一种锂离子电池早期剩余寿命预测方法技术

本发明专利技术公开了一种锂离子电池早期剩余寿命预测方法

【技术实现步骤摘要】
一种锂离子电池早期剩余寿命预测方法、设备及存储设备


[0001]本专利技术涉及锂离子电池容量检测领域，尤其涉及一种锂离子电池早期剩余寿命预测方法
、
设备及存储设备
。

技术介绍

[0002]锂离子电池具有输出电压高
、
循环寿命长
、
能量密度大
、
自放电率低
、
工作温度范围宽等优点，在便携式终端
、
电动汽车
、
电化学储能以及航空航天等领域应用广泛
。
锂离子电池在各种应用中提供了不可否认的便利，但锂电池的内部反应复杂，并且会产生大量的反应热，不对其健康状态进行监管，具有很大安全隐患
。
[0003]锂离子电池的老化和性能下降是导致锂离子电池安全事件的原因之一
。
对锂离子电池进行剩余使用寿命
(Remaining Useful Life
，
RUL)
与退化轨迹预测，一方面能够制定科学维护计划，防止因电池老化导致系统故障，另一方面，能够为锂离子电池的梯次利用提供理论依据，减少电池组重组中因退化不一致导致电池组容量跳水现象的发生，提升经济效益
。
[0004]锂离子电池
RUL
预测方法，主要有基于模型的方法
、
基于数据的方法与混合方法
。
基于模型的方法具有很高的精度，但因锂离子电池内部反应复杂
、
副反应多，对其建模以及模型参数识别都十分困难，并且模型的建立基于特定型号特定结构的锂离子电池，迁移性差
。
基于数据驱动的方法依赖于数据的质量与数量，并且建立的模型一般需要大量的计算资源，电池管理平台等终端存在算力缺乏的问题，不利于数据模型的部署
。
混合方法旨在利用数据驱动方法解决基于模型方法中存在的问题，兼具两者的优点
。
但是基于混合方法需要
40
％以上的监测数据才能实现退化轨迹预测，随着诸如电动汽车等容量敏感型应用，在退化早期预测退化轨迹，一方面可以进行必要的维护与保养，避免过度衰减导致功率不足，另一方面可以优化电池的充放电策略
、
平衡管理，延长使用寿命
。
采用混合方法时，通常需要采用状态估计算法与退化模型相结合，其中粒子滤波
(Particle Filter
，
PF)
算法与双指数模型应用广泛
。PF
算法相较于卡尔曼滤波算法，能够实现对非线性系统的状态估计，十分适用于锂离子电池系统
。
但是，
PF
算法初始状态难以确定，并且初值设置不合理时将导致模型发散，使得预测轨迹与实际的轨迹偏差巨大，计算不具备指导意义
。
特别地，
PF
算法在后续的迭代预测中无法获得观测值，通常的解决方法是采用数据驱动方法产生虚拟观测值
。
但在早期退化过程中，由数据驱动算法给出的观测值会趋于常值，导致粒子滤法无法有效预测退化轨迹
。
因此，亟待设计一种混合算法，既能确定
PF
算法初值，又能够给出
PF
算法的虚拟观测值，还能实现容量早期退化轨迹预测与
RUL
预测
。

