CN117420442A - 一种基于mnq-lstm的电池剩余寿命预测方法 - Google Patents
一种基于mnq-lstm的电池剩余寿命预测方法 Download PDFInfo
- Publication number
- CN117420442A CN117420442A CN202311468774.2A CN202311468774A CN117420442A CN 117420442 A CN117420442 A CN 117420442A CN 202311468774 A CN202311468774 A CN 202311468774A CN 117420442 A CN117420442 A CN 117420442A
- Authority
- CN
- China
- Prior art keywords
- lstm
- battery
- mnq
- quantile
- layer
- 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 67
- 238000009826 distribution Methods 0.000 claims abstract description 39
- 230000015654 memory Effects 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 33
- 230000036541 health Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 16
- 238000012417 linear regression Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 10
- 230000004083 survival effect Effects 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 241000145637 Lepturus Species 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000000691 measurement method Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000006731 degradation reaction Methods 0.000 abstract description 11
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 14
- 229910001416 lithium ion Inorganic materials 0.000 description 14
- 210000004027 cell Anatomy 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 241000084490 Esenbeckia delta Species 0.000 description 1
- 241000668842 Lepidosaphes gloverii Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001973 epigenetic effect Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000010237 hybrid technique Methods 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000005868 ontogenesis Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于MNQ‑LSTM的电池剩余寿命预测方法,涉及电池RUL预测技术领域,包括步骤:通过电池样本数据创建带有右侧截断的T型数据,利用LSTM和MQ‑DNN构建多个非交叉分位数长短期记忆网络MNQ‑LSTM,对MQ‑DNN中的隐藏层添加批量标准化层、dropout层和高斯噪声层;将T型数据作为输入特征输入MNQ‑LSTM中输出K个节点,获得不交叉的RUL点预测的分位数,进行RUL点估计和概率预测;通过RUL点估计和概率预测获得电池寿命的预测结果。本发明对RUL分布以及退化过程进行概率预测,每个电池通过计算多个分位数水平,可以高精度和平滑地推导RUL概率密度分布的估计。
Description
技术领域
本发明涉及电池RUL预测技术领域,特别涉及一种基于MNQ-LSTM的电池剩余寿命预测方法。
背景技术
锂离子电池由于其高能量密度和充放电效率而广泛应用于各种实际应用和设备,电池的服务寿命对于保险成本和其盈利能力至关重要,电池的可用服务时间取决于各种因素,并且通常由于复杂的不确定性以及电池参数、退化过程和偏离预期正常工作条件之间的相互纠缠而难以预测,预见电池的剩余寿命仍然是监测电池健康和寿命的一个挑战。
其中,锂离子电池数据中的T形数据结构源自多种工程背景,其描述了数据在时间上的不平衡性,以及适用于个体的统计群组数据。具体来说,形或倒下的“T”形代表了可用信息的特征,即具有丰富起始但数据尾部较少。换句话说,本发明考虑的情况是在开始时存在更广范围的丰富数据,而随着时间推移,只能收集到有限范围内较少的数据。如果将数据量随时间展示,将呈现出/>形的形态。这种情况在产品制造中表现出来,制造商可能在整个业务过程中积累了大量关于他们产品的数据。这部分数据形成了“T”字形的交叉点。然而,一旦新产品被购买并由所有者拥有,制造商可能很难获取该产品的状态和状况信息。这样的产品属于所有者,其特定寿命演变只是产品所属群体的一个实例或实现。即使在同一个系列中,每种产品的实现也可能彼此不同。这些具体的实现数据构成了字母“T”的主笔画。即使是同一种群中的每个产品,其特定实现数据也可能彼此不同。这些特定的实现数据构成了字母“T”的主要部分。在自然界中,T形数据在一个物种个体的生命中呈现。这些个体之间共享相当大的基因重叠和激活重叠,因为它们属于同一个种群。然而,它们中的每个个体可能会遇到不同的生活条件。种群基因以及基因的激活方式在它们的发育和一般技能中起着至关重要的作用。另一方面,它们特定的生活条件决定了个体发育的水平。这种现象与基因调控和表观遗传学理论相关。
从以上观察中可以看出,T形结构出现在广泛的工程和自然背景下。“T”形的丰富“初始”数据有助于洞察整个种群作为一类相似对象的固有属性和特征。当关注个体的具体寿命时,利用这些固有属性至关重要。这种T形分析的值可以在控制应用中得到应用。例如,人们可以设计短期操作规则来延长产品的使用寿命。因此,研究T形数据在锂离子电池寿命预测中的应用具有重要意义。
