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
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 Download PDFInfo
- Publication number
- CN110222431B CN110222431B CN201910502496.5A CN201910502496A CN110222431B CN 110222431 B CN110222431 B CN 110222431B CN 201910502496 A CN201910502496 A CN 201910502496A CN 110222431 B CN110222431 B CN 110222431B
- Authority
- CN
- China
- Prior art keywords
- lithium ion
- ion battery
- capacity
- model
- battery
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Tests Of Electric Status Of Batteries (AREA)
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
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:
GRU模型中包括更新门zt和重置门rt,将xtrain中的第t列数据记为xt,则GRU模型的内部传播公式为:
zt=σ(Wz·[ht-1,xt]) (1)
rt=σ(Wr·[ht-1,xt]) (2)
yt=σ(Wo·ht) (5)
步骤四中所述的输入向量表达如下:
{Captest(k-n+1),Captest(k-n+2),...,Captest(k)} (6)
Captest(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:
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zt和重置门rt,将xtrain中的第t列数据记为xt,则GRU模型的内部传播公式为:
zt=σ(Wz·[ht-1,xt]) (1)
rt=σ(Wr·[ht-1,xt]) (2)
yt=σ(Wo·ht) (5)
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:
{Captest(k-n+1),Captest(k-n+2),...,Captest(k)} (6)
Captest(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:
GRU模型中包括更新门zt和重置门rt,将xtrain中的第t列数据记为xt,则GRU模型的内部传播公式为:
zt=σ(Wz·[ht-1,xt]) (1)
rt=σ(Wr·[ht-1,xt]) (2)
yt=σ(Wo·ht) (5)
步骤四中所述的输入向量表达如下:
{Captest(k-n+1),Captest(k-n+2),…,Captest(k)} (6)
Captest(k)表示第k个循环周期中锂离子电池真实容量的观测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910502496.5A CN110222431B (zh) | 2019-06-11 | 2019-06-11 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910502496.5A CN110222431B (zh) | 2019-06-11 | 2019-06-11 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110222431A CN110222431A (zh) | 2019-09-10 |
CN110222431B true CN110222431B (zh) | 2022-04-12 |
Family
ID=67816575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910502496.5A Active CN110222431B (zh) | 2019-06-11 | 2019-06-11 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222431B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110954132B (zh) * | 2019-10-31 | 2023-06-09 | 太原理工大学 | Grnn辅助自适应卡尔曼滤波进行导航故障识别的方法 |
CN111289250A (zh) * | 2020-02-24 | 2020-06-16 | 湖南大学 | 一种伺服电机滚动轴承剩余使用寿命预测方法 |
CN111595583B (zh) * | 2020-05-29 | 2022-02-01 | 重庆大学 | 基于gau神经网络的轴承剩余寿命的预测方法 |
CN112098845B (zh) * | 2020-08-17 | 2021-08-31 | 四川大学 | 一种用于分布式储能***的锂电池状态估计方法 |
CN112098873B (zh) * | 2020-08-17 | 2021-06-01 | 四川大学 | 基于充电电压曲线几何特征的锂电池健康状态估计方法 |
CN112098874B (zh) * | 2020-08-21 | 2023-09-22 | 杭州电子科技大学 | 一种考虑老化情况下的锂离子电池电量预测方法 |
CN112578419B (zh) * | 2020-11-24 | 2023-12-12 | 南京邮电大学 | 一种基于gru网络和卡尔曼滤波的gps数据重构方法 |
CN112782594B (zh) * | 2020-12-24 | 2022-09-20 | 杭州电子科技大学 | 考虑内阻的数据驱动算法估算锂电池soc的方法 |
CN113009349B (zh) * | 2021-04-09 | 2024-01-05 | 哈尔滨工业大学 | 一种基于深度学习模型的锂离子电池健康状态诊断方法 |
CN112986827B (zh) * | 2021-04-12 | 2022-06-03 | 山东凯格瑞森能源科技有限公司 | 一种基于深度学习的燃料电池剩余寿命预测方法 |
CN114861527A (zh) * | 2022-04-15 | 2022-08-05 | 南京工业大学 | 一种基于时间序列特征的锂电池寿命预测方法 |
CN114932582B (zh) * | 2022-06-16 | 2024-01-23 | 上海交通大学 | 一种基于Bi-GRU自编码器的机器人小概率失效预测方法 |
CN115267558A (zh) * | 2022-09-30 | 2022-11-01 | 深圳先进技术研究院 | 一种双向锂离子电池的寿命预测与状态估计方法 |
CN115407211B (zh) * | 2022-11-01 | 2023-01-31 | 北京航空航天大学 | 一种电动汽车锂电池健康状态在线预测方法及*** |
CN115616415B (zh) * | 2022-12-06 | 2023-04-07 | 北京志翔科技股份有限公司 | 电池组状态的评估方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778280A (zh) * | 2014-01-08 | 2014-05-07 | 上海交通大学 | 具有模型主动更新策略的锂离子电池剩余寿命预测方法 |
