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于LSTM和多特征的锂电池健康预测方法及系统，该方法包括：获取锂电池的充放电循环数据集，对数据集进行预处理，对预处理数据集进行健康特征提取，得到健康特征信息集；对健康特征信息集进行短时间序列划分，接着进行随机划分，得到训练集和测试集；将训练集输入到基于LSTM的锂电池健康状态预测模型进行训练和测试，得到预测结果。该系统包括：数据获取模块、预训练模块、特征提取模块、时序划分模块、训练集划分模块、模型构建模块、训练模块和测试模块。通过使用本发明，能够对锂电池的健康状态提供实时精确的评估和预测，为锂电池稳定安全的可靠运行提供了保障。本发明可广泛应用于锂电池技术领域。
Description
技术领域
本发明涉及锂电池技术领域，尤其涉及一种基于LSTM和多特征的锂电池健康预测方法及系统。
背景技术
近年来，锂离子电池因为其工作电压高、能量密度高、自放电率低、无记忆性、环境友好、体积灵活等优点，被广泛应用于消费类电子产品、电动汽车、储能装置等领域，甚至已经成为电动汽车的首选动力电池。电动汽车的实际行驶工况复杂，比如在市区需要频繁地加速、制动，这使得动力电池常常处于复杂多变的动态负载下；而在一些极端天气影响下，如酷热或严寒天气下，动力电池性能也会受到影响。为了保证车辆安全、经济地运行，需要通过电池管理系统高效、准确且实时地监测动力电池的状态，确保动力电池系统的安全可靠，提供汽车控制和能量管理所需的状态信息。其中电池健康状态是动力电池系统中反映电池性能、使用寿命和劣化状态的关键指标，普遍采用电池实际容量与初始容量的百分比来表示电池健康状态。在不断充放电循环过程中，电池内部活性物质减少，副反应产物增加，正极表面SEI膜增厚，最终导致电池内阻增加、容量衰减。一般认为，动力电池容量衰减为初始容量的80％后，就不再满足电动汽车的性能需求。为了保证电动汽车的良好运行，对动力电池的健康状态进行评估和预测是经济的、必需的。
目前用于电池健康状态估计方法主要是基于模型的方法。基于模型的方法通过分析电池老化机理，构建数学模型拟合电池老化过程，以实现电池健康状态预测。此类方法在预测过程中无需大量数据，但是电池老化机理复杂，难以找到合适的数学模型去拟合，从而导致预测评估不准确。
发明内容
为了解决上述技术问题，本发明的目标是提供一种基于LSTM和多特征的锂电池健康预测方法及系统，能够对锂电池的健康状态提供实时精确的评估和预测，为锂电池稳定安全的可靠运行提供了保障。
本发明所采用的第一技术方案是：一种基于LSTM和多特征的锂电池健康预测方法，包括以下步骤：
获取锂电池的充放电循环数据集；
对充放电循环数据集进行健康特征提取，得到健康特征信息集；
对健康特征信息集进行短时间序列划分，得到短时健康特征信息集；
对短时健康特征信息集进行随机划分，得到训练集和测试集；
基于LSTM框架，构建锂电池健康状态预测模型；
将训练集输入到锂电池健康状态预测模型进行训练，得到训练后的锂电池健康状态预测模型；
将测试集输入到训练后的锂电池健康状态预测模型进行测试，得到预测结果。
进一步，还包括对数据集进行预处理，得到预处理数据集这一步骤，其具体包括：
对数据集进行数据清理，得到清理后数据集；
对清理后的数据集进行平滑处理，得到预处理数据集。
通过该优选步骤，补充了数据中的缺失值，删除了数据中的异常值，使离散曲线逼近连续曲线。
进一步，所述对充放电循环数据集进行健康特征提取，得到健康特征信息集这一步骤，其具体包括：
对充放电循环数据集中的电流-时间曲线进行计算，得到电量-时间曲线；
基于电量-时间曲线和预处理数据中的电压-时间曲线进行计算，得到IC曲线；
对IC曲线进行插值和移动平均处理，得到平滑IC曲线；
对平滑IC曲线进行有效电压范围内采样，得到第一健康特征；
对充放电循环数据集中的电压-时间曲线进行有效压差截取，得到多组电压范围；
计算相同电压范围内的充电时间，得到等压差充电时间作为第二健康特征。
通过该优选步骤，提取出的健康特征信息与锂电池健康状态高度相关，能够反应锂电池的衰退过程和老化程度。
进一步，所述对健康特征信息集进行短时间序列划分，得到短时健康特征信息集这一步骤，其具体包括：
在总的充放电循环周期数中划分时间序列，得到时间序列长度；
在每个健康特征信息集中按照时间序列长度依次错位选取健康特征信息，得到短时健康特征信息集。
通过该优选步骤，通过输入少量几个周期的健康特征，就可以准确预测锂电池健康状态，既减少了计算量，也符合实际应用的需求。
进一步，所述基于LSTM框架，构建锂电池健康状态预测模型这一步骤，其具体包括：
基于sigmoid神经网络层和按位乘结构构建遗忘门；
基于sigmoid神经网络层、tanh神经网络层、按位乘结构和按位加结构构建记忆门；
基于Sscaled神经网络层、tanh神经网络层和按位加结构构建输出门；
基于遗忘门、记忆门和输出门基于LSTM框架，构建锂电池健康状态预测模型。
通过该优选步骤，不需要专门付出很大代价，就能够得到锂电池剩余容量的预测值。
进一步，所述所述基于LSTM的锂电池健康状态预测模型，其公式表示如下：
其中，xt表示当前时刻的输入，ht-1表示上一个时刻的输出信号，ht表示当前时刻的输出信号，Ct-1表示上一个时刻的单元状态，表示用于更新单元状态的备用信息，Ct表示当前时刻的单元状态；ft、it、ot分别表示遗忘门、输入门和输出门在当前时刻的输出，Wf、Wi、Wo分别表示遗忘门、输入门和输出门的权重参数，bf、bi、bo表示偏差。
进一步，所述将训练集输入到锂电池健康状态预测模型进行训练，得到训练后的锂电池健康状态预测模型这一步骤，其具体包括：
将训练集输入到锂电池健康状态预测模型中，得到模型输出值；
利用损失函数对模型输出值和训练集真实值进行计算，得到误差值；
基于误差值通过BP算法和梯度下降法对模型参数进行优化，得到优化的状态预测模型；
循环训练优化步骤，直到达到预定训练次数，得到训练后的锂电池健康状态预测模型。
通过该优选步骤，精确计算出输出值和真实值之间的误差，优化当前模型的性能指标，实现极低误差的健康状态预测。
本发明所采用的第二技术方案是：一种基于LSTM和多特征的锂电池健康预测系统，包括：
数据获取模块，用于获取锂电池的充放电循环数据集；
预训练模块，用于对数据集进行预处理，得到预处理数据集；
特征提取模块，用于对预处理数据集进行健康特征提取，得到健康特征信息集；
时序划分模块，用于对健康特征信息集进行短时间序列划分，得到短时健康特征信息集；
训练集划分模块，用于对短时健康特征信息集进行随机划分，得到训练集和测试集；
模型构建模块，基于LSTM框架，构建锂电池健康状态预测模型；
训练模块，用于将训练集输入到锂电池健康状态预测模型进行训练，得到训练后的锂电池健康状态预测模型；
测试模块，用于将测试集输入到训练后的锂电池健康状态预测模型进行测试，得到预测结果。
本发明方法及系统的有益效果是：本发明通过对充放电循环数据集进行预处理，提取IC曲线、等压差充电时间作为健康特征，将健康特征划分为时间序列，并输入到基于LSTM的锂电池健康状态预测模型中进行模型训练及测试，完成训练后的模型能够对锂电池的健康状态提供实时精确的评估和预测，为锂电池稳定安全的可靠运行提供了保障。
附图说明
图1是本发明一种基于LSTM和多特征的锂电池健康预测方法的步骤流程图；
图2是本发明一种基于LSTM和多特征的锂电池健康预测系统的结构框图；
图3是本发明一种基于LSTM和多特征的锂电池健康预测系统的锂电池健康状态预测模型结构图；
图4是本发明实施例中所用数据集的IC曲线图；
图5是本发明实施例中所用数据集的电压-时间曲线图；
图6是本发明实施例中所用数据集的等压差充电时间图；
图7是本发明实施例的预测结果图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1，本发明提供了一种基于LSTM和多特征的锂电池健康预测方法，该方法包括以下步骤：
S1、获取锂电池的充放电循环数据集；