锂离子电池已广泛应用于各种实际应用和设备,包括便携式设备、电力市场、电动汽车(EV)、分布式产消者和电网储能,由于其高能量密度和充电/放电效率。其中,电池的使用寿命对于保险成本及其盈利能力至关重要。不幸的是,这种电池的可用使用时间取决于多种因素,并且由于电池参数、退化过程以及与预期正常工作条件的偏差等复杂的不确定性和复杂性,通常很难预测。即使提供了故障阈值,预测电池的最终故障仍然是监测电池健康状况和寿命的一个挑战。因此,这就需要一种新的方法来进行更准确、信息更丰富的预测,以实现更好的电池性能、更有效的健康管理和更高的运行可靠性。剩余使用寿命(RUL)是评估电池使用寿命的重要预测指标,其定义为电池在较长时间范围内能够正常工作的持续时间。这是一个方便的指数,表明电池在一定的操作任务下可以存活多长时间,并且不可避免地会导致电池健康状况下降。通过基于SOC范围、充电/放电电流等运行数据来预测未来的长期RUL指数,电池系统运营商必须了解特定运行条件下的电池寿命。
电池健康监测和RUL估计技术可大致分为基于混合预测模型的方法和数据驱动的方法。在第一类中,许多研究将环境因素、电化学特性和放电率等工作条件视为影响电池RUL的因素,这些因素与物理模型密切相关。电池老化模型是根据这些特性开发的,揭示了电池健康状态的动态并允许计算电池RUL。估计过程可以基于由电化学集总参数组成的等效电路模型。Pattipati B等人中开发的框架提供了一种以系统方式可靠评估重要电池基本参数的方法。然而,基于模型的解决方案需要提前提供大量模型参数和建模信息,以提高RUL预测精度,从而导致计算成本高昂。基于模型的在线应用预测的复杂性和延迟性有待解决。在第二类中,锂离子电池采用了更多最新的数据驱动方法,旨在最大限度地减少预测的RUL退化过程与历史真实退化数据之间的差异。在各种神经网络中,长短期记忆(LSTM)神经网络被广泛用于预测电池RUL,并显示出良好的性能,因为LSTM利用了循环神经网络(RNN)在存储过去时间步中退化数据的关键信息。同时,它在长尺度序列上的准确性和性能方面优于RNN。LSTM可以通过将过去的信息与当前情况临时关联来更新电池健康演化轨迹,从而预测数年时间尺度的RUL。此外,还对大量LSTM在其他RUL预测中的应用进行了研究、评估和比较其有效性LSTM技术是基于中数据驱动的机器学习方法开发的,用于航空领域的飞机发动机RUL预测。YousufS提出了一种基于LSTM的回归模型,用于使用提取的设备最关键的电气特性来预测环形振荡器电路的RUL。LiuZ-H等人提出了结合弹性网络和LSTM网络的方法来解决旋转设备中滚动轴承故障的预测问题。Yang J等人提出了一种基于具有不确定性量化的LSTM网络的滚动轴承RUL预测。因此,探索基于数据驱动的电池剩余寿命的评估方法具有重要意义。
基于两类电池RUL预测方法,以往的研究大部分集中在RUL的点估计上,即直接预测具体的RUL值。Zhang C等人创建了增量容量分析和增强型广泛学习系统基于网络的健康状态估计技术来评估在用和退役锂离子电池的健康状态,为了创建用于预测锂离子电池容量和RUL的融合神经网络模型,研究中融合了学习系统算法和LSTM神经网络,Zhang C等人提出了一种结合增强型变分模态分解、粒子滤波器和高斯过程回归的混合技术来预测电池未来的容量和RUL。然而,之前的工作并没有充分利用实验数据和电池寿命运行数据的特殊性质,以往研究中的训练过程也假设有完整且丰富的训练数据集;此外,它们大多提供电池RUL的点估计,由于输入和输出的不确定性,电池寿命估计不能非常精确。
发明内容
本发明的目的在于针对上述现有技术的不足,提供一种基于MNQ-LSTM的电池剩余寿命预测方法,以解决现有技术中传统方法大多提供电池RUL的点估计,由于输入和输出的不确定性,电池寿命估计不能非常精确的问题。
本发明具体提供如下技术方案:一种基于MNQ-LSTM的电池剩余寿命预测方法,包括以下步骤:
获取若干电池寿命样本数据;
通过若干所述电池寿命样本数据创建带有右侧截断的T型数据;
对多个分位数深度神经网络MQ-DNN中的隐藏层添加批量标准化层、dropout层和高斯噪声层;
利用长短期记忆网络LSTM和多个所述分位数深度神经网络MQ-DNN构建多个非交叉分位数长短期记忆网络MNQ-LSTM;
将所述T型数据作为输入特征输入MNQ-LSTM中,经过LSTM神经网络以及批量标准化层、dropout层、高斯噪声层输出K个节点,获得不交叉的RUL点预测的分位数,进行RUL点估计和概率预测;
通过所述RUL点估计和概率预测获得电池寿命的预测结果。
优选的,所述通过若干所述电池寿命样本数据创建带有右侧截断的T型数据,包括步骤:
使用Q(x)表示电池寿命样本数据中T形富头部“∣”上的概率分布,并使用P*(x)表示T形薄尾部“–”上的概率分布;
通过两个所述概率分布之间的距离获取T形数据头部和尾部的差异度量DHT(P||Q);
当涉及多个变量时,若变量之间独立,则差异度量DHT(P||Q)之间相加;否则使用互信息的度量方法来计算每个阶段的差异度量。
优选的,所述差异度量DHT(P||Q)的计算表达式为:
其中,Q(x)表示T形富头部“∣”上的概率分布;P*(x)表示T形薄尾部“–”上的概率分布;
在变量之间独立,则差异度量DHT(P||Q)之间相加的计算表达式为:
DHT(P||Q)=DHT(P1||Q1)+DHT(P2||Q2)
在变量之间不独立,则差异度量DHT(P||Q)的计算表达式为:
I(x;y)=DHT(P(x,y)||P(x)P(y))
其中,P(x,y)是联合概率分布,P(x)和P(y)是对应的边际概率分布。
优选的,所述多个分位数深度神经网络MQ-DNN的构建方法包括步骤:
构建具有非交叉属性的代价函数;
对所述非交叉属性的代价函数引入逆截断概率权重,对所述分位数回归模型进行训练;
其中,是用于右侧截断时间的生存分布的Kaplan-Meier估计量,/> Yi,t是电池i在时间t可能出现右侧截断的情况下的剩余使用寿命,δi:=1{Ti<<Si}表示事件指示器;
通过所述分位数回归模型的训练结果获得多重分位数线性回归模型;
其中,表示电池i的修正寿命,而/>表示所有电池的修正寿命之和,Si是右侧截断时间;
将所述多重分位数线性回归模型中的线性项β'τX替换为深度神经网络f(X),获得深度截断分位数回归模型;
将所述深度截断分位数回归模型从单个分位数扩展为K个非交叉的MQ-DNN;
其中,f(X)代表整个深度截断分位数回归模型的预测输出。
优选的,所述将所述多重分位数线性回归模型中的线性项β'τX替换为深度神经网络f(X),包括步骤:
将p维度的输入协变量x'=(x1,…,xp)和全连接层作为隐藏层组成量子网络架构;
通过将输入协变量x'和隐藏层权重之间的内积,加上隐藏层偏差/>以及通过激活函数f1构建第一个隐藏层的第k个隐藏节点;
其中,n1是第一个隐藏层中隐藏节点的数量;
将第一个隐藏层的输出作为第二个隐藏层的输入,其中第二个隐藏层的第l个隐藏节点为:
输出最终的线性回归节点,预测主体i的条件分为数值;
将单个MQ-DNN在右侧截断数据下通过最小化以下问题进行训练:
其中,和b(o)分别表示输出层的权重和偏差。