CN104459560A (zh) * | 2014-12-29 | 2015-03-25 | 合肥工业大学 | 基于小波降噪和相关向量机的锂电池剩余寿命预测方法 |
CN104778337A (zh) * | 2015-04-30 | 2015-07-15 | 北京航空航天大学 | 一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法 |
KR20150093057A (ko) * | 2014-02-06 | 2015-08-17 | 삼성에스디아이 주식회사 | 리튬 이차전지용 전해액 및 이를 포함하는 리튬 이차전지 |
CN106093783A (zh) * | 2016-06-03 | 2016-11-09 | 哈尔滨工业大学 | 卡尔曼滤波与数据驱动融合的电池soc估计方法 |
CN106908736A (zh) * | 2017-03-17 | 2017-06-30 | 哈尔滨工业大学 | 基于深度置信网和相关向量机融合的锂电池剩余寿命预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102788955B (zh) * | 2012-07-17 | 2015-02-11 | 哈尔滨工业大学 | 基于Kalman滤波的ESN的涡轮发电机的分类子模型的剩余寿命预测方法 |
CN103389471B (zh) * | 2013-07-25 | 2015-12-09 | 哈尔滨工业大学 | 一种基于gpr带有不确定区间的锂离子电池循环寿命间接预测方法 |
CN103399280B (zh) * | 2013-08-01 | 2015-08-05 | 哈尔滨工业大学 | 基于nsdp-ar模型的锂离子电池循环寿命预测方法 |
-
2019
- 2019-06-11 CN CN201910502496.5A patent/CN110222431B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778280A (zh) * | 2014-01-08 | 2014-05-07 | 上海交通大学 | 具有模型主动更新策略的锂离子电池剩余寿命预测方法 |
KR20150093057A (ko) * | 2014-02-06 | 2015-08-17 | 삼성에스디아이 주식회사 | 리튬 이차전지용 전해액 및 이를 포함하는 리튬 이차전지 |
CN104459560A (zh) * | 2014-12-29 | 2015-03-25 | 合肥工业大学 | 基于小波降噪和相关向量机的锂电池剩余寿命预测方法 |
CN104778337A (zh) * | 2015-04-30 | 2015-07-15 | 北京航空航天大学 | 一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法 |
CN106093783A (zh) * | 2016-06-03 | 2016-11-09 | 哈尔滨工业大学 | 卡尔曼滤波与数据驱动融合的电池soc估计方法 |
CN106908736A (zh) * | 2017-03-17 | 2017-06-30 | 哈尔滨工业大学 | 基于深度置信网和相关向量机融合的锂电池剩余寿命预测方法 |
Non-Patent Citations (3)
Title |
---|
Power-Line Interference Suppression in Electrocardiogram Using Recurrent Neural;Yue Qiu等;《网页在线公开:https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8302231》;20180227;第1-6页 * |
基于自适应神经网络的电池寿命退化的预测;史建平等;《电脑技术》;20181121;第42卷(第10期);第1488-1490页 * |
改进卡尔曼滤波的融合型锂离子电池SOC估计方法;赵天意等;《仪器仪表学报》;20161018;第37卷(第7期);第1441-1448页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110222431A (zh) | 2019-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222431B (zh) | 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 | |
CN110568361B (zh) | 一种动力电池健康状态的预测方法 | |
CN110568359B (zh) | 一种锂电池剩余寿命预测方法 | |
CN108896914B (zh) | 一种锂电池健康状况的梯度提升树建模与预测方法 | |
CN112782591B (zh) | 基于多电池数据融合的锂电池soh长期预测方法 | |
CN111999648A (zh) | 一种基于长短期记忆网络的锂电池剩余寿命预测方法 | |
CN103399280B (zh) | 基于nsdp-ar模型的锂离子电池循环寿命预测方法 | |
CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN114636932A (zh) | 一种电池剩余使用寿命预测方法及*** | |
CN114861527A (zh) | 一种基于时间序列特征的锂电池寿命预测方法 | |
AU2021101964A4 (en) | Artificial intelligence based smart electric vehicle battery management system | |
CN108009585B (zh) | 基于局部信息融合的铅酸电池健康状态预测方法 | |
AU2021100373A4 (en) | A Battery Pack SOH Estimation Method Based on LSTM Neural Network | |
CN110516813A (zh) | 一种基于大数据机器学习进行电动汽车电池rdr预测的方法 | |
CN111709577B (zh) | 基于长程相关性gan-lstm的rul预测方法 | |
CN115453399A (zh) | 一种考虑不一致性的电池组soh估计方法 | |
CN116840720A (zh) | 燃料电池剩余寿命预测方法 | |
CN116047300A (zh) | 用以预测电池的特性参数的控制器及其方法 | |
CN115236522A (zh) | 基于混合深度神经网络的储能电池端到端容量估计方法 | |
CN115718263A (zh) | 基于注意力的锂离子电池日历老化预测模型和方法 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN110187280A (zh) | 一种基于灰色模型的锂电池剩余寿命概率预测的方法 | |
CN117406100A (zh) | 锂离子电池剩余寿命预测方法和*** | |
CN117289167A (zh) | 基于多重神经网络的电池剩余寿命预测方法、装置及介质 | |
CN116449244A (zh) | 基于单次放电曲线的锂电池老化轨迹早期预测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |