一种锂电池长期退化趋势预测方法技术

本发明专利技术公开了一种锂电池长期退化趋势预测方法，包括：通过将用于锂电池部分退化趋势曲线作为原始数据进行归一化和平滑处理，得到用于输入给训练好的预测模型的锂电池待预测样本；预测模型收到锂电池待预测样本时，给出锂电池待预测样本的起始状态对应的预测动作，预测模型所使用的交互环境将所述起始状态对应的预测动作拼接到锂电池待预测样本起始状态的结尾，作为第一次预测趋势曲线；将第一次预测趋势曲线结果截取等于单次状态长度的序列作为下一时刻状态输入给所述预测模型，使预测模型给出下一时刻状态对应的预测动作，交互环境将下一时刻状态对应的预测动作拼接到下一时刻状态的结尾，作为第二次预测趋势曲线，直至得到最终预测趋势曲线。直至得到最终预测趋势曲线。直至得到最终预测趋势曲线。

【技术实现步骤摘要】
一种锂电池长期退化趋势预测方法


[0001]本专利技术涉及电池退化趋势预测技术，特别是一种锂电池长期退化趋势预测方法。

技术介绍

[0002]故障预测技术不仅能在设备的实际使用过程中为设备的维修、更换等维护工作提供决策依据，在设备的性能试验阶段也能够为产品的设计过程提供辅助决策信息。例如对于锂电池研发企业来说，加快提升产品性能的过程能够更多更快地占领市场份额。同时，为了摸清新配方锂离子电池的性能特性需要通过大量的性能测试试验来测试与度量，而相关试验过程往往需要耗费大量的时间和成本。因此，利用退化趋势/剩余寿命预测技术预测锂离子电池在标准条件下的循环寿命能够极大地压缩试验时间。
[0003]深度强化学习任务通常可以用马尔科夫决策过程（Markov Decision Process, MDP）来描述，且学习任务往往伴随着大量的状态转移过程。深度强化学习任务在学习过程中，其目标是学习到一套最优策略，既在状态不断变化的环境中，如何选择最优的动作集合。为了达到这样的目标，深度强化学习任务在学习策略过程中，不仅需要考虑每个动作的短时反馈奖励值，同时需要考虑长期执行这一策略后得到的累计奖励能够最大。联系到退化趋势预测问题，其要求也是需要保证在长期预测过程中的稳定性和准确性。为了实现这样的要求，需要预测方法和模型在保证每一步预测准确性的基础上，实现长期预测的稳定性和准确性。

技术实现思路

[0004]本专利技术目的是提供一种锂电池长期退化趋势预测方法，利用深度强化学习中的深度确信策略梯度方法（Deep Deterministic Policy Gradient，DDPG），将长时剩余寿命预测问题转化为连续动作空间条件下的寿命退化轨迹预测问题，以便实现准确而稳定的锂电池长时剩余寿命预测。
[0005]本专利技术所提供的锂电池长期退化趋势预测方法包括：通过将用于锂电池部分退化趋势曲线作为原始数据进行归一化和平滑处理，得到用于输入给训练好的预测模型的锂电池待预测样本；所述预测模型收到锂电池待预测样本时，给出锂电池待预测样本的起始状态对应的预测动作，预测模型所使用的交互环境将所述起始状态对应的预测动作拼接到锂电池待预测样本起始状态的结尾，作为第一次预测趋势曲线；所述交互环境将第一次预测趋势曲线结果截取等于单次状态长度的序列作为下一时刻状态输入给所述预测模型，使所述预测模型给出下一时刻状态对应的预测动作，交互环境将下一时刻状态对应的预测动作拼接到所述下一时刻状态的结尾，作为第二次预测趋势曲线；所述交互环境和预测模型按照对所述第一次预测趋势曲线进行处理的相同方式，对第二次预测趋势曲线进行同样的处理，得到第三次预测趋势曲线，并对第三次预测趋势曲线
进行同样的处理，直至得到最终预测趋势曲线（若预定处理次数为N次，则经过N次相同处理后，得到最终预测趋势曲线）。
[0006]优选地，本专利技术的锂电池长期退化趋势预测方法包括对最终预测结果进行平滑处理，以便清楚地显示退化趋势预测结果。
[0007]优选地，所述预测模型是由DDPG算法构成的预测模型；通过利用已知的锂电池训练集样本对所述预测模型进行训练，得到所述训练好的预测模型。
[0008]优选地，输入到预测模型的状态是一个固定长度的序列，所述预测模型给出的预测动作是一个比所述状态的长度短的固定长度的序列。
[0009]优选地，通过利用已知的训练集样本对所述预测模型进行训练，得到所述训练好的预测模型包括以下迭代处理：交互环境从一条锂电池退化趋势曲线的最左端开始，截取长度为N的数据作为当前状态输入到所述预测模型；所述预测模型根据所输入的状态给出预测动作；交互环境将预测动作拼接到所输入的状态的结尾，形成下一锂电池预测趋势曲线；交互环境根据预测模型给出的预测动作计算当前的奖励值，并给出下一时刻的状态；利用所述当前状态、预测动作、奖励值以及下一时刻状态在内的元素对预测模型的参数进行优化。
[0010]优选地，利用所述当前状态、预测动作、奖励值以及下一时刻状态在内的元素对预测模型的参数进行优化包括：保存所述当前状态、预测动作、奖励值以及下一时刻状态；利用所保存的奖励值计算预测模型中评委网络的损失，并使用Adam算法对评委网络的参数进行更新；将所述评委网络的输出作为演员网络的学习目标，并使用Adam算法对所述演员网络的参数进行优化。
[0011]优选地，将所述迭代处理的当前状态、预测动作、奖励值以及下一时刻状态保存到一个预设的记忆库中，直至所述记忆库被充满。
[0012]优选地，从所述记忆库随机抽取历史记忆形成mini-batch，更新DDPG算法参数。
[0013]优选地，所述参数包括深度神经网络的超参数和DDPG的核心参数。
[0014]优选地，通过利用已知的训练集样本对所述预测模型进行训练，得到所述训练好的预测模型还包括：利用已知的锂电池测试集样本对训练好的预测模型进行测试，以便确定训练好的预测模型是否达到预期。
[0015]本专利技术以锂电池企业设计生产以及试验过程中的锂电池试验数据为基础，对基于深度确信梯度策略预测方法的有效性进行了测试。实验结果标明本文提出的方法能够有效的实现锂离子电池退化趋势/剩余寿命预测。
[0016]本专利技术上述技术方案的有益效果包括：1、提出了一种深度强化学习的锂电池性能退化趋势预测方法，不同于现有基于监督学习架构的退化趋势预测方法，所提出方法能够打破时序型训练数据中所存在的相关性，提升深层神经网络的训练效果；2、提出了一种退化趋势预测仿真沙盒构建方法，能够为基于深度强化学习方法构建的
预测模型提供交互式探索环境，使得深度强化学习算法能够用于退化趋势预测问题；3、所提出方法能够同时对不同配方电池的退化特性进行学习建模，在此基础上，仅以部分退化趋势曲线作为输入，能够外推式的对剩余退化趋势进行有效预测。在电池生产商实际配方设计阶段循环寿命试验过程中，利用本方法能够通过预测的方式，有效地节省试验量。
附图说明
[0017]图1是本专利技术的一种锂电池长期退化趋势预测方法的示意图；图2a是本专利技术的预测模型训练的原理流程图；图2b是本专利技术的测试训练好的预测模型的原理流程图；图3是本专利技术的预测模型训练及利用训练好的预测模型预测锂电池长期退化趋势的具体流程图；图4是不同温度下的归一化充放电循环寿命数据，图中（a）（b）（c）分别为25℃、45℃和60℃下7种配方的退化趋势曲线。
具体实施方式
[0018]图1显示了本专利技术的一种锂电池长期退化趋势预测方法，包括：通过将用于锂电池部分退化趋势曲线作为原始数据进行归一化和平滑处理，得到用于输入给训练好的预测模型的锂电池待预测样本；预测模型收到锂电池待预测样本时，给出锂电池待预测样本的起始状态对应的预测动作，预测模型所使用的交互环境将所述起始状态对应的预测动作拼接到锂电池待预测样本起始状态的结尾，作为第一次预测趋势曲线；交互环境将第一次预测趋势曲线结果截取等于单次状态长度的序列作为下一时刻状态输入给所述预测模型，使所述预测模型给出下一时刻状态对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种锂电池长期退化趋势预测方法，包括：通过将用于锂电池部分退化趋势曲线作为原始数据进行归一化和平滑处理，得到用于输入给训练好的预测模型的锂电池待预测样本；所述预测模型收到锂电池待预测样本时，给出锂电池待预测样本的起始状态对应的预测动作，预测模型所使用的交互环境将所述起始状态对应的预测动作拼接到锂电池待预测样本起始状态的结尾，作为第一次预测趋势曲线；所述交互环境将第一次预测趋势曲线结果截取等于单次状态长度的序列作为下一时刻状态输入给所述预测模型，使所述预测模型给出下一时刻状态对应的预测动作，交互环境将下一时刻状态对应的预测动作拼接到所述下一时刻状态的结尾，作为第二次预测趋势曲线；所述交互环境和预测模型按照对所述第一次预测趋势曲线进行处理的相同方式，对第二次预测趋势曲线以及后续预测趋势曲线进行处理，直至得到最终预测趋势曲线。2.根据权利要求1所述的锂电池长期退化趋势预测方法，还包括对最终预测结果进行平滑处理，以便清楚地显示退化趋势预测结果。3.根据权利要求1所述的锂电池长期退化趋势预测方法，其中，所述预测模型是由DDPG算法构成的预测模型；通过利用已知的锂电池训练集样本对所述预测模型进行训练，得到所述训练好的预测模型。4.根据权利要求1或2或3所述的锂电池长期退化趋势预测方法，其中，输入到预测模型的状态是一个固定长度的序列，所述预测模型给出的预测动作是一个比所述状态的长度短的固定长度的序列。5.根据权利要求3所述的锂电池长期退化趋势预测方法，其中，通过利用已知的训练集样本对所述预测模型进行训练，得到所述训练好的预测模型包括以下迭代处理：交互环境从一条锂电池退化趋势曲线的...

【专利技术属性】
技术研发人员：丁宇，王超，马剑，吕琛，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：