优选的,所述将所述T型数据作为输入特征输入MNQ-LSTM中,经过LSTM神经网络以及批量标准化层、dropout层、高斯噪声层输出K个节点,获得不交叉的RUL点预测的分位数,包括步骤:
将T型数据输入LSTM神经网络中进行处理,并将LSTM神经网络的输出输入MNQ-LSTM的三个隐藏层中;
通过前两个隐藏层的批量标准化层、dropout层、高斯噪声层对输入的数据标准化、丢弃部分隐藏节点,以及增加高斯噪声;
将通过强两个隐藏层处理后的数据输入第三个隐藏层后,输入两个子隐藏层中处理,获得最终输出层的K个节点。
优选的,所述将通过强两个隐藏层处理后的数据输入第三个隐藏层后,输入两个子隐藏层中处理,包括步骤:
对包含K个节点的第一个子隐藏层采用softplus激活函数获取不同分位数值之间的差距预测;
其中,softplus激活函数g(x):=log(1+exp(x))>0;
对只包含一个节点的第二子隐藏层采用线性激活函数获取初始的分位数预测值;
其中,表示高斯噪声层2的输出,/>表示,/>表示;
将所述第一子隐藏层的结果累加后,与第二子隐藏层的结果相加,获得最终输出层的K个节点;
其中,分位数水平为τ1<…<τk<…<τK,K表示预测得到的K个分位数值。
优选的,在构建多个非交叉分位数长短期记忆网络MNQ-LSTM后,对所述MNQ-LSTM进行模型评估,包括步骤:
采用量化分数QS获取所有分位数和预测时间跨度的损失均值;
其中,而Yi取自测试数据;
通过Winkler得分ws评估预测区间PI的锐利度和覆盖概率;
其中,表示时间t的PI宽度。
优选的,所述通过所述RUL点估计和概率预测获得电池寿命的预测结果,包括步骤:
对每个时间点t给定特征向量Xt=xt,使用条件中位数作为寿命点估计;
利用所述寿命点估计预测的分为数值建立100%(1-α)的预测区间PI:
使用高斯核估计方法通过预测的分位数在时间t上对PDF进行平滑处理;
其中,是标准高斯分布的概率密度函数,b是带宽,即平滑参数;
通过以下积分确定时间t预测累积分布函数CDF:
通过推导出时间t的生存函数;
利用预测的和/>获得RUL的变量信息;
通过所述RUL的变量信息与预测区间PI获得电池寿命的预测结果。
优选的,将所述T型数据作为输入特征输入MNQ-LSTM中之前,对所述MNQ-LSTM进行训练,包括步骤:
抽取电荷状态SOC范围和充放电电流在操作范围的上限[IC,ID]作为MNQ-LSTM模型的输入;
获取电荷状态SOC的最大值和最小值,以及电流[IC,ID]以及电池健康状态;
对MNQ-LSTM模型进行连续的充放电循环,并设置充放电循环的终止/寿命条件
其中,CR表示电池的剩余充放电循环次数,CI表示电池的容量指标;
若充放电循环过程满足终止条件,则检查当前样本的寿命,并判断迭代次数与采样次数是否相等,若不相等则重复检查当前样本的寿命的所有步骤,获得所有样本的寿命,否则直接输出。
与现有技术相比,本发明具有如下显著优点:
本发明本发明引入T形数据作为右侧截断,基于分位数深度神经网络和LSTM的MNQ-LSTM,吸收了两者的精华,能够对RUL分布以及退化过程进行概率预测,每个电池通过计算多个分位数水平,可以高精度和平滑地推导RUL概率密度分布的估计。通过计算多个分位数水平,可以高精度和平滑地推导RUL概率密度分布的估计。本发明提出的方法的好处来自于能够提供有关RUL分布、RUL点和区间预测以及其他统计推断的丰富信息。
附图说明
图1为本发明提供的电池寿命预测中数据特征的比较图;
图2为本发明提供的深度审查的单分位数回归架构图;
图3为本发明提供的LSTM块的结构图;
图4为本发明提供的MNQ-LSTM模型图;
图5为本发明提供的基于蒙特卡洛的数据驱动方法流程图;
图6为本发明提供的用于概率锂离子电池剩余使用寿命预测的MNQ-LSTM流程图。
具体实施方式
下面结合本发明中的附图,对本发明实施例的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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。
为了便于理解和说明,如附图5所示,本发明提供了一种基于MNQ-LSTM的电池剩余寿命预测方法,包括以下步骤:
步骤S1:获取若干电池寿命样本数据。
在本发明中,还可以创建了合成的右截断数据,具体方法如下:
1.将总数据(500个电池)随机分为70%用于训练和30%用于测试。
2.从70%的训练样本中随机选择30%,50%和80%的电池,分别为三个被截断的电池集合CB1,CB2和CB3。
3.对于CBK中的每个电池i,k=1,2,3,随机设置右截断时间Si,使得Si∈[20,40](小时)。请注意,本发明选择间隔[20,40](小时)是为了避免右截断时间Si过于接近(接近61)或过于远离(接近0)真实寿命Ti。
因此,本发明可以看到部分训练数据是截断的。例如,对于80%的T形数据,有280个右截断的电池(=500*0.7*0.8),只有70个电池(=500*0.7*0.2)在训练数据中具有完整的退化观测。此外,从这70%的训练样本(350个电池)中,本发明将其进一步随机分为80%的训练集和20%的验证集。因此,实际的训练数据只占总数据的56%(=0.7*0.8),剩余的数据可用于验证(14%)和测试(30%)。
步骤S2:通过若干电池寿命样本数据创建带有右侧截断的T型数据。
形数据,也称为T形数据,是指在时间上呈现不平衡的数据情况。这种不平衡条件可能是由于开始阶段有大量可用的统计信息,但在生命周期内获取数据的途径逐渐减少。不可抗拒的变化因素,如健康退化、操作收缩、权威变更和追踪困难,导致了寿命数据的不完整性。数据的这种不完整性主要从工厂和个体两个角度来看,这是由于进行密集的样本测试、统计记录和隐私限制所致。
让Q(x)表示形富头部“∣”部分上的概率分布。P(x)表示/>形薄尾部“-”部分上的概率分布,它们在同一变量x上的同一概率空间x中。然后,可以通过两个分布之间的距离描述/>形的头部和尾部之间的差异:
其中,DHT(P||Q)是数据分布从P*(x)到Q(x)的非负差异度量,即从形的尾部到头部的差异。DHT(P||Q)越小,尾部和头部之间的差异越小,反之亦然。当DHT(P||Q)=0时,表示没有/>形特征,即P*(x)=Q(x)。Q(x)表示T形富头部“∣”上的概率分布;P*(x)表示T形薄尾部“–”上的概率分布。
当涉及多个变量时,若变量之间独立,则差异度量DHT(P||Q)之间相加的计算表达式为:
DHT(P||Q)=DHT(P1||Q1)+DHT(P2||Q2) (2)
若变量之间不独立,则差异度量DHT(P||Q)的计算表达式为:
I(x;y)=DHT(P(x,y)||P(x)P(y)) (3)
其中,P(x,y)是联合概率分布,P(x)和P(y)是对应的边际概率分布。
此外,还可以使用其他度量方法来量化T形数据。图1通过以电池寿命预测为例,展示了T形数据的概念与传统方法的对比。图1(a)展示了传统的数据驱动电池寿命预测方法。通常,会收集一定范围的电池充放电数据以及相应的寿命数据来训练特定的模型。同一电池在其他工作条件下的数据被忽略,导致了有用信息的浪费。此外,如果每个用户都可以自定义其设备使用偏好,用户和制造商的标准数据会有很大不同。因此,传统的机器学习方法,未考虑数据中的这些差异,可能无法反映设备的物理特性。
相比之下,图1(b)和(c)展示了两种典型的形数据类型,可以从群体的统计结果或实验记录中获取丰富数据。图1(b)中的第一种类型研究了丰富的数据如何在开始阶段覆盖广泛范围,从而促进对电池在其余寿命期间的预测。它代表了特定条件下每个个体的需求。同时,图1(c)中的第二种类型说明了来自工厂角度的情况,工厂具有充足的电池性能数据,超出了日常操作情况,通过进行一系列从常规测试到极端测试条件的实验来获得数据。然而,公司无法追踪和获取其电池产品的所有工作条件和寿命。因此,工厂需要更好地预测具有未知数据的产品。
在T形数据的初步研究中,对图1(c)所代表的后一种类型进行了研究,以更好地预测其产品的电池寿命。电池数据的不完整性用右侧截断数据的程度来表示,其中右侧截断数据是指具有不完全观测时间的数据。
步骤S3:利用长短期记忆网络LSTM和多个分位数深度神经网络MQ-DNN构建多个非交叉分位数长短期记忆网络MNQ-LSTM。
提出一种名为“多重不交叉分位数长短期记忆(MNQ-LSTM)”的方法,用于处理锂离子电池的时间序列数据,并进行概率性的剩余使用寿命(RUL)预测。
传统的预测模型使用条件期望来提供点估计,即给定协变量X=x,然后可以估计响应变量Y通过然而,单点预测无法捕捉响应变量Y的整体情况,因为输入和输出都存在不确定性。区间预测是一个可能的解决方案,但可能仍然不足够提供信息。
利用多个分位数预测方法,因为分位数值对异常值更具鲁棒性,并且可以通过预测分位数来重构概率密度和分布函数,从而提供输出的不确定性量化。在本发明中,本发明应用多个分位数预测方法来预测基于选定特征(如容量、电阻、充电状态等)在时间t≥0观察到的锂离子电池的剩余使用寿命(RUL)。
如何从简单的分位数线性回归构建条件分位数QY|x(τ)的预测模型。变量Y的分位数QY(τ)在水平τ∈(0,1)处被定义为累积分布函数(CDF)FY的广义逆函数:因此,给定水平τ∈(0,1),给定X=x时,可以表示为以下形式的预测条件分位数QY|x(τ):QY|x(τ)=inf{y∈R∶P(Y≤y|X=x)≥τ}。如果τ=0.5,则QY|x(0.5)对应于Y的条件中位数值。现在,通过采用多个分位数水平,例如τ={0.05,0.1,0.2,...,0.9,0.95},本发明预测响应变量Y的多个分位数值,从而提供概率性的预测。
设T为电池的寿命变量,即寿命到死亡的时间,X't=(1,X1,t,…,Xp,t)为时间t时的特征协变量向量,对于记录的时间t=0,1,...,T。其中,X't表示向量Xt的转置。电池在时间t的剩余使用寿命(或RUL退化过程)可以定义为Rt:T-t。本发明使用分位数对数线性回归模型来建模Rt,如下所示:
其中β'τ=β0,τ,…βp,τ是需要从数据Ri,t,Xi,t,t=0,…,Ti,以及i=1,...,n中学习得到的参数,其中n是样本电池的数量,Ri,t是样本中电池i的RUL退化过程。与使用最小二乘法来估计系数的均值线性回归不同,分位数回归的参数是通过最小化以下代价函数来估计的:
ρτ是由以下公式定义的损失函数:
ρτ(u):=u(τ-1{u<0})=max{τu,(τ-1)u} (6)
解决优化问题(5)只能为每个水平τ估计单个分位数模型,并且仅适用于无截断数据,即仅适用于完全失效的数据。在实践中,本发明经常观察到电池可能仅在特定期间运行,其余的操作数据是未知的。这种不完全观察到的时间在研究中称为右侧截断时间。
未达到寿命终点的电池数量被称为右侧截断数据的级别。与实验测试相比,右侧截断电池通常在其寿命内有较小的操作范围。假设不考虑截断数据,本发明希望一次性预测多个RUL的分位数值,具有K个级别,即τ1<…<τk。如果使用公式(5),本发明分别估计K个模型,利用性质:如果τ1<τ2,则必须有为确保非交叉属性,一些复杂的约束条件已被引入到优化问题(7)中。
设Si为截断时间,Ti为电池i的寿命,i=1,...,n。用δi:=1{Ti<<Si}表示事件指示器,即如果事件发生(不是右侧截断),则δi=1,否则,如果数据是右侧截断,则δi=0。在这种情况下,只能观察到数据(Yi,t,δi,t,Xi,t),i=1,…,n其中,
Yi,t:=min(Ti,Si)-t=min(Ri,T,Si-t) (8)
Yi,t是电池i在时间t可能出现右侧截断的情况下的剩余使用寿命(RUL),Si是右侧截断时间,对于且/>本发明只取t直到/>以避免在/>时Yi,t=0,从而导致对数RUL未定义。
在使用这些数据的基础之上,使用(7)来训练模型,会导致有偏估计,例如低估。因此,本发明引入逆截断概率权重:
其中,是用于右侧截断时间的生存分布的Kaplan-Meier估计量,/> 即基于观察数据(Yi,t,1{δi,t=0})。本发明将ωi,t称为Kaplan-Meier(K-M)权重。这些K-M权重需要根据T形数据的差异指数(如公式(1)所示)进行修改。然后,基于右侧截断数据的多重分位数线性回归模型的估计表述为:
其中,表示电池i的修正寿命(修正的RUL),而/> 表示所有电池的修正寿命之和。
深度截断分位数回归(DeepQuanreg)是指通过将简单的线性项β'τX(如式(4)中)替换为深度神经网络f(X),如图2所示。量子网络的架构由p维度的输入协变量x'=(x1,…,xp)和全连接层作为隐藏层组成。每个隐藏层具有一些隐藏节点(神经元)。图2显示了一个具有2个隐藏层的神经网络示例。
第一个隐藏层的第k个隐藏节点是通过将输入协变量x'和隐藏层权重之间的内积,加上隐藏层偏差/>然后再经过激活函数f1来构建的,然后再经过激活函数f1来构建的:
其中,n1是第一个隐藏层中隐藏节点的数量。然后,第一个隐藏层的输出被用作第二个隐藏层的输入,例如,第l个隐藏节点定义类似地:
最后,输出节点是一个线性回归节点,用于预测主体的条件分位数值:
其中,和b(o)分别表示输出层的权重和偏差。这个单个Q-DNN在右侧截断数据下通过最小化以下问题进行训练:
在本发明中,本发明将深度截断分位数回归中的模型从单个分位数扩展为K个非交叉的多个Q-DNN,通过设计一个与电池RUL预测的分位数级别τ1<…<τk相关联的K个节点的输出层,详见下文,同时改为最小化问题(12):
步骤S4:对多个分位数深度神经网络MQ-DNN中的隐藏层添加批量标准化层、dropout层和高斯噪声层。
将长短期记忆网络(LSTM)结合在第一个子网络中,并在第二个子网络中使用多个分位数深度神经网络(MQ-DNN)。此外,通过添加三个额外的层,包括批标准化层、随机失活层和高斯噪声层,对隐藏层进行了修改。此外,在第三个全连接隐藏层中添加了两个子隐藏层,以便通过整合数据的T-形特征来实现寿命预测分位数的非交叉属性。
长短期记忆网络(LSTM)是递归神经网络(RNN)中最重要的模型之一,因其在建模时间序列数据中长期依赖性方面具有很强的适用性而闻名。输入向量表示为时间序列x=(x0,…,xt)。图3展示了LSTM块的内部结构,包括三个门:遗忘门ft、输入门it和输出门ot,其定义如下:
