基于长短时记忆LSTM和粒子滤波PF的锂离子电池剩余使用寿命预测方法技术

本发明专利技术公开了基于长短时记忆LSTM和粒子滤波PF的锂离子电池剩余使用寿命预测方法，属于新能源电动汽车锂离子电池剩余使用寿命预测领域，具体步骤如下：分析从锂离子电池电压、电流和温度中提取锂离子电池性能退化特征参数，利用改进主成分分析法融合特征参数作为锂离子电池健康指数，充分表征锂离子电池性能退化特征且不含冗余信息；训练基于长短时记忆神经网络的锂离子电池容量预测模型预测锂离子电池容量，以LSTM预测模型的容量预测值作为粒子滤波预测模型的观测值，在粒子滤波算法的每一步迭代过程中调整更新容量预测值，比较容量预测值和容量失效阈值从而预测锂离子电池剩余使用寿命。本发明专利技术能有效监控和预测锂离子电池性能退化过程。

Prediction method of remaining life of Li-ion battery based on long-term memory LSTM and particle filter PF

【技术实现步骤摘要】
基于长短时记忆LSTM和粒子滤波PF的锂离子电池剩余使用寿命预测方法
本专利技术属于电动汽车锂离子电池
，更为具体地，是涉及基于LSTM和PF的锂离子电池剩余使用寿命预测方法。
技术介绍
随着人们环保意识不断增强，新能源电动汽车受到了用户青睐。锂离子电池因其安全性好、比能量大、充放电效率高等诸多优势被广泛应用于新能源电动汽车，但锂离子电池性能退化是不可避免的，而性能退化易引起新能源电动汽车系统故障甚至是灾难性事故。因此，寻找一种准确可靠的锂离子电池剩余使用寿命预测方法，准确预测锂离子电池剩余使用寿命，及时更换故障或寿命终结电池，对避免和预防事故发生意义重大。锂离子电池剩余使用寿命是指从当前充放电周期到锂离子电池失效时(通常认为锂离子电池容量为初始额定容量的70％时)所经历的循环次数。目前存在很多锂离子电池剩余使用寿命预测方法，主要有基于模型的方法和基于数据驱动的方法。基于模型的方法由于其建立准确模型较难，难以准确预测锂离子电池剩余使用寿命。基于数据驱动的方法如相关向量机、支持向量机等无法有效处理序列数据的长依赖性，不适于锂离子电池剩余使用寿命预测。目前大多数研究以电池容量、电阻等参数为锂离子电池健康指数预测锂离子电池剩余使用寿命，但此类参数在电池运行过程中难以直接测量。少数研究以等压降时间间隔等易测量参数独立或共同作为锂离子电池健康指数导致健康指数不足或冗余，影响预测准确性。粒子滤波算法可以有效跟踪预测非线性系统并且能够有效预测锂离子电池剩余使用寿命，但该方法在预测阶段无观测值导致状态无法更新，预测准确性低且预测准确性过分依赖模型准确性。长短时记忆神经网络能够有效处理序列数据长依赖性，目前广泛应用于锂离子电池剩余使用寿命预测中，但在预测阶段缺失容量测量值，使用预测值作为模型输入导致预测准确性降低。
技术实现思路
本专利技术的目的在于基于LSTM和PF的锂离子电池剩余使用寿命预测方法，以提高锂离子电池剩余使用寿命预测准确性。针对常用作锂离子电池健康指数的电池容量、电阻等参数在锂离子电池运行过程中难以测量问题，此专利技术利用Spearman相关性分析从锂离子电池电压、电流和温度中提取锂离子电池性能退化特征参数。利用改进主成分分析方法融合特征参数代替容量作为锂离子电池健康指数，充分表征锂离子电池性能退化特征且不含冗余信息同时在主成分分析过程中去除了噪音数据。本专利技术构建基于长短时记忆LSTM神经网络的锂离子电池容量模型，表征锂离子电池性能退化趋势。针对粒子滤波预测模型在预测阶段无测量值导致状态无法更新，预测准确性低问题，本专利技术以LSTM预测模型得到的容量预测值为观测值，利用粒子滤波算法迭代更新容量预测值，比较容量预测值和失效阈值从而预测锂离子电池剩余使用寿命，提高预测准确性。