储能锂电池剩余寿命长时间序列预测方法及装置制造方法及图纸

本发明专利技术公开了一种储能锂电池剩余寿命长时间序列预测方法及装置，其中该方法包括：获取待测型号电池的容量衰减离线实验数据集及容量衰减在线运行数据集；对容量衰减离线实验数据集及容量衰减在线运行数据集进行预处理，得到训练样本集及测试样本集；对学习模型中的架构及参数进行初始化，将训练样本集输入到学习模型中进行训练，得到电池剩余寿命预测模型；将测试样本集输入到电池剩余寿命预测模型中进行循环预测，若当前预测电池容量值达到预设容量失效阈值时停止循环预测，计算截止当前的循环次数，将循环次数作为待测型号电池的电池剩余寿命输出。引入电池容量离线实验数据，避免了模型的过渡拟合，减少了数据漂移的可能，提高预测准确度。提高预测准确度。提高预测准确度。

【技术实现步骤摘要】
储能锂电池剩余寿命长时间序列预测方法及装置


[0001]本专利技术涉及电池储能系统智慧运维领域，特别涉及一种储能锂电池剩余寿命长时间序列预测方法及装置。

技术介绍

[0002]在能源危机，环境污染等一系列不确定因素的背景之下，能源和储能系统变得十分重要。锂离子电池由于具有能量密度高、污染低、充电快、重量轻、性能好等优点，已经广泛应用到一系列电子设备中，在航空航天，移动通信和新能源电动汽车等各个领域都是主要的能源来源。
[0003]但是伴随着电池使用次数和充放电循环次数的增加，电池性能会下降，容量通常会降低，安全性也大幅下降，并且甚至可能会导致一些灾难。但是伴随着电池使用次数和充放电循环次数的增加，电池性能会下降，容量通常会降低，安全性也大幅下降，并且甚至可能会导致一些灾难。其中电池剩余使用寿命(RUL)是电池健康管理的重要指标，剩余使用寿命的预测能提高电源性能，对于优化电池管理系统设计和终生校准保护至关重要。
[0004]目前对RUL的预测，大多数文献采用数据驱动的方法。基于数据驱动方法可以直接从电池的监控测量指标中去分析与挖掘本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种储能锂电池剩余寿命长时间序列预测方法，其特征在于，包括：S1、获取待测型号电池的容量衰减离线实验数据集及容量衰减在线运行数据集；S2、对所述容量衰减离线实验数据集及容量衰减在线运行数据集进行预处理，得到训练样本集及测试样本集；S3、对学习模型中的架构及参数进行初始化，将所述训练样本集输入到学习模型中进行训练，得到电池剩余寿命预测模型；S4、将测试样本集输入到所述电池剩余寿命预测模型中进行循环预测，若当前预测电池容量值达到预设容量失效阈值时，停止循环预测，计算截止当前的循环次数，将所述循环次数作为待测型号电池的电池剩余寿命输出。2.根据权利要求1所述的储能锂电池剩余寿命长时间序列预测方法，其特征在于，所述将所述训练样本集输入到学习模型中进行训练，得到电池剩余寿命预测模型，包括：S301、将所述训练样本集作为输入样本输入至所述学习模型进行向前预测，得到每个训练样本的预测电池容量值；其中，所述学习模型为长短期记忆神经网络模型；S302、将任一训练样本的预测电池容量值与该训练样本对应的容量衰减在线运行数据进行比较得到误差值；S303、对所有误差值求和得到总误差值，根据所述总误差值构建目标函数；S304、调整所述学习模型中的参数，直至满足预设条件时，输出所述电池剩余寿命预测模型。3.根据权利要求2所述的储能锂电池剩余寿命长时间序列预测方法，其特征在于，所述预设条件包括：达到目标函数允许值，或，达到预设最大调节次数。4.根据权利要求2所述的储能锂电池剩余寿命长时间序列预测方法，其特征在于，所述长短期记忆神经网络的记忆机制包括：遗忘机制：输入机制：存储单元的状态更新机制：存储单元的状态更新机制：输出机制：h
t
＝o
t
×
tanh(c
t
)其中，f
t
,i
t
,c
t
,h
t
,和o
t
分别代表t时刻的遗忘门、输入门、临时存储单元、新存储单元、输出门和存储块的输出，w
fh
,w
fx
,w
ih
,w
ix
,w
ch
,w
cx
,w
ho
,和w
ox
分别代表对应的权重，b
f
,b
i
,b
c
,b
o
分别代表对应的偏置，σ代表sigmoid激活函数。
5.根据权利要求2所述的储能锂电池剩余寿命长时间序列预测方法，其特征在于，通过以下公式计算所述总误差值构建目标函数：其中，R
i
′
为预测电池容量值，R
i
为容量衰减在线运行数据，e
i
为误差值。6.一种储能锂电池剩余寿...

【专利技术属性】
技术研发人员：王建星，朱勇，张斌，刘明义，刘承皓，张媛媛，郝晓伟，张竹砚，刘大为，裴杰，徐若晨，曹曦，曹传钊，李昊，孙周婷，雷浩东，李刚，孔金良，李建华，王璐瑶，
申请(专利权)人：华能新能源股份有限公司山西分公司，
类型：发明
国别省市：