一种基于MTCN算法的电池剩余寿命预测的方法技术

本发明专利技术公开了一种基于MTCN算法的电池剩余寿命预测的方法。所述方法包括以下步骤：获取电池数据集；构建多通道时间卷积网络模型；对电池数据集中数据进行预处理；对多通道时间卷积网络模型进行训练，得到训练完成的多通道时间卷积网络模型；采用多通道时间卷积网络模型进行剩余寿命预测。大多寿命预测方法均为点估计，本发明专利技术同样也是点估计，单一几个预测起点并不能充分说明预测性能的好坏，因此，本发明专利技术通过抽样赋予了不确定性表达的能力，从而使得预测结果更具有说服力，且更加具有参考意义。义。义。

【技术实现步骤摘要】
一种基于MTCN算法的电池剩余寿命预测的方法


[0001]本专利技术属于锂离子电池
，具体涉及一种基于MTCN算法的电池剩余寿命预测的方法。

技术介绍

[0002]随着“碳达峰、碳中和”战略目标的提出，我国加快能源结构调整，实现产业转型和升级，在此前提下，锂离子电池由于其高能量密度、低成本和长寿命的优点，而得到广泛应用，普遍应用于载人航天、电动汽车和电力系统等场景。
[0003]然而，频发的火灾爆炸事件也给人们敲响了警钟，人们逐渐意识到电池背后的老化问题；与此同时，电池管理系统(Battery Management System，BMS)为进行一致性协调管理，也需了解电池的健康问题，因此，对电池的健康管理和寿命预测是电池
的重要问题。
[0004]电池的健康状态(State of Health，SOH)评估是剩余寿命(Remaining Useful Life，RUL)预测的前提。针对锂离子电池RUL的预测，主要有模型和数据驱动两种方式，由于前者存在建模困难、计算量大和数据难以获取等的问题，而后者则无需建模，故数据驱本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MTCN算法的电池剩余寿命预测的方法，其特征在于，包括以下步骤：S1、获取电池数据集；S2、构建多通道时间卷积网络模型；S3、对电池数据集中数据进行预处理；S4、对多通道时间卷积网络模型进行训练，得到训练完成的多通道时间卷积网络模型；S5、采用多通道时间卷积网络模型进行剩余寿命预测。2.根据权利要求1所述的一种基于MTCN算法的电池剩余寿命预测的方法，其特征在于，步骤S1中，电池数据集指按照标准充放电测试配置文件开展恒压恒流充放电试验所获得的电池充放电历史监测数据，包括电压、电流和温度。3.根据权利要求1所述的一种基于MTCN算法的电池剩余寿命预测的方法，其特征在于，步骤S2中，包括以下步骤：S2.1、构建一维因果卷积网络；S2.2、在一维因果卷积网络的基础上构建扩张卷积；S2.3、进行残差连接；S2.4、构建多通道时间卷积网络模型。4.根据权利要求3所述的一种基于MTCN算法的电池剩余寿命预测的方法，其特征在于，步骤S2.1中，使用一维全卷积神经网络(FCN)构建时间卷积网络；单层的一维全卷积神经网络的数学表达形式为：y
t
＝w1·
x
t+1
‑
k
+w2·
x
t
‑
k
+
…
w
k
·
x
t
‑1；k为第一层一维因果卷积网络卷积核的长度，当k＝3时，y
t
＝w1·
x
t
‑2+w2·
x
t
‑1+w3·
x
t
‑2，其中，y
t
为经过单层一维全卷积神经网络后对应于t时刻的输出、w
k
为卷积核的第k个元素、x
t+1
‑
k
为t时刻卷积核中第k个元素作用于输入时间序列中的对应值；步骤S2.2中，在单层的一维因果卷积网络的基础上进行网络的叠加，将上一层一维因果卷积网络的输出时间序列作为下一层一维因果卷积网络的输入，依次类推，从而构成深层网络；在前一层一维因果卷积网络的卷积核长度的基础上，将前一层一维因果卷积网络的卷积核的相邻两元素中间插入b
i
‑
1个0元素，从而构成了当前层的卷积核，其长度为(b
i
‑
1)
·
(k
‑
1)+k，其中b为基准膨胀因子，i为直至当前层一维因果卷积网络所堆叠的深度即一维因果卷积网络的层数，k为第一层一维因果卷积网络卷积核的长度，通过该操作，迅速扩大当前层一维因果卷积网络的感受野即当前层一维因果卷积网络的对应的输入元素的长度，该操作称为扩张卷积，数学表达式为：F(s)＝(x*
d
f)(s)；
ꢀꢀꢀꢀ
(1)d＝b
i
；
ꢀꢀꢀꢀ
(2)其中，f：{0，...，k
‑
1}为卷积核，d为膨胀因子；f代表卷积操作、s代表输入序列长度；b为基准膨胀因子；而感受野w则为：其中，n为一维因果卷积网络的层数；基准膨胀因子b和第一层一维因果卷积网络卷积核的长度k的取值须满足以下不等式：
从而求得构成深层时间卷积网络所需的最小一维因果卷积网络层数n为：式中，代表向上取整；为了保证时间卷积网络的输出具有和时间卷积网络的输入相同的长度，时间卷积网络的输入是指输入每一层时间卷积网络的时间序列，时间卷积网络的输出是指每一层时间卷积网络的输出时间序列，还需要引入填充操作padding，在输入每层时间卷积网络的时间序列左右两侧补充b
i
·
(k
‑
1)个0元素，但此时时间卷积网络所输出的时间序列长度并不等于填充操作前的输入序列长度，需要采用除去输入该层时间卷积网络的时间序列的右侧填充部分，即可保证该层时间卷积网络的输出与该层时间卷积网络的输入填充前的长度相同。5.根据权利要求4所述的一种基于MTCN算法的电池剩余寿命预测的方法，其特征在于，步骤S2.3中，一个残差块包括两条并行的支路，即残差支路和直接映射支路：其中，残差支路由卷积核尺寸和膨胀因子相同的两层一维因果卷积网络和非线性映射构成：为了规范化隐含层即除第一层时间卷积网络层和最后一层时间卷积网络层以外的其他中间时间卷积网络层的输入，通过重参数化，从而将权值规范化应用于每一个一维因果卷积网络；在残差支路中的两层一维因果卷积网络的顶部分别添加激活函数来引入非线性，在残差支路中的两层一维因果卷积网络后分别添加ReLU激活；在每个残差块的每个一维因果卷积网络之后通过随机丢弃操作dropout引入正则化；则残差支路的结构为一维因果卷积网络——权值规范化——非线性激活——随机丢弃——一维因果卷积网络——权值规范化——非线性激活——随机丢弃的串联形式，数学表达形式记为F(x)；对于直接映射支路，顾名思义将输入直接映射到输出，通过引入1
×
1卷积从而保证两个张量的形状相同，数学表达形式记为x；残差块定义为：y＝activation(F(x)+x)
ꢀꢀꢀꢀ
(6)其中，y为残差块的输出向量，F(x)为待学习的残差映射，x为输入向量，F(x)+x则体现了残差连接。6.根据权利要...

【专利技术属性】
技术研发人员：杨宁，余涛，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：