CN117031310A - 一种电动汽车动力电池剩余使用寿命预测方法 - Google Patents
一种电动汽车动力电池剩余使用寿命预测方法 Download PDFInfo
- Publication number
- CN117031310A CN117031310A CN202311135852.7A CN202311135852A CN117031310A CN 117031310 A CN117031310 A CN 117031310A CN 202311135852 A CN202311135852 A CN 202311135852A CN 117031310 A CN117031310 A CN 117031310A
- Authority
- CN
- China
- Prior art keywords
- prediction
- data
- battery
- bigru
- predicting
- 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 72
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 238000012937 correction Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 210000002569 neuron Anatomy 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 18
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 9
- 241000272168 Laridae Species 0.000 claims description 9
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 9
- 230000009191 jumping Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000006731 degradation reaction Methods 0.000 claims description 5
- 230000015556 catabolic process Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000001744 unit root test Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000007086 side reaction Methods 0.000 description 2
- 206010011906 Death Diseases 0.000 description 1
- 239000011149 active material Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000006864 oxidative decomposition reaction Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000007774 positive electrode material Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000003860 storage 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
Abstract
本发明公开一种电动汽车动力电池剩余使用寿命预测方法，通过获取电动汽车动力电池的监测数据，进行数据预处理；按照历史时刻数据和未来时刻数据划分为训练集、误差修正集和测试集；采用训练集和误差修正集，建立ARIMA‑BiGRU‑NN融合模型；基于海鸥优化算法优化模型的超参数；采用测试集，验证模型的预测结果。针对电动汽车动力电池剩余使用寿命预测难与单向神经网络对数据信息利用不充分的问题，本发明采用双向门控循环单元与融合多种数据驱动算法的预测方法，提高了预测的鲁棒性与精确度。
Description
技术领域
本发明涉及电池技术，具体涉及一种电动汽车动力电池剩余使用寿命预测方法。
背景技术
随着能源和环境问题的凸显，发展新能源汽车已经成为汽车领域应对这一问题的共识。电池是电动汽车最为核心的技术系统之一，直接影响电动汽车的最终性能。锂离子电池相较于其他类型的电池，具有能量密度高、充电效率高、工作温度范围宽等优点而被选择为电动汽车动力电池。然而，锂离子电池在长期使用的过程中，由于正极材料的结构衰退、活性物质的溶解和电解质的氧化分解等多种不可逆的反应，其电容量会逐渐非线性下降。这种非线性容量衰减会引发电池内部短路从而导致热失控，甚至发生着火和爆炸等灾难性后果，严重影响了电动汽车的安全性。因此，对电池速高效精准的剩余寿命预测研究变得尤为重要。此外，对电池剩余寿命更精准地预测有利于电池的回收与二次利用、促进电池的研发与减少制造周期等。