技术实现思路

[0005]为了解决上述问题，本专利技术提出一种锂离子电池早期剩余寿命预测方法
、
设备及存储设备，方法包括以下步骤：
[0006]S1、
获取目标锂离子电池前
n
个充电循环的监测数据，并采用挑选相似退化轨迹
PSDT
算法，从数据集中挑选一个与目标锂离子电池退化轨迹最相似的相似锂离子电池；
[0007]S2、
采用双指数模型对相似锂离子电池的退化轨迹进行拟合，得到拟合参数，并将该参数作为目标锂离子电池
PF
算法的初值；
[0008]S3、
将相似锂离子电池的容量退化数据作为第一训练集，离线训练
LSTM
神经网络模型，得到初步训练好的
LSTM
神经网络模型；基于目标锂离子电池已监测得到的容量退化数据，作为第二训练集，在线训练初步训练好的
LSTM
神经网络模型，得到最终训练完成的
LSTM
神经网络模型；
[0009]S4、
将最终训练完成的
LSTM
神经网络模型的输出值作为
PF
算法的虚拟观测值，利用
LSTM
‑
PF
结合迭代预测目标锂离子的电池容量退化轨迹，获得目标锂离子电池在当前循环状态下的剩余使用寿命
。
[0010]一种存储设备，所述存储设备存储指令及数据用于实现一种锂离子电池早期剩余寿命预测方法
。
[0011]一种锂离子电池早期剩余寿命预测设备，包括：处理器及所述存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现一种锂离子电池早期剩余寿命预测方法
。
[0012]本专利技术提供的有益效果是：基于
PSDT
算法挑选退化相似锂离子电池，一方面解决了
PF
算法初值难以确定的问题，另一方面通过相似锂离子电池构建特殊训练集，解决了
LSTM
‑
PF
算法在早期退化趋势不明显的情况下，无法迭代形成虚拟观测值的问题，通过上述步骤，有效实现锂离子电池早期退化轨迹预测
。
附图说明
[0013]图1是本专利技术方法流程示意图；
[0014]图2为
LSTM
模型输入向量构建示意图；
[0015]图3为目标锂离子电池
b1c22
第
10
个循环
、
第
100
个循环原始
C
‑
V
曲线，插值后
C
‑
V
曲线以及插值曲线图；
[0016]图4为
PSDT
算法输出相似锂离子电池退化轨迹图；
[0017]图5为
LSTM
离线训练与在线优化在测试集上的结果图；
[0018]图6为
PSDT
‑
LSTM
‑
PF
算法与
PSDT
‑
PF
算法结果对比图；
[0019]图7为本专利技术硬件设备工作示意图
。
具体实施方式
[0020]为使本专利技术的目的
、
技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地描述
。
[0021]请参考图1，图1是本专利技术方法流程示意图
。
[0022]本专利技术提供了一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种锂离子电池早期剩余寿命预测方法，其特征在于：包括以下步骤：
S1、
获取目标锂离子电池前
n
个充电循环的监测数据，并采用挑选相似退化轨迹
PSDT
算法，从数据集中挑选一个与目标锂离子电池退化轨迹最相似的相似锂离子电池；
S2、
采用双指数模型对相似锂离子电池的退化轨迹进行拟合，得到拟合参数，并将该参数作为目标锂离子电池
PF
算法的初值；
S3、
将相似锂离子电池的容量退化数据作为第一训练集，离线训练
LSTM
神经网络模型，得到初步训练好的
LSTM
神经网络模型；基于目标锂离子电池已监测得到的容量退化数据，作为第二训练集，在线训练初步训练好的
LSTM
神经网络模型，得到最终训练完成的
LSTM
神经网络模型；
S4、
将最终训练完成的
LSTM
神经网络模型的输出值作为
PF
算法的虚拟观测值，利用
LSTM
‑
PF
结合迭代预测目标锂离子的电池容量退化轨迹，获得目标锂离子电池在当前循环状态下的剩余使用寿命
。2.
如权利要求1所述的一种锂离子电池早期剩余寿命预测方法，其特征在于：步骤
S1
具体如下：
S11、
获得锂离子电池退化数据
D
B
；
S12、
根据退化数据
D
B
构建
n
号目标锂离子电池第
m
个循环放电阶段的
C
‑
V
曲线将第
m
个循环放电阶段的
C
‑
V
曲线与第
o
个循环放电阶段的
C
‑
V
曲线作差，得到插值曲线其中
m≥80
，
o≤10
；求取差值曲线的均值
、
方差和最小值；
S13、
根据差值曲线的均值
、
方差和最小值，采用
PSDT
算法，挑选相似锂离子电池
。3.
如权利要求1所述的一种锂离子电池早期剩余寿命预测方法，其特征在于：步骤
S2
具体如下：
S21、
选取形式为
y(k)
＝
a*exp(b*k)+c*exp(d*k)
的双指数模型，其中
a、b、c、d
为需要确定的模型参数，
k
为充放电循环数；
S22、
基于相似锂离子电池容量退化数据
Q
Sim
＝
{Q
m
}
Sim
,m
＝
1,2,
…
,M
，使用最小二乘法，拟合
Q
Sim
得到双指数模型参数
[a,b,c,d]
Sim

【专利技术属性】
技术研发人员：万雄波，毛樊，张传科，王雷敏，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：