一种基于TCN的电池剩余循环寿命预测方法技术

本发明专利技术提供一种基于TCN的电池剩余循环寿命预测方法，应用和健康状态强相关的五个特征因素：循环时间、电压平均值、电压样本熵、温度样本熵、电流值作为输入特征因素，利用核主成分分析法对输入特征因素进行降维，基于时间卷积神经网络选取贡献率较大的主成分进行电池SOH预测；由于电池存在容量再生现象，在五个特征因素的基础上结合容量，进行剩余使用寿命的预测，从而提高预测结果的精度和可信度。从而提高预测结果的精度和可信度。从而提高预测结果的精度和可信度。

【技术实现步骤摘要】
一种基于TCN的电池剩余循环寿命预测方法


[0001]本专利技术属于电池储能系统智能运维领域，具体涉及一种基于TCN(时间卷积神经网络)的电池剩余循环寿命预测方法。

技术介绍

[0002]由于具有功率密度高、环保、寿命长等特点，电池储能已被广泛应用于可再生能源发电等诸多领域，其对促进可再生能源消纳，提高电力系统和区域能源系统效率、经济性等均具有重要作用。电池储能是一个动态、不断变化的电化学系统，具有非线性行为和复杂的内部机理，随着使用时间的延长，其性能不可避免地会发生退化。剩余使用寿命(RUL)可以被视为服役期间电池达到失效阈值前的正常可使用时间。当电池容量降至其额定容量的80％以下时，电池稳定性下降，可能导致充放电性能降低甚至引起灾难性事故。准确预测RUL可以指导电池的健康管理、电池更换和系统维护，防止因电池失效或过早更换造成重大损失，以实现电池的预测性维护。
[0003]传统电池健康状态分析主要侧重容量预测，但在实际使用过程中，电池存在容量再生现象，即电池会在不同的时间段出现容量相同的现象；再者，预测输入主要是电压、电流和温度等基础参数，数据量较少，预测精度有待提高；常规神经网络在预测建模时，存在梯度容易爆炸/消失、长序列数据不易处理、泛化能力差等缺点。