传统的电池剩余寿命预测方法是基于模型的方法，该方法是通过构建数学模型模拟电池的退化过程，使用内阻、电压、电流等数据对电池剩余寿命进行预测。电池容量衰减，其背后隐含的失效机理复杂多变，该模型只建立在有限的副反应之上，无法对所有的副反应都进行分析。其次，汽车的使用情况是复杂多样的，使得基于模型的剩余寿命预测方法需要对每种失效模式，建立相对应的模型，这种方法的计算成本高、时间成本高、模型复杂度高。
数字驱动的电池剩余寿命预测方法是目前常用的方法。该方法从实验数据出发，利用统计学、机器学习、深度学习等方法对实验数据进行分析总结出容量衰减的经验规律，避免了对复杂机理的研究。基于数据驱动的思想，从电池历史数据中提取能反映电池衰退趋势的特征参数，建立数字驱动算法的电池剩余使用寿命预测模型，从而实现电池剩余使用寿命的预测。其中，深度学习由于其在特征提取方面的优异性能，在预测领域受到广泛的关注。该方法通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。然而，单一的深度学习电池剩余预测模型在进行预测时，很难保证较高准确率。此外，电池退化过程中的局部重生现象增加了单一模型的预测误差。
简言之，现有基于模型与单一数字驱动的算法存在明显的不足之处，目前已有研究人员提出了融合多种数据驱动算法的估计方法，来克服单一数据驱动方法存在特征提取不充分、估计精度低等问题。
例如，专利CN 115935135 A公开一种特高压换流变压器顶层油温预测方法及存储介质，利用ARIMA预测模型加入Attention-BiGRU-GRU网络模型预测未来油温的数据。例如，专利CN113895272A公开一种基于深度学习的电动汽车交流充电状态监测和故障预警方法，采用CNN对交流充电数据进行深度挖掘，同时利用BiGRU充分分析数据，实现电动汽车的故障预警。例如，专利CN115047350B公开一种基于数模联动的锂离子电池剩余使用寿命预测方法，将粒子滤波算法和时间注意力机制-双向门控循环单元网络相结合，使得两种方法在预测过程中相互修正，实现电池使用寿命预测。
综上所述，上述现有基于BiGRU的融合模型大多未对模型损失进行优化，对于较长序列进行预测时，误差随着预测序列长度而增加。
发明内容
发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种电动汽车动力电池剩余使用寿命预测方法，基于ARIMA-BiGRU-NN(差分整合移动平均自回归-双向门控循环单元-全连接神经网络)融合模型对电动汽车动力电池剩余使用寿命进行预测。采用BiGRU能够充分考虑历史时期以及未来时期的因素对当前预测结果的影响，利用NN网络得到预测结果，使用海鸥优化算法优化BiGRU-NN模型的超参数，并使用ARIMA模型对预测结果进行优化。克服了汽车动力电池剩余使用寿命预测难和单向神经网络对数据信息利用不充分的问题，提高了预测模型的鲁棒性与精确度。
技术方案：本发明的一种电动汽车动力电池剩余使用寿命预测方法，包括以下步骤：
步骤S1、获取电动汽车动力电池的监测数据，并从中提取电池的放电时间、放电时最高温度、最大电压、最大负载电流、最大负载电压和电池容量数据，接着上述监测数据按照历史时刻数据和未来时刻数据划分为训练集、误差修正集和测试集，同时对数据进行归一化处理；
步骤S2、构建双向门控循环单元(BiGRU)与全连接神经网络(NN)的混合神经网络预测模型BiGRU-NN；
上述双向门控循环单元BiGRU包括：输入层、前向隐藏层、后向隐藏层和输出层；所述前向隐藏层通过前向GRU函数来获取前向隐藏层的状态；所述后向隐藏层通过后向GRU函数来获取后向隐藏层的状态；所述输出层将前向隐藏层与后向隐藏层的状态融合，获取输出数据；
上述全连接神经网络NN包括：输入层、隐藏层以及输出层；所述输入层、隐藏层以及输出层中每一层的每一个神经元均与下一层的所有神经元相连接；
步骤S3、基于海鸥优化算法（SOA）优化BiGRU-NN模型的超参数，包括各层神经元个数、迭代次数；
步骤S4、将步骤S1的训练集输入步骤S3海鸥优化算法优化后的BiGRU-NN模型，训练得到BiGRU-NN剩余寿命预测模型；
步骤S5、使用步骤S4训练所得BiGRU-NN剩余寿命预测模型对步骤S1的误差修正集进行预测，得到误差修正集的预测值；
步骤S6、将时刻电池的实际容量值/>与步骤S5获得误差修正集的预测值/>作差，得到/>时刻的预测误差/>，即/>；
