一种锂离子电池剩余寿命间接预测方法及装置制造方法及图纸

本发明专利技术涉及一种锂离子电池剩余寿命间接预测方法，包括：采集锂离子电池监测数据，归一化电池容量序列和等时间电压差序列；相关性分析，提取健康因子；构建基于回声状态网络的锂离子电池健康状态估计模型；构建基于长短时记忆神经网络的健康因子预测模型，计算出未来循环周期的健康因子；计算未来循环周期容量的真实值，完成锂离子电池剩余寿命的预测。本发明专利技术还提供一种锂离子电池剩余寿命间接预测装置，该装置以及上述预测方法能够实现锂离子电池剩余寿命的在线预测，在剩余寿命达到失效之前进行及时更换与维修，从而保证锂离子电池的正常运行，提升锂离子电池剩余寿命的预测精度。

【技术实现步骤摘要】
一种锂离子电池剩余寿命间接预测方法及装置
本专利技术涉及锂离子电池健康管理领域，更具体地涉及一种锂离子电池剩余寿命间接预测方法及装置。
技术介绍
随着科技的发展，锂离子电池因为其体积小、重量轻、高能量比、寿命长等优势，被广泛应用于航天器、电动车、便携电子设备等各个领域。锂离子电池的健康管理变得越来越重要，作为锂离子电池健康管理的重要组成部分，锂离子电池剩余使用寿命(RUL)预测问题已成为电子系统故障预测和健康管理领域的研究热点和挑战问题之一。实现准确的剩余使用寿命估计有助于提高系统可靠性，具有重要的研究和实用价值。锂离子电池剩余寿命可根据电池容量直接预测，但是现实情况下锂离子电池容量很难在线直接测量得到，因而目前主要通过建立基于机理的物理模型或采用基于数据驱动的方法来预测锂离子电池剩余使用寿命。基于机理的物理模型主要是通过量化电池性能的影响因素，根据锂离子电池充放电过程中发生的化学反应以及其特定的物理特性，获得锂离子电池性能退化的演变过程。但是考虑到可能存在很多因素相互影响导致性能的下降，而且准确的估计需要考虑到复杂的参数计算，所以很难可靠地模拟锂离子电池寿命退化系统。而基于数据驱动的方法主要是传统的自回归模型，但是自回归模型本质上是线性模型，而锂离子电池的寿命衰减是一个非线性的过程，所以在实际预测中还存在着较大的非线性误差。并且实际情况下容量在退化过程中会出现再生长的现象，而自回归模型的抗干扰能力相对较差，使得预测精度不高。长短时记忆网络(LSTM)为人们提供了一种时间序列预测的思路。对于时间序列问题，前后总是有关联的，当前时刻的输出会受之前时刻的影响。LSTM神经网络会记忆之前的信息，其隐藏层的输入不仅包括输入层的输出，还包括上一隐藏层的状态输出，所以它可以刻画当前的输出与之前序列的关系，而且通过引入门结构，实现对时间序列的长期记忆。因此，如何通过锂离子电池在线可测的局部数据作为健康因子来表征电池容量，基于LSTM神经网络实现锂离子电池剩余寿命的预测，对于锂离子电池健康管理系统在实际问题中的应用具有重要的意义。
技术实现思路
本专利技术提供一种锂离子电池剩余寿命间接预测方法及装置，无需复杂的参数计算就能够进行在线实时的长期预测，同时能够减少误差、提高预测精度。本专利技术提供的一种锂离子电池剩余寿命间接预测方法，包括：步骤S1，采集锂离子电池监测数据，提取出锂离子电池容量序列以及若干组等时间电压差序列，并将所述容量序列和所述等时间电压差序列归一化；步骤S2，对所述归一化的等时间电压差序列和容量序列进行相关性分析，选择与所述容量序列相关性最好的一组等时间电压差序列作为归一化的健康因子序列；步骤S3，根据所述归一化的容量序列以及所述归一化的健康因子序列，构建基于回声状态网络的锂离子电池健康状态估计模型；步骤S4，根据所述归一化的健康因子序列，构建基于长短时记忆神经网络的健康因子预测模型，计算出未来循环周期的健康因子；步骤S5，将所述未来循环周期的健康因子输入所述锂离子电池健康状态估计模型，得到未来循环周期容量的估计值，将所述未来循环周期容量的估计值反归一化得到未来循环周期容量的真实值，完成锂离子电池剩余寿命的预测。