CN117406100A - 锂离子电池剩余寿命预测方法和系统 - Google Patents
锂离子电池剩余寿命预测方法和系统 Download PDFInfo
- Publication number
- CN117406100A CN117406100A CN202311626720.4A CN202311626720A CN117406100A CN 117406100 A CN117406100 A CN 117406100A CN 202311626720 A CN202311626720 A CN 202311626720A CN 117406100 A CN117406100 A CN 117406100A
- Authority
- CN
- China
- Prior art keywords
- lithium ion
- ion battery
- neural network
- encoder
- decoder
- 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
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 63
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000007246 mechanism Effects 0.000 claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 claims abstract description 58
- 230000008929 regeneration Effects 0.000 claims abstract description 17
- 238000011069 regeneration method Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 230000001364 causal effect Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 10
- 230000010339 dilation Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 230000007774 longterm Effects 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 4
- 229910052744 lithium Inorganic materials 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000035899 viability Effects 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种锂离子电池剩余寿命预测方法和系统，方法包括获取与获取锂离子电池容量的衰减数据，并输入改进的神经网络框架，通过所述神经网络框架预测锂离子电池的剩余寿命；其中，所述改进的神经网络框架包括编码器、解码器和深度神经网络DNN，所述编码器包括时间卷积网络TCN，并引入特征注意力机制，编码器用于根据锂离子电池容量的衰减数据提取电池容量再生特征；所述解码器包括门控循环单元GRU，并引入时间注意力机制，解码器用于根据编码器得到的电池容量再生特征得到电池容量衰减特征；所述深度神经网络DNN用于根据对解码器得到的电池容量衰减特征对锂离子电池的剩余寿命进行预测。本发明能够有效预测锂离子电池的剩余寿命。
Description
技术领域
本发明涉及锂电池寿命预测技术领域，尤其是指一种锂离子电池剩余寿命预测方法和系统。
背景技术