技术实现思路

[0004]为克服现有技术的缺点，本专利技术提出一种基于TCN(时间卷积神经网络)的电池剩余循环寿命预测方法。应用和健康状态强相关的五个特征因素：循环时间、电压平均值、电压样本熵、温度样本熵、电流值作为输入特征因素，利用核主成分分析法对输入特征因素进行降维，基于时间卷积神经网络(TCN)选取贡献率较大的主成分进行电池SOH预测；由于电池存在容量再生现象，在五个特征因素的基础上结合容量，进行RUL的预测，从而提高预测结果的精度和可信度。
[0005]为达到上述目的，本专利技术采用如下技术方案：
[0006]一种基于TCN的电池剩余循环寿命预测方法，应用和健康状态强相关的五个特征因素：循环时间、电压平均值、电压样本熵、温度样本熵、电流值作为输入特征因素，利用核主成分分析法对输入特征因素进行降维，基于时间卷积神经网络选取贡献率较大的主成分进行电池SOH预测；由于电池存在容量再生现象，在五个特征因素的基础上结合容量，进行剩余使用寿命的预测，从而提高预测结果的精度和可信度。
[0007]进一步地，采用所述核主成分分析法将输入特征因素之间的重叠信息与多余信息进行分离与优化，以提高计算的效率和精确度，具体包括：
[0008]对于n个输入样本x
k
(k＝1,2,
…
n)，其协方差矩阵表示为：
[0009][0010]所述核主成分分析方法引入线性映射函数，将输入样本x
k
(k＝1,2,
…
n)映射到特征空间中：其对应的协方差矩阵为：
[0011][0012]应用主成分分析求解特征空间中的方程其中λ为特征值，v为特征向量：
[0013][0014]特征向量v由特征空间数据进行线性化：
[0015][0016]其中，a
i
为每个特征空间数据的线性系数；
[0017]定义n阶核矩阵K，则式(3)转换为：
[0018]nλa＝Ka (5)
[0019]其中，a为特征空间数据的系数矩阵。
[0020]求解从而得到特征值λ和特征向量v；
[0021]通过对输入样本在特征空间上的投影V
k
，获取贡献率大的投影特征值和投影特征向量作为主成分：
[0022][0023]进一步地，所述时间卷积神经网络用于建立输入序列和输出序列之间的映射关系，使实际输出y0,
…
,y
T
和预测输出y
′0,
…
,y
′
T
之间的误差损失最小，其构建包括：
[0024](1)TCN建模：
[0025]假设给定输入序列为x0,
…
,x
T
，期望预测输出为y0,
…
,y
T
；
[0026]预测输出与输入序列的关系为：
[0027][0028]式中，y
′
t
仅与时刻t及之前的输入序列x0,
…
,x
t
有关，与未来的输入x
t
,
…
,x
T
无关；
[0029](2)扩大因果卷积是一种对输入序列进行跳步操作的卷积运算，具体为：
[0030][0031]式中，F(i)为对序列x0,
…
,x
T
中第i个元素的卷积结果；h(j)为滤波器，也称卷积核；d为扩大因子，当d＝1时为标准因果卷积；
[0032](3)加入残差块：
[0033]假设残差块的输入为x，输出为o，经过线性变化并通过激活函数映射得到公式(9)：
[0034]o＝Activation(x+Γ(x)) (9)
[0035]式中，Activation(
·
)为激活函数，Γ(x)为
x
的关系函数。
[0036]有益效果：
[0037]由于电池健康状态影响因素之间不可避免的存在信息交叉和重叠，本专利技术采用核
主成分分析法将影响因素之间的重叠信息与多余信息进行分离与优化，可以提高后续计算的效率和精确度；由于TCN具有计算并行性、灵活的感受野、训练时内存要求低等特点，在进行数据预测时较长短时记忆神经网络和卷积神经网络更有优势；对SOH和RUL进行联合预测，可以消除容量再生现象的影响，能够提供更为精确的电池健康状态。
附图说明
[0038]图1为TCN扩大因果卷积结构示意图；
[0039]图2为容量示意图；
[0040]图3为每个放电循环时间示意图；
[0041]图4为电压平均值示意图；
[0042]图5为电压样本熵示意图；
[0043]图6为温度样本熵示意图；
[0044]图7为电流示意图；
[0045]图8为剩余使用寿命示意图；
[0046]图9为主成分1和2曲线示意图；
[0047]图10为TCN容量预测结果示意图；
[0048]图11为剩余循环次数预测结果示意图。
具体实施方式
[0049]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0050]本专利技术的一种基于TCN的电池剩余循环寿命预测方法，应用和健康状态强相关的五个特征因素：循环时间、电压平均值、电压样本熵、温度样本熵、电流值作为输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于TCN的电池剩余循环寿命预测方法，其特征在于，应用和健康状态强相关的五个特征因素：循环时间、电压平均值、电压样本熵、温度样本熵、电流值作为输入特征因素，利用核主成分分析法对输入特征因素进行降维，基于时间卷积神经网络选取贡献率较大的主成分进行电池SOH预测；由于电池存在容量再生现象，在五个特征因素的基础上结合容量，进行剩余使用寿命的预测，从而提高预测结果的精度和可信度。2.根据权利要求1所述的一种基于TCN的电池剩余循环寿命预测方法，其特征在于，采用所述核主成分分析法将输入特征因素之间的重叠信息与多余信息进行分离与优化，以提高计算的效率和精确度，具体包括：对于n个输入样本x
k
(k＝1,2,
…
n)，其协方差矩阵表示为：所述核主成分分析方法引入线性映射函数，将输入样本x
k
(k＝1,2,
…
n)映射到特征空间中：其对应的协方差矩阵为：应用主成分分析求解特征空间中的方程其中λ为特征值，v为特征向量：特征向量v由特征空间数据进行线性化：其中，a
i
为每个特征空间数据的线性系数；定义n阶核矩阵K，则式(3)转换为：nλa＝Ka
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)其中，a为特征空间数据的系数矩阵。求解从而得到特征值λ和特征向量v；通过对输入样本在特征空间上的投影V
k
，获取贡献率大的投影特征值和投影特征向量作为主成分：3.根据权利要求1所述的一种基于TCN的电池剩余循环寿命预测方法，其特征在于，所述时间卷积神经网络用于建立输入序列和输出序列之间的映射关系，使实际输出y0,
…...

【专利技术属性】
技术研发人员：孙玉树，彭大健，李宁宁，张国伟，唐西胜，裴玮，
申请(专利权)人：中国科学院电工研究所，
类型：发明
国别省市：