具体技术方案如下：基于LSTM和PF的锂离子电池剩余使用寿命预测方法，包括以下步骤：步骤1，利用Spearman相关性分析提取锂离子电池性能退化特征参数：从锂离子电池电压、电流和温度中提取特征参数，并利用Spearman相关性分析确定能够表征锂离子电池性能退化的特征参数；步骤2，利用改进主成分分析法构建健康指数HI：对主成分分析法进行改进，在消除量纲及数量级差异时保留特征参数信息差异性，利用改进主成分分析法融合特征参数代替容量作为锂离子电池健康指数；步骤3，基于长短时记忆LSTM神经网络和粒子滤波PF预测锂离子电池剩余使用寿命：训练LSTM预测模型预测锂离子电池容量，以双指数容量退化模型为PF预测模型状态转移方程，以LSTM预测模型得到的容量预测值作为观测值，在粒子滤波算法的每一次迭代中更新调整锂离子电池容量预测值，比较锂离子电池容量预测值与锂离子电池容量失效阈值CapEOL，预测锂离子电池剩余使用寿命。进一步，所述利用Spearman相关性分析提取锂离子电池性能退化特征参数包括放电平台期时长DST、放电平台期电压变化率DVT、放电最高温度出现时间DTMT及恒流充电时间CST。进一步，所述利用改进主成分分析法构建健康指数HI包括以下步骤：步骤2.1，构建锂离子电池性能退化特征参数矩阵P*，如式2.1：其中n为样本数，分别为第i个循环放电平台期时长、放电平台期电压变化率、放电最高温度出现时间及恒流充电时间；步骤2.2，改进主成分分析法标准化过程，在消除量纲及数量级差异时保留特征参数信息差异性，改进的标准化方法如式2.2所示：其中为第j个特征参数的均值，xij为第i个循环第j个特征参数的标准化值(i＝1,2,…,n,j＝1,2,3,4)，标准化性能退化特征参数矩阵P如式2.3：其中DSTi,DVTi,DTMTi,CSTi(i＝1,2,…,n)分别为第i个循环放电平台期时长、放电平台期电压变化率、放电最高温度出现时间及恒流充电时间的标准化值；步骤2.3，计算标准化特征参数矩阵P的协方差矩阵COVp：其中n为样本数，PT为矩阵P的转置矩阵；步骤2.4，计算协方差矩阵COVp的特征值并按降序排序，排序后特征值为λ1,λ2,λ3,λ4，各特征值对应标准特征向量为V1,V2,V3,V4；步骤2.5，计算排序后各特征值对应贡献率和累积贡献率，如式2.5、2.6所示：其中λi(i＝1,2,3,4)为第i个特征值，Ci为特征值λi的贡献率，CSi为特征值λi的累积贡献率；步骤2.6，以累积贡献率CSi大于等于90％为依据确定主成分，计算得分矩阵作为锂离子电池健康指数，如式2.7所示：其中m为主成分个数，Vj为主成分对应标准特征向量，HI*为锂离子电池健康指数。进一步，基于长短时记忆LSTM神经网络和粒子滤波PF预测锂离子电池剩余使用寿命包括以下步骤：步骤3.1，归一化健康指数并利用多项式拟合方法获取归一化健康指数HI与容量Cap映射关系；步骤3.2，以前T个循环健康指数为训练数据，T为预测起点，其余数据为测试数据，以为输入，为输出构造训练数据集，其中为第i个循环健康指数真实值，i＝t-k,…,t，k为LSTM预测模型输入参数个数；步骤3.3，利用训练数据训练LSTM预测模型，如式3.1所示：其中Xt为预测模型输入,为健康指数预测值，进一步使用RMSprop优化算法加快模型训练速度，并加入L2正则化项避免模型过拟合问题；步骤3.4，从预测起点T开始利用LSTM预测模型预测锂离子电池健康指数，并根据归一化健康指数和容量映射关系获取容量预测值，其中预测阶段模型输入Xt如式3.2所示：其中w为输入参数真实值数，为第i个循环健康指数预测值，为健康指数真实值；步骤3.5，利用双指数容量退化模型构建状态空间模型如式3.3所示：其中Cap(k)为第k个循环的容量，k为循环次数，p1,p2,p3,p4为双指数容量退化模型参数，v1,v2,v3,v4,v5为噪音；步骤3.6，利用粒本文档来自技高网...

