CN117805619A - 一种电化学储能系统电池剩余寿命的预测方法及系统 - Google Patents
一种电化学储能系统电池剩余寿命的预测方法及系统 Download PDFInfo
- Publication number
- CN117805619A CN117805619A CN202311409937.XA CN202311409937A CN117805619A CN 117805619 A CN117805619 A CN 117805619A CN 202311409937 A CN202311409937 A CN 202311409937A CN 117805619 A CN117805619 A CN 117805619A
- Authority
- CN
- China
- Prior art keywords
- gate
- soh
- battery
- forget
- residual life
- 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 69
- 238000012983 electrochemical energy storage Methods 0.000 title claims abstract description 21
- 230000006870 function Effects 0.000 claims abstract description 57
- 230000004913 activation Effects 0.000 claims abstract description 40
- 230000003044 adaptive effect Effects 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 230000006872 improvement Effects 0.000 claims abstract description 15
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 4
- 230000036541 health Effects 0.000 description 6
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 229910001416 lithium ion Inorganic materials 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004146 energy storage Methods 0.000 description 4
- 238000005562 fading Methods 0.000 description 4
- 238000001453 impedance spectrum Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000001932 seasonal effect Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000036962 time dependent Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000157 electrochemical-induced impedance spectroscopy Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 101001063878 Homo sapiens Leukemia-associated protein 1 Proteins 0.000 description 1
- 102100030893 Leukemia-associated protein 1 Human genes 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009658 destructive testing Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 206010027175 memory impairment Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及电化学储能电站电池剩余寿命预测领域，特别涉及一种电化学储能系统电池剩余寿命的预测方法及系统。将电池历史SOH值输入预先建立并训练好的SOH衰减剩余寿命预测模型中，得到预测的电池SOH容量走向，进而确认电池剩余寿命；SOH衰减剩余寿命预测模型通过对LSTM循环神经网络改进得到；LSTM循环神经网络包括输入门、遗忘门和输出门；改进包括增加自适应门控单元和多层门控单元；自适应门控单元用于根据输入数据的性质分别为输出门、遗忘门和输出门选择相适应的激活函数；多层门控单元包括更新门和/或附加遗忘门；更新门用于动态控制参数信息的更新；参数信息包括权重和偏置；附加遗忘门用于对参数信息提供附加遗忘控制。