步骤S7、构建ARIMA（p,d,q）预测模型，使用预测误差对ARIMA（p,d,q）模型定阶；上述定阶方法为：
（1）、d为差分运算阶数：通过单位根检验法检测预测误差的平稳性，若为非平稳序列，进行d阶差分运算，化为平稳时间序列；
（2）、p、q：通过自相关系数（AFC）和偏自相关系（PAFC）来选取参数p和q；
（3）、p阶后ACF衰减趋于零，p阶后PACF截尾；q阶后ACF后截尾，q阶后PACF衰减趋于零；
步骤S8、使用步骤S4所得BiGRU-NN剩余寿命预测模型对步骤S1划分的测试集进行预测，采用步骤S7所得定阶后ARIMA预测模型对此时的预测结果进行修正，得到剩余容量预测结果，/>；
上式中，为修正值；/>为BiGRU-NN模型测试集的预测值；
步骤S9、判断剩余容量预测结果中达到失效阈值的点，得到电池剩余寿命RUL；
步骤S10、使用测试集对ARIMA-BiGRU-NN融合模型的准确性进行评估。
进一步地，所述步骤S1中数据预处理的方法为：将容量退化数据集进行归一化处理，以确保所有数据都落在[0,1]区间内，然后将归一化后的数据集转成有监督数据。
进一步地，所述步骤S2构建双向门控循环单元与全连接神经网络的混合神经网络预测模型BiGRU-NN时的BiGRU：
GRU函数为：
式中，为/>时刻的输入向量；/>和/>分别为/>和/>时刻的隐藏层状态；分别为示更新门、重置门和记忆单元的输出；/>分别为更新门、重置门和记忆单元同输入信息的连接矩阵；/>分别为更新门、重置门和记忆单元同输入信息的权重；/>为偏置向量；/>代表Sigmoid函数；/>表示双曲正切函数；/>表示点积运算；
获取前向隐藏层和后向隐藏层的状态的具体公式如下：
式中，和/>分别为/>时刻的前向与后向隐藏层的状态；/>和/>分别为/>时刻的前向和后向隐藏层的状态；
输出层获得输出数据的方法为：
式中，和/>分别为/>时刻前向和后向隐藏层状态的权重；/>是/>时刻隐藏层状态的偏置。
进一步地，所述步骤S2构建双向门控循环单元与全连接神经网络的混合神经网络预测模型BiGRU-NN时的NN；
相连接神经元的数学关系为：
式中：为激活函数；/>为神经元输入；/>为神经元输出；/>为权重矩阵；/>为偏置量。
进一步地，所述步骤S3海鸥优化算法优化超参数的具体步骤如下：
步骤（1）、初始化海鸥优化算法参数，将BiGRU-NN预测模型的超参数设定为海鸥优化算法的优化对象；
步骤（2）、计算对应超参数的适应度值并保留全局最优位置；
步骤（3）、海鸥迁徙，计算海鸥的新位置；
式中：为不与其他海鸥存在位置冲突的新位置；/>为海鸥当前位置；/>为表海鸥在给定搜索空间中的迁徙行为；/>为控制变量/>的频率；/>为当前迭代；/>为最大迭代次数；/>为最佳位置所在的方向；/>为最佳位置所在的方向；/>为负责平衡全局和局部搜索的随机数；/>为/>范围内的随机数；
步骤（4）、海鸥攻击猎物，计算海鸥的攻击位置；
式中：为螺旋的半径；/>为/>范围内的随机角度值；/>、/>为螺旋形状的相关常数；
步骤（5）、判断是否达到最大迭代次数，是则跳转至步骤（6），否则跳转至步骤（2）；
步骤（6）、输出最优的超参数值，即得到最优的神经元个数和迭代次数。
进一步地，所述步骤S7构建ARIMA模型，具体方法为：
式中：为当前/>时刻的预测误差值；/>为残差；/>是/>时刻的预测误差值；表示各阶自回归项系数；/>为自相关系数；/>为误差。
进一步地，所述步骤S9中失效阈值为电池初始容量的70％。
进一步地，所述步骤S10对ARIMA-BiGRU-NN融合模型的准确性进行评估，评估指标包括：绝对误差AE、均方根误差RMSE与平均绝对百分比误差MAPE；
AE表示预测RUL的准确性；RMSE与MAPE表示电池的剩余容量预测的准确性；
绝对误差AE计算方法如下：
式中：代表真实的RUL；/>代表预测的RUL；
均方根误差RMSE计算方法如下：
平均绝对百分比误差MAPE计算方法如下：
式中：为/>时刻电池的实际容量值；/>为/>时刻电池的预测容量值；/>为样本数。
有益效果：与现有技术相比，本发明具有以下技术效果：
1、本发明涉及BiGRU-NN混合神经网络预测模型不仅能够考虑到历史时刻因素对于当前电池寿命的影响，同时也考虑到未来时刻因素对于当前电池寿命的影响，并且能够很好地学习非线性特征。
2、本发明利用海鸥优化算法优化BiGRU-NN模型的超参数，并采用ARIMA对BiGRU-NN混合神经网络预测模型的损失进行优化。
3、本发明采用海鸥优化算法与融合多种数据驱动算法，提升了预测模型的准确性与鲁棒性。
附图说明
图1为本发明预测的整体流程图；
图2为实施例所得预测误差数据图；
图3为预测误差数据一阶差分后的自相关系数（AFC）图；
图4为预测误差数据一阶差分后的偏自相关系数（PAFC）图；
图5为实施网络模型训练方法示意图；
图6为实施例中采用本发明ARIMA-BiGRU-NN模型预测结果图。
具体实施方式