化石燃料储备有限以及气候变化的挑战为清洁交通系统、可再生能源和智能电网的发展提供了强大动力，在这些领域，锂离子电池(Lithium-ion Batteries，LIBs)已广泛应用，作为昂贵的组件，它们在系统中扮演着重要的角色，需要进行仔细监控和操作。为了实现电动汽车和基础设施、可再生能源系统和智能电网的经济可行性，需要具备足够的电池寿命。了解电池在运行过程中的退化规律是最紧迫且最具挑战性的问题之一，因为这是决定电池寿命的限制因素.由于复杂的降解机制，不同工作条件下电池的寿命存在显著差异.锂离子电池是一种动态的时变电化学系统，具有非线性行为和复杂的内部机制.随着充放电循环次数的增加，每一个锂离子电池的性能和使用寿命逐渐退化.锂离子电池充放电是一个动态的复杂过程，有许多状态指标可以用来描述电池的性能下降，包括健康状态(State of Health，SOH)、充电状态(State of Capacity，SOC)和能量状态(State ofEnergy，SOE)。SOC和SOE本质上都是隐式状态，只能从电池内复杂的电化学过程来估计。由于电池退化过程的复杂性和状态内隐性，这使得预测锂离子电池剩余寿命(RemainingUseful Life，RUL)成为一项极具挑战性的任务。
随着机器学习和深度学习的不断深入发展，越来越多的学者开始使用基于数据驱动的方法来预测锂离子电池剩余寿命，并且取得很大的进展.近年来，能够处理时间序列数据的循环神经网络(Recurrent Neural Network，RNN)及其变体长短时记忆网络(Longshort-term memory，LSTM)和门控循环单元(Gated Recurrent Unit，GRU)得到了相关学者的广泛关注和研究。Zhang等人使用可变输入维度的长短期记忆网络来预测电池容量时间序列；该方法基于现有的信息对参数进行实时优化，实验结果表明，无论是多步预测还是长期预测，其精度相对其他经典算法都较高。Cui等人提出了一种基于动态时空注意机制和GRU的SOH估计模型；从电池的充放电数据中提取了六个在一定程度上反映电池老化程度的特征，结合空间注意和时间注意的模型，不仅考虑其对不同时间步长的状态对结果的影响，也考虑了不同特征在空间域中的影响；实验表明，该模型比其他传统模型具有更高的精度。Zheng等人提出了一种基于卷积门控递归单元(CNN-GRU)的锂电池随机充电过程电池容量估计方法，该方法通过CNN-GRU框架从充电过程中的电压、电流和温度曲线段中提取关键特征，实现锂电池RUL预测。与其他传统机器学习方法相比，该方法不需要人工选择或构建特征信息，可以实现较高精度的RUL预测。可见，循环神经网络及其变体已经有相当程度的应用和发展，其中GRU神经网络具有结构简单、参数少、模型训练时间短等优点，可以更好地预测锂离子电池容量序列的衰减趋势。一般来说，电池RUL预测可以看作是一个多元时间序列预测问题，GRU自然成为首选的模型，然而，GRU在时序预测问题的应用中仍然存在对时序数据的长期依赖和由长时序数据预测导致的误差累积等问题。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中使用门控循环单元(GRU)进行锂电池寿命预测存在误差积累问题。
为解决上述技术问题，本发明提供了一种锂离子电池剩余寿命预测方法，包括：
获取锂离子电池容量的衰减数据，并输入改进的神经网络框架，通过所述神经网络框架预测锂离子电池的剩余寿命；
其中，所述改进的神经网络框架包括编码器、解码器和深度神经网络DNN，所述编码器包括时间卷积网络TCN，并引入特征注意力机制，编码器用于根据锂离子电池容量的衰减数据提取电池容量再生特征；所述解码器包括门控循环单元GRU，并引入时间注意力机制，解码器用于根据编码器得到的电池容量再生特征得到电池容量衰减特征；所述深度神经网络DNN用于根据对解码器得到的电池容量衰减特征对锂离子电池的剩余寿命进行预测。
在本发明的一个实施例中，所述门控循环单元GRU的计算过程包括：
zt＝σ(Wz[ht-1,St]+bz)
rt＝σ(Wr[ht-1,St]+br)
其中，zt表示更新门输出，rt表示重置门输出，表示重置门计算的隐藏状态，h't表示更新门对隐藏状态的更新，ht-1和h't分别是指上一时刻和当前时刻的信息隐藏状态；Wz指重置门的权重，Wr和Wh是更新门的两个权重；bz指重置门的偏置项，br和bh是更新门的两个偏置项；σ代表Sigmod激活函数。
在本发明的一个实施例中，所述时间卷积网络TCN包括因果卷积、膨胀卷积和残差连接；
所述因果卷积的公式为：
其中，P(xt)为预测概率，T是总时间步数；
所述膨胀卷积的公式为：
其中，F(xt)表示膨胀卷积的网络输出，k表示卷积核大小；d表示膨胀因子，为2的幂次数；
残差连接的公式为：
Y＝σ[x+F(x)]
其中，x为卷积输入，F(x)为卷积输出，Y表示残差连接的输出。
在本发明的一个实施例中，所述特征注意力机制的计算过程包括：
et＝u·tanh(wht+b)
St＝αtht
其中，ht表示TCN中隐藏层的输出，u和w表示权重系数；b表示偏置项，αt表示注意权重分布值；St为特征注意机制的输出。
在本发明的一个实施例中，所述时间注意力机制的计算过程包括：
其中，score(,)表示历史状态与当前状态的相关性大小，h's表示GRU隐藏层的历史输出，h't表示GRU隐藏层的输出，α't表示历史隐藏状态对当前输入的注意权重，ct是中间的过渡向量，时间注意机制的输出由表示，WC表示过渡向量与时间注意力机制输出组合的权重矩阵。
在本发明的一个实施例中，。
在本发明的一个实施例中，所述获取锂离子电池容量的衰减数据还包括：对获取锂离子电池容量的衰减数据进行归一化处理。
为解决上述技术问题，本发明提供了一种锂离子电池剩余寿命预测系统，包括：
获取与预测模块：用于获取锂离子电池容量的衰减数据，并输入改进的神经网络框架，通过所述神经网络框架预测锂离子电池的剩余寿命；
其中，所述改进的神经网络框架包括编码器、解码器和深度神经网络DNN，所述编码器包括时间卷积网络TCN，并引入特征注意力机制，编码器用于根据锂离子电池容量的衰减数据提取电池容量再生特征；所述解码器包括门控循环单元GRU，并引入时间注意力机制，解码器用于根据编码器得到的电池容量再生特征得到电池容量衰减特征；所述深度神经网络DNN用于根据对解码器得到的电池容量衰减特征对锂离子电池的剩余寿命进行预测。
为解决上述技术问题，本发明提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述锂离子电池剩余寿命预测方法的步骤，。
为解决上述技术问题，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述锂离子电池剩余寿命预测方法的步骤。
本发明的上述技术方案相比现有技术具有以下优点：
本发明以编码器-解码器为基本框架，融合了时间卷积网络TCN、深度神经网络DNN以及两种不同的注意力机制，其中，由TCN和特征注意机制组成的编码器可以更准确地捕获电池容量的长期和短期特征，解码器由GRU和时间注意力机制可以更好地表征电池容量序列的衰减趋势，最终通过DNN可以提高整体电池容量序列的预测精度和效率；
本发明的编码器TCN和特征注意机制构成，通过引入特征注意机制，相关信息的特征会随着注意力权重的增加而改变，以更好地捕获电池容量的相关特征；
本发明的解码器由GRU和时间注意力机制构成，通过引入时间注意力机制能够解决在面对较长的序列输入时容易出现的信息丢失和梯度弥散问题；
本发明以平均绝对百分比误差(MAPE)、均方根误差(RMSE)、平均绝对误差(MAE)、相对准确率(RA)、剩余寿命误差RULe共五个指标对神经网络框架进行效果评估，实验表明本发明泛化性能好、预测精度高、误差小，实现了对锂离子电池的退化过程进行有效建模和准确预测。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明。
图1是本发明的方法流程图；
图2是本发明实施例中门控循环单元GRU的结构示意图；
图3是本发明实施例中膨胀卷积的结构示意图；
图4是本发明实施例中残差连接结构示意图；
图5是本发明实施例中特征注意力机制结构示意图；
图6是本发明实施例中时间注意力机制结构示意图；
图7是本发明实施例中神经网络框架的总体结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
实施例一
参照图1所示，本发明涉及一种锂离子电池剩余寿命预测方法，包括：
获取锂离子电池容量的衰减数据，并输入改进的神经网络框架，通过所述神经网络框架预测锂离子电池的剩余寿命；
其中，所述改进的神经网络框架包括编码器、解码器和深度神经网络DNN，所述编码器包括时间卷积网络TCN，并引入特征注意力机制，编码器用于根据锂离子电池容量的衰减数据提取电池容量再生特征；所述解码器包括门控循环单元GRU，并引入时间注意力机制，解码器用于根据编码器得到的电池容量再生特征得到电池容量衰减特征；所述深度神经网络DNN用于根据对解码器得到的电池容量衰减特征对锂离子电池的剩余寿命进行预测。
以下对本实施例进行详细介绍：
1.理论背景
1.1门控循环单元
虽然传统递归神经网络(Recurrent Neural Network，RNN)有记忆性、参数共享等有点，但在处理实际跨度较大、依赖性强等问题时，同一隐藏层中信息传递会出现梯度消失和梯度爆炸等问题，从而导致学习效率低、结果较差。针对RNN训练过程中存在的问题，一些学者提出了长短期记忆(Long-short term memory，LSTM)和门控循环单元(GatedRecurrent Unit，GRU)，它们可以有效解决RNN中梯度消失和爆炸的问题，同时网络单元以链的方式连接，它们具有称为“门”的内部机制，可以调节信息流，与LSTM方法相比，GRU将“遗忘门”与“输入门”合并到“更新门”中，简化了复杂的内部结构，提高了计算能力速度，GRU结构如图2所示。
更新门rt同时控制着信息流中哪些信息应被保留、哪些信息应被遗忘，GRU神经网络的计算过程如下：
zt＝σ(Wz[ht-1,St]+bz) (1)
rt＝σ(Wr[ht-1,St]+br) (2)
其中，zt表示表示更新门输出，rt表示重置门输出，表示重置门计算的隐藏状态，h't表示更新门对隐藏状态的更新，ht-1和h't分别是指上一时刻和当前时刻的信息隐藏状态；Wz指重置门的权重，Wr和Wh是更新门的两个权重；bz指重置门的偏置项，br和bh是更新门的两个偏置项；σ代表Sigmod激活函数。
1.2时间卷积神经网络
TCN作为一种新的时间序列的预测方法可以解决上述CNN的问题，它可以通过调节感受野的大小来控制模型的内存长度；同时，TCN可以对大规模输入数据进行并行处理来加快模型输出。TCN由以下三个主要模块组成：
(1)因果卷积(Causal Convolution)
为了完成准确的时序预测，关键之一是保证信息不能泄漏，信息泄漏是指模型颠倒序列顺序，如预测t时刻输出时引入了t+1、t+2等未来时刻时刻的数据，为了解决这个问题，TCN引入了因果卷积，以确保在时间序列预测过程中只有时刻之前数据可以用来对当前时刻进行预测。因果卷积的公式计算为：
其中，P(xt)为预测概率，T是总时间步数。
(2)膨胀卷积(Dilated Convolution)
对于所有的历史容量信息，只使用因果卷积会导致网络深度的增加。因此，TCN引入了膨胀卷积来解决这个问题，通过集成该模型来捕获对长时间输入数据的更多相关性，与一般卷积相比，膨胀卷积除了卷积核大小(Kernel size)外，还增加了用来表示膨胀大小的膨胀系数(Dilation rate)。
膨胀卷积的结构如图3所示，膨胀卷积的计算公式如下：
其中，F(xt)表示膨胀卷积的网络输出，k表示卷积核大小，表示卷积操作，表示卷积操作只能在过去的输入上进行。d表示膨胀因子，其值一般为2的幂次数，该模型保证网络在不增加模型深度的情况下尽可能地能够记住更多关于历史容量的信息。
(3)残差连接(Residual Connection)
TCN引入残差连接，有效提高网络性能，简化训练过程.它可以避免由网络深度的增加引起的网络性能下降和梯度弥散问题，残差连接计算公式如下：
Y＝σ[x+F(x)] (7)
其中，x为卷积输入，F(x)为卷积输出，Y表示残差连接的输出.
根据电池容量退化的特点进行数据分析，本实施例采用了图4所示的残差连接结构，图中的Conv表示在数据上进行卷积核处理的滑动操作。首先进行一维膨胀因果卷积，以记忆更多的历史信息，同时确保未来的信息不会泄露，然后对权值进行归一化，最后使用Dropout层来防止网络出现过拟合的现象。1×1的卷积层保证在残差连接中的输入和输出尺寸相同。
1.3深度神经网络
神经网络(Neural Network,NN)是基于感知器的扩展，而DNN是一种最简单的神经网络，本实施例不再赘述。简单来说，具有多个隐藏层的DNN可以通过执行线性和非线性操作来获得原始数据的特征。DNN中的每个隐藏层都从上一层获取输入，随后使用激活函数进行非线性处理，处理结果进入下一层，如此逐层迭代，最后传递到输出层作为输出。DNN可以提高整体电池容量序列的预测精度和效率。
1.4编码器-解码器模型
解码器-编码器结构是一种典型的序列到序列的模型架构，该模型最初用于自然语言处理领域，近年来被逐渐应用于时间序列预测，它通过编码器将长序列编码为一段向量表示，使用解码器对该向量进行解读并预测，可以有效解决使用单一模型对长时序预测进行预测时存在的误差累积问题。
本实施例根据编码器-解码器的框架，构建了基于TCN-GRU-DNN结合两种注意力机制的融合模型。其中，TCN和特征注意力机制(feature attention mechanism)形成编码器，实现容量再生(battery regeneration)信息的捕获，GRU和时间注意力机制(temporalattention mechanism)形成解码器，解决GRU处理长期序列数据预测时产生的信息丢失和梯度弥散问题，通过引入两种注意力机制，可以准确地捕获锂离子的容量再生成分和电池容量，准确预测电池容量序列的衰减趋势.最终通过DNN网络输出最终的预测结果。
2基于编码器-解码器框架的融合模型
2.1特征注意力机制和时间注意力机制
(1)特征注意力机制(Feature attention mechanism)
在TCN模型中引入了特征注意力机制，它根据输入的重要性程度分配不同的权值，同时得到每个步长中每个特征的权值随着步长的增加开始上升，特征注意机制将重点关注包含重要信息的特征，其结构如图5所示。
将由TCN网络层激活的输出向量输入到特征注意机制层。首先，对每个当前时刻输入信息的不同特征向量的权值概率进行了分析计算，相关信息的特征会随着注意力权重的增加而改变，随后当前时刻获得的权值乘以对应的输入信息，输出中间向量。特征注意机制的计算过程表述如下：
et＝u·tanh(wht+b) (8)
St＝αtht (10)
其中，ht表示TCN中隐藏层的输出，u和w表示权重系数；b表示偏置项，αt表示注意权重分布值；St为特征注意机制的输出。
(2)时间注意力机制(Temproal attention mechanism)
锂离子电池的RUL预测受到每个历史状态不同程度的影响，电池的性能随时间变化都有所不同，时间注意机制的结构如图6所示，它可以自适应地处理每个电池的历史容量信息对当前电池容量信息的影响程度。时间注意机制可以克服GRU网络在面对较长的序列输入时容易出现的信息丢失和梯度弥散问题。
将包含每个历史状态信息的最后一层的隐藏状态输入到时间注意机制层，分析历史状态和当前状态之间的相关性，使用Softmax激活函数计算注意力权重，建立对当前时刻影响最大的信息，最后通过tanh函数计算输出值，时间注意机制层的计算方法为：
其中，score(,)表示历史状态与当前状态的相关性大小，h's表示GRU隐藏层的历史输出，h't表示GRU隐藏层的输出，α't表示历史隐藏状态对当前输入的注意权重，ct是中间的过渡向量，时间注意机制的输出由表示，WC表示过渡向量与时间注意力机制输出组合的权重矩阵。
神经网络框架损失函数介绍：
有效的编码器应该尽可能最小化输入到特征向量之间的互信息，而解码器应该尽可能最大化特征向量与输出之间的互信息，互信息是信息论中一种有用的信息度量，它可以看成是一个随机变量中包含的关于另一个随机变量的信息量，或者说是一个随机变量由于另一个随机变量而减少的不肯定性。随机变量X与Y的互信息表示如下:
其中，I是互信息，X,Y是两个随机变量，P(X,Y)是随机变量X,Y的联合分布，P(X|Y)是X在Y的条件下的条件概率，P(X)是X的概率分布。
Donsker和Varadhan给出了互信息的下界，即基于KL散度的Donsker-Varadhan表示：
其中，Ω和R分别代表了编码器和解码器，T代表的是解码的过程，EP代表以P为参数集的神经网络，同理，EQ代表以Q为参数集的神经网络。
但互信息的计算一直以来是一个非常困难的问题，因为计算互信息需要同时计算联合分布和边缘分布，因此精确估计互信息的大小是一个非常重要的问题，本实施例利用神经网络进行互信息估算的方法MINE(mutual Information neural estimation)，其基于KL散度的Donsker-Varadhan表示给出了互信息的下限，公式如下:
其中，ω为神经网络的参数集。
其中对互信息估算的理论推导，首先需要引入称为f散度，定义如下:
其中，p(x)和q(x)分别为随机变量P和Q的概率分布密度，f(·)为所选取的度量函数。
互信息与KL散度之间的关系不难推导，现给出如下公式:
可以看出，互信息的本质含义就是两个变量的联合分布与两个变量的边缘分布之积的KL散度。目标函数即为最大化互信息的负值：
其中，KL(·)为计算KL散度；
JS散度属于之前讨论的f散度，同样可以使用式进行估计计算：
其中P和Q的定义为：
P＝p(z|x)p(x),Q＝p(z)p(x)
根据JS散度对应的凸共轭函数G(x)，可以得到其对应的估计结果如下所示：
其中，T为神经网络的目标拟合函数；
其中sigmoid函数为所以可以得到本实施例改进的神经网络框架损失函数为：
2.2神经网络总体框架
本实施例中神经网络的总体框架如图7所示，该融合模型的算法总流程可分为以下四个主要阶段：
第一阶段，从数据集中提取电池容量的衰减数据，然后根据不同的起点将数据序列划分为训练集和测试集，最后进行数据归一化处理。
第二阶段，将归一化处理后的数据输入到TCN网络中，t时刻的输出是通过对t时刻之前的数据进行卷积操作得到的，然后将通过TCN激活操作后得到的输出向量输入到特征注意力机制中，通过特征注意力机制计算每个输入信息在当前时刻的不同特征向量的权重概率，并将得到的权值乘以相应的输入信息，得到中间向量。
第三阶段，将中间向量输入到GRU网络中进行学习，时间注意机制基于当前时刻的容量信息自适应地计算每个电池历史容量数据的影响程度，同时在相关时刻加强对电池容量信息的影响。
第四阶段，最终的预测由DNN层输出，它们可以通过对原始数据进行线性和非线性处理来获得特征，并提高电池容量序列预测的准确性和效率。
实施例二
本实施例提供一种锂离子电池剩余寿命预测系统，其特征在于：包括：
获取与预测模块：用于获取锂离子电池容量的衰减数据，并输入改进的神经网络框架，通过所述神经网络框架预测锂离子电池的剩余寿命；
其中，所述改进的神经网络框架包括编码器、解码器和深度神经网络DNN，所述编码器包括时间卷积网络TCN，并引入特征注意力机制，编码器用于根据锂离子电池容量的衰减数据提取电池容量再生特征；所述解码器包括门控循环单元GRU，并引入时间注意力机制，解码器用于根据编码器得到的电池容量再生特征得到电池容量衰减特征；所述深度神经网络DNN用于根据对解码器得到的电池容量衰减特征对锂离子电池的剩余寿命进行预测。
实施例三
本实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现实施例一所述锂离子电池剩余寿命预测方法的步骤。
实施例四
本实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现实施例一所述锂离子电池剩余寿命预测方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种锂离子电池剩余寿命预测方法，其特征在于：包括：
获取锂离子电池容量的衰减数据，并输入改进的神经网络框架，通过所述神经网络框架预测锂离子电池的剩余寿命；
其中，所述改进的神经网络框架包括编码器、解码器和深度神经网络DNN，所述编码器包括时间卷积网络TCN，并引入特征注意力机制，编码器用于根据锂离子电池容量的衰减数据提取电池容量再生特征；所述解码器包括门控循环单元GRU，并引入时间注意力机制，解码器用于根据编码器得到的电池容量再生特征得到电池容量衰减特征；所述深度神经网络DNN用于根据对解码器得到的电池容量衰减特征对锂离子电池的剩余寿命进行预测。
2.根据权利要求1所述的锂离子电池剩余寿命预测方法，其特征在于：所述门控循环单元GRU的计算过程包括：
zt＝σ(Wz[ht-1,St]+bz)
rt＝σ(Wr[ht-1,St]+br)
其中，zt表示更新门输出，rt表示重置门输出，表示计算重置门的隐藏状态，ht'表示更新门对隐藏状态的更新，ht-1和ht'分别是指上一时刻和当前时刻的信息隐藏状态；Wz指重置门的权重，Wr和Wh是更新门的两个权重；bz指重置门的偏置项，br和bh是更新门的两个偏置项；σ代表Sigmod激活函数。
3.根据权利要求1所述的锂离子电池剩余寿命预测方法，其特征在于：所述时间卷积网络TCN包括因果卷积、膨胀卷积和残差连接。
