CN112016237B - 锂电池寿命预测的深度学习方法、装置及*** - Google Patents
锂电池寿命预测的深度学习方法、装置及*** Download PDFInfo
- Publication number
- CN112016237B CN112016237B CN201910394691.0A CN201910394691A CN112016237B CN 112016237 B CN112016237 B CN 112016237B CN 201910394691 A CN201910394691 A CN 201910394691A CN 112016237 B CN112016237 B CN 112016237B
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- model
- dimensional
- layer
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供一种锂电池寿命预测的深度学***滑、稳定的连续预测曲线。
Description
技术领域
本发明涉及锂电池技术领域,尤其涉及一种锂电池寿命预测的深度学习方法、装置及***。
背景技术
锂电池是一种绿色高能充电电池,因其容量高,自放电率低,安全性高,循环寿命长等优点被广泛的用于电子通讯工程、交通和航空航天领域。然而,锂电池的故障可能导致用电设备的性能下降,且随着充放电使用年限的增长,锂电池的使用特性将会逐渐下降,缩短锂电池的使用寿命,甚至造成严重的故障事故。因此锂电池剩余寿命(Remaining UsefulLife,RUL)的预测显得尤为重要。
现有的锂锂电池寿命预测的深度学习方法可以分为两类,一种是基于模型的预测方法,例如失效物理故障建模法,卡尔曼滤波、粒子滤波等;另一种是基于数据驱动的预测方法,该方法利用锂电池的寿命特征参数(如容量、电流、电压、阻抗等),并借助算法模型(如支持向量、贝叶斯回归等)进行检测、分析和预测,给出锂电池的剩余寿命分布、性能退化程度或者失效概率等等。
然而,由于锂电池内部电化学特性的复杂,易受温度等外界因素的干扰,无法建立精准预测的数学或者物理模型;即使使用基于数据驱动的预测方法,由于数据驱动的预测方法无法深入了解锂电池内部机理,只分析外部检测数据,造成预测结果准确率较低,预测曲线噪点较多等问题。
发明内容
本发明提供一种锂电池寿命预测的深度学***滑、稳定的连续预测曲线。
第一方面,本发明实施例提供的一种锂电池寿命预测的深度学习方法,包括:
获取待检测电池数据;
将所述待检测电池数据输入自编码器,输出升维特征数据;
将所述升维特征数据对应的矩阵特征图作为目标电池网络模型的输入;其中,所述目标电池网络模型是指,根据所述矩阵特征图的一维特征向量和时域特征向量,对所述待检测电池数据进行寿命预测的网络;
通过所述目标电池网络模型输出所述待检测电池数据对应的预测值。
在一种可能的设计中,在所述升维特征数据对应的矩阵特征图作为目标电池网络模型的输入之前,还包括:
构建初始电池网络,所述初始电池网络中包括C模型支路、R模型支路及电池RUL预测模型支路;所述C模型支路用于提取所述矩阵特征图中的一维特征向量;所述R模型支路用于提取所述矩阵特征图中的时域特征向量;所述电池RUL预测模型支路用于根据所述一维特征向量、时域特征向量得到所述预测值;
采用Adam优化器,通过训练数据集训练所述初始电池网络模型,得到目标电池网络模型。
在一种可能的设计中,将所述待检测电池数据输入自编码器,输出升维特征数据,包括:
通过所述自编码器进行升维,输出所述升维特征数据,其中:所述自编码器包括输入层、隐层及输出层,所述输入层用于将所述待检测电池数据编码运算得到对应的新特征,所述隐层用于提取所述新特征得到升维特征数据,所述输出层用于输出所述升维特征数据。
在一种可能的设计中,通过所述目标电池网络模型输出所述待检测电池数据对应的预测值,包括:
将所述矩阵特征图输入目标电池网络模型;通过目标电池网络模型中的C模型支路获得一维特征向量;通过目标电池网络模型中的R模型支路获得时域特征向量;通过目标电池网络模型中的电池RUL预测模型支路,根据所述一维特征向量、时域特征向量获得所述待检测电池数据对应的预测值。
