一种基于深度学习算法的锂离子电池剩余寿命在线预测方法技术

本发明专利技术公开了一种基于深度学习算法的锂离子电池剩余寿命在线预测方法，本发明专利技术基于深度学习方法，首先通过大量离线电池数据集对深度学习网络进行训练，后以在线阶段采集得到的放电曲线片段作为数据输入，基于离线阶段优化完毕的深度学习网络，通过结合信号处理方法和迁移学习技术得到电池的剩余寿命，进而可推断出在线使用中电池的健康状态并进行电池管理；不同于传统的纯理论计算和经验模型预测，本发明专利技术剩余寿命预测模型基于深度学习网络，避免对于电池内部的物理化学模型和数学模型的依赖，提高了预测方法的鲁棒性和普适性，同时有效降低计算成本。低计算成本。低计算成本。

【技术实现步骤摘要】
一种基于深度学习算法的锂离子电池剩余寿命在线预测方法


[0001]本专利技术属于锂离子电池技术，涉及一种基于深度学习算法的锂离子电池剩余寿命在线预测方法。

技术介绍

[0002]在电池实际应用过程中，完整的充放电过程通常是不容易实现的，锂离子电池在线数据采样系统仅能采集到电池的片段放电信息(包括电压，容量变化等)，而电池本轮充放电过程的最大放电容量往往无法确定，所以其剩余寿命只能依靠收集部分放电曲线片段进行估计。现有的电池剩余寿命预测主要基于完整的充放电过程，既每次充放电循环的最大放电容量需已知，这限制了电池状态估计的现实应用。同时，在电池容量衰减过程中，由于运行条件不同，存在着不可控的容量再生现象，这些噪声会导致电池管理系统无法更有效的掌握电池容量衰减的主要趋势。
[0003]此外，对需要评价的在线电池从零开始建立深度学习模型进行训练预测，这无疑会增加计算成本和在线采集的数据量，降低预测精度。因此，如果基于准确的完全充放电曲线，结合信号处理方法，深度学习技术对离线的大量电池数据建立预训练模型，通过迁移学习技术微调部分权重对在线电池进行剩余寿命进行预测，这对于在线电池的充放电状态估计和电池管理的效果提升，具有重大意义。