4.根据权利要求3所述的锂离子电池剩余寿命预测方法，其特征在于：
所述因果卷积的公式为：
其中，P(xt)为预测概率，T是总时间步数；
所述膨胀卷积的公式为：
其中，F(xt)表示膨胀卷积的网络输出，k表示卷积核大小；d表示膨胀因子，为2的幂次数；
残差连接的公式为：
Y＝σ[x+F(x)]
其中，x为卷积输入，F(x)为卷积输出，Y表示残差连接的输出。
5.根据权利要求1所述的锂离子电池剩余寿命预测方法，其特征在于：所述特征注意力机制的计算过程包括：
et＝u·tanh(wht+b)
St＝αtht
其中，ht表示TCN中隐藏层的输出，u和w表示权重系数；b表示偏置项，αt表示注意权重分布值；St为特征注意机制的输出。
6.根据权利要求1所述的锂离子电池剩余寿命预测方法，其特征在于：所述时间注意力机制的计算过程包括：
其中，score(,)表示历史状态与当前状态的相关性大小，hs'表示GRU隐藏层的历史输出，ht'表示GRU隐藏层的输出，αt'表示历史隐藏状态对当前输入的注意权重，ct是中间的过渡向量，时间注意机制的输出由表示，WC表示过渡向量与时间注意力机制输出组合的权重矩阵。
7.根据权利要求1所述的锂离子电池剩余寿命预测方法，其特征在于：所述获取锂离子电池容量的衰减数据还包括：对获取锂离子电池容量的衰减数据进行归一化处理。
8.一种锂离子电池剩余寿命预测系统，其特征在于：包括：
获取与预测模块：用于获取锂离子电池容量的衰减数据，并输入改进的神经网络框架，通过所述神经网络框架预测锂离子电池的剩余寿命；
其中，所述改进的神经网络框架包括编码器、解码器和深度神经网络DNN，所述编码器包括时间卷积网络TCN，并引入特征注意力机制，编码器用于根据锂离子电池容量的衰减数据提取电池容量再生特征；所述解码器包括门控循环单元GRU，并引入时间注意力机制，解码器用于根据编码器得到的电池容量再生特征得到电池容量衰减特征；所述深度神经网络DNN用于根据对解码器得到的电池容量衰减特征对锂离子电池的剩余寿命进行预测。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述锂离子电池剩余寿命预测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时，实现如权利要求1至7中任一项所述锂离子电池剩余寿命预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311626720.4A CN117406100A (zh) | 2023-11-30 | 2023-11-30 | 锂离子电池剩余寿命预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311626720.4A CN117406100A (zh) | 2023-11-30 | 2023-11-30 | 锂离子电池剩余寿命预测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117406100A true CN117406100A (zh) | 2024-01-16 |
Family
ID=89487330
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311626720.4A Pending CN117406100A (zh) | 2023-11-30 | 2023-11-30 | 锂离子电池剩余寿命预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117406100A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117630683A (zh) * | 2024-01-25 | 2024-03-01 | 北京科技大学 | 基于多尺度融合gru网络的汽车电池soc多步预测方法与系统 |
| CN118332934A (zh) * | 2024-06-12 | 2024-07-12 | 西安热工研究院有限公司 | 一种基于储能容量的超级电容寿命预测方法及系统 |
| CN118393370A (zh) * | 2024-07-01 | 2024-07-26 | 广汽埃安新能源汽车股份有限公司 | 电池的剩余使用寿命检测方法及装置 |
-
2023
- 2023-11-30 CN CN202311626720.4A patent/CN117406100A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117630683A (zh) * | 2024-01-25 | 2024-03-01 | 北京科技大学 | 基于多尺度融合gru网络的汽车电池soc多步预测方法与系统 |
| CN117630683B (zh) * | 2024-01-25 | 2024-03-29 | 北京科技大学 | 基于多尺度融合gru网络的汽车电池soc多步预测方法与系统 |
| CN118332934A (zh) * | 2024-06-12 | 2024-07-12 | 西安热工研究院有限公司 | 一种基于储能容量的超级电容寿命预测方法及系统 |
| CN118393370A (zh) * | 2024-07-01 | 2024-07-26 | 广汽埃安新能源汽车股份有限公司 | 电池的剩余使用寿命检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lu et al. | An asymmetric encoder–decoder model for Zn-ion battery lifetime prediction | |
| CN110221225B (zh) | 一种航天器锂离子电池循环寿命预测方法 | |
| CN117406100A (zh) | 锂离子电池剩余寿命预测方法和系统 | |
| CN110119854A (zh) | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 | |
| CN113723007B (zh) | 基于drsn和麻雀搜索优化的设备剩余寿命预测方法 | |
| Vidal et al. | Estimating battery state of charge using recurrent and non-recurrent neural networks | |
| CN112986827A (zh) | 一种基于深度学习的燃料电池剩余寿命预测方法 | |
| CN111461463A (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
| CN114881318B (zh) | 基于生成对抗网络的锂电池健康状态预测方法及系统 | |
| CN118094198B (zh) | 基于StemGNN的动力电池循环寿命动态调节方法 | |
| CN115409263A (zh) | 一种基于门控和注意力机制的锂电池剩余寿命预测方法 | |
| CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
| CN117421571A (zh) | 一种基于配电网的拓扑实时辨识方法及系统 | |
| CN114166509A (zh) | 一种电机轴承故障预测方法 | |
| CN114580262A (zh) | 一种锂离子电池健康状态估计方法 | |
| CN116500454A (zh) | 一种基于多特征输入时序模型的锂离子电池健康状态估计方法、系统、设备及介质 | |
| Guo et al. | Applying gated recurrent units pproaches for workload prediction | |
| CN116794547A (zh) | 一种基于afsa-gru的锂离子电池剩余使用寿命预测方法 | |
| CN116665483A (zh) | 一种新的预测剩余停车位的方法 | |
| CN117805658B (zh) | 一种数据驱动的电动汽车电池剩余寿命预测方法 | |
| CN116843083A (zh) | 基于混合神经网络模型的碳排放预测系统及方法 | |
| Kuang et al. | State-of-charge estimation hybrid method for lithium-ion batteries using BiGRU and AM co-modified Seq2Seq network and H-infinity filter | |
| CN117371331A (zh) | 基于kddin的航空发动机剩余寿命预测方法 | |
| CN113469013A (zh) | 一种基于迁移学习和时间序列的电机故障预测方法及系统 | |
| CN115898927A (zh) | 一种基于机器学习的聚变装置分子泵故障诊断与预测方法 |
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 |