基于CNN-LSTM模型的锂电池核电状态预测方法技术

本发明专利技术请求保护一种基于CNN

【技术实现步骤摘要】
基于CNN
‑
LSTM模型的锂电池核电状态预测方法


[0001]本专利技术属于锂电池
，特别涉及一种基于CNN
‑
LSTM模型的锂电池 核电状态预测方法。

技术介绍

[0002]能源危机和环境污染的问题日益严重，锂电池由于具有能量密度大、循环 寿命长且随发展逐渐增大的可存储容量等优点，逐渐受到了以新能源汽车为主 的行业的青睐。当前频发的新能源汽车自燃事件往往和锂电池工作状态的错误 评估有关，为了保证锂电池能在各领域中得到安全且高效的使用，就需要用到 有效的电池管理系统对其进行检测与控制。其中电池核电状态(SOC)作为判 断锂电池当前工作状态的重要参数，对其进行在线实时且精准的预测可以更好 的观察到电池当前工作状态，保证电池在安全的条件下进行高效的使用，进而 达到可及时预防安全事故的目的。
[0003]由于锂电池在使用过程中是一个复杂的电化学反应过程，且受应用环境、 老化等因素的影响，故实现快速且精确的电池核电状态估计具有很大挑战性。 当前常用的锂电池核电状态预测方法可分为等效电路模型法和数据驱动法。等 效电路模型法具有难以建立适用于各种工况的电池等效电路、模型参数辨识难 度大、运算量大等缺陷。数据驱动法则具备无需考虑锂电池复杂的电化学特性 和建立复杂的电路模型；且随着锂电池的大量应用，越来越多与锂电池状态预 测相关研究的开展，并公布大量实验相关开源数据集，解决了数据驱动法对数 据需求量大的问题。因此本专利提出一种基于CNN
‑
LSTM神经网络模型的锂电 池核电状态预测方法，实现了锂电池核电状态的快速且精确预测。

