基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法及系统技术方案

本发明专利技术公开了一种基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法及系统，其中，该方法包括：获取n个电池单体的容量退化数据并进行重构，得到训练数据集；建立j个基于序列对序列模型的容量预测模型，并利用所述训练数据集分别训练；将待测电池单体某周期的放电容量作为某训练好的模型的初始输入，得到第一步预测输出结果；再在其输入至这个模型中，得到下一步预测输出结果，迭代执行直至低于失效阈值，将每步预测输出结果首尾相连得到退化过程曲线；并对其他模型进行预测得到j条容量退化曲线，求其容量取均值，得到最终预测结果。该方法解决了现有使用单步迭代预测模式带来的长时预测精度和稳定性不佳的问题。式带来的长时预测精度和稳定性不佳的问题。式带来的长时预测精度和稳定性不佳的问题。

Early life prediction method and system of long-life lithium-ion battery based on time series correlation modeling of degradation sequence

【技术实现步骤摘要】
基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法及系统


[0001]本专利技术涉及锂离子电池健康管理和剩余寿命预测
，特别涉及一种基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法及系统。

技术介绍

[0002]锂离子电池已成为工业领域最常使用的储能设备之一，广泛应用于电动汽车，储能电站以及一系列消费电子产品中。随着锂离子电池不断进行充放电循环，其容量会不断退化，直至无法完成既定任务，甚至会产生一定的安全隐患。尤其对于空间应用背景，目前空间锂离子电池寿命不断提升，其寿命预测又往往应用于空间在线场景，故难以通过地面实验获得其全寿命周期退化数据。因此，在电池退化的早期阶段准确地预测锂离子电池的容量退化过程以及剩余寿命对用电设备的安全稳定运行至关重要。传统的锂离子电池性能退化预测大多采用单点迭代的方法，即预测模型一次仅输出单个预测结果，并通过迭代更新的策略进行对未来多时间步的数据预测。对于目前较为常见的锂离子电池，其循环寿命长，但性能退化过程各异。单步迭代的预测模式往往导致循环迭代，致使预测误差过多的耦合至预测模型中，最终导致预测模型丧失预测能力，无法进行准确稳定的预测。

技术实现思路

[0003]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。
[0004]为此，本专利技术的一个目的在于提出一种基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法，该方法解决了现有使用单步迭代预测模式带来的长时预测精度和稳定性不佳的问题。
[0005]本专利技术的另一个目的在于提出一种基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测系统。
[0006]为达到上述目的，本专利技术一方面实施例提出了基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法，包括以下步骤：步骤S1，获取预设数量的锂离子电池单体每个周期的电池容量数据其中，t为周期数，i为单体编号(i＝1,2,
…
,n)，共得到n个电池单体的容量退化数据，其包含待预测单体；步骤S2，将n
‑
1个与所述待预测单体工作在相同工况下的其他电池单体的容量退化数据重构成训练数据集步骤S3，建立j个具有不同输入输出结构的基于序列对序列模型的容量预测模型，并利用所述训练数据集分别训练j个基于序列对序列模型的容量预测模型；步骤S4，将待测电池单体的前k
j
个周期的放电容量作为第j个训练好的基于序列对序列模型(Sequence to Sequence model，Seq2Seq)的容量预测模型的初始输入，得到第一步预测输出结果；步骤S5，在将所述第一步预测输出结果作为新的输入序列输入至所述第j个训练好的基于序列对序列模型的容量预测模型中，得到下一步预测输出结果，迭代执行直至低于失效阈值，将每步预测输出
结果首尾相连进行拼接，得到退化过程曲线和寿命截止点；步骤S6，将训练好的j个基于序列对序列模型的容量预测模型分别执行步骤S4
‑
S5，得到j条容量退化曲线以及j个寿命截止点；步骤S7，对所述j条容量退化曲线在所述周期t上对容量取均值，得到最终预测结果
[0007]本专利技术实施例的基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法，通过建立锂离子电池容量退化预测模型，并通过容量退化曲线实现对寿命截止周期的预测；容量退化预测模型基于序列对序列模型，通过输出序列预测结果极大的减小了长时预测过程中的迭代步数；此外，通过构建具有不同结构的序列对序列模型，并将各模型的预测结果进行融合，可得到融合多种时域依赖性的融合预测结果，最终实现锂离子电池容量退化过程以及寿命截止周期的长时稳定预测，解决了长寿命卫星锂离子电容量退化估计和剩余寿命预测领域，基于历史数据的单步迭代预测方法长时准确度和稳定性均较低的问题，且相较于传统退化轨迹预测和寿命预测方法能够实现片段化的预测结果。
[0008]另外，根据本专利技术上述实施例的基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法还可以具有以下附加的技术特征：
[0009]进一步地，在本专利技术的一个实施例中，所述步骤S2具体为：电池单体i为其中，k为模型的输入输出长度，且均满足(m+2)k≤EOL
i
，m为正整数；将所述n个电池单体的容量数据重构，再首尾相连进行拼接，得到完整的用于训练第j个模型的训练数据集再首尾相连进行拼接，得到完整的用于训练第j个模型的训练数据集
[0010]进一步地，在本专利技术的一个实施例中，所述基于序列对序列模型的容量预测模型包括编码器和解码器，其中，所述编码器选择长短时记忆网络并将其设置为序列输出，所述解码器选择LSTM网络并通过全连接层将输出序列映射为输出格式。
[0011]进一步地，在本专利技术的一个实施例中，所述失效阈值为单体单周期放电容量退化至其容量的80％时，所述寿命截止点为到达所述失效阈值的容量预测值的周期数。
[0012]进一步地，在本专利技术的一个实施例中，所述最终预测结果为：
[0013][0014]其中，j为容量退化曲线个数，为第q个模型在t周期的容量预测值。
[0015]为达到上述目的，本专利技术另一方面实施例提出了基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测系统，包括：获取模块，用于获取预设数量的锂离子电池单体每个周期的电池容量数据其中，t为周期数，i为单体编号(i＝1,2,
…
,n)，共得到n个电池单体的容量退化数据，其包含待预测单体；重构模块，用于将n
‑
1个与所述待预测单体工作在相同工况下的其他电池单体的容量退化数据重构成训练数据集训练模块，用于建立j个具有不同输入输出结构的基于序列对序列模型的容量预测模型，并利用所述训练数据集分别训练j个基于序列对序列模型的容量预测模型；第一预测模块，用于将待测电池单体的前k
j
个周期的放电容量作为第j个训练好的基于序列对序列模型的容量预测模型的初始输入，得到第一步预测输出结果；迭代预测模块，用于在将所述第一步预测输出结果作为新的输入序列输入至所述第j个训练好的基于序列对序列模型的容量预测模型中，得到下一步预测输出结果，迭代执行直至低于失效阈值，将每步预测输出结果首尾相连进行拼接，得到退化过程曲线和寿命截止点；整体迭代预测模块，用于将训练好的j个基于序列对序列模型的容量预测模型分别执行所述第一预测模块和所述迭代预测模块，得到j条容量退化曲线以及j个寿命截止点；求解模块，用于对所述j条容量退化曲线在所述周期t上对容量取均值，得到最终预测结果
[0016]本专利技术实施例的基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测系统，通过建立锂离子电池容量退化预测模型，并通过容量退化曲线实现对寿命截止周期的预测；容量退化预测模型基于序列对序列模型，通过输出序列预测结果极大的减小了长时预测过程中的迭代步数；此外，通过构建具有不同结构的序列对序列模型，并将各模型的预测结果进行融合，可得到融合多种时域依赖性的融合预测结果，最终实现锂离子电池容量退化过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法，其特征在于，包括以下步骤：步骤S1，获取预设数量的锂离子电池单体每个周期的电池容量数据其中，t为周期数，i为单体编号(i＝1,2,
…
,n)，共得到n个电池单体的容量退化数据，其包含待预测单体；步骤S2，将n
‑
1个与所述待预测单体工作在相同工况下的其他电池单体的容量退化数据重构成训练数据集步骤S3，建立j个具有不同输入输出结构的基于序列对序列模型的容量预测模型，并利用所述训练数据集分别训练j个基于序列对序列模型的容量预测模型；步骤S4，将所述待测电池单体的前k
j
个周期的放电容量作为第j个训练好的基于序列对序列模型的容量预测模型的初始输入，得到第一步预测输出结果；步骤S5，在将所述第一步预测输出结果作为新的输入序列输入至所述第j个训练好的基于序列对序列模型的容量预测模型中，得到下一步预测输出结果，迭代执行直至低于失效阈值，将每步预测输出结果首尾相连进行拼接，得到退化过程曲线和寿命截止点；步骤S6，将训练好的j个基于序列对序列模型的容量预测模型分别执行步骤S4
‑
S5，得到j条容量退化曲线以及j个寿命截止点；步骤S7，对所述j条容量退化曲线在所述周期t上对容量取均值，得到最终预测结果2.根据权利要求1所述的基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法，其特征在于，所述步骤S2具体为：电池单体i为其中，k为模型的输入输出长度，且均满足(m+2)k≤EOL
i
，m为正整数；将所述n个电池单体的容量数据重构，再首尾相连进行拼接，得到完整的用于训练第j个模型的训练数据集3.根据权利要求1所述的基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法，其特征在于，所述基于序列对序列模型的容量预测模型包括编码器和解码器，其中，所述编码器选择长短时记忆网络并将其设置为序列输出，所述解码器选择LSTM网络并通过全连接层将输出序列映射为输出格式。4.根据权利要求1所述的基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法，其特征在于，所述失效阈值为单体单周期放电容量退化至其容量的80％时，所述寿命截止点为到达所述失效阈值的容量预测值的周期数。5.根据权利要求1所述的基于退化序列时序关联建模的长寿命锂离子电池早期寿命预
测方法，其特征在于，所述最终预测结果为：其中，j为容量退化曲线个数，为第q个模型在t周期的容量预测值。6.一种基于退化序列时序关联建模的长...

【专利技术属性】
技术研发人员：宋宇晨，易志恒，杜宇航，刘大同，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：