基于融合制造技术

本发明专利技术公开一种基于融合

【技术实现步骤摘要】
基于融合LSTM和改进GM(1,N)模型的锂电池剩余寿命在线预测方法


[0001]本专利技术涉及锂离子电池
，具体涉及一种基于融合
LSTM
和改进
GM(1,N)
模型的锂电池剩余寿命在线预测方法
。

技术介绍

[0002]锂电池因其能量密度高
、
体积小和长寿命等优点，被广泛应用到储能
、
新能源汽车
、
航天军事等多个领域
。
然而，一个不可避免的问题是随着循环使用和材质老化电池性能会不断下降直到废弃
。
另外电池性能的退化无法直接测量，往往需要提前对其进行估计，从而决定是否更换电池，以避免一些不必要的事故
。
因此，准确预测电池的剩余使用寿命
(Remaining Useful Life,RUL)
，提前获知锂电池的健康状态
SOH(State of Health)
和剩余寿命信息，可以为电池及时更换和系统检修提供参考，降低系统检修成本，保障系统健康有效运行
。
[0003]目前锂电池剩余使用寿命的预测方法主要分为两类：基于模型驱动的方法和基于数据驱动的方法
。
基于模型驱动的方法主要通过分析锂电池的内部机理构建电池性能退化模型来实现电池
RUL
预测，常用的模型包括等效电路模型
、
电化学模型
、
经验衰退模型等
。
但模型的准确性很容易受到可变电流和温度的影响
。
因此在不同外部条件下，很难获得准确的机理模型
。
与基于模型驱动的方法相比，基于数据驱动的方法无需分析锂电池内部特征，而是利用电池的历史数据构建退化预测模型实现锂电池
RUL
预测，包括支持向量机
、
高斯过程回归
、
神经网络和灰色模型等
。
这类模型对数据量要求较高，在预测前需要大量数据对模型进行训练
。
而在实际应用中电池容量和内阻等数据通常面临采集困难
、
测量耗时等问题
。
[0004]综上所述，锂电池剩余使用寿命预测存在电池容量及内阻等直接性能参数获取困难，在线预测可使用数据量少
、
数据呈非线性等特点，导致锂电池剩余使用寿命预测精度不高，离成熟的实际在线应用还有一段距离，技术不够成熟
。

技术实现思路

[0005]针对上述现有技术存在的问题，本专利技术提供一种基于融合
LSTM
和改进
GM(1,N)
模型的锂电池剩余寿命在线预测方法，以解决锂电池容量及内阻等直接性能参数难以获取，在线预测可使用数据量少
、
数据非线性，电池剩余循环寿命估算的准确性不高等问题
。
[0006]为了实现上述目的，本专利技术采用的技术方案是：一种基于融合
LSTM
和改进
GM(1,N)
模型的锂电池剩余寿命在线预测方法，包括以下步骤：
[0007]S1:
离线阶段：基于
LSTM
模型建立离线阶段预测算法，从已有相关电池充分数据中提取得到间接健康因子序列数据作为模型的输入特征，容量数据作为模型输出特征，对模型进行训练；
[0008]S2、
在线阶段：利用离线阶段训练完成的
LSTM
模型对初始部分周期容量进行预测，使用预测所得拟合改进
GM(1,N)
模型，之后通过滚动预测的方式实现剩余寿命的长期精准
预测
。
[0009]进一步的，所述步骤
S1
具体包括以下步骤：
[0010]S11:
采集并保存同类型多个锂电池的全生命周期循环充放电数据作为离线历史数据集，包含充放电电流
、
电压，时间，温度，容量等数据；
[0011]S12:
从离线历史数据集中提取电池恒流和恒压充电时长的时间序列数据作为表征电池健康状态的间接健康因子
(Health Indicator,HI)
，分别记为
HI1
和
HI2
；
[0012]S13:
基于
LSTM
模型建立离线阶段锂电池剩余寿命预测方法，以间接健康因子
HI1
和
HI2
作为模型的输入特征，电池容量数据作为模型的输出特征，对模型进行训练；
[0013]S14:
使用多重交叉验证
(Cross Validation,CV)
评估模型的精度，每次选择一块电池数据作为测试集，其余电池数据作为训练集，使得每块电池都得到测试，使用
RMSE
作为指标对测试结果进行评估，以选择最佳的
LSTM
模型
。
[0014]进一步的，所述步骤
S2
具体包括以下步骤：
[0015]S21:
对传统
GM(1,N)
模型进行改进，包括引入阻尼累加生成算子对累加方式进行改进，结合离散灰色模型思想优化模型结构和参数估计过程；
[0016]S22:
离线阶段训练好的
LSTM
对电池工作初期循环的容量进行预测选取前
50
个周期循环中精度最高的连续
10
个预测值作为改进
GM(1,N)
模型的因变量初始序列，记为：
[0017][0018]对应循环内的
HI1
和
HI2
作为自变量初始序列，记为：
[0019][0020]对因变量初始序列和自变量初始进行阻尼累加生成
(
ζ
‑
AGO)
操作，得到累加生成序列：
[0021][0022]其中，
[0023]的紧邻均值生成序列为：
[0024][0025]其中
[0026]建立改进
GM(1,N)
模型如下：
[0027][0028]改进
GM(1,N)
模型中的参数
p
＝
(
β1,
β2,
β3,
μ1,
μ2)
T
可由最小二乘法求得：
[0029]p
＝
(B
T
B)
‑1B
T
Y
[0030]其中：
[0031][0032]取初始值根据递推关系可得改进
GM(1,N)
模型的时间响应函数为：
[0033][0034]再通过逆向
ζ
阶阻尼累加生成算子可得到拟合值，并预测系统未来发展趋势：
[0035][0036]即
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于融合
LSTM
和改进
GM(1,N)
模型的锂电池剩余寿命在线预测方法，其特征在于，包括以下步骤：
S1:
离线阶段：基于
LSTM
模型建立离线阶段预测算法，从已有相关电池数据中提取易获取的间接健康因子序列数据作为模型的输入特征，容量数据作为模型输出特征，对模型进行训练；
S2、
在线阶段：利用离线阶段训练完成的
LSTM
模型对初始部分周期容量进行预测，使用预测所得拟合改进
GM(1,N)
模型，之后通过滚动预测的方式实现剩余寿命的长期精准预测
。2.
根据权利要求1所述的一种基于融合
LSTM
和改进
GM(1,N)
模型的锂电池剩余寿命在线预测方法，其特征在于，所述步骤
S1
具体包括以下步骤：
S11:
采集并保存同类型多个锂电池的全生命周期循环充放电数据作为离线历史数据集，包含充放电电流
、
电压，时间，温度，容量等数据；
S12:
从离线历史数据集中提取电池恒流和恒压充电时长的时间序列数据作为表征电池健康状态的间接健康因子
(Health Indicator,HI)
，分别记为
HI1
和
HI2
；
S13:
基于
LSTM
模型建立离线阶段锂电池剩余寿命预测方法，以间接健康因子
HI1
和
HI2
作为模型的输入特征，电池容量数据作为模型的输出特征，对模型进行训练；
S14:
使用多重交叉验证
(Cross Validation,CV)
评估模型的精度，每次选择一块电池数据作为测试集，其余电池数据作为训练集，使得每块电池都得到测试，使用
RMSE
作为指标对测试结果进行评估，以选择最佳的
LSTM
模型
。3.
根据权利要求1所述的一种基于融合
LSTM
和改进
GM(1,N)
模型的锂电池剩余寿命在线预测方法，其特征在于，所述步骤
S2
具...

【专利技术属性】
技术研发人员：曹阳，梁爽，沈琴琴，施佺，
申请(专利权)人：南通大学，
类型：发明
国别省市：