由于锂电池在实际应用中其内阻、剩余容量、极化程度等特征值难以实时测量并获取，而锂电池的电压、电流、温度、时间等数据容易获取，所以获取时间变量参数包括锂电池充电循环周期中每个时刻的端电压、锂电池充电循环周期中每个时刻的充电电流、锂电池充电循环周期中每个时刻对应的时间作为该充电循环周期的数据，将多个连续充电循环周期的数据拼接起来作为原始数据。
S2、对充放电循环数据集进行缺失补漏、异常筛查、平滑等预处理操作；
由于原始数据的获取过程中难免出现噪声或测量误差，需要对原始数据进行预处理，从而有利于后续健康特征的提取。
S2.1、对数据集进行数据清理，得到清理后数据集；
具体地，针对数据集中常常会有数据缺失的情况，采取删除和填充两种方式进行处理；在对象有多个属性缺失值、被删除的含缺失值的对象与初始数据集的数据量相比较小的情况下，直接对存在缺失信息的样本行或特征列删除，从而得到一个完整的数据表；在无法进行删除的情况下，本发明根据实际数据集缺失值分布情况来选择合适的填充方式，根据样本之间的相似性(中心趋势)，使用能代表变量中心趋势的值进行填补，代表变量中心趋势的指标包括平均值、中位数、众数等。针对数据集中还会存在一些异常值的情况，即偏离正常范围的不合理的值，本发明采用多种测量共同排除异常值，实现更全面的异常值清理。第一种方式采用简单统计分析检测异常值，设定最大值和最小值来判断变量取值是否超出合理的范围，将超出合理范围的异常值排除；第二种方法将异常值定义为一组测定值中与平均值的偏差超过3倍标准差的值，在数据处理的时候，按照正态分布的性质，三个标准差以外的数据都可以被看作是错误的数据从而排除掉。
S2.2、对清理后的数据集进行平滑处理，得到预处理数据集；
数据采集中往往会有噪音，数据曲线不光滑、有很多毛刺，不利于特征的提取,需要对原始数据进行平滑处理，得到平滑数据集。本发明采用了分段线性插值法和移动平均法。
分段线性插值法是离散函数逼近的重要方法，利用它可通过函数在有限个点处的取值状况，估算出函数在其他点处的近似值。利用插值法可以增加数据样本量，使离散曲线逼近连续曲线。其具体为：设有n个节点(x1,y1),(x2,y2),…,(xn,yn)，在区间[xi,xi+1](i＝1,2,...,n)上做线性插值，简单来说，就是将每两个相邻的节点用直线连起来，并将该直线上的点插入到原数据曲线中。
在本发明具体实施例中，使用的数据集为NASA锂电池数据集，其电压范围为2.7V～4.2V，保留小数点后4位，不同相邻时刻之间的电压差往往不相同。为了dQ/dV-V曲线逼近连续曲线，需要对dQ/dV-V曲线进行插值处理。在区间[Vi,Vi+1]上插值时，其公式表达如下：
其中n表示插入节点数，ΔV＝0.0001V表示为插值间隙，表示插入的节点，[Vi,Vi+1]表示插值的电压区间。
移动平均法：假设时间序列为[x1,x2,...,xN]，取移动平均的项数T<N，则简单平均移动计算公式为：
其中xavg(i)表示T项数据的平均值，N表示数据总项数，T表示选取的移动平均的项数。
S3、对预处理数据集进行健康特征提取，得到健康特征信息集；
锂电池充放电循环的原始数据包括电流、电压、温度、时间等数据，而锂电池一个完整的充放电循环时间需要几十分钟甚至几个小时，所采集到的原始数据集庞大而冗杂，模型很难直接从中学习到有效信息，且学习时间和计算成本也非常高昂。选用的健康特征需要能从原始的电流、电压、温度、时间等容易测量的数据信息中提取，与锂电池健康状态高度相关，能够反应锂电池的衰退过程和老化程度。增量容量曲线也叫做IC曲线(Incremental Capacity)，IC曲线最为明显的特征即为IC峰，且每个IC峰都代表在锂电池内部发生的电化学过程，具有独特的形状、高度和位置，因而IC峰的位置和形状的任何变化都是锂电池老化的表现。如图4所示，随着锂电池随充放电循环数的增长，锂电池内部发生极化反应，导致锂电池内阻增大、容量衰减，所以在相同条件的恒流充电下，充放电循环数越大，锂电池端电压上升速度越快，相同电压范围内的充电时间越少。因而可以通过等压差充电时间的变化来表征锂电池健康状态的变化。因此，在本发明具体实施例中，选用能从通过原始数据的电流-时间曲线和电压-时间曲线中提取得到的容量增量曲线和等压差充电时间作为健康特征信息，并作为模型训练的输入特征。