所述归一化的容量序列按照下式计算：和所述归一化的等时间电压差序列按照下式计算：式中，c(k)表示容量序列，为容量序列中的最小值，为容量序列中的最大值；u(k)表示等时间电压差序列，为等时间电压差序列中的最小值，为等时间电压差序列中的最大值。所述步骤S2中的相关性分析包括灰度关联性分析、皮尔森系数相关性分析以及斯皮尔曼等级相关性分析。所述步骤S3包括：步骤S31，将所述归一化的容量序列按一定长度划分为容量训练集和容量测试集，将所述健康因子序列按一定长度划分为健康因子训练集和健康因子测试集；步骤S32，配置回声状态网络的四个超参数：储备池处理单元个数、谱半径、储备池输入伸缩尺度以及输入单元位移；步骤S33，将所述健康因子训练集输入回声状态网络，所述容量训练集作为输出，训练回声状态网络模型的输出权重矩阵；步骤S34，将所述健康因子测试集输入训练后的回声状态网络模型，得到容量估计值，将所述容量估计值反归一化后，计算所述反归一化后的容量估计值与容量测试集真实值的误差；步骤S35，重复步骤S32-步骤S34，当容量估计值与容量测试集的误差最小时，保存所述输出权重矩阵，得到锂离子电池健康状态估计模型。所述锂离子电池健康状态估计模型包括单工况锂离子电池健康状态估计模型以及多工况锂离子电池健康状态估计模型。所述步骤S4包括：步骤S41，将所述归一化的健康因子序列按一定长度划分为健康因子训练集和健康因子测试集，将所述健康因子训练集处理成LSTM网络的输入格式；步骤S42，构建LSTM神经网络模型；步骤S43，将构建好的LSTM神经网络模型在所述健康因子训练集上进行训练，得到健康因子预测模型；步骤S44，通过多步迭代划窗法得到未来周期健康因子的预测值；所述步骤S41中将所述健康因子训练集处理成LSTM网络的输入格式的方法为：选取健康因子预测输出长度为L，以第1个到第L个循环周期的健康因子作为输入，第2个到第L+1个循环周期的健康因子作为输出，按顺序将输入输出依次递推构建若干个数据集。所述步骤S43中LSTM神经网络模型的训练方法为：将所述第1个到第L个循环周期构建的L长度的健康因子序列作为模型输入，所述第2个到第L+1个循环周期构建的L长度的健康因子序列作为模型输出，选取均方根误差作为损失函数，通过梯度下降算法进行训练，最终构建起第1个到第L个循环周期与第2个到第L+1个循环周期两个健康因子序列关系的LSTM神经网络模型。所述步骤S44中的多步迭代划窗法为：选取所述健康因子训练集的最后L个数据输入健康因子预测模型，得到L个输出，选取L个输出的最后一个值作为预测的第一个值；然后将划窗向前移动一步，将预测的第一个值加入划窗构成L个数据预测下一个值。一种锂离子电池剩余寿命预测装置，其特征在于，包括：数据预处理单元，对电池管理系统采集的锂离子电池监测数据进行提取，提取出锂离子电池容量序列以及若干组等时间电压差序列；健康因子提取单元，对提取出的容量序列以及若干组等时间电压差序列归一化，并进行相关性分析，选择与容量序列相关性最好的一组等时间电压差序列作为归一化的健康因子序列；健康状态估计单元，根据所述归一化的容量序列以及所述归一化的健康因子序列，构建基于回声状态网络的锂离子电池健康状态估计模型；健康因子预测单元，根据所述归一化的健康因子序列，构建基于长短时记忆神经网络的健康因子预测模型，计算出未来循环周期的健康因子；剩余寿命预测单元，将所述未来循环周期健康因子输入锂离子电池健康状态估计模型，得到容量估计值。本专利技术从监测数据中分析可以表征容量退化的健康因子，并通过相关性分析验证本文档来自技高网...

【技术保护点】
1.一种锂离子电池剩余寿命间接预测方法，其特征在于，包括：/n步骤S1，采集锂离子电池监测数据，提取出锂离子电池容量序列以及若干组等时间电压差序列，并将所述容量序列和所述等时间电压差序列归一化；/n步骤S2，对所述归一化的等时间电压差序列和容量序列进行相关性分析，选择与所述容量序列相关性最好的一组等时间电压差序列作为归一化的健康因子序列；/n步骤S3，根据所述归一化的容量序列以及所述归一化的健康因子序列，构建基于回声状态网络的锂离子电池健康状态估计模型；/n步骤S4，根据所述归一化的健康因子序列，构建基于长短时记忆神经网络的健康因子预测模型，计算出未来循环周期的健康因子；/n步骤S5，将所述未来循环周期的健康因子输入所述锂离子电池健康状态估计模型，得到未来循环周期容量的估计值，将所述未来循环周期容量的估计值反归一化得到未来循环周期容量的真实值，完成锂离子电池剩余寿命的预测。/n

【技术特征摘要】
1.一种锂离子电池剩余寿命间接预测方法，其特征在于，包括：
步骤S1，采集锂离子电池监测数据，提取出锂离子电池容量序列以及若干组等时间电压差序列，并将所述容量序列和所述等时间电压差序列归一化；
步骤S2，对所述归一化的等时间电压差序列和容量序列进行相关性分析，选择与所述容量序列相关性最好的一组等时间电压差序列作为归一化的健康因子序列；
步骤S3，根据所述归一化的容量序列以及所述归一化的健康因子序列，构建基于回声状态网络的锂离子电池健康状态估计模型；
步骤S4，根据所述归一化的健康因子序列，构建基于长短时记忆神经网络的健康因子预测模型，计算出未来循环周期的健康因子；
步骤S5，将所述未来循环周期的健康因子输入所述锂离子电池健康状态估计模型，得到未来循环周期容量的估计值，将所述未来循环周期容量的估计值反归一化得到未来循环周期容量的真实值，完成锂离子电池剩余寿命的预测。


2.根据权利要求1所述的锂离子电池剩余寿命间接预测方法，其特征在于，所述归一化的容量序列按照下式计算：

和
所述归一化的等时间电压差序列按照下式计算：



式中，c(k)表示容量序列，为容量序列中的最小值，为容量序列中的最大值；u(k)表示等时间电压差序列，为等时间电压差序列中的最小值，为等时间电压差序列中的最大值。


3.根据权利要求1所述的锂离子电池剩余寿命间接预测方法，其特征在于，所述步骤S2中的相关性分析包括灰度关联性分析、皮尔森系数相关性分析以及斯皮尔曼等级相关性分析。


4.根据权利要求1所述的锂离子电池剩余寿命间接预测方法，其特征在于，所述步骤S3包括：
步骤S31，将所述归一化的容量序列按一定长度划分为容量训练集和容量测试集，将所述健康因子序列按一定长度划分为健康因子训练集和健康因子测试集；
步骤S32，配置回声状态网络的四个超参数：储备池处理单元个数、谱半径、储备池输入伸缩尺度以及输入单元位移；
步骤S33，将所述健康因子训练集输入回声状态网络，所述容量训练集作为输出，训练回声状态网络模型的输出权重矩阵；
步骤S34，将所述健康因子测试集输入训练后的回声状态网络模型，得到容量估计值，并计算容量估计值与容量测试集真实值的误差；
步骤S35，重复步骤S32-步骤S34，当容量估计值与容量测试集的误差最小时，保存所述输出权重矩阵，得到锂离子电池健康状态估计模型。


5.根据权利要求4所述的锂离子电池剩余寿命间接预测方法，其特征在于，所述锂离子电池健康状态估计模型包括单工况锂离子电池健康状态估计模型以及多工况锂离子...

【专利技术属性】
技术研发人员：杨文，王佳乐，吕桃林，罗伟林，刘辉，
申请(专利权)人：华东理工大学，上海空间电源研究所，上海动力储能电池系统工程技术有限公司，
类型：发明
国别省市：上海;31