一种储能系统中锂离子电池寿命预测方法技术方案

本发明专利技术公开了一种储能系统中锂离子电池寿命预测方法，对神经网络引入简单编码解码(SED)的机制，可以让其更好地学习到序列数据全局时间上的特征和远程的依赖关系。结果表明使用SED机制可以让LSTM神经网络的预测误差指标进一步下降。在相同的预测条件下，CEEMDAN

【技术实现步骤摘要】
一种储能系统中锂离子电池寿命预测方法


[0001]本专利技术涉及高端设备的故障测试和预测技术
，尤其涉及一种储能系统中锂离子电池寿命预测方法。

技术介绍

[0002]在气候变化、国际局势等一系列不确定性因素下，石油价格上涨，能源和储能系统变得至关重要。相较于其它类型的电池，锂离子电池能量密度高、污染低、充电快、重量轻、性能好，已经得到了广泛的应用。因为锂电池的化学属性导致锂电池随着使用次数和充放电循环次数的增加，电池性能会下降，其中包含一些安全隐患，甚至可能导致灾难的发生，安全性也大幅下降，甚至可能会导致一些灾难。因此对锂电池的健康状况进行有效控制和管理是必要的，其中电池剩余使用寿命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。
[0003]锂离子电池剩余寿命研究可以归纳为两大类：基于模型预测和基于数据驱动预测。基于数据驱动的研究避开了对锂电池内部化学反应的研究，通过电池数据来推演电池性能退化的过程。
[0004]现有的技术中，一般采用标准充/放电工作状态下循环充/放电的容量测试数据，利用公式和经验进行推导来得出寿命变化趋势。对于储能系统装置中的电池寿命预测，需要针对系统中的电池做个体寿命的分析和预测。由于储能系统的庞大无法对单个电池做拆解进行离线测评，为此需要设计一种针对储能系统中锂电池寿命的在线预测方法，在不影响储能系统的正常运行的同时，实现锂电池寿命的预测。

技术实现思路

[0005]本专利技术的目的在于
>[0006]为了实现本专利技术的目的，本专利技术采取的技术方案为：
[0007]一种储能系统中锂离子电池寿命预测方法，包括以下步骤：
[0008]步骤1、按分段时间采集n段锂电池充放电过程中的时间、温度、电压、电流数据；
[0009]步骤2、将得到的数据进行预处理，得到处理后的数据；
[0010]步骤3、得到处理后的数据利用引入SED编码解码结构的LSTM神经网络的锂电池剩余寿命预测神经网络模型得到计算结果；
[0011]步骤4、对优化后的网络模型，建立评价体系，评价模型的预测效果。
[0012]进一步的，所述步骤2中预处理的步骤如下：
[0013]步骤2.1、利用箱线图对异常数据进行分析，基于异常点的上下邻点平均值进行修正；
[0014]步骤2.2、将修正后的数据进行CEEMDAN分解为N个分量IMFi，然后将每条分量进行神经网络拟合，得到每条分量的神经网络模型；
[0015]步骤2.3、将电池的单个特征数据IMF1至IMFN作为特征变量，原始数据作为响应变
量进行随机森林回归，然后进行变量重要性计算和排序。
[0016]进一步的，所述步骤3中LSTM神经网络的锂电池剩余寿命预测神经网络模型包括输入层、隐藏层和输出层，隐藏层包括LSTM神经网络单元、dropout层、全连接层和激活层，输出层为神经网络预测的容量值，LSTM神经网络单元的内部结构由遗忘门、输入门和输出门三部分组成，各部分的计算公式如下：
[0017]遗忘门：F
t
＝σ(W
f
[h
t
‑1,x
t
]+b
f
)＝σ(W
fh
h
t
‑1+W
fx
x
t
+b
f
)；
[0018]输入门：i
t
＝σ(W
i
[h
t
‑1,x
t
]+b
i
)＝σ(W
ih
h
t
‑1+W
ix
x
t
+b
i
)；
[0019]输出门：O
t
＝σ(W
o
[h
t
‑1,x
t
]+b
o
)＝σ(W
oh
h
t
‑1+W
ox
x
t
+b
o
)；
[0020]h
t
＝O
t
*tanh(C
t
)
[0021]其中：σ是Sigmoid函数，W
f
是遗忘门的权重矩阵，b
f
是遗忘门的偏置项，h
t
‑1是上一时刻LSTM的输出值，x
t
是当前时刻网络的输入值，W
i
是输入门的权重矩阵，b
i
是输入门的偏置项，W
o
是输出门的权重矩阵，b
o
是输出门的偏置项，h
t
是当前时刻STM的输出值，C
t
是当前时刻的单元状态。
[0022]进一步的，所述步骤4中评价体系包括平均绝对误差、均方根误差、平均绝对百分比误差和相对误差四个评价指标，其计算公式定义式如下：
[0023]平均绝对误差：
[0024]均方根误差：
[0025]平均绝对百分比误差：
[0026]相对误差：
[0027]其中：x
i
是整个序列的取值，是整个数列的平均值，n是序列的长度，RUL
pred
是预测的剩余使用寿命，RUL
ture
是真实的剩余使用寿命。
[0028]与现有技术相比，本专利技术的优点在于：
[0029](1)电池数据由于客观因素的影响，原始数据会充满噪音，高频动态和非线性特征量曲线会影响模型准确地学习电池寿命衰退的特征。而采用CEEMDAN算法分解对电池数据进行降噪处理是有效的，能进一步帮助模型提高精度。
[0030](2)分解出来的高频分量虽然充满噪音，却同样可能含有部分数据真实特征信息。使用随机森林回归去调整每条波动分量权重的方法是有效的，神经网络预测结果的误差都进一步下降。
[0031](3)对神经网络引入简单编码解码(SED)的机制，可以让其更好地学习到序列数据全局时间上的特征和远程的依赖关系。结果表明使用SED机制可以让LSTM神经网络的预测误差指标进一步下降。在相同的预测条件下，CEEMDAN
‑
RF
‑
SED
‑
LSTM模型在电池寿命预测上表现最为优良，预测误差最低，该模型为现有电池RUL预测研究提供了参考。
附图说明
[0032]图1为本专利技术一种储能系统中B0005锂离子电池寿命预测方法的CEEMDAN分解数据示意图；
[0033]图2为本专利技术一种储能系统中B0006锂离子电池寿命预测方法的CEEMDAN分解数据示意图；
[0034]图3为本专利技术一种储能系统中锂离子电池寿命预测方法的B0005锂电池寿命预测示意图；
[0035]图4为本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种储能系统中锂离子电池寿命预测方法，其特征在于：包括以下步骤：步骤1、按分段时间采集n段锂电池充放电过程中的时间、温度、电压、电流数据；步骤2、将得到的数据进行预处理，得到处理后的数据；步骤3、得到处理后的数据利用引入SED编码解码结构的LSTM神经网络的锂电池剩余寿命预测神经网络模型得到计算结果；步骤4、对优化后的网络模型，建立评价体系，评价模型的预测效果。2.如权利要求1所述的一种储能系统中锂离子电池寿命预测方法，其特征在于：所述步骤2中预处理的步骤如下：步骤2.1、利用箱线图对异常数据进行分析，基于异常点的上下邻点平均值进行修正；步骤2.2、将修正后的数据进行CEEMDAN分解为N个分量IMFi，然后将每条分量进行神经网络拟合，得到每条分量的神经网络模型；步骤2.3、将电池的单个特征数据IMF1至IMFN作为特征变量，原始数据作为响应变量进行随机森林回归，然后进行变量重要性计算和排序。3.如权利要求1所述的一种储能系统中锂离子电池寿命预测方法，其特征在于：所述步骤3中LSTM神经网络的锂电池剩余寿命预测神经网络模型包括输入层、隐藏层和输出层，隐藏层包括LSTM神经网络单元、dropout层、全连接层和激活层，输出层为神经网络预测的容量值，LSTM神经网络单元的内部结构由遗忘门、输入门和输出门三部分组成，各部分的计算公式如下：遗忘门：F
t
＝σ(W
f
[h
t
‑1,x
t
]+b
f
)＝σ(W
fh
h
t
‑1+W
fx
x
t
+b
f
)；输入门：i
t
＝σ(W
i
[h
t
‑1,x
t
]+b
i
)＝σ...

【专利技术属性】
技术研发人员：李静，曹宇，夏静，周盛，冯程，刘大杰，马卓华，朱海洋，
申请(专利权)人：威胜能源技术股份有限公司，
类型：发明
国别省市：