在一种可能的设计中,通过目标电池网络模型中的C模型支路获得一维特征向量,包括:根据所述矩阵特征图,在所述C模型支路中提取预设充电周期对应的矩阵特征图的特征,获得所述一维特征向量;其中,所述C模型支路包括多个卷积层、多个池化层以及至少一个展平层,所述卷积层用于提取所述矩阵特征图的局部特征;所述池化层用于进行下采样,以得到降维特正;所述展平层用于将所述降维特征连接成所述一维特征向量。
在一种可能的设计中,通过目标电池网络模型中的R模型支路获得时域特征向量,包括:
在所述R模型支路中对所述矩阵特征图中的时域特征进行删减,得到相对应的时域特征向量,其中所述R模型支路包括多个LSTM层及多个Dropout层;且所述R模型支路中至少存在一个交替连接的LSTM层和Dropout层,所述LSTM层用于将时间序列保留以获取所述时域特征,所述Dropout层用于减少所述时域特征数量,获得增强正交性的所述时域特征。
在一种可能的设计中,根据所述一维特征向量、时域特征向量,获取所述待检测电池数据对应的预测值,包括:
将所述一维特征向量、时域特征向量输入电池RUL预测模型支路,并通过所述电池RUL预测模型支路输出一维电池寿命预测值;其中:所述电池RUL预测模型支路包括多个DNN卷积层、多个Dropout层及多个L2正规化层;所述DNN卷积层用于提取、输出特征;所述Dropout层用于减少特征数量;所述L2正规化层用于约束、更新各层间的权重。
在一种可能的设计中,在通过所述电池RUL预测模型支路输出一维电池寿命预测值之后,还包括:
根据所述一维电池寿命预测值与电池RUL的实际值计算均方误差值,若所述均方误差值小于或者等于预设阈值,则确定所述一维电池寿命预测值准确,若所述均方误差值大于预设阈值,则确定所述一维电池寿命预测值不准确。
在一种可能的设计中,在通过所述目标电池网络模型输出所述待检测电池数据对应的预测值之后,还包括:
将所述预测值输入滤波器进行平滑处理,得到连续、稳定的预测结果。
第二方面,本发明实施例提供的一种锂电池寿命预测的深度学习装置,包括:
获取模块,用于获取待检测电池数据;
编码模块,用于将所述待检测电池数据输入自编码器,输出升维特征数据;
输入模块,用于将所述升维特征数据对应的矩阵特征图作为目标电池网络模型的输入;其中,所述目标电池网络模型是指,根据所述矩阵特征图的一维特征向量和时域特征向量,对所述待检测电池数据进行寿命预测的网络;
输出模块,用于通过所述目标电池网络模型输出所述待检测电池数据对应的预测值。
在一种可能的设计中,在所述升维特征数据对应的矩阵特征图作为目标电池网络模型的输入之前,还包括:
构建初始电池网络,所述初始电池网络中包括C模型支路、R模型支路及电池RUL预测模型支路;所述C模型支路用于提取所述矩阵特征图中的一维特征向量;所述R模型用于提取所述矩阵特征图中的时域特征向量;所述电池RUL预测模型支路用于根据所述一维特征向量、时域特征向量得到所述预测值;
采用Adam优化器,通过训练数据集训练所述初始电池网络模型,得到目标电池网络模型。
在一种可能的设计中,所述编码模块,具体用于:
通过所述自编码器进行升维,输出所述升维特征数据,其中:所述自编码器包括输入层、隐层及输出层,所述输入层用于将所述待检测电池数据编码运算得到对应的新特征,所述隐层用于提取所述新特征得到升维特征数据,所述输出层用于输出所述升维特征数据。
在一种可能的设计中,所述输出模块,具体用于:
将所述矩阵特征图输入目标电池网络模型;
通过目标电池网络模型中的C模型支路获得一维特征向量;
通过目标电池网络模型中的R模型支路获得时域特征向量;
通过目标电池网络模型中的电池RUL预测模型支路,根据所述一维特征向量、时域特征向量获取所述待检测电池数据对应的预测值。
在一种可能的设计中,通过目标电池网络模型中的C模型支路获得一维特征向量,包括:
