一种基于混沌理论和非线性系统的锂电池容量预测方法技术方案

本发明专利技术公开了一种基于混沌理论和非线性系统的锂电池容量预测方法，该方法基于非线性分析方法深入挖掘锂电池化成，分容数据的内在动态特征，构造出一个包含丰富信息的混沌相空间，为放电容量预测提供了一个优良的特征空间，由此便可以在特征空间上进行特征降维提取，将提取的降维特征填充到训练集中，并利用填充后的训练集训练机器学习模型，从而建立起锂电池的容量预测模型。本发明专利技术突破传统方法的静态和精度瓶颈，可动态及高精度预测锂电池的放电容量，大幅减少分容工艺的时间和能耗。大幅减少分容工艺的时间和能耗。大幅减少分容工艺的时间和能耗。

【技术实现步骤摘要】
一种基于混沌理论和非线性系统的锂电池容量预测方法


[0001]本专利技术涉及锂电池生产
，特别涉及一种锂电池化成工艺预测电池放电容量方法，具体涉及一种基于混沌理论和非线性系统的锂电池容量预测方法。

技术介绍

[0002]锂电池因其具有能量密度高，放电功率大，使用成本低等独特优势，已被广泛应用在消费电子、电动汽车有航空航天等领域。但是，由于复杂的电化学体系、多样的失效机理以及制造过程的差异，同一批次的锂电池常常存在较大的离散性，这难免增加判断锂电池放电容量的工艺和时间的难度。差异性较大的锂电池所组合成的电池模块的性能较差，并不能满足市场的使用需求。因此，对于锂电池进行准确的容量预测是锂电池制造过程中关切的问题之一。
[0003]在实际生产中，锂电池都需要进行100％的放电测试，持续时间6～8小时才能测量出较准确的放电容量，这部分的生产工艺严重增加了生产所需空间，设备和时间。
[0004]目前，已有的预测锂电池放电容量的实施方法大多为线性分析的模型，通过研究锂电池化成和分容过程中电压、电流、温度等参数与锂电池放电容量之间的关系，在生产的过程中提早计算出锂电池放电容量，但是该方法也存在一定的缺陷，比如此类方法的特点是基于传统线性分析方法，并不能反映出锂电池的动态特征和复杂的非线性因素，拟合出的模型泛化效果也较差，无法应用到别的锂电池数据上，在预测精度上并不理想，远达不到锂电池厂商所需要的精度，且稳定性不足等，实际应用起来较为困难。

技术实现思路

[0005]本专利技术的目的是为了解决现有技术中的上述缺陷，提供一种基于混沌理论和非线性系统的锂电池容量预测方法，该方法突破传统方法的静态和精度瓶颈，通过对锂电池生产过程数据进行动态及非线性分析得到锂电池内部动能特征，高精度预测锂电池的放电容量，免除分容工艺的时间和能耗。
[0006]本专利技术的目的可以通过采取如下技术方案达到：
[0007]一种基于混沌理论和非线性系统的锂电池容量预测方法，所述锂电池容量预测方法包括以下步骤：
[0008]S1、对锂电池原始电压数据进行二阶差分计算，得到每个锂电池的二阶差分序列其函数表达式如下式所示：
[0009][0010][0011]其中，分别表示锂电池在时刻n、n+1、n+2的电压值，表示锂电池二阶差分数据序列；
[0012]S2、对锂电池二阶差分序列分别在滑动窗口下进行欧式距离计算，设定滑动窗口的大小和距离阈值ε，计算的欧式距离与距离阈值ε比较，大于ε的序列的滑动窗口往前偏移一个数据点后再次计算及比较，直到小于或等于ε停下，停下来的位置则是各锂电池电压数据同步点，其计算距离的函数表达式如下式所示：
[0013][0014]其中，表示第个锂电池差分数据序列中第个数据点，表示除了第个锂电池以为的其它锂电池的差分数据序列中第j个数据点，表示第个锂电池差分数据的滑动窗口，表示除了第个锂电池的其它锂电池的差分数据的滑动窗口，表示差分数据之间偏差，表示区分于第个锂电池的锂电池二阶差分数据；
[0015]S3、原始电压数据被对齐后得到新的序列进行去噪处理，去除掩盖微弱特征的噪声，使用高斯滤波器对锂电池原始电压数据进行一维线性平滑滤波，函数表达式如下所示：
[0016][0017]其中，表示时刻n降噪后的电压数据，表示时刻n降噪前的电压数据，σ表示电压数据的标准差；
[0018]S4、使用降噪后的数据进行非线性特征提取，把电池的电压数据映射到相空间(Phase space)；由于锂电池的化成过程是一个充电的动态过程，传统的线性分析如均值、峰度、一阶差值等不能表现这个动态过程，需要根据化成数据映射到多维向量空间表现锂电池的动态过程。设定映射操作的嵌入维时间延迟τ，寻找向量
[0019][0020]其中，表示向量的维度，τ表示时间延迟；
[0021]S5、创建一个二层神经网络的特征提取模型，把锂电池动态数据作为输入数据，数据作为输出数据，对特征提取模型进行训练数据拟合，特征提取模型的损失函数使用均方根误差(RMSE)，当误差e小于等于设定阈值ε时停止，提取隐藏层参数作为锂电池的动态特征，其中，误差e计算公式如下：
[0022][0023]其中，u表示输出数据的数量；
[0024]S6、将锂电池特征数据集按放电容量的分布情况划分为训练集、测试集和验证集；
[0025]S7、把提取到的锂电池动态特征作为输入数据，锂电池放电容量数据作为目标数据，按锂电池在高维空间的分组，建立梯度提升树(GBDT)模型，计算动态特征与放电容量之间的函数关系，得到锂电池容量。
[0026]进一步地，实际的锂电池电压采样等都是有噪声的有限序列，嵌入维数和时间延迟τ必须要根据不同电池类型或生产工艺来选取合适的值，所述步骤S4中使用交互信息法(Mutual Information Method)计算合适的时间延迟τ，从信息论的原理上，它计算原始数据和延迟τ后数据的最大可能的不相关，这使我们能从每个锂电池相似的采样数据中提取最大可能的不相关的特征，过程如下：
[0027][0028][0029][0030][0031]进行标准化：
[0032][0033]其中，表示锂电池在l时刻电压采样，表示锂电池在l+τ时刻电压采样，表示电压采样数据数量，表示电压采样数据数量，和分别代表和的信息熵，表示和联合分布的信息熵，是关于延迟时间τ的函数，计算所得到的首个出现的极小值所对应的τ为最优的延迟时间τ。
[0034]进一步地，嵌入维度与后续模型的复杂度，计算量等，与能否提取锂电池动态特征都有密切的关系，故合理的维度选择至关重要，所述步骤S4中使用最小伪邻点法计算嵌入维在不断地增加嵌入维度，计算增加前和增加后的差值，通过比较差值发现差值没有明显变化时，证明当前嵌入维度是最合适表示锂电池数据的维度，过程如下：
[0035][0036]其中，表示在维上区别于的其它向量，表示维采集形成的向量，表示维采集形成的向量，表示在表示在维上区别于的其它向
量，，表示区分于第个锂电池的去噪后数据，r表示之间距离的阈值，σ表示数据的标准差，表示亥维赛阶跃函数，当x≤0，当x>0，表示与维之间的差距，e表示与维之间差距的阈值，差距小于阈值表示当前维是最优的维度。
[0037]进一步地，锂电池的动态特征与其放电容量存在一定的函数关系，深度神经网络具有强大的表现力，寻找变量之间的函数关系是第一选择，但使用深度神经网络的前提条件是需要大量的训练数据，而实际的锂电池生产产能无法满足深度神经网络的数据量需求，故选择一种基于统计方法，不需要庞大训练数据，技术很成熟的梯度提升树，所述梯度提升树(Gradient Boosting Decision Tree,GBDT)是一种基于boosting集成思想的加法模型，训练时采用前向分布算法进行贪婪的学习，每次迭代都学习一棵CART(Classification and RegressionTree)树来拟合之前棵树的预测结果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混沌理论和非线性系统的锂电池容量预测方法，其特征在于，所述锂电池容量预测方法包括以下步骤：S1、对锂电池原始电压数据进行二阶差分计算，得到每个锂电池的二阶差分序列其函数表达式如下式所示：其函数表达式如下式所示：其中，分别表示锂电池在时刻n、n+1、n+2的电压值，表示锂电池二阶差分数据序列；S2、对锂电池二阶差分序列分别在滑动窗口下进行欧式距离计算，设定滑动窗口的大小和距离阈值ε，计算的欧式距离与距离阈值ε比较，大于ε的序列的滑动窗口往前偏移一个数据点后再次计算及比较，直到小于或等于ε停下，停下来的位置则是各锂电池电压数据同步点，计算距离的函数表达式如下式所示：其中，表示第个锂电池差分数据序列中第个数据点，表示除了第个锂电池以为的其它锂电池的差分数据序列中第j个数据点，表示第个锂电池差分数据的滑动窗口，表示除了第个锂电池的其它锂电池的差分数据的滑动窗口，表示差分数据之间偏差，表示区分于第个锂电池的锂电池二阶差分数据；S3、原始电压数据被对齐后得到新的序列进行去噪处理，使用高斯滤波器对锂电池原始电压数据进行一维线性平滑滤波，函数表达式如下所示：其中，表示时刻n降噪后的电压数据，表示时刻n降噪前的电压数据，σ表示电压数据的标准差；S4、使用降噪后的数据进行非线性特征提取，把电池的电压数据映射到相空间，设定映射操作的嵌入维时间延迟τ，寻找向量时间延迟τ，寻找向量其中，表示向量的维度，τ表示时间延迟；S5、创建一个二层神经网络的特征提取模型，把锂电池动态数据作为输入数据，数据作为输出数据，对特征提取模型进行训练数据拟合，特征提取模型的损失函数使用均方根误差，当误差e小于等于设定阈值ε时停止，提取隐藏层参数作为锂电池的动态特征，其中，误差e计算公式如下：
其中，u表示输出数据的数量，表示第个向量第个数据，表示第个向量第个计算值；S6、将锂电池特征数据集按放电容量的分布情况划分为训练集、测试集和验证集；S7、把提取到的锂电池动态特征作为输入数据，锂...

【专利技术属性】
技术研发人员：冯英伟，王自跃，谷赛辉，荣青，王银华，祖向军，
申请(专利权)人：天永锂电科技东莞有限公司，
类型：发明
国别省市：