ft=σ(Wf·[ht-1,xt]+bf),
it=σ(Wi·[ht-1,xt]+bi),
ot=σ(Wo·[ht-1,xt]+bo),
其中,σ(x):=1/(1+exp(x))是sigmoid激活函数。遗忘门ft控制从输入和前一个输出的信息流,决定哪些信息应该被记住或丢弃。输入门it控制新信息的使用,而输出门ot确定应该传递多少信息给下一个单元。除了门控制,LSTM的每个单元还包含一个候选细胞状态 用于控制新的输入信息,该候选细胞状态用于更新由/> 给出,其中/>表示逐元素乘法。最后,细胞的输出信息由/> 来控制。
为了一次预测电池剩余使用寿命的多个分位数值,本发明提出将LSTM应用于第一个子网络,并将多个MQ-DNN应用于第二个子网络。即LSTM的输出被用作MQ-DNN的输入。此外,本发明通过添加三个额外的层次(包括批标准化层,dropout层和高斯噪声层)来修改MQ-DNN的隐藏层。图4展示了本发明提出的MNQ-LSTM模型用于预测锂离子电池的概率性剩余使用寿命。
在模型中,批标准化层用于对每个小批量的输入进行标准化,从而有助于稳定学习过程。Dropout层可以通过在训练过程中随机丢弃一些隐藏节点,来防止深度神经网络的过拟合。为了使模型对于未知样本的电池有较好的泛化性能,本发明还在独立的隐藏层添加了高斯噪声。此外,在第三个全连接隐藏层中,本发明额外设置了两个子隐藏层,第一个子隐藏层3.1包含K个节点,采用softplus激活函数,用于表示不同分位数值之间的差距预测;第二个子隐藏层3.2只有一个节点,采用线性激活函数,用于表示初始的分位数预测值。最后,将子隐藏层3.1的结果进行累加(严格为正值),然后与子隐藏层3.2的结果相加,形成最终输出层的K个节点,以确保RUL预测的分位数之间不会交叉。具体而言,本发明定义了如下形式:
其中,表示高斯噪声层2的输出,而softplus激活函数g(x):=log(1+exp(x))>0。最后,输出层包含K个节点,对应于预测的K个分位数值,其中分位数水平为τ1<…<τk<…<τK:
在公式(13)中,累积和的项是严格正数且关于k是单调的,因此它能够保证分位数的非交叉性质。实际上,本发明有以下关系:
……
因此,明确得到 通过考虑右侧截断数据,本发明通过最小化(12)中的损失来训练所提出的网络。因此,有时本发明将所提出的模型称为K–M加权MNQ-LSTM。
为了评估所提出的MNQ-LSTM模型的有效性,本发明采用量化分数(QS),该分数考虑了在概率性预测中的锐度和可靠性。QS是所有分位数和预测时间跨度的损失均值,定义如下:
其中,而Yi取自测试数据。较低的QS值表示模型效果较好。通过多重条件分位数模型,本发明还可以构建预测区间(PI)。例如,对于时间t的100%(1-α)PI,可以通过预测的分位数/>和/> 来建立。在这种情况下,Winkler得分(WS)被广泛用于评估PI的锐利度和覆盖概率。WS得分的定义如下:
其中,表示时间t的PI宽度。因此,较低的WS值表示PI效果较好。本发明采用τ=0.5时的预测分位数,即中位数/>作为点预测。另外,本发明使用一致性指数(C-index)来评估性能,该指标表示预测结果和观测结果之间的一致性比例。
超参数是深度神经网络中的重要元素,包括隐藏层数量、每层隐藏节点数量、学习率、批量大小、Dropout概率、训练过程中的迭代次数等。超参数调整是一种寻找最佳超参数的过程,以实现网络架构在最高准确率、最小损失或任何最佳评估指标方面的最优化。因此,调整超参数是一个关键的任务,可以避免模型的欠拟合或过拟合,但由于深度学习模型的复杂结构,这是一项非常复杂和耗时的任务。
在本发明中,本发明使用随机网格搜索技术来调整超参数。具体来说,本发明将在以下集合中寻找最佳超参数:
LSTM和全连接层的隐藏神经元数量:{100,200,300,400,500}。
批量大小:{64,128,256}。
学习率:{0.001,0.005,0.010.05}。
Dropout概率:{0.2,0.25,0.3}。
高斯噪声的标准差:{0.1,0.2,0.3}。
步骤S5:将T型数据作为输入特征输入MNQ-LSTM中,经过LSTM神经网络以及批量标准化层、dropout层、高斯噪声层输出K个节点,获得不交叉的RUL点预测的分位数,进行RUL点估计和概率预测。
步骤S6:通过RUL点估计和概率预测获得电池寿命的预测结果。
使用提出的方法进行概率寿命预测:
时间变化的寿命点估计和预测区间(PI):
通过在每个时间点t预测RUL的多个分位数值,本发明可以得到对应不同分位数水平的电池寿命时间变化过程,例如 对于每个时间点t,给定特征向量Xt=xt,本发明可以使用条件中位数/>作为寿命点估计,并通过以下方式形成100%(1-α)的预测区间(PI)
例如,通过在和τ=0.95处预测的分位数值,可以建立一个90%的预测区间(PI)。这个区间用作对RUL变量的不确定性量化的度量。然后,可以通过Winkler得分(18)来评估PI的锐度和覆盖概率。
RUL的时变条件密度、分布和生存函数预测:
通过将每个时间点t的RUL的多个分位数值对 进行连接,并在XY平面上绘制,本发明可以得到一个原始的RUL条件累积分布函数(CDF)的预测,给定一个特征向量Xt=xt。然而,这种预测可能不够平滑。因此,使用高斯核估计方法通过预测的分位数在时间t上对PDF进行平滑处理,具体如下:
其中,是标准高斯分布的概率密度函数(核函数),b是带宽,即平滑参数。因此,时间t的预测累积分布函数(CDF)由以下积分确定:
最后,可以通过推导出时间t的生存函数(也称为可靠性函数)。现在,可以通过预测的/>和/>获得有关RUL变量的其他丰富信息,例如均值、标准差、矩、概率、可靠性指标等。
电池数据生成与数据预处理:
1、数据生成
电池的寿命可以由一个函数R(h,S)表示,其中健康指数(HI)h∈[0,1]表示电池的健康状况和衰减情况。健康指数可以在线监测,例如使用内阻作为健康状态的指标。s表示操作因素的集合,包括电荷状态(SOC)、充电/放电电流IC、ID和端电压。此函数的非线性、非凸性和时变性特征来自于电池使用时间、健康指数和操作条件之间的依赖关系。
为了生成包含电池寿命和电池运行过程中测量的物理量的数据集,以用于训练MNQ-LSTM,本部分提出了一种使用蒙特卡洛(MC)方法的数据驱动方法。
根据新开发的电池运行数据驱动方法,MC模拟算法的流程图如图5所示。电池在恒定电流(CC)运行模式下工作。该算法还可以适用于其他操作模式。模拟设置的基本步骤如下。
(A)随机抽取SOC范围和充放电电流在操作范围的上限[IC,ID]内作为模拟模型的输入
(B)指定操作条件的初始值,包括SOC的最大值SOC和最小值SOC,电流[IC,ID]以及电池健康状态。
(C)进行连续的充放电循环。每个模拟的终止/寿命条件是表示与全新电池相比容量降低不超过20%。
其中,CR(Cycle Remaining):