S3.1、对预处理数据中的电流-时间曲线进行计算，得到电量-时间曲线；
计算电流对时间的积分，求得每个时间点的充电电量，其计算公式如下：
其中Q表示循环充电周期时间T内的充电电量，k表示总的充放电循环周期数，Ik表示第k个充放电循环周期的电流。
由于电流数据单位为安培，时间数据的单位一般为秒，则求得电量Q的单位为库仑。锂电池充电时间较长，导致电量Q数量级较大，所以需要将其单位转换为安时，即将Q除以3600。
S3.2、基于电量-时间曲线和预处理数据中的电压-时间曲线进行计算，得到IC曲线；
获取预处理数据中的电压-时间曲线，并与电量-时间曲线作除法运算，得到IC曲线，其公式表示如下：
其中Qt表示t时刻的充电电量，Qt-1表示t-1时刻的充电电量，Vt表示t时刻的电压值，Vt-1表示t-1时刻的电压值。
S3.3、为了便于对IC曲线进行采样，对IC曲线进行插值和移动平均处理，得到平滑IC曲线，插值和移动平均处理方式与S2中的一致，使得IC曲线更加平滑。
S3.4、对平滑IC曲线进行有效电压范围内采样，得到第一健康特征；
IC曲线并非在所有区域上都能清晰地反应锂电池随充放电循环数增长的老化过程和容量衰减，所以需要选取合适的电压范围内的IC曲线才能作为有效的健康特征。具体地，如图5所示，本实施例选取电压范围为3.8V～4.1V，可以明显看到IC曲线随着充放电循环数的增加而向右下方移动，因而可以通过该区域的IC曲线的变化来表征锂电池健康状态的变化。
S3.5、对预处理数据中的电压-时间曲线进行有效压差截取，得到多组电压范围；
具体地，在锂电池起始电压和截止电压的有效范围内选择多组有效值，以得到多个健康特征。如图6所示，本实施例选取了8个电压范围：3.4V-4.2V、3.5V-4.2V、3.6V-4.2V、3.7V-4.2V、3.8V-4.2V、3.9V-4.2V、4.0V-4.2V、4.1V-4.2V。
S3.6、计算相同电压范围内的充电时间，得到等压差充电时间作为第二健康特征，其计算公式如下：
Δt＝tVend-tVstart
其中Δt表示等电压差充电时间，Vstart为电压范围的下界，Vend为电压范围的上界，表示电压到达Vstart的时间，tVend表示电压到达Vend的时间。
S4、对健康特征信息集进行短时间序列划分，得到短时健康特征信息集；
在锂电池实际工作环境中，数据采集和存储的限制使得获取锂电池所有充放电循环周期的数据是非常困难的。实际应用中往往只能用少量充放电循环周期的数据来对锂电池健康状态进行评估和预测。基于此，我们应该在训练模型前把健康特征信息集划分为短时间序列再用于模型的训练。具体地，假设所有连续周期的健康特征为[X1,X2,...XN]，在总的充放电循环周期数N中划分时间序列T，得到时间序列长度；在每个健康特征信息集中按照时间序列长度依次错位选取健康特征信息，其具体为，在第一个连续周期的健康特征中，选取[0,T]时间域的健康特征；在第二个连续周期的健康特征中，选取[1,T+1]时间域的健康特征；依次选取直到所有连续周期的健康特征提取完毕，得到短时健康特征信息集为[X1:T,X2:T+1,...,XN-T+1:N]。
S5、对短时健康特征信息集进行随机划分，得到训练集和测试集；
具体地，采用留出法，按照3:1的比例，直接短时健康特征信息集划分为训练集和测试集，然后使用训练集来生成模型，再用测试集来测试模型的正确率和误差，以验证模型的有效性。
S6、基于LSTM框架，构建锂电池健康状态预测模型；
长短期记忆(LSTM)网络一种特殊的RNN模型，其特殊的结构设计使得它可以避免长期以来问题，记住很早时刻的信息是LSTM的默认行为，而不需要专门为此付出很大代价。LSTM的核心是单元状态，记为Ct，用来保存当前LSTM的状态信息并传递到下一时刻的LSTM中。当前的LSTM接收来自上一个时刻的单元状态Ct-1，于当前LSTM接收的输入xt共同作用生成当前LSTM的单元状态Ct，并将Ct传递到下一时刻的LSTM。