Description
技术领域
本发明涉及电化学储能电站电池剩余寿命预测领域，特别涉及一种电化学储能系统电池剩余寿命的预测方法及系统。
背景技术
随着可再生能源的快速发展和能源转型的推进，电化学储能系统作为重要的能量储存装置被广泛应用于电动汽车、智能电网等领域。电化学储能系统的核心组件是电池，而电池的剩余寿命预测是确保储能系统可靠性和经济性的关键问题之一。
目前，电池剩余寿命预测方法的研究已取得了一定的进展。传统方法主要基于电池的充放电循环次数、温度等参数进行寿命预测，但这种方法对电池的实际使用环境和工况变化的适应性有限。此外，电池的内部状态信息(如电池容量衰减、内阻增加等)对剩余寿命的影响也需要更精确的预测方法来加以考虑。
与本发明相关的现有技术一
现有技术一的技术方案：基于电化学阻抗谱的剩余寿命预测方法(技术论文来源：Li,H.,Huang,Y.,Sun,F.et al.Remaining useful life prediction of lithium-ionbattery based on electrochemical impedance spectroscopy.J Power Sources 396,556–567,2018)。
这种方法通过监测电池的电化学阻抗谱来评估其剩余寿命。电池在使用过程中，其内部结构和化学特性会发生变化，导致电化学阻抗谱的变化。通过分析阻抗谱的特征参数，如电池内阻、容性和电荷转移电阻等，可以量化电池的衰减程度并预测其剩余寿命。
这种检测方法的优点是可以提供详细的电池状态信息：通过电化学阻抗谱的分析，可以获取电池内部结构和化学特性的详细信息，进而了解电池的健康状况。其次是非侵入性测量：该方法不需要对电池进行破坏性测试，可以在实际使用过程中进行监测，不会对电池的正常运行造成干扰。
现有技术一的缺点
该技术依赖复杂的分析技术，分析电化学阻抗谱需要复杂的数学和信号处理技术，对于非专业人员来说可能较为困难。同时此技术需要较长时间的监测，由于电池内部变化的缓慢性质，需要长时间的监测才能获取可靠的剩余寿命预测结果。
与本发明相关的现有技术二
现有技术二的技术方案：基于容量衰减曲线的剩余寿命预测方法(技术论文来源：Pillai,R.,Kuppan,S.,Xing,Y.et al.Lithium-ion battery remaining useful lifeestimation using capacity degradation data.J Power Sources 239,21–30,2013)。
这种方法利用电池容量衰减曲线来预测其剩余寿命。通过定期测量电池的容量，并绘制容量随时间的衰减曲线，可以观察到电池容量随着循环次数的增加而逐渐下降。通过对容量衰减曲线进行拟合和分析，可以推断电池的剩余寿命。
该技术的优点是直观且易于理解，容量衰减曲线可以直观地反映电池容量随时间的变化，便于用户理解电池的衰减情况。这种预测方法相对简单，只需要测量电池的容量并绘制曲线，不需要复杂的数学分析过程。
现有技术二的缺点
该技术受限于循环次数，因为此方法主要依赖电池的循环次数来预测剩余寿命，而其他因素(如充放电速率、温度等)可能对电池寿命产生影响，未能充分考虑这些因素。其次是其预测精度有限，容量衰减曲线预测方法通常采用经验模型或简单的拟合方法，对于复杂的电池系统和工况，预测精度可能不高。
与本发明相关的现有技术三
现有技术三的技术方案：基于数学建模的剩余寿命预测方法(技术论文来源：Song,T.,Wang,X.,Xia,B.,&Hu,X.(2019).A novel model-based method for predictinglithium-ion battery remaining useful life using multisource data.AppliedEnergy,235,1447-1457)。
这种方法基于电池的物理和化学特性，使用数学模型来描述电池的容量衰减行为，并通过模型参数的变化来预测电池的剩余寿命。这种方法的优点是可以综合考虑电池的物理和化学特性，以及外部工况的影响，对电池剩余寿命进行更全面的预测。其次这种方法可以考虑电池的内部过程、电化学反应、材料衰减等因素，提供更准确的剩余寿命预测。
现有技术三的缺点
数学建模方法需要准确估计模型的参数，这可能需要复杂的实验测试和数据体量来支撑，降低了预测效率提升了预测成本。
发明内容
本发明的目的在于提供一种基于SOH(State of Health)量化电池容量衰减对电化学储能系统电池剩余寿命的预测方法，用于评估电化学储能系统中电池的剩余寿命。这种方法可以帮助用户更准确地了解电池的健康状况，并根据剩余寿命的预测结果做出相应的维护和管理决策，以提高电池的使用效率和系统的可靠性。
为达到上述目的，本发明通过下述技术方案实现。
本发明提出了一种电化学储能系统电池剩余寿命的预测方法，包括：
将电池历史SOH值输入预先建立并训练好的SOH衰减剩余寿命预测模型中，得到预测的电池SOH容量走向，进而确认电池剩余寿命；