下面结合具体实施方式对本发明的技术方案作进一步更详细的描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
本实例所使用的实验数据来NASA实验数据集中的B0005电池。该实验型号的锂电池相关额定数据如下：额定容量2Ah，额定充电截止电压4.2V，额定放电截止电压2.7V。
如图1所示，本发明的一种电动汽车动力电池剩余使用寿命预测方法，基于BiGRU-NN混合神经网络针对单向GRU神经网络仅考虑电池历史时刻容量信息的问题，并且能够很好地学习非线性特征。同时，采用海鸥优化算法优化BiGRU-NN模型的超参数。并使用ARIMA模型对BiGRU-NN的预测结果进行修正，提升了预测模型的精确度与鲁棒性。
具体包括以下步骤：
步骤S1、获取电动汽车动力电池的监测数据，并从中提取电池的放电时间、放电时最高温度、最大电压、最大负载电流、最大负载电压和电池容量数据，接着上述监测数据按照历史时刻数据和未来时刻数据划分为训练集、误差修正集和测试集，同时对数据进行归一化处理，以确保所有数据都落在[0,1]区间内，然后将归一化后的数据集转成有监督数据。
步骤S2、构建双向门控循环单元(BiGRU)与全连接神经网络(NN)的混合神经网络预测模型BiGRU-NN；
BiGRU包括输入层、前向隐藏层、后向隐藏层和输出层，其中，
输入层：接收电动汽车动力电池的健康因子与对应电池容量；
前向隐藏层：通过前向GRU函数，获取前向隐藏层的状态；
后向隐藏层：通过后向GRU函数，获取后向隐藏层的状态；
输出层：将前向隐藏层与后向隐藏层的状态融合，获取输出数据；
其中，GRU函数为：
式中，为/>时刻的输入向量；/>和/>分别为/>和/>时刻的隐藏层状态；分别为示更新门、重置门和记忆单元的输出；/>分别为更新门、重置门和记忆单元同输入信息的连接矩阵；/>分别为更新门、重置门和记忆单元同输入信息的权重；/>为偏置向量；/>代表Sigmoid函数；/>表示双曲正切函数；/>表示点积运算；
获取前向隐藏层和后向隐藏层的状态，具体方法为：
式中：和/>分别为/>时刻的前向与后向隐藏层的状态。
此处输出层获取输出数据的具体方法为：
式中，和/>分别为/>时刻的前向和后向隐藏层的状态；/>和/>分别为/>时刻前向和后向隐藏层状态的权重；/>是/>时刻隐藏层状态的偏置。
NN包括：输入层、隐藏层以及输出层；每一层的每一个神经元均与下一层的所有神经元相连接；
相连接神经元的数学关系为：
式中：为激活函数；/>为神经元输入；/>为神经元输出；/>为权重矩阵；/>为偏置量。
步骤S3、基于海鸥优化算法（SOA）优化BiGRU-NN剩余寿命预测模型的超参数，此处待优化的超参数包括各层神经元个数、迭代次数；具体优化过程为：
步骤（1）、初始化海鸥优化算法参数，将BiGRU-NN预测模型的超参数设定为海鸥优化算法的优化对象；
步骤（2）、计算对应超参数的适应度值并保留全局最优位置；
步骤（3）、海鸥迁徙，计算海鸥的新位置；
式中：为不与其他海鸥存在位置冲突的新位置；/>为海鸥当前位置；/>为表海鸥在给定搜索空间中的迁徙行为；/>为控制变量/>的频率；/>为当前迭代；/>为最大迭代次数；/>为最佳位置所在的方向；/>为最佳位置所在的方向；/>为负责平衡全局和局部搜索的随机数；/>为/>范围内的随机数；
步骤（4）、海鸥攻击猎物，计算海鸥的攻击位置；
式中：为螺旋的半径；/>为/>范围内的随机角度值；/>、/>为螺旋形状的相关常数；
步骤（5）、判断是否达到最大迭代次数，是则跳转至步骤（6），否则跳转至步骤（2）；
步骤（6）、输出最优的超参数值，即得到最优的神经元个数和迭代次数
步骤S4、将步骤S1的训练集输入步骤S3海鸥优化算法优化后的BiGRU-NN模型，训练得到BiGRU-NN剩余寿命预测模型。
步骤S5、使用步骤S4训练所得BiGRU-NN剩余寿命预测模型对步骤S1的误差修正集进行预测，得到误差修正集的预测值。
步骤S6、将时刻电池的实际容量值/>与步骤S5获得误差修正集的预测值/>作差，得到/>时刻的预测误差/>，即/>，/>变化趋势如图2所示。
步骤S7、构建ARIMA（p,d,q）预测模型，使用预测误差对ARIMA（p,d,q）模型定阶，对BiGRU-NN剩余寿命预测模型的预测误差进行预测：
式中：为当前/>时刻的预测误差值；/>为残差；/>是/>时刻的预测误差值；表示各阶自回归项系数；/>为自相关系数；/>为误差。
上述定阶方法为：
（1）、d为差分运算阶数：通过单位根检验法检测预测误差的平稳性，若为非平稳序列，进行d阶差分运算，化为平稳时间序列；
（2）、p、q：通过自相关系数（AFC）和偏自相关系（PAFC）来选取参数p和q；
（3）、p阶后ACF衰减趋于零，p阶后PACF截尾；q阶后ACF后截尾，q阶后PACF衰减趋于零。