参照图3，基于LSTM的锂电池健康状态预测模型包括遗忘门、记忆门和输出门；其中遗忘门由sigmoid神经网络层和按位乘结构构建，决定单元状态Ct-1中的哪些信息被遗忘；记忆门由输入门、tanh神经网络层、按位乘结构和按位加结构构建，记忆门的作用是决定新输入信息xt和ht-1中的哪些信息将被保留；输出门由sigmoid神经网络层、tanh神经网络层和按位加结构构建，输出门将t-1时刻传递过来并经过遗忘门和记忆门作用后的单元状态Ct-1,与t-1时刻的输出信号ht-1和t时刻的输入信号xt整合到一起作为当前时刻的输出信号。其中xt和ht-1经过一个sigmoid神经网络层输出一个0到1之间的数值ot,Ct经过一个tanh函数，并于ot相乘得到输出信号ht，同时ht也作为下一个时刻的输入信号传递到下一阶段。LSTM网络可以多个堆叠，其输出结果再经过一个全连接层FC将LSTM网络学习到的特征信息映射到样本标记空间中，最终输出结果即为锂电池剩余容量的预测值。本实施例中，LSTM网络层数num_layers＝5，隐藏层的特征维度hidden_size＝50。基于LSTM的锂电池健康状态预测模型的公式表示如下：
其中，xt表示当前时刻的输入，ht-1表示上一个时刻的输出信号，ht表示当前时刻的输出信号，Ct-1表示上一个时刻的单元状态，表示用于更新单元状态的备用信息，Ct表示当前时刻的单元状态；ft、it、ot分别表示遗忘门、输入门和输出门在当前时刻的输出，Wf、Wi、Wo分别表示遗忘门、输入门和输出门的权重参数，bf、bi、bo表示偏差。
S7、将训练集输入到锂电池健康状态预测模型进行训练，得到训练后的锂电池健康状态预测模型；
将训练集输入到锂电池健康状态预测模型中，得到模型输出值，本发明具体实施例中，数据的维度为cycle_size*seq_len*feature_size，其中cycle_size为锂电池充电循环周期数量，seq_len为S4中划分短时间序列的长度，feature_size为输入特征的维度。train_x的维度为886*10*18，train_y的维度为886*-1，test_x的维度为324*10*18，test_y的维度为324*1。
利用损失函数对模型输出值和训练集真实值进行计算，得到误差值，误差值的计算公式如下：
其中MSE表示损失函数(均方误差)，也表示所求误差值，表示模型输出值，yi表示训练集真实值。
基于误差值通过BP算法和梯度下降法对模型参数进行优化，得到优化的状态预测模型；
循环训练优化步骤，直到达到预定训练次数，得到训练后的锂电池健康状态预测模型。
S8、将测试集输入到训练后的锂电池健康状态预测模型进行测试，得到预测结果。
在5个训练周期后将测试数据集输入到训练后的锂电池健康状态预测模型进行测试，得到预测结果，计算预测结果和真实值之间的误差，作为当前模型的性能指标，误差越小说明模型性能越好，性能指标的计算公式如下：
其中MAPE表示性能评价指标，表示模型输出预测值，yi表示测试集真实值。
本发明实施例具体测试为模型训练选择优化器Adam，学习率lr＝0.01，训练次数epoch＝3000。最终训练完成的模型在测试集上的预测结果如图6所示，MAPE误差为0.63％。
如图2所示，一种基于LSTM和多特征的锂电池健康预测系统，包括：
数据获取模块，用于获取锂电池的充放电循环数据集；
预训练模块，用于对数据集进行预处理，得到预处理数据集；
特征提取模块，用于对预处理数据集进行健康特征提取，得到健康特征信息集；
时序划分模块，用于对健康特征信息集进行短时间序列划分，得到短时健康特征信息集；
训练集划分模块，用于对短时健康特征信息集进行随机划分，得到训练集和测试集；
模型构建模块，基于LSTM框架，构建锂电池健康状态预测模型；
训练模块，用于将训练集输入到锂电池健康状态预测模型进行训练，得到训练后的锂电池健康状态预测模型；
测试模块，用于将测试集输入到训练后的锂电池健康状态预测模型进行测试，得到预测结果。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (8)