所述SOH衰减剩余寿命预测模型通过对LSTM循环神经网络改进得到；所述LSTM循环神经网络包括：输入门、遗忘门和输出门；
所述改进包括：增加自适应门控单元和多层门控单元；其中，
所述自适应门控单元，用于根据输入数据的性质分别为输出门、遗忘门和输出门选择相适应的激活函数；
所述多层门控单元包括：更新门和/或附加遗忘门；其中，
所述更新门，用于动态控制参数信息的更新；所述参数信息包括：权重和偏置；
所述附加遗忘门，用于对参数信息提供附加遗忘控制。
作为上述技术方案的改进之一，所述激活函数引入可训练参数；所述可训练参数，用于使原始激活函数的斜率或者角度发生改变。
作为上述技术方案的改进之一，所述激活函数F的公式为：
F＝sigmoid(WF*X+bF)
或
F＝relu(WF*X+bF)
其中，WF表示输入门、遗忘门或输出门的权重；X表示输入门、遗忘门或输出门的输入数据；BF表示输入门、遗忘门或输出门的偏置；sigmoid()表示sigmoid函数，relu()表示relu函数。
作为上述技术方案的改进之一，所述更新门的激活函数u为：
u＝sigmoid(Wu*Y1+bu)
其中，Y1表示更新门的输入，Wu和bu分别表示更新门可学习的权重和偏置，sigmoid()表示sigmoid函数。
作为上述技术方案的改进之一，所述附加遗忘门的激活函数f2为：
f2＝sigmoid(Wf2*Y2+bf2)
其中，Y2表示附加遗忘门的输入，Wf2和bf2分别表示附加遗忘门可学习的权重和偏置，sigmoid()表示sigmoid函数。
作为上述技术方案的改进之一，所述输入门、遗忘门、输出门、更新门和/或附加遗忘门的激活函数还引入时间衰减参数；所述时间衰减参数用于根据输入数据的时间信息调整权重。
作为上述技术方案的改进之一，引入时间衰减参数的激活函数a(t)均为：
a(t)＝sigmoid(Wa*X+ba)*exp(-t/τ)
其中，t是时间步，Wa、ba、τ分别是输入门、遗忘门、输出门、更新门或附加遗忘门可学习的权重、偏置和时间常数。
作为上述技术方案的改进之一，所述方法还包括：对SOH衰减剩余寿命预测模型进行训练；训练过程包括：
提取SOH数值本身作为特征数据，按照五折交叉验证的方法划分；
对划分后的特征数据分别进行标准化处理；
采用滑动窗口技术，将标准化处理后的非监督数据转换为监督学习的序列数据，并形成多个历史SOH容量衰减曲线；
使用多个历史SOH容量衰减曲线对SOH衰减剩余寿命预测模型进行循环训练，得到训练好的SOH衰减剩余寿命预测模型。
作为上述技术方案的改进之一，所述标准化处理，包括：采用最大最小归一化方法，对输入的特征数据a进行归一化处理，输出归一化后的数据a*：
其中，amax为输入特征数据的最大值，amin为输入特征数据的最小值。
本发明还提出了一种电化学储能系统电池剩余寿命的预测系统，所述系统用于将电池历史SOH容量衰减曲线输入预先建立并训练好的SOH衰减剩余寿命预测模型中，得到预测的电池SOH容量走向，进而确认电池剩余寿命；
所述SOH衰减剩余寿命预测模型通过对LSTM循环神经网络改进得到；所述LSTM循环神经网络包括：输入门、遗忘门和输出门；
所述改进包括：增加自适应门控单元和多层门控单元；其中，
所述自适应门控单元，用于根据输入数据的性质分别为输出门、遗忘门和输出门选择相适应的激活函数；
所述多层门控单元包括：更新门和/或附加遗忘门；其中，
所述更新门，用于动态控制参数信息的更新；所述参数信息包括：权重和偏置；
所述附加遗忘门，用于对参数信息提供附加遗忘控制。
本发明与现有技术相比优点在于：
1、相较于传统方法，本发明的创新之处在于综合考虑电池的历史运行数据和内部状态信息，建立了更精确的电池剩余寿命预测模型；通过自适应激活函数和多层门控单元以及MAE、MSE共同评估模型等创新点改善LSTM网络的性能和适应性，使得该模型更具有灵活性；引入了实时监测和数据采集技术，实现了对电池剩余寿命的动态预测和实时优化管理，提供了基于预测结果的决策支持，使得电化学储能系统的维护和管理更加智能化和高效化；
2、本发明的电池剩余寿命预测方法能够优化电池的使用和充电策略，延长电池的使用寿命，减少更换电池的频率；提高电化学储能系统的可靠性、经济性，在智能化管理方面具有显著的创新性和应用价值；可以能显著提高电化学储能系统的可靠性和安全性，降低系统故障风险和维修成本。
附图说明
图1是基于BMS数据计算SOH的方法流程图；
图2是本发明方法及系统处理过程流程图。
具体实施方式
SOH估计和预测存在难以测量、时间变异性强、不可逆性和高度非线性等问题，现有基于模型的锂离子电池健康状态估计和预测的方法可以很好地反映电池内部衰减的变化规律，但大多数模型复杂，参数众多，在线估计和预测能力有限。随着工业技术的不断改进和发展，很难满足未来实际应用需求的精确性。基于数据驱动的方法依赖大量数据，尽管具有高精度和功能应用能力，但存在一些问题，如对数据的过度依赖、大量计算和局部极值。因此本研究方法采用多算法耦合的方式，结合DBSCAN聚类算法和长短记忆(LSTM)神经网络模型对电池的历史运行数据进行处理和建模，从而提取电池的特征参数，结合电池的内部状态信息(如电池容量衰减、内阻增加等)，构建更精确的电池剩余寿命预测模型。
因此，有必要提出一种基于储能电池的锂离子电池健康状态(state-of-health，SOH)对电化学储能系统电池剩余寿命(remaining useful life，RUL)预测的新方法，该方法能够更准确地量化电池容量衰减对电池寿命的影响以准确预测电池的剩余寿命，并结合电池内部状态信息实现对电池剩余寿命的动态监测和优化管理。本发明旨在提供一种高精度、高可靠性的电池剩余寿命预测方法，以提高电化学储能系统的可靠性和经济性。
下面结合附图和实施例对本发明的技术方案进行详细的说明。
实施例1
本发明提供了一种基于电化学储能系统中BMS(Battery Management System，电池管理系统)采集电池的实时运行数据，包括电流、电压、温度等参数，通过对采集到的数据进行预处理、SOH在线估计、容量衰减模型、剩余寿命预测等制定相应的电池的寿命管理和优化方案。在时间序列数据中，本发明使用安时积分计算出SOH值通过DBSCAN聚类算法进行离群分析剔除离群值生成SOH衰减曲线然后建立LSTM神经网络进行电池RUL预测。当预测的剩余寿命较短时，可以采取充放电策略调整、容量校正或电池替换等操作，以延长电池的使用寿命和提高系统性能。该技术方案的优势在于通过采集实时数据并结合SOH值和容量衰减模型进行预测，能够准确评估电池的健康状况和剩余寿命。这种方法可以提高电池的使用效率、延长电池的寿命，并优化电化学储能系统的性能和可靠性。
本发明提供的完整技术方案如下进行说明：
1.数据预处理
本发明需要采集的数据：采集整站电池的电池簇总控制单元(BCMS)实时运行数据包括电流、电压、温度等参数以及用于线性插值法估计SOC的充放电SOC-OCV对应的测试实验数据。对采集到的数据进行预处理，包括字段筛选、缺失值、去除噪声、数据对齐和插值等操作，以确保数据的准确性和连续性。其中充放电状态的判断统一规定为总电流为负值判定为充电，正值判定为放电，0判定为静止状态。
2.SOH在线估计
根据采集到的数据，通过安时积分计算电池的SOH值。如下是在线估算SOH的公式，图1是基于BMS数据计算SOH的方法流程图：
式中，Ccell是电池单体容量吞吐，I为电流，t1为电池充放电量计算的起始时刻；tn为电池充放电量计算的终止时刻；I(ti)为ti时刻的串联回路电流，ti-1为ti-1时刻，n为总时刻数，ta为持续充电数据前满足静置3h的时刻,tb为持续放电数据前满足静置3h的时刻。对充分静置状态的倒数第二个点的单体电压值，称为开路电压(Open CircuitVoltage,OCV)。SOCta和SOCtb是通过SOC-OCV实验数据进行线性插值得到ta和tb时刻对应的SOC值，Cnom为常温下电池容量，一般是280Ah。
3.DBSCAN密度聚类异常值剔除
通过SOH值时序分布规律，结合DBSCAN密度聚类算法进行离群分析剔除不能聚类成堆的异常SOH值；该异常SOH值的产生原因包括由于采集原始数据的BMS电压采集点接触问题导致电压采样误差或者电流某段时间采集间断等影响安时积分计算出来的SOH值异常问题以避免其影响后续SOH容量衰减曲线预测。DBSCAN密度聚类算法原理如下：
①输入：样本集D＝{x1,x2,...,xj...,xm}，j＝1,2,...,m，m为样本总数，其中x1代表日内1号电池SOH平均值，邻域参数(ε,MinPts)，样本距离度量方式采取欧式距离；
②输出簇划分C，过程为：
I.初始化核心对象集合初始化聚类簇数k＝0，初始化未访问样本集合Γ＝D，簇划分/>
II.对于第j个样本xj，按下述步骤找出聚类核心对象：
a.通过距离度量方式，找出样本xj的-邻域子样本集Nε(xj)；
b.通过子样本集样本个数满足|Nε(xj)|≥MinPts，将样本xj加入核心对象样本集合：Ω＝Ω∪{xj}；
III.如核心对象集合则算法结束，否则转入步骤IV；
IV.在核心对象集合Ω中，随机选择一个核心对象o，初始化当前核心对象队列Ωcur＝{o}，初始化类别序号k＝k+1，初始化当前簇样本集合Ωk＝{o}，更新未访问集合Γ＝Γ-{o}；
V.如果当前簇核心对象则当前聚类簇Ck生成完毕，更新簇划分C＝{C1,C2,...,Ck}，更新核心对象集合Ω＝Ω-Ck，转入步骤Ⅲ；否则更新核心对象集合Ω＝Ω-Ck；
VI.在当前簇核心对象队列Ωcur中取出一个核心对象o’，通过邻域距离找出所有的ε-邻域子集样本集Nε(o’)，令Δ＝Nε(o’)∩Γ，更新当前簇样本集合Ck＝Ck∪Δ，更新未访问样本集合Γ＝Γ-Δ，更新Ωcur＝Ωcur∪(Δ∩Ω)-o’，转入步骤V；
VII.输出结果为：簇划分C＝{C1,C2,...,Ck}，对于未被识别为簇的SOH数据点定义为异常SOH值点。
4.电池剩余寿命预测
将3.DBSCAN密度聚类异常值剔除中识别出来的异常SOH值的数据点剔除后生成历史SOH容量衰减曲线用来建立未来电池RUL预测的LSTM模型。LSTM是一种循环神经网络(RNN)的变体，适用于捕捉SOH衰减时序数据的时间依赖性。建模实现步骤如下：