步骤S8、使用步骤S4得到BiGRU-NN剩余寿命预测模型对步骤S1划分的测试集进行预测，采用步骤S7所得定阶后ARIMA预测模型对此时的预测结果进行修正，得到剩余容量预测结果，/>；
上式中，为修正值；/>为BiGRU-NN模型测试集的预测值。
步骤S9、判断剩余容量预测结果中达到失效阈值的点，得到电池剩余寿命RUL；其中失效阈值为电池初始容量的70％，本发明将第一次超过这个失效阈值的时间点设为寿命终结点。
步骤S10、使用测试集对ARIMA-BiGRU-NN（如图5）融合模型的准确性进行评估，评估指标包括：绝对误差AE、均方根误差RMSE与平均绝对百分比误差MAPE；
AE表示预测RUL的准确性；RMSE与MAPE表示电池的剩余容量预测的准确性；
绝对误差AE计算方法如下：
式中：代表真实的RUL；/>代表预测的RUL；
均方根误差RMSE计算方法如下：
平均绝对百分比误差MAPE计算方法如下：
式中：为/>时刻电池的实际容量值；/>为/>时刻电池的预测容量值；/>为样本数。
本发明融合多种数据驱动算法，克服单一数据驱动方法存在数据挖掘不充分、估计精度低等问题。由于汽车动力电池数据是一个时间序列，采用BiGRU充分考虑历史时期以及未来时期的因素对当前预测结果的影响，利用NN网络得到预测结果；利用海鸥优化算法优化BiGRU-NN模型的超参数；采用ARIMA对BiGRU-NN混合神经网络预测模型的损失进行优化，增加模型整体的鲁棒性，实现对电池剩余寿命更加准确的预测。
实施例：
本实施例将电池监测数据的前60个充放电周期作为训练集，中间 40个充放电周期作为误差修正集，后66个充放电周期作为测试集。
本实施例通过单位根检验法检测预测误差的平稳性，发现其非平稳序列，通过一阶差分将其转换为平稳序列，因此，ARIMA模型中d为1；图3和图4分别是预测误差数据一阶差分后的自相关系数（AFC）图和偏自相关系数（PAFC）图。
通过自相关系数（AFC）和偏自相关系数（PAFC）来选取参数p和q，其中，1阶后ACF衰减趋于零，1阶后PACF截尾；2阶后ACF后截尾，2阶后PACF衰减趋于零。因此，p，q分别为1，2。
本实施例的最终剩余使用寿命预测结果如图6所示，由图6可发现本发明的ARIMA-BiGRU-NN融合模型能够有效预测锂电池的容量。
表1为本发明提供的一种为B0005电池剩余使用寿命预测中5种不同开始节点的结果。
表1 B0005电池剩余使用寿命预测的结果
综上所述，本发明选择基于ARIMA-BiGRU-NN融合模型进行电池剩余使用寿命预测。本发明提出的BiGRU-NN混合神经网络预测模型不仅能够考虑到历史时刻因素对于当前电池寿命的影响，同时也考虑到未来时刻因素对于当前电池寿命的影响，并且能够很好地学习非线性特征。同时，利用海鸥优化算法优化BiGRU-NN模型的超参数，采用ARIMA模型对BiGRU-NN模型的预测误差进行修正。因此，该模型能够更准确的预测电池的剩余使用寿命，有效地提高了车辆行驶安全性，为电池的回收再利用、减少研发与制造周期提供一定的基础。
Claims (8)
1.一种电动汽车动力电池剩余使用寿命预测方法，其特征在于，包括以下步骤：
步骤S1、获取电动汽车动力电池的监测数据，并从中提取电池的放电时间、放电时最高温度、最大电压、最大负载电流、最大负载电压和电池容量数据，接着上述监测数据按照历史时刻数据和未来时刻数据划分为训练集、误差修正集和测试集，同时对数据进行归一化处理；
步骤S2、构建双向门控循环单元BiGRU与全连接神经网络NN的混合神经网络BiGRU-NN预测模型；
上述双向门控循环单元BiGRU包括：输入层、前向隐藏层、后向隐藏层和输出层；所述前向隐藏层通过前向GRU函数来获取前向隐藏层的状态；所述后向隐藏层通过后向GRU函数来获取后向隐藏层的状态；所述输出层将前向隐藏层与后向隐藏层的状态融合，获取输出数据；
上述全连接神经网络NN包括：输入层、隐藏层以及输出层；所述输入层、隐藏层以及输出层中每一层的每一个神经元均与下一层的所有神经元相连接；
步骤S3、基于海鸥优化算法SOA优化BiGRU-NN预测模型的超参数，包括各层神经元个数、迭代次数；
步骤S4、将步骤S1的训练集输入步骤S3海鸥优化算法优化后的BiGRU-NN预测模型，训练得到BiGRU-NN剩余寿命预测模型；
步骤S5、使用步骤S4训练所得BiGRU-NN剩余寿命预测模型对步骤S1的误差修正集进行预测，得到误差修正集的预测值；
步骤S6、将时刻电池的实际容量值/>与步骤S5获得误差修正集的预测值/>作差，得到时刻的预测误差/>，即/>；
步骤S7、构建ARIMA（p,d,q）预测模型，使用预测误差对ARIMA（p,d,q）模型定阶；上述定阶方法为：
（1）、d为差分运算阶数：通过单位根检验法检测预测误差的平稳性，若为非平稳序列，进行d阶差分运算，化为平稳时间序列；
（2）、p、q：通过自相关系数（AFC）和偏自相关系（PAFC）来选取参数p和q；