物理含义:CR表示电池的剩余充放电循环次数。当CR达到100%时,表示电池还具有完整的寿命,可以执行额定循环次数。当CR降低到80%时,表示电池的循环寿命已经使用了80%,即电池已经经历了80%的额定充放电循环次数。
用途:CR用于判断电池的寿命剩余程度,以便在充放电循环过程中进行预测和监测。当CR降至一定阈值时,通常表示电池需要进行维护或更换,以避免在实际使用中出现问题。
CI(Capacity Indicator):
物理含义:CI表示电池的容量指标,通常以百分比表示。CI的值描述了电池当前的容量相对于其额定容量的百分比。当CI为100%时,表示电池具有额定容量,而当CI为80%时,表示电池的容量已经降低到其额定容量的80%。
用途:CI用于衡量电池容量的损失程度,因为电池随着时间和循环使用而逐渐损耗。容量损失可能会导致电池性能下降和工作时间缩短,因此CI的监测可以帮助决定何时需要维护或更换电池。
综合来说,CR和CI都是用于衡量电池寿命和性能状态的参数,它们提供了关于电池健康状况的信息。CR关注电池的剩余寿命,而CI关注电池的容量损失程度。这些参数在电池管理和预测中非常重要,可以帮助决策何时进行维护、更换或采取其他措施以确保电池的可靠性和性能。
(D)当满足终止条件时,检查当前样本的寿命。重复步骤(A)-(D)以相应地获得所有样本的寿命。
在电池达到寿命终点之前的操作过程中,记录电池的电流健康状态、容量、电流、内阻、SOC变化和电压等数据,因为这些过程数据与电池剩余使用寿命(RUL)相关,已经被用于进行RUL点估计。这种数据驱动方法通过在广泛的操作情景下测试电池RUL样本,将电池RUL与操作过程之间的差距联系起来。这些变量归类为输入、输出和在电池模拟过程中记录的量。输入设置对应于操作状态,包括SOC阈值、充放电电流和初始健康状态。SOC的上限在[60%,100%]范围内均匀抽样,而SOC的下限在[0%,40%]范围内均匀抽样。充电/放电电流分别为4.3A和11.7A。在每个样本中记录的过程数据包括电池的运行时间、容量、电流、内阻、SOC和电压变化,记录率为1秒。这些过程数据被认为与RUL相关,并且它们是MNQ-LSTM训练的输入,输出数据是RUL。
2、提议模型的数据组织和预处理
在这项工作中,提议的MNQ-LSTM模型如图4所示,并且对于考虑T形数据的概率性锂离子电池寿命预测模型的数据预处理和组织如图6所示。在此,本发明使用Python3中的TensorFlow2和Keras来设计、训练和评估提议的模型。
具体而言,本发明设置输入Xt的形状为(1,6),其中1代表时间序列的窗口长度,6是包括等效充放电周期(电池运行时间)、容量、电阻、SOC场景、电流和电压变化等特征,这些特征在时间t以1s的记录速率进行记录,如1所述。然而,这些时间序列非常长,在学习过程中可能会导致内存溢出问题。因此,本发明只选择每1小时的时间点处的特征,输出的数量为11,对应于logRULlog(Yt)的11个分位数级别τ∈{0.05,0.1,.0.2,…,0.9,0.95},其中Yt如式(8)所定义。因此,给定时间点t的输入向量特征Xt=xt,本发明可以使用(20)计算条件和(21)计算条件/>用于预测电池寿命。
1)本发明总结了在一些工程和自然场景中遇到的T形数据形式,形式化T形数据的概念,为工程等多个实际环境中出现的T形数据奠定了新预测方法的基础。
(2)利用产品生命周期初期可能存在的大量数据,采用基于分位数深度神经网络和LSTM的MNQ-LSTM方法,综合两者优点解决了对RUL分布以及退化过程进行概率预测问题。最终实现每个电池通过计算多个分位数水平可高精度和平滑地推导RUL概率密度分布的估计。同时,所设计的网络还利用批量归一化、dropout技术和额外的高斯噪声层来稳定学习过程,防止过度拟合,并有助于推广模型以进行样本外电池的概率RUL预测。
(3)采用计算多个分位数水平的方法,可以高精度和平滑地推导RUL概率密度分布的估计,提高了提供有RUL分布、RUL点和区间预测以及其他统计推断的丰富信息的能力。该模型考虑了右侧截断数据,即观测到的事件时间在特定时间点之后被截断,本发明据此提出了一种预测算法,该算法在模型训练过程中使用Kaplan-Meier(逆截断概率)权重。这些数据可能在制造商进行大量电池质量和可靠性测试的实践中出现。
(4)所提出的MNQ-LSTM优于传统的MeanLSTM、GPR和CNN-BDGRU模型,在点RUL预测的性能上可以实现高达95.74%的R2和93.21%的C指数,并且100%测试电池RUL位于90%的预测区间,证明了其对电池RUL预测的有效性和鲁棒性。MNQ-LSTM模型精度的提高和高效的分布构建,加强了锂离子电池健康管理和运行安全工作,使其适合实际应用。
(5)解决交叉分位数问题,添加了两个子隐藏层,其中具有softplus激活的多个(K)节点的第一个子层用作多个分位数值之间的间隙预测,而仅有一个节点的第二个子层用作初始分位数预测。最后,将第一个子层的累加和(严格为正)添加到第二个子层,形成K个节点的最终输出层,以确保分位数的不交叉性。然后利用这些多个预测分位数通过基于高斯核的平滑方法导出电池RUL的时变条件密度、分布和生存函数,无需使用蒙特卡罗或Bootstrap技术。
通过上述实施方式,该系统能够准确地分析和预测待挖掘网络用户的目标行为需求,为企业的决策制定和服务推荐提供重要参考和支持。
以上内容是结合具体优选实施方式对本发明做进一步详细说明,对于本发明所属技术领域的技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于MNQ-LSTM的电池剩余寿命预测方法,其特征在于,包括以下步骤:
获取若干电池寿命样本数据;
通过若干所述电池寿命样本数据创建带有右侧截断的T型数据;
对多个分位数深度神经网络MQ-DNN中的隐藏层添加批量标准化层、dropout层和高斯噪声层;
利用长短期记忆网络LSTM和多个所述分位数深度神经网络MQ-DNN构建多个非交叉分位数长短期记忆网络MNQ-LSTM;
将所述T型数据作为输入特征输入MNQ-LSTM中,经过LSTM神经网络以及批量标准化层、dropout层、高斯噪声层输出K个节点,获得不交叉的RUL点预测的分位数,进行RUL点估计和概率预测;
通过所述RUL点估计和概率预测获得电池寿命的预测结果。
2.如权利要求1所述的一种基于MNQ-LSTM的电池剩余寿命预测方法,其特征在于,通过若干所述电池寿命样本数据创建带有右侧截断的T型数据,包括步骤:
使用Q(x)表示电池寿命样本数据中T形富头部“∣”上的概率分布,并使用P*(x)表示T形薄尾部“–”上的概率分布;
通过两个所述概率分布之间的距离获取T形数据头部和尾部的差异度量DHT(P||Q);
当涉及多个变量时,若变量之间独立,则差异度量DHT(P||Q)之间相加;否则使用互信息的度量方法来计算每个阶段的差异度量。
3.如权利要求2所述的一种基于MNQ-LSTM的电池剩余寿命预测方法,其特征在于,所述差异度量DHT(P||Q)的计算表达式为:
若变量之间独立,则差异度量DHT(P||Q)之间相加的计算表达式为:
DHT(P|||Q)=DHT(P1||Q1)+DHT(P2|||Q2)