技术实现思路

[0004]本专利技术的目的在于提供一种基于深度学习算法的锂离子电池剩余寿命在线预测方法，准确预测锂离子电池剩余寿命，计算量小，运算效率高。
[0005]为了实现上述目的，本专利技术采用以下技术方案予以实现：
[0006]一种基于深度学习算法的锂离子电池剩余寿命在线预测方法，具体包括以下步骤：
[0007]步骤一、获取一定量的离线电池数据作为训练数据集，通过数据预处理和特征工程方法将获得的完整放电曲线划分为固定长度的数据片段，接着将数据分布标准化以符合卷积神经网络的输入要求；
[0008]步骤二、利用步骤一获得的数据片段，对构建的卷积神经算法进行训练，寻找数据片段与完整的放电曲线的对应关系，进而得到其与对应的最大放电容量之间的关系；
[0009]步骤三、对于步骤一获取的离线电池数据，提取其原始的容量衰减曲线，使用信号处理方法将其进行降噪处理，提取出其主容量衰减曲线，并将提取的多条主容量衰减曲线收集起来作为后续循环神经网络的离线训练集；
[0010]步骤四、通过数据预处理和特征工程方法，将步骤三获得的离线训练集中的主容量衰减曲线划分为固定长度的数据片段，并接着使数据分布标准化以符合循环神经网络的输入要求；
[0011]步骤五、利用步骤四分割得到的标准化后的主容量衰减曲线数据集，对构建的循
环神经网络进行训练，使算法掌握离线电池在容量衰减过程中的容量变化趋势；
[0012]步骤六、将电池数据在线采集系统收集到的放电曲线片段先经过步骤一中的标准化处理，再通过步骤二优化完毕的卷积神经网络预测出每一圈的最大放电容量，形成剩余寿命预测起始点之前的容量衰减曲线，接着通过步骤三中的信号处理方法提取出其对应的主容量衰减曲线，再经过步骤四中的标准化处理，将其作为步骤五离线优化完毕的循环神经网络算法的迁移学习训练集，微调部分单元权重，训练完毕后预测出剩余寿命预测起始点之后的容量衰减趋势，最终得到该在线电池的剩余寿命。
[0013]进一步，所述步骤一中将放电曲线划分为固定长度的数据片段具体过程为：
[0014]先确定步骤一所获得的所有完整放电曲线的电压区间，并将其放电曲线各个点之间的电压间隔设置为相等；之后将固定点数的窗口在其电压区间内滑动，划分为相同电压间隔的放电曲线片段；每个片段包含相应时间段的电压、放电容量信号；
[0015]数据分布标准化过程是将混合数据进行标准正态分布，使其符合卷积神经网络的数据输入要求。
[0016]进一步，所述步骤三中的信号处理方法为经验模态分解方法，将高频内涵模态分量去除，得到低频残差作为离线电池数据集提取的主容量衰减曲线。
[0017]进一步，所述步骤六中迁移学习方法是对循环神经网络的前端单元权重进行冻结，而对后端单元的权重进行微调训练。
[0018]本专利技术具有以下优点：
[0019]本专利技术基于深度学习方法，通过获取得到的放电曲线片段来对锂离子电池的剩余寿命进行在线预测的方法。首先通过大量离线电池数据集对深度学习网络进行训练，后以在线阶段采集得到的放电曲线片段作为数据输入，基于离线阶段优化完毕的深度学习网络，通过结合信号处理方法和迁移学习技术得到电池的剩余寿命，进而可推断出在线使用中电池的健康状态并进行电池管理。
[0020]首先不同于传统的纯理论计算和经验模型预测，本专利技术剩余寿命预测模型基于深度学习网络，避免对于电池内部的物理化学模型和数学模型的依赖，提高了预测方法的鲁棒性和普适性，同时有效降低计算成本；
[0021]然后，对于传统的基于深度学习电池剩余寿命预测方法，需要在预测起始点之前的最大放电容量为已知，但在实际应用中，电池的充放电过程往往是不完整的，因此通过步骤二离线训练卷积神经网络，来映射出放电曲线片段与最大放电容量之间的关系，为后续的循环神经网络的迁移学习提供训练集；
[0022]其次，传统方法易受到电池容量再生现象的干扰，降低模型预测的准确性，因此通过步骤三中的信号处理方法，可以有效减少电池容量再生噪声对于后续剩余寿命预测的影响，提高模型对于全局容量衰减趋势的掌握。
[0023]最后，传统在线预测方法需要模型对剩余寿命预测起始点之前的容量衰减曲线重新训练，造成计算成本增加和对在线数据量的依赖。而通过步骤六中的迁移学习技术，微调步骤五中基于离线数据集已预训练完毕的循环神经网络权重，使其减少计算成本和对在线数据的需求量，同时更有效地掌握离线电池特征。
附图说明
[0024]图1是本专利技术所提供方法的流程图；
[0025]图2是本专利技术针对循环神经网络训练及预测的窗口滑动示意图；
[0026]图3是本专利技术对实施例1中的离线电池数据集的容量衰减曲线，经过信号处理后的主容量衰减曲线示意图；
[0027]图4是本专利技术对实施例1中的在线电池，放电曲线的重构优选实例；
[0028]图5是本专利技术对实施例1中的在线电池，在剩余寿命预测起始点之前，取每一条放电曲线的任意一个片段作为输入数据，通过离线优化完毕的卷积神经网络预测出其对应的最大放电容量与真实放电容量对比的示意图；
[0029]图6是本专利技术对实施例1中的在线电池，通过信号处理技术对卷积神经网络预测出的最大放电容量进行降噪处理的示意图；
[0030]图7是本专利技术对实施例1中的在线电池，基于离线优化完毕的循环神经网络，通过迁移学习技术进行剩余寿命预测起始点之后的容量衰减趋势预测示意图；
[0031]图8是本专利技术对实施例2中的离线电池数据集的容量衰减曲线，经过信号处理后的主容量衰减曲线示意图；
[0032]图9是本专利技术对实施例2中的在线电池，放电曲线的重构优选实例；
[0033]图10是本专利技术对实施例2中的在线电本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习算法的锂离子电池剩余寿命在线预测方法，其特征在于具体包括以下步骤：步骤一、获取一定量的离线电池数据作为训练数据集，通过数据预处理和特征工程方法将获得的完整放电曲线划分为固定长度的数据片段，接着将数据分布标准化以符合卷积神经网络的输入要求；步骤二、利用步骤一获得的数据片段，对构建的卷积神经算法进行训练，寻找数据片段与完整的放电曲线的对应关系，进而得到其与对应的最大放电容量之间的关系；步骤三、对于步骤一获取的离线电池数据，提取其原始的容量衰减曲线，使用信号处理方法将其进行降噪处理，提取出其主容量衰减曲线，并将提取的多条主容量衰减曲线收集起来作为后续循环神经网络的离线训练集；步骤四、通过数据预处理和特征工程方法，将步骤三获得的离线训练集中的主容量衰减曲线划分为固定长度的数据片段，并接着使数据分布标准化以符合循环神经网络的输入要求；步骤五、利用步骤四分割得到的标准化后的主容量衰减曲线数据集，对构建的循环神经网络进行训练，使算法掌握离线电池在容量衰减过程中的容量变化趋势；步骤六、将电池数据在线采集系统收集到的放电曲线片段先经过步骤一中的标准化处理，再通过步骤二离线优化完毕的卷积神经网络预测出每一圈的最大放电容量，形成剩余寿命起始预测点之前的容量衰减曲线，接着通过步骤...

【专利技术属性】
技术研发人员：冯江涛，刘云鹏，延卫，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：