（3）、p阶后ACF衰减趋于零，p阶后PACF截尾；q阶后ACF后截尾，q阶后PACF衰减趋于零；
步骤S8、使用步骤S4所得BiGRU-NN剩余寿命预测模型对步骤S1划分的测试集进行预测，采用步骤S7所得定阶后ARIMA预测模型对此时的预测结果进行修正，得到剩余容量预测结果，/>；
上式中，为误差修正值，/>为BiGRU-NN模型测试集的预测值；
步骤S9、判断剩余容量预测结果中达到失效阈值的点，得到电池剩余寿命RUL；
步骤S10、使用测试集对ARIMA-BiGRU-NN融合模型的准确性进行评估。
2.根据权利要求1所述的电动汽车动力电池剩余使用寿命预测方法，其特征在于，所述步骤S1中数据预处理的方法为：将容量退化数据集进行归一化处理，以确保所有数据都落在[0,1]区间内，然后将归一化后的数据集转成有监督数据。
3.根据权利要求1所述的电动汽车动力电池剩余使用寿命预测方法，其特征在于，所述步骤S2构建双向门控循环单元与全连接神经网络的混合神经网络预测模型BiGRU-NN时的BiGRU；
GRU函数为：
式中，为/>时刻的输入向量；/>和/>分别为/>和/>时刻的隐藏层状态；分别为示更新门、重置门和记忆单元的输出；/>分别为更新门、重置门和记忆单元同输入信息的连接矩阵；/>分别为更新门、重置门和记忆单元同输入信息的权重；/>为偏置向量；/>代表Sigmoid函数；/>表示双曲正切函数；/>表示点积运算；
获取前向隐藏层和后向隐藏层的状态的具体公式如下：
式中，和/>分别为/>时刻的前向与后向隐藏层的状态；/>和/>分别为/>时刻的前向和后向隐藏层的状态；
输出层获得输出数据的方法为：
式中，和/>分别为/>时刻前向和后向隐藏层状态的权重；/>是/>时刻隐藏层状态的偏置。
4.根据权利要求1所述的电动汽车动力电池剩余使用寿命预测方法，其特征在于，所述步骤S2构建双向门控循环单元与全连接神经网络的混合神经网络预测模型BiGRU-NN时的NN；
相连接神经元的数学关系为：
式中：为激活函数；/>为神经元输入；/>为神经元输出；/>为权重矩阵；/>为偏置量。
5.根据权利要求1所述的电动汽车动力电池剩余使用寿命预测方法，其特征在于，所述步骤S3优化超参数的具体过程为：
步骤（1）、初始化海鸥优化算法参数，将BiGRU-NN预测模型的超参数设定为海鸥优化算法的优化对象；
步骤（2）、计算对应超参数的适应度值并保留全局最优位置；
步骤（3）、海鸥迁徙，计算海鸥的新位置；
式中：为不与其他海鸥存在位置冲突的新位置；/>为海鸥当前位置；/>为表海鸥在给定搜索空间中的迁徙行为；/>为控制变量/>的频率；/>为当前迭代；/>为最大迭代次数；/>为最佳位置所在的方向；/>为最佳位置所在的方向；/>为负责平衡全局和局部搜索的随机数；/>为/>范围内的随机数；
步骤（4）、海鸥攻击猎物，计算海鸥的攻击位置；
式中：为螺旋的半径；/>为/>范围内的随机角度值；/>、/>为螺旋形状的相关常数；
步骤（5）、判断是否达到最大迭代次数，是则跳转至步骤（6），否则跳转至步骤（2）；
步骤（6）、输出最优的超参数值，即得到最优的神经元个数和迭代次数。
6.根据权利要求1所述的电动汽车动力电池剩余使用寿命预测方法，其特征在于，所述步骤S7构建ARIMA模型，具体方法为：
式中：为当前/>时刻的预测误差值；/>为残差；/>是/>时刻的预测误差值；/>表示各阶自回归项系数；/>为自相关系数；/>为误差。
7.根据权利要求1所述的电动汽车动力电池剩余使用寿命预测方法，其特征在于，步骤S9中失效阈值为电池初始容量的70％。
8.根据权利要求1所述的电动汽车动力电池剩余使用寿命预测方法，其特征在于，所述步骤S10对ARIMA-BiGRU-NN融合模型的准确性进行评估，评估指标包括：绝对误差AE、均方根误差RMSE与平均绝对百分比误差MAPE；
AE表示预测RUL的准确性；RMSE与MAPE表示电池的剩余容量预测的准确性；
绝对误差AE计算方法如下：
式中：代表真实的RUL；/>代表预测的RUL；
均方根误差RMSE计算方法如下：
平均绝对百分比误差MAPE计算方法如下：
式中：为/>时刻电池的实际容量值；/>为/>时刻电池的预测容量值；/>为样本数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311135852.7A CN117031310A (zh) | 2023-09-05 | 2023-09-05 | 一种电动汽车动力电池剩余使用寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311135852.7A CN117031310A (zh) | 2023-09-05 | 2023-09-05 | 一种电动汽车动力电池剩余使用寿命预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117031310A true CN117031310A (zh) | 2023-11-10 |
