一种基于新型长短时记忆网络的锂电池剩余使用寿命预测方法技术

本发明专利技术公开了一种基于新型长短时记忆网络的锂电池剩余使用寿命预测方法，该方法包括以下步骤：S1、测量锂电池随着充放电周期的放电容量数据序列；S2、基于锂电池放电容量数据序列，应用新型长短时记忆网络建立锂电池剩余使用寿命预测模型，在输入层与隐含层间添加映射层；S3、基于建立的锂电池剩余使用寿命预测模型，预测锂电池未来充放电周期的最大可用容量序列；S4、基于锂电池未来充放电周期的最大可用容量序列，结合锂电池失效阈值，计算锂电池的剩余寿命。本发明专利技术采用了新的模型结构，首次将映射层加入传统长短时记忆网络输入层与隐含层之间，具有操作简单误差小、预测精度高的优点。的优点。的优点。

【技术实现步骤摘要】
一种基于新型长短时记忆网络的锂电池剩余使用寿命预测方法


[0001]本专利技术涉及电池
，尤其涉及一种基于新型长短时记忆网络的锂电池剩余使用寿命预测方法。

技术介绍

[0002]随着技术的不断创新与突破，面对日益严峻的节能减排压力，电动汽车技术的发展成为燃油汽车的替交通工具。在未来，纯电动汽车将成为新销售车辆的主流，公共领域用车要全面电动化。电动汽车必将成为未来城市交通发展的主要交通工具。
[0003]而随着电动汽车需求逐渐增大，电动汽车的一些关键技术问题亟待研究与突破。动力电池作为纯电动汽车的主要能量来源，其性能直接决定了纯电动汽车的使用体验。而随着动力电池的使用其性能将不断衰退，为了增加电动汽车的续驶里程，延长电池包的使用寿命，动力电池的剩余使用寿命预测成为研究关键之一。
[0004]长短期记忆神经网络是一种循环神经网络，具有处理长期信息的能力，一定程度上克制了传统循环神经网络的对时序处理中梯度消失问题，因此被广泛应用于处理与时间序列相关的问题。但对于时间跨度过大的时间序列，仍存在梯度消失、计算费时等问题。锂电池的放电容量随着锂电池充放电周期的延长不断衰退，基于过去锂电池每个循环周期的放电容量数据序列预测锂电池未来放电容量，进而计算锂电池剩余使用寿命，正是典型的时间序列问题的处理。在传统长短时记忆网络输入层与隐含层之间加入映射层，搭建新型长短时记忆网络结构，进一步建立锂电池剩余使用寿命预测模型，有效提高了锂电池剩余使用寿命预测的精度、效率以及普遍适用性。

技术实现思路

[0005]本专利技术要解决的技术问题在于针对现有技术中的缺陷，提供一种基于新型长短时记忆网络的锂电池剩余使用寿命预测方法，能够精确、高效的预测锂电池放电容量的退化，进而预测锂电池的剩余使用寿命。
[0006]本专利技术解决其技术问题所采用的技术方案是：
[0007]本专利技术提供一种基于新型长短时记忆网络的锂电池剩余使用寿命预测方法，该方法包括以下步骤：
[0008]S1、测量锂电池随着充放电周期的放电容量数据序列；
[0009]S2、基于锂电池放电容量数据序列，应用新型长短时记忆网络建立锂电池剩余使用寿命预测模型，在输入层与隐含层间添加映射层；
[0010]S3、基于建立的锂电池剩余使用寿命预测模型，预测锂电池未来充放电周期的最大可用容量序列；
[0011]S4、基于锂电池未来充放电周期的最大可用容量序列，结合锂电池失效阈值，计算锂电池的剩余寿命。
[0012]进一步地，本专利技术的所述步骤S1的具体方法为：
[0013]测量的锂电池随着充放电周期的放电容量数据序列为[C1,K,C
i
,K,C
n
]，其中， C
i
为第i个充放电周期锂电池组的放电容量，i＝1,2,
…
,n，n为充放电周期个数。
[0014]进一步地，本专利技术的所述步骤S2建立模型的具体方法为：
[0015]新型长短时记忆网络指的是将传统长短时记忆网络输入层与隐含层间添加映射层，映射层搭建规则为：
[0016](a)输入层X＝[I1,K,I
i
,K,I
n
]T
，输入层神经元I1,K,I
i
,K,I
n
与放电容量数据序列C1,K,C
i
,K C
n
一一对应，即第i个充放电周期的锂电池放电容量C
i
传送至输入层第i个神经元，通过k次非线性变换规则δ(g)将输入信号[C1,K,C
i
,K,C
n
]生成 k个不同的映射元Z
k
＝[Z1,K,Z
j
,K,Z
k
]，其中，
[0017]Z
j
＝δ(XW
zj
+β
zj
),j＝1,2,K,k，
[0018]Z
j
表示第j次非线性变换后的映射信号，δ为可自主选择的非线性变换规则，W
zj
为第j次非线性的随机初始化的权重参数，β
zj
为第j次非线性变换的随机初始化的扰动参数；
[0019](c)基于映射元Z
k
＝[Z1,K,Z
j
,K,Z
k
]，通过m次深层变换规则ζ(g)生成m个不同的本征元H
m
＝[H1,K,H
p
,K H
m
]，其中，
[0020]H
p
＝ζ(Z
k
W
hp
+β
hp
),p＝1,2,K,m，
[0021]H
p
表示第p次深层变换后得到的本征元，ζ为可自行选择的深层变换规则，W
jp
为第p次深层变换的权重参数，β
jp
为第p次深层变换的扰动参数；
[0022](d)以串联的方式级联映射元与本征元，构成映射层 [Z1,K,Z
j
,K,Z
k
,H1,K,H
p
,KH
m
]。
[0023]进一步地，本专利技术的所述步骤S2中应用新型长短时记忆网络建立锂电池剩余使用寿命预测模型，具体步骤为：
[0024]输入锂电池放电容量数据序列X＝[C1,K,C
i
,K,C
n
]T
，以前i个充放电周期的锂电池放电容量数据[C1,K,C
i
‑1]T
作为训练样本，对应的以下一次充放电周期的放电容量数据[C2,K,C
i
]T
作为训练目标，应用搭建的新型长短时记忆网络建立锂电池剩余使用寿命模型。
[0025]进一步地，本专利技术的所述步骤S3的具体方法为：
[0026]基于建立的锂电池剩余使用寿命预测模型，预测锂电池未来充放电周期的最大可用容量序列，具体步骤为：
[0027]将第i个充放电周期到第n
‑
1个充放电周期的锂电池放电容量数据 [C
i
,K,C
n
‑1]T
作为预测样本，输入建立的锂电池剩余使用寿命预测模型，预测第 i+1到第n个充放电周期的锂电池放电容量。
[0028]进一步地，本专利技术的所述步骤S4的具体方法为：
[0029]剩余寿命是指锂电池发生失效前剩余的充放电周期数，RUL＝|T
true
‑
T
predicted
|，其中，RUL为锂电池剩余寿命，T
true
为测量的锂电池放电容量达到失效阈值时对应的充放电周期数，T
predicted
为预测的锂电池未来充放电周期的放电容量达到失效阈值时对应的充放电周期数。
[0030]进一步地，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于新型长短时记忆网络的锂电池剩余使用寿命预测方法，其特征在于，该方法包括以下步骤：S1、测量锂电池随着充放电周期的放电容量数据序列；S2、基于锂电池放电容量数据序列，应用新型长短时记忆网络建立锂电池剩余使用寿命预测模型，在输入层与隐含层间添加映射层；S3、基于建立的锂电池剩余使用寿命预测模型，预测锂电池未来充放电周期的最大可用容量序列；S4、基于锂电池未来充放电周期的最大可用容量序列，结合锂电池失效阈值，计算锂电池的剩余寿命。2.根据权利要求1所述的基于新型长短时记忆网络的锂电池剩余使用寿命预测方法，其特征在于，所述步骤S1的具体方法为：测量的锂电池随着充放电周期的放电容量数据序列为[C1,K,C
i
,K,C
n
]，其中，C
i
为第i个充放电周期锂电池组的放电容量，i＝1,2,
…
,n，n为充放电周期个数。3.根据权利要求1所述的基于新型长短时记忆网络的锂电池剩余使用寿命预测方法，其特征在于，所述步骤S2建立模型的具体方法为：新型长短时记忆网络指的是将传统长短时记忆网络输入层与隐含层间添加映射层，映射层搭建规则为：(a)输入层X＝[I1,K,I
i
,K,I
n
]
T
，输入层神经元I1,K,I
i
,K,I
n
与放电容量数据序列C1,K,C
i
,K C
n
一一对应，即第i个充放电周期的锂电池放电容量C
i
传送至输入层第i个神经元，通过k次非线性变换规则δ(g)将输入信号[C1,K,C
i
,K,C
n
]生成k个不同的映射元Z
k
＝[Z1,K,Z
j
,K,Z
k
]，其中，Z
j
＝δ(XW
zj
+β
zj
),j＝1,2,K,k，Z
j
表示第j次非线性变换后的映射信号，δ为可自主选择的非线性变换规则，W
zj
为第j次非线性的随机初始化的权重参数，β
zj
为第j次非线性变换的随机初始化的扰动参数；(c)基于映射元Z
k
＝[Z1,K,Z
j
,K,Z
k
]，通过m次深层变换规则ζ(g)生成m个不同的本征元H
m
＝[H1,K,H
p
,K H
m
]，其中，H
...

【专利技术属性】
技术研发人员：何怡刚，张朝龙，
申请(专利权)人：宁波力斗智能技术有限公司，
类型：发明
国别省市：