CN110222431B - 基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法 - Google Patents

Abstract

基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法，涉及锂离子电池健康状态检测技术领域。本发明是为了解决现有的基于融合模型的锂离子电池剩余寿命预测方法，存在非线性退化过程拟合能力差、不同工作状态适应能力低的问题。本发明通过建立GRU‑RNN深度网络模型，利用GRU深度学习模型在时间序列上强大的特征提取能力，对锂离子电池容量退化特征进行提取，从而获取更加准确的电池容量预测模型，最后通过KF滤波方法减小了噪声，获取了更加精确的预测值。

Description

基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子 电池剩余寿命预测方法

技术领域

本发明属于锂离子电池健康状态检测技术领域，尤其涉及电池寿命的预测技术。

背景技术

目前针对锂离子电池剩余寿命(Remaining Useful Life，RUL)预测的方法大致分为基于物理模型和基于数据驱动模型两类。其中数据驱动方法无须明确电池的退化机理，因而相关的研究更为深入。数据驱动方法中包含有一类基于统计滤波的统计数据驱动方法和另一类基于机器学习方法的数据驱动方法。基于统计滤波的数据驱动方法所使用的锂离子电池退化模型较为单一，对不同类型电池及不同使用条件下的寿命预测问题适应性较差。基于机器学习方法的数据驱动方法仅关注于数据之间的关联，对于待测锂电池的特性考虑较少。目前，将统计滤波方法与数据驱动模型融合的电池剩余寿命预测方法被广泛研究，但目前的这些方法均存在非线性退化过程拟合能力差、不同工作状态适应能力低等问题。

发明内容

本发明是为了解决现有的基于融合模型的锂离子电池剩余寿命预测方法，存在非线性退化过程拟合能力差、不同工作状态适应能力低的问题，现提供基于门控循环单元(Gated Recurrent Unit，GRU)神经网络和卡尔曼滤波(Kalman Filter，KF)模型融合的锂离子电池剩余寿命预测方法。在状态空间中，实现两类异构模型的融合，提升预测结果的准确性。

基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法，包括以下步骤：

步骤一、利用训练用锂离子电池每个充放电周期中电池容量数据构造数据集，并将数据集中的数据作为训练数据；

步骤二、利用训练数据构造GRU模型的训练集；

步骤三、将训练集代入GRU模型中、并利用BP算法对GRU模型中的网络参数进行训练，获得训练后的GRU模型；

步骤四、利用待预测锂离子电池第k个充放电周期中电池容量数据构造输入向量；

步骤五、将输入向量代入步骤三获得的GRU模型中，获得待预测锂离子电池第k+1个充放电周期电池容量的预测值；

步骤六、判断步骤五获得的预测值是否小于等于待预测锂离子电池额定容量的80％，是则执行步骤七，否则使k＝k+1，然后返回步骤四；

步骤七、将预测值对应充放电周期与电池实际充放电周期的差值作为待预测锂离子电池剩余寿命。

上述步骤二中所述的GRU模型的训练集表示为[xtrain,ytrain]，其中：

上式中，Cap_l表示第l节电池的容量，

表示第l节电池的容量退化至额定容量的80％时所对应的充放电周期数，l和n均表示正整数、且

GRU模型中包括更新门z_t和重置门r_t，将xtrain中的第t列数据记为x_t，则GRU模型的内部传播公式为：

z_t＝σ(W_z·[h_t-1,x_t]) (1)

r_t＝σ(W_r·[h_t-1,x_t]) (2)

y_t＝σ(W_o·h_t) (5)

其中，运算符号部分的[]表示两个向量收尾连接、*表示矩阵的乘积、

参数部分的

表示GRU模型的网络参数、

和h_t均表示中间变量、y_t表示GRU模型的估计值。

步骤四中所述的输入向量表达如下：

{Cap_test(k-n+1),Cap_test(k-n+2),...,Cap_test(k)} (6)

Cap_test(k)表示第k个循环周期中锂离子电池真实容量的观测值。

针对电池剩余寿命预测存在长期预测误差较大的问题，本发明提出的基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法，能够准确预测不同阶段的剩余寿命。该方法通过建立GRU-RNN深度网络模型，利用GRU深度学***均绝对值误差小于0.06，均方根误差小于0.016，实验结果验证了该方法能够有效对锂离子电池剩余寿命进行预测。