若变量之间不独立,则差异度量DHT(P||Q)的计算表达式为:
I(x;y)=DHT(P(x,y)||P(x)P(y))
其中,P(x,y)是联合概率分布,P(x)和P(y)是对应的边际概率分布。
4.如权利要求1所述的一种基于MNQ-LSTM的电池剩余寿命预测方法,其特征在于,所述多个分位数深度神经网络MQ-DNN的构建方法包括步骤:
构建具有非交叉属性的代价函数;
对所述非交叉属性的代价函数引入逆截断概率权重,对所述分位数回归模型进行训练;
其中,是用于右侧截断时间的生存分布的Kaplan-Meier估计量,/> Yi,t是电池i在时间t可能出现右侧截断的情况下的剩余使用寿命,δi:=1{Ti<<Si}表示事件指示器;
通过所述分位数回归模型的训练结果获得多重分位数线性回归模型;
其中,表示电池i的修正寿命,而/>表示所有电池的修正寿命之和,Si是右侧截断时间;
将所述多重分位数线性回归模型中的线性项β′τX替换为深度神经网络f(X),获得深度截断分位数回归模型;
将所述深度截断分位数回归模型从单个分位数扩展为K个非交叉的MQ-DNN;
其中,f(X)代表整个深度截断分位数回归模型的预测输出。
5.如权利要求4所述的一种基于MNQ-LSTM的电池剩余寿命预测方法,其特征在于,所述将所述多重分位数线性回归模型中的线性项β'τX替换为深度神经网络f(X),包括步骤:
将p维度的输入协变量x'=(x1,…,xp)和全连接层作为隐藏层组成量子网络架构;
通过将输入协变量x'和隐藏层权重之间的内积,加上隐藏层偏差/>以及通过激活函数f1构建第一个隐藏层的第k个隐藏节点;
其中,n1是第一个隐藏层中隐藏节点的数量;
将第一个隐藏层的输出作为第二个隐藏层的输入,其中第二个隐藏层的第l个隐藏节点为:
输出最终的线性回归节点,预测主体i的条件分为数值;
将单个MQ-DNN在右侧截断数据下通过最小化以下问题进行训练:
其中,和b(o)分别表示输出层的权重和偏差。
6.如权利要求1所述的一种基于MNQ-LSTM的电池剩余寿命预测方法,其特征在于,所述将所述T型数据作为输入特征输入MNQ-LSTM中,经过LSTM神经网络以及批量标准化层、dropout层、高斯噪声层输出K个节点,获得不交叉的RUL点预测的分位数,包括步骤:
将T型数据输入LSTM神经网络中进行处理,并将LSTM神经网络的输出输入MNQ-LSTM的三个隐藏层中;
通过前两个隐藏层的批量标准化层、dropout层、高斯噪声层对输入的数据标准化、丢弃部分隐藏节点,以及增加高斯噪声;
将通过强两个隐藏层处理后的数据输入第三个隐藏层后,输入两个子隐藏层中处理,获得最终输出层的K个节点。
7.如权利要求1所述的一种基于MNQ-LSTM的电池剩余寿命预测方法,其特征在于,所述将通过强两个隐藏层处理后的数据输入第三个隐藏层后,输入两个子隐藏层中处理,包括步骤:
对包含K个节点的第一个子隐藏层采用softplus激活函数获取不同分位数值之间的差距预测;
其中,softplus激活函数g(x):=log(1+exp(x))>0;
对只包含一个节点的第二子隐藏层采用线性激活函数获取初始的分位数预测值;
其中,表示高斯噪声层2的输出,/>表示,/>表示;
将所述第一子隐藏层的结果累加后,与第二子隐藏层的结果相加,获得最终输出层的K个节点;
其中,分位数水平为τ1<…<τk<…<τK,K表示预测得到的K个分位数值。
8.如权利要求1所述的一种基于MNQ-LSTM的电池剩余寿命预测方法,其特征在于,在构建多个非交叉分位数长短期记忆网络MNQ-LSTM后,对所述MNQ-LSTM进行模型评估,包括步骤:
采用量化分数QS获取所有分位数和预测时间跨度的损失均值;
其中,而Yi取自测试数据;
通过Winkler得分ws评估预测区间PI的锐利度和覆盖概率;
其中,表示时间t的PI宽度。
9.如权利要求1所述的一种基于MNQ-LSTM的电池剩余寿命预测方法,其特征在于,所述通过所述RUL点估计和概率预测获得电池寿命的预测结果,包括步骤:
对每个时间点t给定特征向量Xt=xt,使用条件中位数作为寿命点估计;
利用所述寿命点估计预测的分为数值建立100%(1-α)的预测区间PI:
使用高斯核估计方法通过预测的分位数在时间t上对PDF进行平滑处理;
其中,是标准高斯分布的概率密度函数,b是带宽,即平滑参数;
通过以下积分确定时间t预测累积分布函数CDF:
通过推导出时间t的生存函数;
利用预测的和/>获得RUL的变量信息;
通过所述RUL的变量信息与预测区间PI获得电池寿命的预测结果。
10.如权利要求1所述的一种基于MNQ-LSTM的电池剩余寿命预测方法,其特征在于,将所述T型数据作为输入特征输入MNQ-LSTM中之前,对所述MNQ-LSTM进行训练,包括步骤:
抽取电荷状态SOC范围和充放电电流在操作范围的上限[IC,ID]作为MNQ-LSTM模型的输入;
获取电荷状态SOC的最大值和最小值,以及电流[IC,ID]以及电池健康状态;
对MNQ-LSTM模型进行连续的充放电循环,并设置充放电循环的终止/寿命条件
其中,CR表示电池的剩余充放电循环次数,CI表示电池的容量指标;
若充放电循环过程满足终止条件,则检查当前样本的寿命,并判断迭代次数与采样次数是否相等,若不相等则重复检查当前样本的寿命的所有步骤,获得所有样本的寿命,否则直接输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311468774.2A CN117420442A (zh) | 2023-11-07 | 2023-11-07 | 一种基于mnq-lstm的电池剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311468774.2A CN117420442A (zh) | 2023-11-07 | 2023-11-07 | 一种基于mnq-lstm的电池剩余寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117420442A true CN117420442A (zh) | 2024-01-19 |
Family
ID=89530963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311468774.2A Pending CN117420442A (zh) | 2023-11-07 | 2023-11-07 | 一种基于mnq-lstm的电池剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117420442A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114936682A (zh) * | 2022-05-09 | 2022-08-23 | 重庆大学 | 基于变分模态分解的锂离子电池剩余使用寿命预测方法 |
-
2023