Family
ID=88643183
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311135852.7A Pending CN117031310A (zh) | 2023-09-05 | 2023-09-05 | 一种电动汽车动力电池剩余使用寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117031310A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117310538A (zh) * | 2023-11-27 | 2023-12-29 | 深圳市普裕时代新能源科技有限公司 | 一种电量剩余转化效率自检测的储能电池电量监控系统 |
| CN117471327A (zh) * | 2023-12-25 | 2024-01-30 | 深圳市北测检测技术有限公司 | 一种汽车动力电池的安全性能检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112819136A (zh) * | 2021-01-20 | 2021-05-18 | 南京邮电大学 | 基于cnn-lstm神经网络模型与arima模型的时间序列预测方法及系统 |
| CN113902205A (zh) * | 2021-10-19 | 2022-01-07 | 南京工程学院 | 一种基于小波变换与BiGRU-NN的短期负荷预测方法 |
| CN114781273A (zh) * | 2022-05-14 | 2022-07-22 | 哈尔滨理工大学 | 基于soa-lstm的电池剩余寿命的预测方法及装置 |
| CN115099296A (zh) * | 2022-04-15 | 2022-09-23 | 河北建投海上风电有限公司 | 基于深度学习算法的海浪高度预测方法 |
| CN115204316A (zh) * | 2022-09-07 | 2022-10-18 | 中国人民解放军陆军装甲兵学院 | 一种基于支持向量机的车载网络故障诊断方法 |
| CN115374710A (zh) * | 2022-09-19 | 2022-11-22 | 兰州理工大学 | 基于改进海鸥优化算法和多核极限学习机的风速预测方法 |
| CN116341612A (zh) * | 2023-04-03 | 2023-06-27 | 济南大学 | 一种基于ABiLSTM-QSOA网络的AUV漂移轨迹预测方法 |
-
2023
- 2023-09-05 CN CN202311135852.7A patent/CN117031310A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112819136A (zh) * | 2021-01-20 | 2021-05-18 | 南京邮电大学 | 基于cnn-lstm神经网络模型与arima模型的时间序列预测方法及系统 |
| CN113902205A (zh) * | 2021-10-19 | 2022-01-07 | 南京工程学院 | 一种基于小波变换与BiGRU-NN的短期负荷预测方法 |
| CN115099296A (zh) * | 2022-04-15 | 2022-09-23 | 河北建投海上风电有限公司 | 基于深度学习算法的海浪高度预测方法 |
| CN114781273A (zh) * | 2022-05-14 | 2022-07-22 | 哈尔滨理工大学 | 基于soa-lstm的电池剩余寿命的预测方法及装置 |
| CN115204316A (zh) * | 2022-09-07 | 2022-10-18 | 中国人民解放军陆军装甲兵学院 | 一种基于支持向量机的车载网络故障诊断方法 |
| CN115374710A (zh) * | 2022-09-19 | 2022-11-22 | 兰州理工大学 | 基于改进海鸥优化算法和多核极限学习机的风速预测方法 |
| CN116341612A (zh) * | 2023-04-03 | 2023-06-27 | 济南大学 | 一种基于ABiLSTM-QSOA网络的AUV漂移轨迹预测方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117310538A (zh) * | 2023-11-27 | 2023-12-29 | 深圳市普裕时代新能源科技有限公司 | 一种电量剩余转化效率自检测的储能电池电量监控系统 |
| CN117471327A (zh) * | 2023-12-25 | 2024-01-30 | 深圳市北测检测技术有限公司 | 一种汽车动力电池的安全性能检测方法 |
| CN117471327B (zh) * | 2023-12-25 | 2024-05-07 | 深圳市北测检测技术有限公司 | 一种汽车动力电池的安全性能检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Data-driven hybrid internal temperature estimation approach for battery thermal management | |
| Khalid et al. | Prediction of li-ion battery state of charge using multilayer perceptron and long short-term memory models | |
| KR102439041B1 (ko) | 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치 | |
| CN117031310A (zh) | 一种电动汽车动力电池剩余使用寿命预测方法 | |
| CN111856287B (zh) | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 | |
| CN111680848A (zh) | 基于预测模型融合的电池寿命预测方法及存储介质 | |
| CN103954913A (zh) | 电动汽车动力电池寿命预测方法 | |
| Lipu et al. | Improved recurrent NARX neural network model for state of charge estimation of lithium-ion battery using pso algorithm | |
| CN114636932A (zh) | 一种电池剩余使用寿命预测方法及系统 | |
| AU2021101964A4 (en) | Artificial intelligence based smart electric vehicle battery management system | |
| CN113219357A (zh) | 电池包健康状态计算方法、系统及电子设备 | |
| Che et al. | Battery health prognostic with sensor-free differential temperature voltammetry reconstruction and capacity estimation based on multi-domain adaptation | |
| CN110568360A (zh) | 一种基于模糊逻辑算法的锂电池老化诊断方法 | |
| CN114384435A (zh) | 一种基于wsa-lstm算法的新能源汽车动力电池剩余使用寿命自适应预测方法 | |
| Singh et al. | A genetic algorithm and rnn-lstm model for remaining battery capacity prediction | |
| CN116449218B (zh) | 一种锂电池健康状态的估计方法 | |
| CN113361692A (zh) | 一种锂电池剩余寿命结合预测方法 | |
| Zhang et al. | Lithium battery SOC prediction based on mproved BP eural etwork algorithm | |
| 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 | |
| CN112731183A (zh) | 一种基于改进的elm的锂离子电池寿命预测方法 | |
| CN116774088A (zh) | 基于多目标优化的锂离子电池健康状态估计方法 | |
| CN116679213A (zh) | 基于集成深度学习的电动汽车动力电池soh估算方法 | |
| 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 | |
| CN113721151B (zh) | 基于双塔深度学习网络的电池容量预估模型及方法 | |
| Upashrutti et al. | Estimation of State of Charge of EV Batteries-A Machine Learning Approach |
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 |