(1)特征提取和数据转换：本发明模型提取的唯一特征是SOH数值本身，以捕捉与电池健康状态和剩余寿命相关的信息。本发明在计算SOH时综合考虑了不同温度下的SOC-OCV插值表格，以减少舱内温度变化因素对SOH计算可能造成的误差同时样本的选取综合考虑了季节和时段因素以确保数据分布的平衡性和一致的时间分辨率，按照五折交叉验证的方法划分数据集后续进行循环训练。
季节性因素：不同季节可能会导致数据的变化。例如，气温、天气条件、销售季节性波动等都可能对数据产生影响。因此，考虑不同季节的数据可以更好地反映季节性变化。由于储能集装箱有自己的控温体系比如风冷/液冷集装箱，因此这种应用场景下季节性变化对SOH分布影响不大，但分配样本时考虑会更严谨。
时段因素：不同的时间段，如一天中的不同时段，或一周中的不同工作日和周末，也可能导致数据的变化。例如，在某些时段，数据可能更活跃或更不活跃，因此需要在模型训练中考虑这些差异。
数据平衡性：确保数据集的平衡性是指要确保不同的季节、时段或其他因素在数据集中的样本数量分布相对均匀。这是为了避免在模型训练和评估中对某些季节或时段的数据样本数量过多或过少，从而导致偏差。
五折交叉验证通常用于评估模型的整体性能，特别是在数据有限的情况下，以减少过拟合和提高模型的鲁棒性。
(2)数据标准化：对提取的特征数据进行标准化，以确保不同特征具有相同的尺度，本发明采用最大最小归一化方法，对数据进行归一化使模型能够更好地理解和处理不同特征之间的差异。
式中，a*是，a为输入特征电池单体SOH时序数据的值，amax为当前输入特征最大值即SOHcellmax，amin为当前输入特征最小值即SOHcellmin。
(3)数据转换为监督学习问题：采用滑动窗口技术，将原始非监督数据a*转换为监督学习的序列数据。为每个时间点的输入数据给定一个相关的SOH标签，以建立监督学习模型。
(4)建立SOH衰减剩余寿命预测模型：LSTM(长短时记忆网络)是一种循环神经网络(RNN)的变体，广泛用于序列数据建模和时间序列预测。LSTM网络的基本结构和算法是现成的，通常包含在深度学习框架(如TensorFlow和PyTorch)中，本发明使用LSTM构建SOH衰减剩余寿命预测模型。
(5)将历史两年(52周)的单体SOH值作为历史特征输入改良版循环神经网络，使用sigmoid，ReLU自适应激活函数，多层门控单元等创新方法结合循环训练输出未来3个月(13周的SOH序列)。本实施例的创新点和相关数学表达式如下：
1)自适应激活函数：
传统的LSTM中使用Sigmoid和双曲正切函数来进行门控和状态更新。创新点可以是引入自适应激活函数，使网络能够动态选择适当的激活函数来加速网路收敛并且提高稳定性。简而言之，就是在激活函数里加入了可训练的参数，让普通激活函数的斜率或者角度发生改变，使其更加符合网络参数。例如，可以使用自适应门控单元来根据输入数据的性质选择Sigmoid、ReLU(Rectified Linear Unit)或其他激活函数。这使网络能够更好地适应不同类型的数据分布。
创新点：引入自适应门控单元。
公式：对于每个门控单元，新的激活函数根据输入数据的性质自动选择，例如：
输入门(i)激活函数：i＝sigmoid(Wi*X+bi)或i＝relu(Wi*X+bi)，其中Wi和bi是权重和偏置。
遗忘门(f)激活函数：f＝sigmoid(Wf*X+bf)或f＝relu(Wf*X+bf)。
输出门(o)激活函数：o＝sigmoid(Wo*X+bo)或o＝relu(Wo*X+bo)。
参数含义：Wi、Wf、Wo、bi、bf、bo是可学习的权重和偏置，用于动态选择激活函数。
2)多层门控单元：
LSTM已经包括输入门、遗忘门和输出门，但创新点可以是引入更多层的门控单元，以提高网络的表达能力。例如，可以添加附加的更新门或遗忘门，以便网络能够更细粒度地控制信息的流动。这些额外的门控单元可以有助于更好地捕捉时间序列中的模式。
创新点：引入额外的门控单元，如更新门(u)或附加的遗忘门(f2)。
公式：可以添加额外的门控单元，例如：
更新门(u)：u＝sigmoid(Wu*X+bu)，用于动态控制信息的更新。
附加的遗忘门(f2)：f2＝sigmoid(Wf2*X+bf2)，以提供更细粒度的遗忘控制。
参数含义：Wu、Wf2、bu、bf2是可学习的权重和偏置，用于额外的门控单元。
3)时间依赖激活函数：
创新点可以是引入时间依赖的激活函数，这些函数根据输入的时间信息进行调整。这使网络能够更好地处理随时间变化的数据。例如，可以使用具有时间衰减参数的激活函数，以便网络在不同时间步上对信息的处理具有不同的权重。
创新点：激活函数具有时间衰减参数。
公式：激活函数的权重在不同时间步上根据时间信息进行调整，例如：
激活函数：a(t)＝sigmoid(Wa*X+ba)*exp(-t/τ)，其中t是时间步，τ是时间常数。
参数含义：Wa、ba、τ是可学习的权重、偏置和时间常数，用于时间依赖的激活函数。
可选择使用的函数有：
①
② ReLU(x)＝max(0,x)
其中，①号式子是sigmoid的函数表达式，②号式子中W为输入权值，k为偏置值，f代表遗忘门，Ct代表当前时间步的细胞状态，i代表输入门，o代表输出门。③号式子说明隐藏状态ht-1输入xt一同输入至遗忘门，通过激活函数σ输出0代表全部遗忘，1代表全部记忆。同理，公式④和⑤为更新细胞状态，首先，生成新的细胞状态，而后在新的细胞状态中加入上一时刻细胞状态的信息，但这里的上一时刻信息是通过遗忘门进行控制过的信息。公式⑥为输出门，是由当前输出与上一时刻输出共同控制。最后通过公式⑦进行非线性操作作为最后输出。
在LSTM(长短时记忆网络)中，细胞状态(cell state)是LSTM单元中的一个关键部分，用于在不同时间步之间传递和保存信息。细胞状态是一种特殊的内部状态，它类似于记忆单元，用于存储和传递过去的信息，以便网络能够捕获长期依赖性，处理序列数据并解决梯度消失问题。
细胞状态在LSTM中的功能包括：
(1)存储过去的信息：细胞状态会根据遗忘门(forget gate)的控制，决定哪些信息应该被遗忘，哪些信息应该保留。这有助于网络记住长期的依赖性和关键信息。
(2)更新信息：细胞状态会根据输入门(input gate)的控制，接收来自当前时间步的新信息，用于更新细胞状态。这有助于网络吸收当前输入的信息。
(3)传递信息：细胞状态会在不同时间步之间传递信息，以便后续时间步的LSTM单元能够访问和使用之前的信息。
(4)输出信息：细胞状态也会根据输出门(output gate)的控制，用于生成LSTM单元的输出。
总之，细胞状态在LSTM中扮演着关键的角色，允许网络在处理序列数据时长期记忆和传递重要信息。通过遗忘、更新和传递信息，LSTM网络能够更好地处理时间序列和序列数据，包括语言模型、机器翻译、音频识别等应用。
ReLU是一种激活函数，其中x是输入值。这个函数的作用是，如果输入x大于0，它会返回x；如果输入x小于或等于0，它会返回0。当输入为正时，ReLU允许信号通过，而当输入为负时，它将信号截断(输出0)。这种非线性特性有助于网络学习复杂的函数，并减轻了梯度消失问题。
5.模型评估：运行模型来预测未来3个月的电池SOH走向，使用MAE和MSE作为损失函数对模型进行评估，选取min(MAE,MSE)最小的模型参数。MAE(平均绝对误差)和MSE(均方误差)的表达式为：
式中，n表示样本数量，yi表示样本标签，表示预测值。
MAE(平均绝对误差)通过计算每个数据点的实际值与对应的预测值之间的绝对误差，并求取这些绝对误差的平均值来度量模型的预测误差。它表示了模型的预测值与实际值之间的平均偏差，其值越小越好。
MSE(均方误差)MSE是通过计算每个数据点的实际值与对应的预测值之间的平方误差，并求取这些平方误差的平均值来度量模型的预测误差。与MAE不同，MSE会更加强调大误差，因为误差被平方。MSE值越小表示模型的预测值与实际值之间的平均偏差更小。
实施例2
本发明的一种电化学储能系统电池剩余寿命的预测系统，所述系统用于将电池历史SOH容量衰减曲线输入预先建立并训练好的SOH衰减剩余寿命预测模型中，得到预测的电池SOH容量走向，进而确认电池剩余寿命，如图2所示；
所述SOH衰减剩余寿命预测模型通过对LSTM循环神经网络改进得到；所述LSTM循环神经网络包括：输入门、遗忘门和输出门；
所述改进包括：增加自适应门控单元和多层门控单元；其中，
所述自适应门控单元，用于根据输入数据的性质分别为输出门、遗忘门和输出门选择相适应的激活函数；
所述多层门控单元包括：更新门和/或附加遗忘门；其中，
所述更新门，用于动态控制参数信息的更新；所述参数信息包括：权重和偏置；
所述附加遗忘门，用于对参数信息提供附加遗忘控制。
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种电化学储能系统电池剩余寿命的预测方法，包括：
将电池历史SOH值输入预先建立并训练好的SOH衰减剩余寿命预测模型中，得到预测的电池SOH容量走向，进而确认电池剩余寿命；
所述SOH衰减剩余寿命预测模型通过对LSTM循环神经网络改进得到；所述LSTM循环神经网络包括：输入门、遗忘门和输出门；
所述改进包括：增加自适应门控单元和多层门控单元；其中，
所述自适应门控单元，用于根据输入数据的性质分别为输出门、遗忘门和输出门选择相适应的激活函数；
所述多层门控单元包括：更新门和/或附加遗忘门；其中，
所述更新门，用于动态控制参数信息的更新；所述参数信息包括：权重和偏置；
所述附加遗忘门，用于对参数信息提供附加遗忘控制。
2.根据权利要求1所述的电化学储能系统电池剩余寿命的预测方法，其特征在于，所述激活函数引入可训练参数；所述可训练参数，用于使原始激活函数的斜率或者角度发生改变。
3.根据权利要求2所述的电化学储能系统电池剩余寿命的预测方法，其特征在于，所述激活函数F的公式为：
F＝sigmoid(WF*X+bF)
或
F＝relu(WF*X+bF)
其中，WF表示输入门、遗忘门或输出门的权重；X表示输入门、遗忘门或输出门的输入数据；BF表示输入门、遗忘门或输出门的偏置；sigmoid()表示sigmoid函数，relu()表示relu函数。
4.根据权利要求1所述的电化学储能系统电池剩余寿命的预测方法，其特征在于，所述更新门的激活函数u为：
u＝sigmoid(Wu*Y1+bu)
其中，Y1表示更新门的输入，Wu和bu分别表示更新门可学习的权重和偏置，sigmoid()表示sigmoid函数。
5.根据权利要求1所述的电化学储能系统电池剩余寿命的预测方法，其特征在于，所述附加遗忘门的激活函数f2为：
f2＝sigmoid(Wf2*Y2+bf2)
其中，Y2表示附加遗忘门的输入，Wf2和bf2分别表示附加遗忘门可学习的权重和偏置，sigmoid()表示sigmoid函数。
6.根据权利要求1-5之一所述的电化学储能系统电池剩余寿命的预测方法，其特征在于，所述输入门、遗忘门、输出门、更新门和/或附加遗忘门的激活函数还引入时间衰减参数；所述时间衰减参数用于根据输入数据的时间信息调整权重。
7.根据权利要求6所述的电化学储能系统电池剩余寿命的预测方法，其特征在于，引入时间衰减参数的激活函数a(t)均为：
a(t)＝sigmoid(Wa*X+ba)*exp(-t/τ)
其中，t是时间步，Wa、ba、τ分别是输入门、遗忘门、输出门、更新门或附加遗忘门可学习的权重、偏置和时间常数。
8.根据权利要求1所述的电化学储能系统电池剩余寿命的预测方法，其特征在于，所述方法还包括：对SOH衰减剩余寿命预测模型进行训练；训练过程包括：
提取SOH数值本身作为特征数据，按照五折交叉验证的方法划分；
对划分后的特征数据分别进行标准化处理；
采用滑动窗口技术，将标准化处理后的非监督数据转换为监督学习的序列数据，并形成多个历史SOH容量衰减曲线；
使用多个历史SOH容量衰减曲线对SOH衰减剩余寿命预测模型进行循环训练，得到训练好的SOH衰减剩余寿命预测模型。
9.根据权利要求8所述的电化学储能系统电池剩余寿命的预测方法，其特征在于，所述标准化处理，包括：采用最大最小归一化方法，对输入的特征数据a进行归一化处理，输出归一化后的数据a*：
其中，amax为输入特征数据的最大值，amin为输入特征数据的最小值。
10.一种电化学储能系统电池剩余寿命的预测系统，其特征在于，所述系统用于将电池历史SOH容量衰减曲线输入预先建立并训练好的SOH衰减剩余寿命预测模型中，得到预测的电池SOH容量走向，进而确认电池剩余寿命；
所述SOH衰减剩余寿命预测模型通过对LSTM循环神经网络改进得到；所述LSTM循环神经网络包括：输入门、遗忘门和输出门；
所述改进包括：增加自适应门控单元和多层门控单元；其中，
所述自适应门控单元，用于根据输入数据的性质分别为输出门、遗忘门和输出门选择相适应的激活函数；
所述多层门控单元包括：更新门和/或附加遗忘门；其中，
所述更新门，用于动态控制参数信息的更新；所述参数信息包括：权重和偏置；
所述附加遗忘门，用于对参数信息提供附加遗忘控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311409937.XA CN117805619A (zh) | 2023-10-27 | 2023-10-27 | 一种电化学储能系统电池剩余寿命的预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311409937.XA CN117805619A (zh) | 2023-10-27 | 2023-10-27 | 一种电化学储能系统电池剩余寿命的预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117805619A true CN117805619A (zh) | 2024-04-02 |
Family
ID=90434052
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311409937.XA Pending CN117805619A (zh) | 2023-10-27 | 2023-10-27 | 一种电化学储能系统电池剩余寿命的预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117805619A (zh) |
-
2023
- 2023-10-27 CN CN202311409937.XA patent/CN117805619A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112241608B (zh) | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 | |
| Chen et al. | State of health estimation for lithium-ion batteries based on fusion of autoregressive moving average model and elman neural network | |
| CN110187290B (zh) | 一种基于融合型算法的锂离子电池剩余寿命预测方法 | |
| 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 | |
| Che et al. | Data efficient health prognostic for batteries based on sequential information-driven probabilistic neural network | |