- 2023-11-07 CN CN202311468774.2A patent/CN117420442A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114936682A (zh) * | 2022-05-09 | 2022-08-23 | 重庆大学 | 基于变分模态分解的锂离子电池剩余使用寿命预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109991542B (zh) | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 | |
CN112763929B (zh) | 一种储能电站系统电池单体健康预测方法及装置 | |
Guo et al. | Online estimation of SOH for lithium-ion battery based on SSA-Elman neural network | |
CN111443294B (zh) | 一种锂离子电池剩余寿命间接预测方法及装置 | |
KR102354112B1 (ko) | 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법 | |
Ma et al. | A hybrid transfer learning scheme for remaining useful life prediction and cycle life test optimization of different formulation Li-ion power batteries | |
Liu et al. | A novel remaining useful life prediction method for lithium-ion battery based on long short-term memory network optimized by improved sparrow search algorithm | |
Gong et al. | State-of-health estimation of lithium-ion batteries based on improved long short-term memory algorithm | |
CN111680848A (zh) | 基于预测模型融合的电池寿命预测方法及存储介质 | |
Wang et al. | Multiple indicators-based health diagnostics and prognostics for energy storage technologies using fuzzy comprehensive evaluation and improved multivariate grey model | |
CN117420442A (zh) | 一种基于mnq-lstm的电池剩余寿命预测方法 | |
CN114035098A (zh) | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 | |
Huang et al. | State of health prediction of lithium-ion batteries based on autoregression with exogenous variables model | |
Li et al. | A hybrid framework for predicting the remaining useful life of battery using Gaussian process regression | |
Wang et al. | A flexible RUL prediction method based on poly-cell LSTM with applications to lithium battery data | |
Chehade et al. | A multi-output convolved Gaussian process model for capacity estimation of electric vehicle Li-ion battery cells | |
Chang et al. | Prognostics for remaining useful life estimation in proton exchange membrane fuel cell by dynamic recurrent neural networks | |
Chen et al. | State of health estimation of lithium-ion batteries based on equivalent circuit model and data-driven method | |
CN117825970A (zh) | 电池退化分析方法、装置、设备及存储介质 | |
Ly et al. | T-shape data and probabilistic remaining useful life prediction for Li-ion batteries using multiple non-crossing quantile long short-term memory | |
CN116609686B (zh) | 一种基于云平台大数据的电芯一致性评估方法 | |
Renold et al. | Comprehensive Review of Machine Learning, Deep Learning, and Digital Twin Data-Driven Approaches in Battery Health Prediction of Electric Vehicles | |
Lin et al. | Li-ion battery state of health prediction based on long short-term memory recurrent neural network | |
Guo et al. | Future degradation trajectory prediction of lithium-ion battery based on a three-step similarity evaluation criterion for battery selection and transfer learning | |
Hu et al. | Health factor analysis and remaining useful life prediction for batteries based on a cross-cycle health factor clustering framework |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |