一种电池剩余使用寿命预测方法及系统技术方案

本发明专利技术提供一种电池剩余使用寿命预测方法及系统，包括：获取电池放电过程中的数据；数据包括预设放电电压范围内的每个预设电压点的累计放电容量；累计放电容量为放电电流对时间的积分；将电池放电过程中的数据输入到训练好的预测模型中，以预测电池的剩余使用寿命；预测模型包括：CNN和LSTM，CNN用于提取数据的空间相关性特征，LSTM用于提取空间相关性特征的时间特征，以预测电池的剩余使用寿命。本发明专利技术综合考虑电池在单圈循环内电压和累计放电容量的空间相关性和不同循环间容量衰减趋势的时间相关性，采用CNN分析电池的累计放电容量和电压的空间特征，并采用LSTM分析该特征在不同老化状态的演变规律，能有效提升预测精度。度。度。

【技术实现步骤摘要】
一种电池剩余使用寿命预测方法及系统


[0001]本专利技术属于电池剩余使用寿命预测领域，更具体地，涉及一种电池剩余使用寿命预测方法及系统。

技术介绍

[0002]随着电池使用时间的增加，由劣化引起的电池失效会缩短电池的使用寿命，甚至引发严重的事故。因此准确的电池剩余使用寿命(Remaining Useful Life,RUL)预测能显著提升对储能电站电池状态的认知，提升系统的可靠性和安全性，确保储能站的高效稳定运行。
[0003]目前的针对电池剩余使用寿命的预测方法主要分为模型驱动方法和数据驱动方法。模型驱动的方法有从电池实际老化机制出发的电化学模型，和从电池等效电路出发的等效电路模型。
[0004]电化学模型驱动的电池建模的开创性工作是基于多孔电极理论、浓溶液理论和Butler
‑
Volmer动力学方程建立的P2D多孔电极模型。该模型尝试从电池内离子扩散，欧姆效应，电化学动力学等角度描述电池的失效机理，具有较高的精度。然而求解模型的偏微分方程需要的大量计算使得将P2D模型嵌入到电池管理系统(Battery Management System,BMS)控制器中用于实时应用难以实现。电池复杂的老化机制使得电化学模型驱动的预测方法受到了限制。
[0005]等效电路模型主要关注电池的电气外特性，包括输出电压、SOC等。等效电路模型参数易获取，具备较高的计算效率。为了应用等效电路模型，需要对模型的参数进行辨识，但电池的等效电路参数随着电池老化和动态工况差异会产生变化。考虑电池的容量衰减、寿命衰减、热效应、能量密度变化等问题时，电路模型往往难以反映电池的老化影响。
[0006]电化学模型基于分子级的电化学反应，精度高，但是需要求解复杂的偏微分方程。等效电路模型简单，计算速度快，但模型精度受辨识参数精度影响严重。两者难以调和计算速度与模型精度间的矛盾。
[0007]近年来以机器学习技术为基础的数据驱动模型由于其以低计算成本获得高精度的巨大潜力而越来越受到重视。但一些纯数据驱动的方法在进行电池的老化状态评估时，不能提供电池老化机制的深入信息。这导致对于电池的剩余使用寿命预测，虽然深度学习由于其强大的非线性拟合能力可以从原始数据中提取深层次特征，但同时也意味着多维的原始数据需要更大的网络去拟合。网络的规模越大，所需要的训练数据也越多，不适合在线应用。

技术实现思路

[0008]针对现有技术的缺陷，本专利技术的目的在于提供一种电池剩余使用寿命预测方法及系统，旨在解决现有数据驱动的电池剩余使用寿命预测模型所需输入特征多、预测精度低的问题。
[0009]为实现上述目的，第一方面，本专利技术提供了一种电池剩余使用寿命预测方法，包括如下步骤：
[0010]获取电池放电过程中的数据；所述数据包括预设放电电压范围内的每个预设电压点的累计放电容量；所述累计放电容量为放电电流对时间的积分；在所述电池放电的过程中其放电电压逐渐降低，所述预设放电电压范围内的累计放电容量曲线随着电池老化而迁移，电池老化过程中其剩余使用寿命减少；所述累计放电容量曲线由各个预设电压点下的累计放电容量数据绘制而成，各个预设电压点通过将所述预设放电电压范围离散化得到；
[0011]将所述电池放电过程中的数据输入到训练好的预测模型中，以预测电池的剩余使用寿命；所述预测模型包括：卷积神经网络CNN和长短期记忆神经网络LSTM，CNN用于提取数据的空间相关性特征，LSTM用于提取所述空间相关性特征的时间特征，以预测电池的剩余使用寿命；通过预先获取的电池不同放电循环次数下的累计放电容量曲线数据对所述预测模型进行训练，不同放电循环次数对应不同的电池剩余使用寿命。
[0012]在一个可选的示例中，针对不同类型的电池，按照其累计放电容量与电压的曲线随电池老化迁移的特征选取对应的预设电压区间，并对预设电压区间离散化确定各个预设电压点，在对该类型电池预测模型的训练和用训练好的预测模型进行预测时，保持对应的预设电压点为不变量；在选定的预设电压区间内，所述累计放电容量曲线随电池老化而迁移的幅度相对明显。
[0013]在一个可选的示例中，设各个预设电压点分别为：V1,V2,...,V
N
，对电池放电时，各个预设电压点对应的累计放电容量分别为：Q1,Q2,...,Q
N
其中，Q
i
为预设电压点V
i
处电池的累计放电容量，i＝1,2,...N；
[0014]将各个预设电压点对应的累计放电容量组成的一维向量[Q1,Q2,...,Q
N
]输入到训练好的预测模型；所述一维向量[Q1,Q2,...,Q
N
]为电池累计放电容量曲线数据。
[0015]在一个可选的示例中，所述预测模型的训练过程具体为：
[0016]确定电池不同放电循环次数下的累计放电容量与电压的曲线数据，对每一种放电循环次数，确定此时各个预设电压点处的电池累计放电容量，进而将确定的各个累计放电容量数据组成一维向量，以作为此时的累计放电容量曲线数据；
[0017]将不同放电循环次数下的累计放电容量与电压的曲线数据输入到CNN中；所述CNN包括：卷积层、池化层以及全连接层；所述卷积层用于提取输入训练数据的空间相关性特征，以确定电池的老化演变规律，所述池化层用于对所述空间相关性特征降维，所述全连接层用于将各个循环次数下降维后的空间相关性特征拼接，得到每个循环次数下的特征；
[0018]将CNN输出的特征输入到LSTM，LSTM根据当前循环次数下特征与所接收的历史循环次数下特征的时间相关性，提取对应的时间特征，以通过全连接层预测当前循环次数下电池的剩余使用寿命，并将预测值与标签值进行对比，以对预测模型的参数进行调整，使得训练好的预测模型满足要求；所述标签值通过当前循环圈数和电池总循环圈数确定。
[0019]在一个可选的示例中，所述标签值通过当前循环圈数和电池总循环圈数确定，具体为：
[0020][0021]其中，n为电池的总循环圈数，RUL
t
为电池在第t圈循环的剩余使用寿命。
[0022]第二方面，本专利技术提供了一种电池剩余使用寿命预测系统，包括：
[0023]放电数据获取单元，用于获取电池放电过程中的数据；所述数据包括预设放电电压范围内的每个预设电压点的累计放电容量；所述累计放电容量为放电电流对时间的积分；在所述电池放电的过程中其放电电压逐渐降低，所述预设放电电压范围内的累计放电容量曲线随着电池老化而迁移，电池老化过程中其剩余使用寿命减少；所述累计放电容量曲线由各个预设电压点下的累计放电容量数据绘制而成，各个预设电压点通过将所述预设放电电压范围离散化得到；
[0024]剩余寿命预测单元，用于将所述电池放电过程中的数据输入到训练好的预测模型中，以预测电池的剩余使用寿命；所述预测模型包括：卷积神经网络CNN和长短期记忆神经网络LSTM，CNN用于提取数据的空间相关性特征，LSTM用于提取所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电池剩余使用寿命预测方法，其特征在于，包括如下步骤：获取电池放电过程中的数据；所述数据包括预设放电电压范围内的每个预设电压点的累计放电容量；所述累计放电容量为放电电流对时间的积分；在所述电池放电的过程中其放电电压逐渐降低，所述预设放电电压范围内的累计放电容量曲线随着电池老化而迁移，电池老化过程中其剩余使用寿命减少；所述累计放电容量曲线由各个预设电压点下的累计放电容量数据绘制而成，各个预设电压点通过将所述预设放电电压范围离散化得到；将所述电池放电过程中的数据输入到训练好的预测模型中，以预测电池的剩余使用寿命；所述预测模型包括：卷积神经网络CNN和长短期记忆神经网络LSTM，CNN用于提取数据的空间相关性特征，LSTM用于提取所述空间相关性特征的时间特征，以预测电池的剩余使用寿命；通过预先获取的电池不同放电循环次数下的累计放电容量曲线数据对所述预测模型进行训练，不同放电循环次数对应不同的电池剩余使用寿命。2.根据权利要求1所述的方法，其特征在于，针对不同类型的电池，按照其累计放电容量与电压的曲线随电池老化迁移的特征选取对应的预设电压区间，并对预设电压区间离散化确定各个预设电压点，在对该类型电池预测模型的训练和用训练好的预测模型进行预测时，保持对应的预设电压点为不变量；在选定的预设电压区间内，所述累计放电容量曲线随电池老化而迁移的幅度相对明显。3.根据权利要求1或2所述的方法，其特征在于，设各个预设电压点分别为：V1,V2,...,V
N
，对电池放电时，各个预设电压点对应的累计放电容量分别为：Q1,Q2,...,Q
N
其中，Q
i
为预设电压点V
i
处电池的累计放电容量，i＝1,2,...N；将各个预设电压点对应的累计放电容量组成的一维向量[Q1,Q2,...,Q
N
]输入到训练好的预测模型；所述一维向量[Q1,Q2,...,Q
N
]为电池累计放电容量曲线数据。4.根据权利要求1所述的方法，其特征在于，所述预测模型的训练过程具体为：确定电池不同放电循环次数下的累计放电容量与电压的曲线数据，对每一种放电循环次数，确定此时各个预设电压点处的电池累计放电容量，进而将确定的各个累计放电容量数据组成一维向量，以作为此时的累计放电容量曲线数据；将不同放电循环次数下的累计放电容量与电压的曲线数据输入到CNN中；所述CNN包括：卷积层、池化层以及全连接层；所述卷积层用于提取输入训练数据的空间相关性特征，以确定电池的老化演变规律，所述池化层用于对所述空间相关性特征降维，所述全连接层用于将各个循环次数下降维后的空间相关性特征拼接，得到每个循环次数下的特征；将CNN输出的特征输入到LSTM，LSTM根据当前循环次数下特征与所接收的历史循环次数下特征的时间相关性，提取对应的时间特征，以通过全连接层预测当前循环次数下电池的剩余使用寿命，并将预测值与标签值进行对比，以对预测模型的参数进行调整，使得训练好的预测模型满足要求；所述标签值通过当前循环圈数和电池总循环圈数确定。5.根据权利要求4所述的方法，其特征在于，所述标签值通过当前循环圈数和电池总循环圈数确定，具体为：其中，n为电池的总循环圈数，RUL
t
为电池在第t圈循环的剩余使用寿命。6.一种电池剩余使用寿命预测系统，其特征在于，包括：
放...

【专利技术属性】
技术研发人员：蔡涛，魏邦达，韩云飞，谢佳，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：