1.一种基于LSTM和多特征的锂电池健康预测方法，其特征在于，包括以下步骤：
获取锂电池的充放电循环数据集；
对充放电循环数据集进行健康特征提取，得到健康特征信息集；
对健康特征信息集进行短时间序列划分，得到短时健康特征信息集；
对短时健康特征信息集进行随机划分，得到训练集和测试集；
基于LSTM框架，构建锂电池健康状态预测模型；
将训练集输入到锂电池健康状态预测模型进行训练，得到训练后的锂电池健康状态预测模型；
将测试集输入到训练后的锂电池健康状态预测模型进行测试，得到预测结果。
2.根据权利要求1所述一种基于LSTM和多特征的锂电池健康预测方法，其特征在于，还包括对锂电池的充放电循环数据集进行预处理，其具体包括：
对数据集进行数据清理，得到清理后数据集；
对清理后的数据集进行平滑处理，得到预处理数据集。
3.根据权利要求1所述一种基于LSTM和多特征的锂电池健康预测方法，其特征在于，所述对充放电循环数据集进行健康特征提取，得到健康特征信息集这一步骤，其具体包括：
对充放电循环数据集中的电流-时间曲线进行计算，得到电量-时间曲线；
基于电量-时间曲线和预处理数据中的电压-时间曲线进行计算，得到IC曲线；
对IC曲线进行插值和移动平均处理，得到平滑IC曲线；
对平滑IC曲线进行有效电压范围内采样，得到第一健康特征；
对充放电循环数据集中的电压-时间曲线进行有效压差截取，得到多组电压范围；
计算相同电压范围内的充电时间，得到等压差充电时间作为第二健康特征。
4.根据权利要求1所述一种基于LSTM和多特征的锂电池健康预测方法，其特征在于，所述对健康特征信息集进行短时间序列划分，得到短时健康特征信息集这一步骤，其具体包括：
在总的充放电循环周期数中划分时间序列，得到时间序列长度；
在每个健康特征信息集中按照时间序列长度依次错位选取健康特征信息，得到短时健康特征信息集。
5.根据权利要求1所述一种基于LSTM和多特征的锂电池健康预测方法，其特征在于，所述基于LSTM框架，构建锂电池健康状态预测模型这一步骤，其具体包括：
基于sigmoid神经网络层和按位乘结构构建遗忘门；
基于sigmoid神经网络层、tanh神经网络层、按位乘结构和按位加结构构建记忆门；
基于sigmoid神经网络层、tanh神经网络层和按位加结构构建输出门；
基于遗忘门、记忆门和输出门基于LSTM框架，构建锂电池健康状态预测模型。
6.根据权利要求1所述一种基于LSTM和多特征的锂电池健康预测方法，其特征在于，所述基于LSTM的锂电池健康状态预测模型，其公式表示如下：
其中，xt表示当前时刻的输入，ht-1表示上一个时刻的输出信号，ht表示当前时刻的输出信号，Ct-1表示上一个时刻的单元状态，表示用于更新单元状态的备用信息，Ct表示当前时刻的单元状态；ft、it、ot分别表示遗忘门、输入门和输出门在当前时刻的输出，
Wf、Wi、Wo分别表示遗忘门、输入门和输出门的权重参数，bf、bi、bo表示偏差。
7.根据权利要求1所述一种基于LSTM和多特征的锂电池健康预测方法，其特征在于，所述将训练集输入到锂电池健康状态预测模型进行训练，得到训练后的锂电池健康状态预测模型这一步骤，其具体包括：
将训练集输入到锂电池健康状态预测模型中，得到模型输出值；
利用损失函数对模型输出值和训练集真实值进行计算，得到误差值；
基于误差值通过BP算法和梯度下降法对模型参数进行优化，得到优化的状态预测模型；
循环训练优化步骤，直到达到预定训练次数，得到训练后的锂电池健康状态预测模型。
8.一种基于LSTM和多特征的锂电池健康预测系统，其特征在于，包括：
数据获取模块，用于获取锂电池的充放电循环数据集；
预训练模块，用于对数据集进行预处理，得到预处理数据集；
特征提取模块，用于对预处理数据集进行健康特征提取，得到健康特征信息集；
时序划分模块，用于对健康特征信息集进行短时间序列划分，得到短时健康特征信息集；
训练集划分模块，用于对短时健康特征信息集进行随机划分，得到训练集和测试集；模型构建模块，基于LSTM框架，构建锂电池健康状态预测模型；
训练模块，用于将训练集输入到锂电池健康状态预测模型进行训练，得到训练后的锂电池健康状态预测模型；
测试模块，用于将测试集输入到训练后的锂电池健康状态预测模型进行测试，得到预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310909839.6A CN116908699A (zh) | 2023-07-24 | 2023-07-24 | 一种基于lstm和多特征的锂电池健康预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310909839.6A CN116908699A (zh) | 2023-07-24 | 2023-07-24 | 一种基于lstm和多特征的锂电池健康预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116908699A true CN116908699A (zh) | 2023-10-20 |
Family
ID=88356335
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310909839.6A Pending CN116908699A (zh) | 2023-07-24 | 2023-07-24 | 一种基于lstm和多特征的锂电池健康预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116908699A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119046671A (zh) * | 2024-10-31 | 2024-11-29 | 青岛科技大学 | 基于Transformer编码器的改进数据分段锂离子电池SOH估计方法 |
| CN119104900A (zh) * | 2024-08-12 | 2024-12-10 | 重庆理工大学 | 一种基于贝叶斯优化CNN-Transformer的锂离子电池健康状态估算方法 |
| CN119203007A (zh) * | 2024-11-26 | 2024-12-27 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于eVTOL飞行器电池电压异常的紧急迫降方法 |
-
2023
- 2023-07-24 CN CN202310909839.6A patent/CN116908699A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119104900A (zh) * | 2024-08-12 | 2024-12-10 | 重庆理工大学 | 一种基于贝叶斯优化CNN-Transformer的锂离子电池健康状态估算方法 |
| CN119046671A (zh) * | 2024-10-31 | 2024-11-29 | 青岛科技大学 | 基于Transformer编码器的改进数据分段锂离子电池SOH估计方法 |
| CN119203007A (zh) * | 2024-11-26 | 2024-12-27 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于eVTOL飞行器电池电压异常的紧急迫降方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116908699A (zh) | 一种基于lstm和多特征的锂电池健康预测方法及系统 | |
| CN106918789A (zh) | 一种soc‑soh联合在线实时估计和在线修正方法 | |
| CN114636932A (zh) | 一种电池剩余使用寿命预测方法及系统 | |
| CN112684363A (zh) | 一种基于放电过程的锂离子电池健康状态估计方法 | |
| Che et al. | Battery health prognostic with sensor-free differential temperature voltammetry reconstruction and capacity estimation based on multi-domain adaptation | |
| CN113608126B (zh) | 一种不同温度下的锂电池soc在线预估方法 | |
| Tang et al. | Battery state of health estimation under dynamic operations with physics-driven deep learning | |
| CN112883637A (zh) | 锂离子电池rul的混沌时序非线性组合预测方法 | |
| US20250085355A1 (en) | Method and system for monitoring hybrid energy storage state of battery based on big data processing | |
| CN114441984A (zh) | 一种锂电池健康状态估计方法 | |
| CN115389946B (zh) | 一种基于等压升能量和改进gru的锂电池健康状态估计方法 | |
| CN117538783A (zh) | 一种基于时域融合变换器的锂离子电池荷电状态估计方法 | |
| Sun et al. | State of health estimation for lithium-ion batteries based on current interrupt method and genetic algorithm optimized back propagation neural network | |
| CN118962471B (zh) | 一种锂电池健康状态估计方法 | |
| CN115372829A (zh) | 一种基于bms数据进行车辆电池健康度快速评估的方法 | |
| CN115656831B (zh) | 一种电池单体电压多步超前预测和故障诊断方法 | |
| CN117686934A (zh) | 一种储能电站电池健康状态估计方法 | |
| CN112327169A (zh) | 一种锂电池剩余寿命预测方法 | |
| Jiao et al. | A methodology for state of health estimation of battery using short-time working condition aging data | |
| CN113567863B (zh) | 基于量子同化与数据填充的异常退化锂电池容量预测方法 | |
| Zhang et al. | State of health estimation of lithium-ion batteries based on multiphysics features and CNN-EFC-BiLSTM | |
| CN118731751A (zh) | 融合注意力机制和深度卷积的锂电池soh估计方法 | |
| Li et al. | Machine learning algorithm based battery modeling and management method: A Cyber-Physical System perspective | |
| Mullapudi et al. | Unified Approach for Estimation of State of Charge and Remaining Useful Life of Li-Ion batteries using Deep Learning | |
| CN115598546A (zh) | 锂离子电池soh、soc和rul的联合估计方法 |
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 |