【技术保护点】
1.基于LSTM和PF的锂离子电池剩余使用寿命预测方法，其特征在于，包括以下步骤：/n步骤1，利用Spearman相关性分析提取锂离子电池性能退化特征参数：从锂离子电池电压、电流和温度中提取特征参数，并利用Spearman相关性分析确定能够表征锂离子电池性能退化的特征参数；/n步骤2，利用改进主成分分析法构建健康指数HI：对主成分分析法进行改进，在消除量纲及数量级差异时保留特征参数信息差异性，利用改进主成分分析法融合特征参数代替容量作为锂离子电池健康指数；/n步骤3，基于长短时记忆LSTM神经网络和粒子滤波PF预测锂离子电池剩余使用寿命：训练LSTM预测模型预测锂离子电池容量，以双指数容量退化模型为PF预测模型状态转移方程，以LSTM预测模型得到的容量预测值作为观测值，在粒子滤波算法的每一次迭代中更新调整锂离子电池容量预测值，比较锂离子电池容量预测值与锂离子电池容量失效阈值Cap

【技术特征摘要】
1.基于LSTM和PF的锂离子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1，利用Spearman相关性分析提取锂离子电池性能退化特征参数：从锂离子电池电压、电流和温度中提取特征参数，并利用Spearman相关性分析确定能够表征锂离子电池性能退化的特征参数；
步骤2，利用改进主成分分析法构建健康指数HI：对主成分分析法进行改进，在消除量纲及数量级差异时保留特征参数信息差异性，利用改进主成分分析法融合特征参数代替容量作为锂离子电池健康指数；
步骤3，基于长短时记忆LSTM神经网络和粒子滤波PF预测锂离子电池剩余使用寿命：训练LSTM预测模型预测锂离子电池容量，以双指数容量退化模型为PF预测模型状态转移方程，以LSTM预测模型得到的容量预测值作为观测值，在粒子滤波算法的每一次迭代中更新调整锂离子电池容量预测值，比较锂离子电池容量预测值与锂离子电池容量失效阈值CapEOL，预测锂离子电池剩余使用寿命。


2.根据权利要求1所述的基于LSTM和PF的锂离子电池剩余使用寿命预测方法，其特征在于，所述利用Spearman相关性分析提取锂离子电池性能退化特征参数包括放电平台期时长DST、放电平台期电压变化率DVT、放电最高温度出现时间DTMT及恒流充电时间CST。


3.根据权利要求1所述的基于LSTM和PF的锂离子电池剩余使用寿命预测方法，其特征在于，所述利用改进主成分分析法构建健康指数HI包括以下步骤：
步骤2.1，构建锂离子电池性能退化特征参数矩阵P*，如式2.1：



其中n为样本数，分别为第i个循环放电平台期时长、放电平台期电压变化率、放电最高温度出现时间及恒流充电时间；
步骤2.2，改进主成分分析法标准化过程，在消除量纲及数量级差异时保留特征参数信息差异性，改进的标准化方法如式2.2所示：



其中为第j个特征参数的均值，xij为第i个循环第j个特征参数的标准化值(i＝1,2,…,n,j＝1,2,3,4)，标准化性能退化特征参数矩阵P如式2.3：



其中DSTi,DVTi,DTMTi,CSTi(i＝1,2,…,n)分别为第i个循环放电平台期时长、放电平台期电压变化率、放电最高温度出现时间及恒流充电时间的标准化值；
步骤2.3，计算标准化特征参数矩阵P的协方差矩阵COVp：



其中n为样本数，PT为矩阵P的转置矩阵；
步骤2.4，计算协方差矩阵COVp的特征值并按降序排序，排序后特征值为λ1,λ2,λ3,λ4，各特征值对应标准特征向量为V1,V2,V3,V4；
步骤2.5，计算排序后各特征值对应贡献率和累积...

【专利技术属性】
技术研发人员：薛安荣，于彬鹏，杨婉琳，陈伟鹤，蔡涛，盘朝奉，何志刚，李骁淳，王丽梅，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏;32