一种锂离子电池健康状况估计及剩余使用寿命预测方法技术

本发明专利技术公开了一种锂离子电池健康状况估计及剩余使用寿命预测方法，其包括以下步骤：提取健康指标对已知健康状况信号进行经典模态分解；利用皮尔逊系数得到固有模态函数分量集、残差信号和健康指标数据与健康状况的相关性；通过因子分析法得到方差贡献率；将健康指标数据分别输入至GRU循环神经网络模型和RF随机森林模型进行处理得到最终的健康状况估计值；根据最终的健康状况估计值分别对两个模型进行参数更新并将待测锂离子电池的健康指标数据输入至参数更新后的两个模型，完成预测。本发明专利技术通过经典模态分解分解健康状况信号，提高数据预测精度；通过引入方差贡献率并利用深度学习和机器学习建立预测模型，减少计算量并提高预测的准确性。提高预测的准确性。提高预测的准确性。

【技术实现步骤摘要】
一种锂离子电池健康状况估计及剩余使用寿命预测方法


[0001]本专利技术涉及锂离子电池
，具体涉及一种锂离子电池健康状况估计及剩余使用寿命预测方法。

技术介绍

[0002]锂离子电池由于具有能量密度高、电压高、自放电小、环保性高等优点，广泛应用于新能源汽车、电网储能等领域。但随着锂离子电池应用的深入，其自燃、爆炸等安全隐患日益显现。对锂离子电池的健康状态进行准确的估计是保障电池安全稳定运行的重要措施，也是锂离子电池健康管理和智慧运维的关键所在。
[0003]常用的锂离子电池SOH的估计方法有基于模型的方法、基于数据驱动的方法和融合方法。基于模型的方法存在参数复杂，难以参数辨识且测量耗时；基于数据驱动的方法利用单一模型，具有一定的局限性，预测精度低；融合方法虽预测效果好，但其参数复杂，计算量大且时间成本高。

技术实现思路

[0004]针对现有技术中的上述不足，本专利技术提供的一种锂离子电池健康状况估计及剩余使用寿命预测方法解决了现有技术中预测精度低、计算复杂且时间成本高的问题。
[0005]为了达到上述专利技术目的，本专利技术采用的技术方案为：
[0006]提供了一种锂离子电池健康状况估计及剩余使用寿命预测方法，其包括以下步骤：
[0007]S1、将电池的充电等压差时间和放电电压达到最低点的时间作为健康指标；对锂离子电池已知的健康状况信号进行经典模态分解得到初始固有模态函数分量集和初始残差信号；
[0008]S2、通过皮尔逊系数分别对健康状况信号和健康指标、健康状况信号和初始固有模态函数集以及健康状况信号和初始残差信号进行分析，分别得到对应的相关性；保留相关性不低于阈值的初始固有模态函数分量、健康指标的相关数据和初始残差信号，得到最终的固有模态函数分量集、健康指标数据和残差信号；
[0009]S3、根据健康状况信号和初始固有模态函数分量集的相关性并通过因子分析法得到对应的方差贡献率；
[0010]S4、构建GRU循环神经网络模型和RF随机森林模型；将健康指标数据输入至GRU循环神经网络模型，得到第一健康状况估计集；将健康指标数据输入至RF随机森林模型，得到第二健康状况估计值；
[0011]S5、将第一健康状况估计集和方差贡献率进行相乘得到第三健康状况估计集；将第二健康状况估计值和第三健康状况估计集的所有健康状况估计值进行相加得到最终的健康状况估计值；
[0012]S6、根据最终的健康状况估计值通过梯度下降法对GRU循环神经网络模型进行参
数更新，得到更新后的GRU循环神经网络模型；
[0013]S7、根据最终的健康状况估计值通过网格搜索法对RF随机森林模型进行参数更新，得到更新后的RF随机森林模型；
[0014]S8、将待测锂离子电池的健康指标数据入至参数更新后的GRU循环神经网络模型和RF随机森林模型，完成对锂离子电池健康状况估计及剩余使用寿命的预测。
[0015]进一步地，步骤S1中的经典模态分解的具体方法为：
[0016]S1
‑
1、获取健康状况信号的所有极限值点；将极大值点和极小值点分别用三次样条函数连接成上包络线和下包络线并求出上下包络线的均值；将上下包络线的均值和健康状况信号作差得到新的健康状况信号h
1(t)
；
[0017]S1
‑
2、重复步骤S1
‑
1直至目前的健康状况信号满足极值点数目和过零点数目相等或相差1个，或局部极大值点和局部极小值点的两条包络线平均值为0，将该健康状况信号h
n(t)
作为固有模态函数的第一个分量；将该健康状况信号和第一个分量h
n(t)
作差得到新的健康状况信号；
[0018]S1
‑
3、重复步骤S1
‑
2直至固有模态函数分量足够小或为单调函数时结束运行，得到固有模态函数分量集和残差信号。
[0019]进一步地，步骤S2中的初始固有模态函数分量的相关性阈值为0.9；健康指标的相关数据的相关性阈值的绝对值为0.05；初始残差信号的相关性阈值为0.99。
[0020]进一步地，步骤S6中的GRU循环神经网络模型采用均方误差作为损失函数；步骤S7中的RF随机森林模型采用均方误差作为损失函数。
[0021]进一步地，GRU循环神经网络模型引入更新门和重置门，其公式如下：
[0022]z
t
＝σ(W
z
x
t
+U
z
h
t
‑1+b
z
)
[0023]r
t
＝σ(W
r
x
t
+U
r
h
t
‑1+b
r
)
[0024][0025][0026]其中，x
t
是t时刻输入的数据，即健康指标和固有模态函数分量集；z
t
、r
t
分别表示更新门和重置门；表示t时刻的候选状态；h
t
表示t时刻隐藏层的输出；h
t
‑1表示t
‑
1时刻隐藏层的输出；W
z
、W
r
和W
h
表示权重参数；b
r
、b
h
和b
z
为偏置参数；U
z
、U
r
和U
h
表示权重参数；σ(
·
)为sigmoid激活函数；tanh(
·
)为双曲正切激活函数。
[0027]进一步地，RF随机森林模型的具体方法如下：
[0028]根据输入数据生成随机向量序列；通过Bootstrap抽样法对输入数据进行随机采样，得到k个子样本集；对每个子样本集分别建立回归模型；对回归模型进行k轮训练，得到一个回归树模型序列；
[0029]对任意的新样本，预测结果是k轮训练的结果的平均汇总，公式如下：
[0030][0031]其中，x表示输入样本，f(x)表示第二健康状况估计值，h
i
(x)表示第i个回归树模型的结果。
[0032]本专利技术的有益效果为：该预测方法通过经典模态分解分解健康状况信号，使非平稳数据平稳化，提高了数据预测精度；通过引入方差贡献率衡量固有模态函数分量，并利用深度学习和机器学习建立预测模型，减少了计算量，并提高了预测的准确性。
附图说明
[0033]图1为本专利技术的具体流程图；
[0034]图2为本专利技术的GRU循环神经网络模型的结构图。
具体实施方式
[0035]下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术，但应该清楚，本专利技术不限于具体实施方式的范围，对本
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种锂离子电池健康状况估计及剩余使用寿命预测方法，其特征在于：包括以下步骤：S1、将电池的充电等压差时间和放电电压达到最低点的时间作为健康指标；对锂离子电池已知的健康状况信号进行经典模态分解得到初始固有模态函数分量集和初始残差信号；S2、通过皮尔逊系数分别对健康状况信号和健康指标、健康状况信号和初始固有模态函数集以及健康状况信号和初始残差信号进行分析，分别得到对应的相关性；保留相关性不低于阈值的初始固有模态函数分量、健康指标的相关数据和初始残差信号，得到最终的固有模态函数分量集、健康指标数据和残差信号；S3、根据健康状况信号和初始固有模态函数分量集的相关性并通过因子分析法得到对应的方差贡献率；S4、构建GRU循环神经网络模型和RF随机森林模型；将健康指标数据输入至GRU循环神经网络模型，得到第一健康状况估计集；将健康指标数据输入至RF随机森林模型，得到第二健康状况估计值；S5、将第一健康状况估计集和方差贡献率进行相乘得到第三健康状况估计集；将第二健康状况估计值和第三健康状况估计集的所有健康状况估计值进行相加得到最终的健康状况估计值；S6、根据最终的健康状况估计值通过梯度下降法对GRU循环神经网络模型进行参数更新，得到更新后的GRU循环神经网络模型；S7、根据最终的健康状况估计值通过网格搜索法对RF随机森林模型进行参数更新，得到更新后的RF随机森林模型；S8、将待测锂离子电池的健康指标数据入至参数更新后的GRU循环神经网络模型和RF随机森林模型，完成对锂离子电池健康状况估计及剩余使用寿命的预测。2.根据权利要求1所述的锂离子电池健康状况估计及剩余使用寿命预测方法，其特征在于：所述步骤S1中的经典模态分解的具体方法为：S1
‑
1、获取健康状况信号的所有极限值点；将极大值点和极小值点分别用三次样条函数连接成上包络线和下包络线并求出上下包络线的均值；将上下包络线的均值和健康状况信号作差得到新的健康状况信号h
1(t)
；S1
‑
2、重复步骤S1
‑
1直至目前的健康状况信号满足极值点数目和过零点数目相等或相差1个，或局部极大值点和局部极小值点的两条包络线平均值为0，将该健康状况信号h
n(t)
作为固有模态函数的第一个分量；将该健康状况信号和第一个分量h
n(t)
作差得到新的健康状况信号；S1
‑
3、重复步骤S1
‑
2直至固有模态函数分量足够小或为单调函数时结束运行，得到固有模态函数分量集和残差信号。3.根据权利要求1所述的锂离子电池健康状况...

【专利技术属性】
技术研发人员：王小娟，胡兵，徐立军，苏昕，朱迪，
申请(专利权)人：新疆工程学院，
类型：发明
国别省市：