技术实现思路

[0004]本专利技术旨在解决以上现有技术的问题。提出了一种基于CNN
‑
LSTM模型的 锂电池核电状态预测方法。本专利技术的技术方案如下：
[0005]一种基于CNN
‑
LSTM模型的锂电池核电状态预测方法，其包括：数据集准 备阶段、模型训练阶段和模型验证阶段，其中，
[0006]数据准备阶段用于选择并分析适用的数据集，并对该数据集进行预处理， 最后将其分割为模型训练与验证所需的数据集。
[0007]模型训练阶段用于得到一个基于CNN
‑
LSTM组合模型的锂电池核电状态预 测模块，具体包括：
[0008]CNN
‑
LSTM组合模型由两层卷积层、一层最大池化层、一层LSTM网络层、 一层全连接层和一层输出层组成，模型训练过程中锂电池数据先经过两个卷积 层运算，提取锂电池数据中的空间特征；卷积层运算结果经过最大池化层，进 行数据降采样，减少运算量；经降采样后的数据输入LSTM网络层，提取数据 中的时序特性，且在每次运算过程中对部分重要特征进行记忆，用于后续运算； 最后将LSTM输出结果输入至全连接层对数据进行特征整合，并经过运算后输 出预测值。
[0009]模型验证阶段，用于验证训练阶段所得模型的预测能力。
[0010]进一步的，所述在数据预处理过程中的去除数据集中的异常点，由于电池 的满充容量会随充放电次数的增加而逐渐减小，但数据中存在某些异常下降或 上升过大的数据，这些数据直接输入网络进行运算会导致模型在识别数据特征 时出错，故需将该部分数据认作异常点而去除，而去除的方法可表示为：
[0011][0012]以充放电周期数为序，每个充放电周期的电池满充容量为x
i
，对全部充放 电周期的所有x
i
数据求和后求其均值u，在通过求得的平均值来计算整个电池使 用生涯满充容量的方差α，最后通过均值和均方根误差找出所有数据中的最大 Max和最小Min范围。若存在该范围以外数据则去除该周期数据点。而数据中 还存在部分异常波动较小的数据，这是由于外部因素如温度、设备电压和电流 波动影响而出现的点，这种点是一种伪异常点，不用去除。反而可通过模型学 习这种波动带来的变化，从而更好的模拟外部因素变化时锂电池核电状态状态 的变化。
[0013]进一步的，所述在数据预处理过程中的归一化处理，由于温度数据与锂电 池电压、电流数值差异较大，会导致模型训练不收敛或者收敛慢的情况，因此 需对其数据进行归一化处理，降低数据之间的差异。具体归一化处理方法为：
[0014][0015]上式中x表示每中特征数据值，以温度为例，Minx和Maxx分别表示数据 集中温度的最小值和最大值，y则为归一化后的温度数值。通过刚方式可将参数 的数值限制在(0,1)之间，可以极大节省训练时间和难度。完成数据预处理后 按照4:1的比例将数据集划分为训练集和测试集。
[0016]进一步的，所述在数据预处理过程中的数据排列，将训练集数据按照电池 电压、电流、温度、核电状态以时间为序排列成二维表格形式，测试集数据则 只放入电池电压、电流和温度三种参数。即组合成模型训练和模型验证的数据 输入形式。
[0017]进一步的，所述模型搭建过程中，由于锂电池数据是一种时间序列数据， 因此选用适用于时序数据的卷积神经网络1D
‑
CNN，且1D
‑
CNN具有训练快、可并 行运算等优势；长短期记忆神经网络LSTM因其具有记忆功能，解决了传统RNN 易于梯度爆炸和梯度消失的问题，因此常用于时序数据处理，可以很好的提取 电池数据中的时序特性，且提取过程中保存部分重要特征，参与下次运算达到 更为精确的预测性能。
[0018]进一步的，所述模型训练中引入RMSE和模型收敛速度作为模型预测性能 评判标准，利用已划分好的训练集对搭建好的模型进行训练，且在训练过程中 以均方根误差RMSE与训练开始至收敛的训练次数作为模型评判标准。其中均 方根误差运算方式为：
[0019][0020]RMSE的运算方式，是通过计算训练过程中的预测结果x
t
和数据集的真实 值y
t
之间的误差。因此可以通过该误差值来判断模型预测能力。而模型收敛速 度则可以看出模型是否能在短时间内贴近训练集中的真实值。
[0021]进一步的，模型进行优化设计过程中主要优化手段有超参数优化与模型层 级优化。超参数优化主要是查看模型训练过程中的收敛曲线，在训练不收敛时 降低学习率、在收敛过慢时以0.0001位间隔缓慢上调学习率直至模型稳定收敛、 在收敛过快时可降低训练次数；模型层级优化主要是平衡收敛时长与预测误差， 通过在不影响预测误差的情况下减少全连接层和卷积层的层数达到减少运算资 源消耗和降低运算时长的目的。对通过以上两种优化手段后得到的最优模型进 行保存。
[0022]进一步的，模型验证阶段将提前划分好的测试集输入已训练好的模型中， 通过查看运算时长和预测误差，当存在测试集上表现很差时代表网络已经过拟 合，此时需增大训练数据输入量或者减少网络层数，以增加输入模型特征或者 降低模型复杂度。而当模型在测试集上表现的测试能力贴近训练集表现能力时， 表示该模型已具备精准且快速的预测能力。经过以上流程最本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN
‑
LSTM模型的锂电池核电状态预测方法，其特征在于，该方法包括以下步骤：S1：对现有开源锂电池数据集进行筛选，选择适用于锂电池核电状态预测的数据集；S2：查看并分析数据集中电池充放电容量与各特征之间的关系，确定采用电池当前电压、电流和温度作为核电状态预测的特征参数；S3：对选取的特征数据集进行数据预处理和数据分割，依据所选特征将数据集划分为训练集和测试集；S4：构建CNN、LSTM与FC的组合模型，其中数据流向为锂电池数据输入CNN，运算结果输入LSTM，最后通过FC整合并输出核电状态预测值；S5：将上述训练集对搭建的模型进行训练，在训练过程中依据模型训练收敛速度和预测误差作为模型评估标准；S6：通过收敛速度与预测误差对模型进行层级优化和超参数优化，并保存最优模型；S7：把验证集数据输入保存模型中进行模型预测性能评估。2.根据权利要求1所述的一种基于CNN
‑
LSTM模型的锂电池核电状态预测方法，其特征在于：所述步骤S1中，数据集的选择要适用于锂电池核电状预测，最终选择马里兰大学锂电池数据集CALCE中的CS2系列数据集，该数据集测试内容包含在室温(25℃)环境条件下，对CS2系列锂电池进行充放电，直至电池达到寿命终止，即电池最大容量降低至额定容量的30％，其中充电方式以恒流模式将电池充电至两端电压达4.2V，后以恒压模式充电至电流小于20mA；放电时以恒流模式进行，放电至电池两端电压到2.7V。且该数据集有包括电池端电压、电流、环境温度以及电池核电状态等17个参数可供选择使用，因此满足研究所需。3.根据权利要求1所述的一种基于CNN
‑
LSTM模型的锂电池核电状态预测方法，其特征在于：所述步骤S2中，数据集的分析过程中，通过将数据集中的元素与锂电池核电状态进行绘图，查看各元素与锂电池核电状态之间的相关性。经对比后发现锂电池当前端电压、端电流以及环境温度更适用于锂电池核电状态预测，尤其是电池端电压与电池核电状态呈现正相关特性。因此选其作为锂电池核电状态的预测参数。4.根据权利要求1所述的一种基于CNN
‑
LSTM模型的锂电池核电状态预测方法，其特征在于：所述步骤S3中，对特征数据集进行数据预处理需三个步骤完成；其一是去除数据集中的异常点，在数据预处理过程中的去除数据集中的异常点，由于电池的满充容量会随充放电次数的增加而逐渐减小，但数据中存在某些异常下降或上升过大的数据，这些数据直接输入网络进行运算会导致模型在识别数据特征时出错，故需将该部分数据认作异常点而去除，而去除的方法可表示为：以充放电周期数为序，每个充放电周期的电池满充容量为x
i
，对全部充放电周期的所有x
i
数据求和后求其均值u，在通过求得的平均值来计算整个电池使用生涯满充容量的方差
α，最后通过均值和均方根误差找出所有数据中的最大Max和最小Min范围。若存在该范围以外数据则去除该周期数据点。而数据中还存在部分异常波动较小的数据，这是由...

【专利技术属性】
技术研发人员：王巍，丁辉，赵汝法，夏旭，刘斌政，稅绍林，张涛洪，袁军，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：