| Liu et al. | Future ageing trajectory prediction for lithium-ion battery considering the knee point effect | |
| Jiang et al. | State of health estimation for lithium-ion battery using empirical degradation and error compensation models | |
| CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
| Wang et al. | Multiple indicators-based health diagnostics and prognostics for energy storage technologies using fuzzy comprehensive evaluation and improved multivariate grey model | |
| CN111999648A (zh) | 一种基于长短期记忆网络的锂电池剩余寿命预测方法 | |
| Wang et al. | Health diagnosis for lithium-ion battery by combining partial incremental capacity and deep belief network during insufficient discharge profile | |
| Liu et al. | Review on degradation mechanism and health state estimation methods of lithium-ion batteries | |
| US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
| 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 | |
| Xu et al. | State of health diagnosis and remaining useful life prediction of lithium-ion batteries based on multi-feature data and mechanism fusion | |
| Xu et al. | State-of-charge estimation and health prognosis for lithium-ion batteries based on temperature-compensated Bi-LSTM network and integrated attention mechanism | |
| CN117154263A (zh) | 锂电池梯次利用充放电系统及控制方法 | |
| CN116930609A (zh) | 一种基于ResNet-LSTM模型的电能计量误差分析方法 | |
| Zhang et al. | Remaining useful life prediction of lithium-ion batteries based on TCN-DCN fusion model combined with IRRS filtering | |
| Wang et al. | A novel capacity estimation method for li-ion battery cell by applying ensemble learning to extremely sparse significant points | |
| CN112327169B (zh) | 一种锂电池剩余寿命预测方法 | |
| 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 | |
| Dong et al. | State of health estimation and remaining useful life estimation for Li-ion batteries based on a hybrid kernel function relevance vector machine | |
| Sun et al. | Battery degradation evaluation based on impedance spectra using a limited number of voltage-capacity curves | |
| CN116593899A (zh) | 一种基于XGBoost算法预测退役电池容量的方法 |
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 |