基于多重神经网络的电池剩余寿命预测方法技术

本发明专利技术公开了基于多重神经网络的电池剩余寿命预测方法

【技术实现步骤摘要】
基于多重神经网络的电池剩余寿命预测方法、装置及介质


[0001]本专利技术涉及电池检测
，尤其涉及基于多重神经网络的电池剩余寿命预测方法
、
装置及介质
。

技术介绍

[0002]与传统电池相比，锂电池具有输出电压高
、
能量密度高
、
自放电小
、
循环寿命长
、
可靠性高等优点
。
这些优点使得锂离子电池在更多领域得到了更广泛的应用
。
但是电池故障可能导致动力设备或系统的性能下降或故障，从而增加成本
。
特别是电动汽车用锂电池如果管理不善，会引发火灾和爆炸
。
因此，准确预测锂电池的剩余使用寿命在锂电池状态估计和健康管理中发挥着越来越重要的作用
。
[0003]电池的寿命预测方法主要可分为基于等效电路模型的预测方法和数据驱动的预测方法
。
由于锂离子电池内部高度复杂的化学反应，全面的内部状态数据通常难以检测和收集，难以用于电池退化建模
。...

【技术保护点】

【技术特征摘要】
1.
一种基于多重神经网络的电池剩余寿命预测方法，其特征在于，所述方法包括：根据多个锂电池在不同充放电周期内的充放电参数计算各个充放周期的剩余寿命；对锂电池在各个充放电周期内的剩余寿命进行预处理和归一化，构建训练集；将所述训练集输入到预先构建的异质神经网络模型中进行模型训练；从所述训练集中抽选验证集，并利用遗传算法排除所述验证集中的不良个体，保留最优子集作为退役电池的剩余寿命预测模型；将待测电池的充放电数据进行预处理和归一化后，输入到所述剩余寿命预测模型，输出所述待测电池的剩余寿命
。2.
如权利要求1所述的基于多重神经网络的电池剩余寿命预测方法，其特征在于，所述充放电参数包括充电电流
、
放电电流
、
外部温度
、
电压范围
、
充放电循环次数和实际剩余容量；锂电池在每个充放电周期的剩余寿命
RUL
＝
L+1
‑
i
；其中，
L
为电池初始退化到失效期间经历的总充放电循环次数，
i
为电池当前的充放电循环次数
。3.
如权利要求1所述的基于多重神经网络的电池剩余寿命预测方法，其特征在于，所述异质神经网络模型具体为长短时记忆神经网络
、
卷积神经网络和
CNN
‑
LSTM
组合网络异质集成得到
。4.
如权利要求1所述的基于多重神经网络的电池剩余寿命预测方法，其特征在于，所述从所述训练集中抽选验证集，并利用遗传算法排除所述验证集中的不良个体，保留最优子集作为退役电池的剩余寿命预测模型，包括：步骤1，使用算法生成初始种群，并从训练集中抽取独立的验证集；步骤2，在所述验证集上采用平均集成算法来计算每个染色体对应的神经网络子集的集成预测结果；步骤3，使用预测结果的均方根误差的倒数作为适应度函数，并通过筛选
、
交叉和突变来获取子代种群；步骤4，判断迭代次数是否达到终止迭代次数；若否，返回步骤2；若是，执行步骤5；步骤5，选择最优个体作为退役电池的剩余寿命预测模型
。5.
一种基于多重神经网络的电池剩余寿命预测装置，其特征在于，所述装置包括：数据获取模块，用于根据多个锂电池在不同充放电周期内的充放电参数计算各个充放周期的剩余寿命；预处理模块，用于对锂电池在各个充放电周期内的剩余寿命进行预处理和归一化，构建训练集；训练模块，用于将所...

【专利技术属性】
技术研发人员：吕建，李媛，李波，栾捷，李梁，李成，吕振希，郑志曜，鲁宁，乔春彦，肖芸，
申请(专利权)人：浙江华电器材检测研究院有限公司，
类型：发明
国别省市：