附图说明

图1为预测结果曲线图。

具体实施方式

具体实施方式一：参照图1具体说明本实施方式，本实施方式所述的基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法，取额定容量为2200mAh的18650电池进行测试，测试具体步骤如下：

步骤一、利用训练用锂离子电池每个充放电周期中电池容量数据构造数据集，并将数据集中的数据作为训练数据。

步骤二、利用训练数据构造GRU模型的训练集，该训练集表示为[xtrain,ytrain]，其中：

上式中，Cap_l表示第l节电池的容量，

表示第l节电池的容量退化至额定容量的80％时所对应的充放电周期数，l和n均表示正整数、且

步骤三、将训练集代入GRU模型中、并利用BP算法(Error Back Propagation，误差反向传播算法)对GRU模型中的网络参数进行训练，获得训练后的GRU模型；GRU模型中包括更新门z_t和重置门r_t，将xtrain中的第t列数据记为x_t，则GRU模型的内部传播公式为：

z_t＝σ(W_z·[h_t-1,x_t]) (1)

r_t＝σ(W_r·[h_t-1,x_t]) (2)

y_t＝σ(W_o·h_t) (5)

其中，运算符号部分的[]表示两个向量收尾连接、*表示矩阵的乘积、

参数部分的

表示GRU模型的网络参数、

和h_t均表示中间变量、y_t表示GRU模型的估计值。

步骤四、利用待预测锂离子电池第k个充放电周期中电池容量数据构造输入向量，该输入向量表达如下：

{Cap_test(k-n+1),Cap_test(k-n+2),...,Cap_test(k)} (6)

Cap_test(k)表示第k个循环周期中锂离子电池真实容量的观测值。

步骤五、将输入向量代入步骤三获得的GRU模型中，获得待预测锂离子电池第k+1个充放电周期电池容量的预测值。

步骤六、判断步骤五获得的预测值是否小于等于待预测锂离子电池额定容量的80％，是则执行步骤七，否则使k＝k+1，然后返回步骤四。

步骤七、将预测值对应充放电周期与电池实际充放电周期的差值作为待预测锂离子电池剩余寿命。

Claims (1)

1.基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法，其特征在于，

步骤一、利用训练用锂离子电池每个充放电周期中电池容量数据构造数据集，并将数据集中的数据作为训练数据；

步骤二、利用训练数据构造GRU模型的训练集；

步骤三、将训练集代入GRU模型中、并利用BP算法对GRU模型中的网络参数进行训练，获得训练后的GRU模型；

步骤四、利用待预测锂离子电池第k个充放电周期中电池容量数据构造输入向量；

步骤五、将输入向量代入步骤三获得的GRU模型中，获得待预测锂离子电池第k+1个充放电周期电池容量的预测值；

步骤六、判断步骤五获得的预测值是否小于等于待预测锂离子电池额定容量的80％，是则执行步骤七，否则使k＝k+1，然后返回步骤四；

步骤七、将预测值对应充放电周期与电池实际充放电周期的差值作为待预测锂离子电池剩余寿命；

步骤二中所述的GRU模型的训练集表示为[xtrain,ytrain]，其中：

上式中，Cap_l表示第l节电池的容量，

表示第l节电池的容量退化至额定容量的80％时所对应的充放电周期数，n表示容量测试序列的长度，l和n均表示正整数、且

GRU模型中包括更新门z_t和重置门r_t，将xtrain中的第t列数据记为x_t，则GRU模型的内部传播公式为：

z_t＝σ(W_z·[h_t-1,x_t]) (1)

r_t＝σ(W_r·[h_t-1,x_t]) (2)

y_t＝σ(W_o·h_t) (5)

其中，运算符号部分的[]表示两个向量收尾连接、*表示矩阵的乘积、

参数部分的

表示GRU模型的网络参数、

和h_t均表示中间变量、y_t表示GRU模型的估计值；

步骤四中所述的输入向量表达如下：

{Cap_test(k-n+1),Cap_test(k-n+2),…,Cap_test(k)} (6)

Cap_test(k)表示第k个循环周期中锂离子电池真实容量的观测值。

Images