一种基于迁移深度学习的电池组剩余寿命预测方法技术

本发明专利技术涉及一种基于迁移深度学习的电池组剩余寿命预测方法，属于电池技术领域。该方法包括以下步骤：步骤S1：收集动力电池老化数据集，建立电池老化数据库；步骤S2：根据电池单体老化数据提取多个健康因子，并根据相关性分析和容量估计误差筛选健康因子；步骤S3：基于电池单体全寿命周期老化数据集训练得到健康因子的递推模型，以及基于健康因子的容量估计模型；步骤S4：建立基于电池单体健康因子集和电池组容量衰减的机器学习模型；步骤S5：基于单体容量估计模型预测未来各单体的容量，得到未来循环的电池组单体容量分布。利用迁移学习和深度学习相结合，能够有效的利用已有的完整信息，提高电池组剩余寿命预测精度。提高电池组剩余寿命预测精度。提高电池组剩余寿命预测精度。

【技术实现步骤摘要】
一种基于迁移深度学习的电池组剩余寿命预测方法


[0001]本专利技术属于电池
，涉及一种基于迁移深度学习的电池组剩余寿命预测方法。

技术介绍

[0002]电池的剩余寿命预测方法通常可分为基于模型和基于数据驱动两类。基于模型的一种方法主要是通过历史数据与循环次数建立的经验或半经验模型进行预测。通常为指数模型、双指数模型、或者多项式模型。利用先进滤波器例如卡尔曼滤波，粒子滤波等进行曲线拟合得到拟合曲线，从而利用拟合曲线进行容量估计或者进行剩余寿命预测。基于物理模型是另外一种基于模型的方法，该方法建立电池的老化机理模型，从而通过仿真实现未来循环的充放电模拟，进而得到容量衰减至阈值时的剩余寿命。而基于数据驱动的方法由于其不需要特殊的模型，而仅仅依赖数据本身的特性，近年来得到了快速的发展。基于数据驱动的方法通常是以容量衰减的序列构建映射关系，通过先前几个容量数据预测下一个容量数据，并进行外推得到剩余循环寿命。或者通过在充放电过程中根据特殊的工况提取相关的健康因子，建立健康因子和容量之间的映射关系，通过健康因子估计电池的容量。然后建立电池容量序列映射关系进行外推得到电池的剩余循环寿命。然而，目前的研究尚缺乏对电池组的寿命预测的实现。迁移学习能够利用有效的历史信息，对预测任务进行模型的微小修正，从而提高预测任务的效果。目前研究仍然缺乏有效的利用电池单电芯和电池组的对应关系，从而对电池组的剩余寿命的预测精度提高。此外，电池组的剩余寿命不仅需要关注整包的未来容量变化，也需要关注每个电池单体的容量分布，从而可以识别出不一致性比较大的电池单体，及时更换或进行均衡管理，以延长电池组的使用寿命。
[0003]针对上述的问题，目前尚未提出有效的基于迁移深度学习的电池组剩余寿命和电池组单体寿命分布的高效精确预测方法。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于迁移深度学习的电池组剩余寿命预测方法。
[0005]为达到上述目的，本专利技术提供如下技术方案：
[0006]一种基于迁移深度学习的电池组剩余寿命预测方法，该方法包括以下步骤：
[0007]步骤S1：收集动力电池老化数据集，建立电池老化数据库，包括完整的电池单体全寿命周期数据以及由同款电芯组成的电池组早期的老化数据；
[0008]步骤S2：根据电池单体老化数据提取多个健康因子，并根据相关性分析和容量估计误差筛选健康因子；
[0009]步骤S3：基于电池单体全寿命周期老化数据集训练得到健康因子的递推模型，以及基于健康因子的容量估计模型；
[0010]步骤S4：提取电池组早期老化实验数据集每个电池单体的健康因子，建立基于电
池单体健康因子集和电池组容量衰减的机器学习模型；
[0011]步骤S5：利用迁移学习对电池组每个电池单体的健康因子递推模型进行微调，并进行健康因子外推预测，最后基于外推得到的单体健康因子集估计未来循环的电池组容量；基于单体容量估计模型预测未来各单体的容量，得到未来循环的电池组单体容量分布。
[0012]可选的，所述步骤S1具体为：
[0013]步骤S11：收集某款电芯的多个电池单体的全寿命周期完整数据集，包括充放电电流、电压、温度、时间和电量参数，涵盖不同充放电倍率和环境温度的数据集；
[0014]步骤S12：收集电池单体同款电芯对应的电池组的老化实验数据集，包括每个单体的电压和温度参数，以及电池组电流和电量信息；
[0015]步骤S13：根据收集的电池单体和电池组的老化实验数据，建立某款电芯的电池老化数据集。
[0016]可选的，所述步骤S2具体为：
[0017]步骤S21：根据电池单体全寿命周期提取多个可用的健康因子；
[0018]步骤S22：通过相关性分析，筛选出和电池单体容量相关性高的健康因子；
[0019]步骤S23：基于A号电池单体建立全寿命的健康因子估计容量的机器学习模型，并利用B号电池单体提取健康因子进行容量估计，分析估计误差。
[0020]可选的，所述多个可用的健康因子包括电压曲线斜率，等时间间隔电压/温度变化，等电压/温度间隔电量变化，电量序列方差，电量差方差，容量增量曲线峰值、谷值、峰间隔、峰面积、电压/温度差分曲线峰值、谷值和峰间隔；
[0021]A号电池单体和B号电池单体指的是同款电芯的不同电池单体，机器学习模型为高斯过程回归模型或相关向量机模型，实现概率预测。
[0022]可选的，所述步骤S3具体为：
[0023]步骤S31：根据选定的健康因子，建立多个单体的全寿命周期健康因子递推衰减的深度学习模型；
[0024]步骤S32：根据选的的健康因子，建立多个单体的全寿命周期基于健康因子的容量估计模型。
[0025]可选的，所述深度学习模型具体指多层神经网络构建的模型，为高斯过程回归模型或相关向量机模型，实现概率预测。
[0026]可选的，所述步骤S4具体为：
[0027]步骤S41：根据选定的健康因子，提取电池组早期循环中每个电池单体的健康因子，建立电池组各单体的健康因子组成的特征集；
[0028]步骤S42：根据单体特征集和电池组容量真值，建立电池组容量估计的机器学习模型。
[0029]可选的，所述特征集为电池组中每个电池单体特征组成的特征矩阵，为高斯过程回归模型或相关向量机模型，实现概率预测。
[0030]可选的，所述步骤S5具体为：
[0031]步骤S51：利用前期训练好的电池单体全寿命周期健康因子衰减模型和电池组各单体早期提取的健康因子，运用迁移学习的方法将训练好的网络进行部分结构再训练，得到电池组每个单体的健康因子递推模型；
[0032]步骤S52：根据每个单体的健康因子递推模型，外推得到未来未知循环次数的健康因子预测值；
[0033]步骤S53：根据建立的电池单体特征集估计电池组容量的机器学习模型，预测未来循环的电池组容量值；
[0034]步骤S54：根据建立的电池单体容量估计模型，得到未来未知循环的电池组内各单体的容量预测值，从而得到电池组单体的容量预测分布；
[0035]迁移学习的方法将基于早期训练好的健康因子递推模型的深度学习网络，选择性的冻结某些层，对剩下的层进行模型再训练，或拆掉某些层并重新构建网络进行新网络的再训练。
[0036]本专利技术的有益效果在于：
[0037]1)利用迁移学习和深度学习相结合，能够有效的利用已有的完整信息，提高电池组剩余寿命预测精度。
[0038]2)所提出的电池组剩余寿命预测可实现整组寿命预测和电池单体寿命分布预测。
[0039]3)所提出的方案可以指导电池组的设计和开发，仅利用早期数据进行寿命预测，从而优化电池组的设计。
[0040]4)所提出的方案提供了概率性预测，提供预测的置信分布。
[0041]本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移深度学习的电池组剩余寿命预测方法，其特征在于：该方法包括以下步骤：步骤S1：收集动力电池老化数据集，建立电池老化数据库，包括完整的电池单体全寿命周期数据以及由同款电芯组成的电池组早期的老化数据；步骤S2：根据电池单体老化数据提取多个健康因子，并根据相关性分析和容量估计误差筛选健康因子；步骤S3：基于电池单体全寿命周期老化数据集训练得到健康因子的递推模型，以及基于健康因子的容量估计模型；步骤S4：提取电池组早期老化实验数据集每个电池单体的健康因子，建立基于电池单体健康因子集和电池组容量衰减的机器学习模型；步骤S5：利用迁移学习对电池组每个电池单体的健康因子递推模型进行微调，并进行健康因子外推预测，最后基于外推得到的单体健康因子集估计未来循环的电池组容量；基于单体容量估计模型预测未来各单体的容量，得到未来循环的电池组单体容量分布。2.根据权利要求1所述的一种基于迁移深度学习的电池组剩余寿命预测方法，其特征在于：所述步骤S1具体为：步骤S11：收集某款电芯的多个电池单体的全寿命周期完整数据集，包括充放电电流、电压、温度、时间和电量参数，涵盖不同充放电倍率和环境温度的数据集；步骤S12：收集电池单体同款电芯对应的电池组的老化实验数据集，包括每个单体的电压和温度参数，以及电池组电流和电量信息；步骤S13：根据收集的电池单体和电池组的老化实验数据，建立某款电芯的电池老化数据集。3.根据权利要求2所述的一种基于迁移深度学习的电池组剩余寿命预测方法，其特征在于：所述步骤S2具体为：步骤S21：根据电池单体全寿命周期提取多个可用的健康因子；步骤S22：通过相关性分析，筛选出和电池单体容量相关性高的健康因子；步骤S23：基于A号电池单体建立全寿命的健康因子估计容量的机器学习模型，并利用B号电池单体提取健康因子进行容量估计，分析估计误差。4.根据权利要求3所述的一种基于迁移深度学习的电池组剩余寿命预测方法，其特征在于：所述多个可用的健康因子包括电压曲线斜率，等时间间隔电压/温度变化，等电压/温度间隔电量变化，电量序列方差，电量差方差，容量增量曲线峰值、谷值、峰间隔、峰面积、电压/温度差分曲线峰值、谷值和峰...

【专利技术属性】
技术研发人员：胡晓松，车云弘，李佳承，邓忠伟，唐小林，
申请(专利权)人：重庆大学，
类型：发明
国别省市：