根据所述矩阵特征图,在所述C模型支路中提取预设充电周期对应的矩阵特征图的特征,获得所述一维特征向量;其中,所述C模型支路包括多个卷积层、多个池化层以及至少一个展平层,所述卷积层用于提取所述矩阵特征图的局部特征;所述池化层用于进行下采样,以得到降维特征;所述展平层用于将所述降维特征连接成所述一维特征向量。
在一种可能的设计中,通过目标电池网络模型中的R模型支路获得时域特征向量,包括:
在所述R模型支路中对所述矩阵特征图中的时域特征进行删减,得到相应的时域特征向量,其中所述R模型支路包括多个LSTM层及多个Dropout层;且所述R模型支路中至少存在一个交替连接的LSTM层和Dropout层,所述LSTM层用于将时间序列保留以获取所述时域特征,所述Dropout层用于减少所述时域特征数量,获得增强正交性的所述时域特征。
在一种可能的设计中,根据所述一维特征向量、时域特征向量,获取所述待检测电池数据对应的预测值,包括:
将所述一维特征向量、时域特征向量输入电池RUL预测模型支路,并通过所述电池RUL预测模型支路输出一维电池寿命预测值;其中:所述电池RUL预测模型支路包括多个DNN卷积层、多个Dropout层及多个L2正规化层;所述DNN卷积层用于提取、输出特征;所述Dropout层用于减少特征数量;所述L2正规化层用于约束、更新各层间的权重。
在一种可能的设计中,在通过所述电池RUL预测模型支路输出一维电池寿命预测值之后,还包括:
根据所述一维电池寿命预测值与电池RUL的实际值计算均方误差值,若所述均方误差值小于或者等于预设阈值,则确定所述一维电池寿命预测值准确,若所述均方误差值大于预设阈值,则确定所述一维电池寿命预测值不准确。
在一种可能的设计中,在通过所述目标电池网络模型输出所述待检测电池数据对应的预测值之后,还包括:
将所述预测值输入滤波器进行平滑处理,得到连续、稳定的预测结果。
第三方面,本发明实施例提供的一种锂电池寿命预测的深度学习***,包括:存储器和处理器,存储器中存储有所述处理器的可执行指令;其中所述处理器配置为经由执行所述可执行指令来执行第一方面中任一项所述的锂电池寿命预测的深度学习方法。
第四方面,本发明实施例提供的一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现执行如第一方面中任一项所述的锂电池寿命预测的深度学习方法。
本发明提供一种锂电池寿命预测的深度学***滑、稳定的连续预测曲线。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一应用场景的示意图;
图2为本发明实施例一提供的锂电池寿命预测的深度学习方法的流程图;
图3为本发明实施例二提供的锂电池寿命预测的深度学习方法的流程图;
图4为本发明实施例三提供的锂电池寿命预测的深度学习方法的流程图;
图5为本发明实施例四提供的锂电池寿命预测的深度学习装置的结构示意图;
图6为本发明实施例五提供的锂电池寿命预测的深度学习***的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。下面将结合附图,对本发明的实施例进行描述。
图1为本发明一应用场景的示意图,包括:电池11和电池寿命预测的深度学***滑、稳定的连续预测曲线。
需要说明的是,在一种可选的实施例中,本发明中的电池可以包括锂电池。例如锂离子电池,聚合物锂电池,三元锂电池,磷酸铁锂电池,锰酸铁锂电池,镍钴锂电池等等。在一种可选的实施例中,本发明采用的锂电池还可以是单体电池,或者串并联电池。
图2为本发明实施例一提供的锂电池寿命预测的深度学习方法的流程图,如图2所示,本实施例的电池寿命预测的深度学习方法可以包括:
S201、获取待检测电池数据。
在一种可选的实施例中,可以采用锂电池分别在搁置和充放电性能测试中获取待检测电池参数,也可以从预设的电池数据库中获取待检测电池数据,本实施例中,不对待检测电池数据的获取方式进行限定,本领域技术人员可以根据实际情况来具体限定获取待检测电池数据的方式,以达到更好的检测效果。
S202、将待检测电池数据输入自编码器,输出升维特征数据。
具体的,通过自编码器进行升维,输出升维特征数据,其中:自动编码器包括输入层、隐层及输出层,输入层用于将待检测电池数据编码运算得到对应的新特征,隐层用于提取新特征得到升维特征数据,输出层用于输出升维特征数据。
本实施例中,采用自编码器(Auto-Encoder,AE)是由输入映射到输出的一种无监督神经网络结构,在一种可选的实施例中,该自动编码器可以包括输入层、隐层及输出层,输入层用于将待检测电池数据编码运算得到对应的新特征,隐层用于提取新特征得到升维特征数据,输出层用于输出升维特征数据。在一种可选的实施例中,该自编码器的正向传导过程可以包括编码(Encoder)和解码(Decoder)两部分,其中编码过程即将输入的待检测电池数据进行编码运算得到新特征Z,该新特征Z的表达式如下z=f(x)=s(w1x+b1),其中x∈Rd×1表示输如待检测电池数据,d表示输入数据的维度;z∈Rr×1表示隐层的新特征表达,r表示隐层的神经元数目;w∈Rr×d表示隐层的输入权值;b1∈Rr×1表示隐层输入偏置;S表示激活函数。解码过程即隐层的新特征z通过解码过程映射输入数据x,函数表达式如下x=g(z)=s(w2z+b2),其中w2∈Rd×r,b2∈Rd×1。
本实施例中,向该自编码器传入21维的待检测锂电池数据,通过自编码器升维输出50为的升维特征数据,以便将升维特征数据对应的矩阵特征图输入目标电池网络模型,对待检测电池数据进行寿命预测。
S203、将升维特征数据对应的矩阵特征图作为目标电池网络模型的输入;其中,目标电池网络模型是指,根据矩阵特征图的一维特征向量和时域特征向量,对待检测电池数据进行寿命预测的网络。
在一种可选的实施例中,通过构建初始电池网络,初始电池网络中包括C模型支路、R模型支路及电池RUL预测模型支路;C模型支路用于提取矩阵特征图中的一维特征向量;R模型用于提取矩阵特征图中的时域特征向量;电池RUL预测模型支路用于根据一维特征向量、时域特征向量得到预测值;采用Adam优化器,通过训练数据集训练初始电池网络模型,得到目标电池网络模型。进而将升维特征数据对应的矩阵特征图作为目标电池网络模型的输入,对待检测电池数据进行寿命预测。本实施例中,采用反向传播算法,对C模型支路、R模型支路及电池RUL预测模型支路的权重进行更新,实现对电池寿命预测的学习。本实施例中,选取Adam优化器进行目标电池网络模型的训练,可以使网络模型中的参数快速收敛到可接收范围。
S204、通过目标电池网络模型输出待检测电池数据对应的预测值。
具体的,将矩阵特征图输入目标电池网络模型;通过目标电池网络模型中的C模型支路获得一维特征向量;通过目标电池网络模型中的R模型支路获得时域特征向量;通过目标电池网络模型中的电池RUL预测模型支路,根据一维特征向量、时域特征向量获取待检测电池数据对应的预测值。
在一种可选的实施例中,根据局矩阵特征图,在C模型支路中提取预设充电周期对应的矩阵特征图的特征,获得一维特征向量;其中,C模型支路可以包括多个卷积层、多个池化层以及至少一个展平层,卷积层用于提取矩阵特征图的局部特征;池化层用于进行下采样,以得到降维特正;展平层用于将降维特正连级成一维特征向量。
本实施例中,采用C模型支路中丢弃了经典卷积神经网络的全链接层,只保留卷积层和池化层。
本实施例中,将电池14个相邻充放电周期的升维特征数据被纵向堆积成为对应的矩阵特征图,矩阵特征图的纵向按时间轴展开,每一行为经过自编码器训练输出的一个充放电周期中电池的50维升维特征数据。
本实施例中C模型支路包括6层,包括3个卷积层、2个池化层及一个展平层(flatten layer),具体各层分布为卷积层、最大池化层、卷积层、最大池化层、卷积层及展平层。其中每层均使用ReLU(Rectified Linear Unit,线性整流函数)作为激活函数,卷积层的kernel尺寸依次为[(3*3),(3*3),(2*2)],最大池化层的尺寸为2*2。尽管利用自编码器提取的升维特征数据实现锂电池充放电中一个周期内时间序列的丰富信息提取,但是无法实现提取电池相邻充放电周期内与时间序列相关联的信息。因此继续采用C模型支路不仅提取一个充放电周期内锂电池的特征数据,还可以将时间序列展开后,在电池的相邻充放电周期内进行相关时间序列的特征提取,最终通过展平层转换为包含有480个元素的一维特征向量。进而可以更好地找到锂电池损耗规律的局部变化方式,从而构建更加准确、可靠的电池RUL预测模型支路。
在一种可选的实施例中,通过目标电池网络模型中的R模型之路获得时域特征向量,包括:在R模型支路中对矩阵特征图中的时域特征进行删减,得到相应的时域特征向量,其中R模型支路包括多个LSTM层及多个Dropout层;且R模型支路中至少存在一个交替连接的LSTM层和Dropout层,LSTM层用于将时间序列保留以获取时域特征,Dropout层用于减少时域特征数量,获得增强正交性的时域特征。
本实施例中,将电池14个相邻充放电周期的升维特征数据输入R模型支路中,可以更好地找到电池各项特征随时间推进的变化规律,从而可以进一步扩展构建可靠锂电池RUL预测模型支路所需的特征维度。
本实施例中,R模型支路可以包括4层,其中可以包括2个LSTM层及2个Dropout层,且一个LSTM层和一个Dropout层交替连接,依次连接为LSTM层、Dropout层、STM层、Dropout层。其中,每个层使用ReLU作为激活函数,LSTM层用于将时间序列保留以获取时域特征,Dropout层用于减少时域特征数量,获得增强正交性的时域特征,其中LSTM层的输出特征维度依次为[20,4];可以精确捕捉锂电池各项特征随时间推移的变化趋势,R模型支路将包含有4个元素的时域特征向量输出,进而用于在电池RUL预测模型支路中进行预测。
在一种可选的实施例中,根据一维特征向量、时域特征向量,获得待检测电池数据对应的预测值,包括:
将一维特征向量、时域特征向量输入电池RUL预测模型支路,并通过该电池RUL预测模型支路输出一维电池寿命预测值。其中,电池RUL预测模型支路包括多个DNN卷积层、多个Dropout层及多个L2正规化层;DNN卷积层用于提取、输出特征;Dropout层用于减少特征数量;L2正规化层用于约束、更新各层间的权重。
本实施例中,电池RUL预测模型支路采用7个DNN卷积层,DNN卷积层用于提取、输出特征每一层的激活层数均为ReLU,每一层的神经元数目分别为[500,280,180,80,50,20,1],可以实现将输入的484维锂电池的特征向量,输出为一维电池寿命预测值,且预测值的范围为0-1。在一种可选的实施例中,为了建立锂电池RUL预测模型支路具有良好的泛化能力,在电池RUL模型支路采用Dropout层及L2正规化层,DNN卷积层用于提取、输出特征;Dropout层用于减少特征数量;L2正规化层用于约束、更新各层间的权重。其中,Dropout层的丢弃参数为0.6,L2正则化系数为0.001。
在一种可选的实施例中,在通过电池RUL预测模型支路输出一维电池寿命预测值之后,还包括:
具体的,根据一维电池寿命预测值与电池RUL的实际值计算均方误差值,若均方误差值小于或者等于预设阈值,则确定一维电池寿命预测值准确,若均方误差值大于预设阈值,则确定一维电池寿命预测值不准确。本实施例中,不对预设阈值进行的限定,本领域的技术人员可以根据实际情况进行具体限定,以获得更好的效果。
图3为本发明实施例二提供的锂电池寿命预测的深度学习方法的流程图,如图3所示,本实施例中锂电池寿命预测的深度学习方法可以包括,
S301、获取待检测电池数据。
S302、将待检测电池数据输入自编码器,输出升维特征数据。
S303、将升维特征数据对应的矩阵特征图作为目标电池网络模型的输入;其中,目标电池网络模型是指,根据矩阵特征图的一维特征向量和时域特征向量,对待检测电池数据进行寿命预测的网络。
S304、通过目标电池网络模型输出待检测电池数据对应的预测值。
本实施例中,步骤S301~步骤S304的具体实现过程和技术原理请参见图2所示的方法中步骤S201~步骤S204中的相关描述,此处不再赘述。
S305、在通过目标电池网络模型输出待检测电池数据对应的预测值之后,还包括:将预测值输入滤波器进行平滑处理,得到连续、稳定的预测结果。
在一种可能的实施例中,通过不同的滤波器对得到的一维电池寿命预测值进行处理分析,例如通过一阶线性滤波器、二阶线性滤波器、三阶线性滤波器,最终选出通过一阶滤波器输出的待检测电池数据对应的预测值,得到连续、稳定的预测结果,同时符合一般电池RUL预测值与运行时间成线性关系的基本假设。
本实施例中,采用一阶线性滤波器对于t时刻锂电池RUL的预测值,不仅取决于t时刻DNN锂电池RUL预测模型支路的输出,同时也获得受到t-7、t-6、t-5、t-4、t-3、t-2、t-1时刻等相邻因素的影响,经过试验分析,参考表1,采用本发明目标电池网络模型预测电池寿命的均方根误差为8.38%,准确性为91.62%,且经过一阶滤波器平滑处理,得到连续、平滑、稳定的预测结果,均方根误差为8.22%,准确性为91.78%。不仅可以提高电池寿命预测的准确度,还可以解决预测结果中的不连续问题,降低预测曲线的噪点,获得平滑、稳定的连续预测曲线。
表1
图4为本发明实施例三提供的锂电池寿命预测的深度学习方法的流程图,如图4所示,本实施例的电池寿命预测的深度学习方法可以包括:
S401、构建初始电池网络,初始电池网络中包括C模型支路、R模型支路及电池RUL预测模型支路;C模型支路用于提取矩阵特征图中的一维特征向量;R模型用于提取矩阵特征图中的时域特征向量;电池RUL预测模型支路用于根据一维特征向量、时域特征向量得到预测值。
在一种可选的实施例中,所述C模型支路包括多个卷积层、多个池化层以及至少一个展平层,所述卷积层用于提取所述矩阵特征图的局部特征;所述池化层用于进行下采样,以得到降维特征;所述展平层用于将所述降维特征连接成所述一维特征向量。
所述R模型支路包括多个LSTM层及多个Dropout层;且所述R模型支路中至少存在一个交替连接的LSTM层和Dropout层,所述LSTM层用于将时间序列保留以获取所述时域特征,所述Dropout层用于减少时域特征数量,获得增强正交性的所述时域特征。
所述电池RUL预测模型支路包括多个DNN卷积层、多个Dropout层及多个L2正规化层;所述DNN卷积层用于提取、输出特征;所述Dropout层用于减少特征数量;所述L2正规化层用于约束、更新各层间的权重。
S402、采用Adam优化器,通过训练数据集训练初始电池网络模型,得到目标电池网络模型。
本实施例中选取Adam优化器进行训练,使得目标电池网络模型参数快速收敛到可接收的范围。可以通过反向算法,对C模型支路、R模型支路及电池RUL预测模型支路的权重进行更新,实现对电池寿命预测的学习。
S403、获取待检测电池数据。
S404、将待检测电池数据输入自编码器,输出升维特征数据。
S405、将升维特征数据对应的矩阵特征图作为目标电池网络模型的输入;其中,目标电池网络模型是指,根据矩阵特征图的一维特征向量和时域特征向量,对待检测电池数据进行寿命预测的网络。
S406、通过目标电池网络模型输出待检测电池数据对应的预测值。
本实施例中,步骤S403~步骤S406的具体实现过程和技术原理请参见图2所示的方法中步骤S201~步骤S204中的相关描述,此处不再赘述。
图5为本发明实施例四提供的锂电池寿命预测的深度学习装置的结构示意图,如图5所示,本实施例中电池预测的装置可以包括:
获取模块51,用于获取待检测电池数据;
编码模块52,用于将待检测电池数据输入自编码器,输出升维特征数据;
输入模块53,用于将升维特征数据对应的矩阵特征图作为目标电池网络模型的输入;其中,目标电池网络模型是指,根据矩阵特征图的一维特征向量和时域特征向量,对待检测电池数据进行寿命预测的网络;
输出模块54,用于通过目标电池网络模型输出待检测电池数据对应的预测值。
在一种可选的实施例中,在升维特征数据对应的矩阵特征图作为目标电池网络模型的输入之前,还包括:
构建初始电池网络,初始电池网络中包括C模型支路、R模型支路及电池RUL预测模型支路;C模型支路用于提取矩阵特征图中的一维特征向量;R模型用于提取矩阵特征图中的时域特征向量;电池RUL预测模型支路用于根据一维特征向量、时域特征向量得到预测值;
采用Adam优化器,通过训练数据集训练初始电池网络模型,得到目标电池网络模型。
在一种可选的实施例中,编码模块52,具体用于:
通过自编码器进行升维,输出升维特征数据,其中:自编码器包括输入层、隐层及输出层,输入层用于将待检测电池数据编码运算得到对应的新特征,隐层用于提取新特征得到升维特征数据,输出层用于输出升维特征数据。
在一种可选的实施例中,输出模块54,具体用于:
将矩阵特征图输入目标电池网络模型;
通过目标电池网络模型中的C模型支路获得一维特征向量;
通过目标电池网络模型中的R模型支路获得时域特征向量;
通过目标电池网络模型中的电池RUL预测模型支路,根据一维特征向量、时域特征向量获取待检测电池数据对应的预测值。
在一种可选的实施例中,通过目标电池网络模型中的C模型支路获得一维特征向量,包括:
根据矩阵特征图,在C模型支路中提取预设充电周期对应的矩阵特征图的特征,获得一维特征向量;其中,C模型支路包括多个卷积层、多个池化层以及至少一个展平层,卷积层用于提取矩阵特征图的局部特征;池化层用于进行下采样,以得到降维特征;展平层用于将降维特征连接成一维特征向量。
在一种可选的实施例中,通过目标电池网络模型中的R模型支路获得时域特征向量,包括:
在R模型支路中对矩阵特征图中的时域特征进行删减,得到相应的时域特征向量,其中R模型支路包括多个LSTM层及多个Dropout层;且R模型支路中至少存在一个交替连接的LSTM层和Dropout层,LSTM层用于将时间序列保留以获取时域特征,Dropout层用于减少时域特征数量,获得增强正交性的时域特征。
在一种可选的实施例中,根据一维特征向量、时域特征向量,获取待检测电池数据对应的预测值,包括:
将一维特征向量、时域特征向量输入电池RUL预测模型支路,并通过电池RUL预测模型支路输出一维电池寿命预测值;其中:电池RUL预测模型支路包括多个DNN卷积层、多个Dropout层及多个L2正规化层;DNN卷积层用于提取、输出特征;Dropout层用于减少特征数量;L2正规化层用于约束、更新各层间的权重。
在一种可选的实施例中,在通过电池RUL预测模型支路输出一维电池寿命预测值之后,还包括:
根据一维电池寿命预测值与电池RUL的实际值计算均方误差值,若均方误差值小于或者等于预设阈值,则确定一维电池寿命预测值准确,若均方误差值大于预设阈值,则确定一维电池寿命预测值不准确。
在一种可选的实施例中,在通过目标电池网络模型输出待检测电池数据对应的预测值之后,还包括:
将预测值输入滤波器进行平滑处理,得到连续、稳定的预测结果。
本实施例的锂电池寿命预测的深度学习装置,可以执行图2~图4所示方法中的技术方案,其具体实现过程和技术原理参见图2~图4所示方法中的相关描述,此处不再赘述。
图6为本发明实施例五提供的锂电池寿命预测的深度学习***的结构示意图,如图6所示,本实施例的锂电池寿命预测的深度学习***60可以包括:处理器61和存储器62。
存储器62,用于存储计算机程序(如实现上述锂电池寿命预测的深度学习方法的应用程序、功能模块等)、计算机指令等;
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器62中。并且上述的计算机程序、计算机指令、数据等可以被处理器41调用。
处理器61,用于执行存储器62存储的计算机程序,以实现上述实施例涉及的方法中的各个步骤。
具体可以参见前面方法实施例中的相关描述。
处理器61和存储器62可以是独立结构,也可以是集成在一起的集成结构。当处理器61和存储器62是独立结构时,存储器62、处理器61可以通过总线63耦合连接。
本实施例的服务器可以执行图2~图4所示方法中的技术方案,其具体实现过程和技术原理参见图2~图4所示方法中的相关描述,此处不再赘述。
此外,本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,当用户设备的至少一个处理器执行该计算机执行指令时,用户设备执行上述各种可能的方法。
其中,计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外,该ASIC可以位于用户设备中。当然,处理器和存储介质也可以作为分立组件存在于通信设备中。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种锂电池寿命预测的深度学习方法,其特征在于,包括:
获取待检测电池数据;
将所述待检测电池数据输入自编码器,输出升维特征数据;
将所述升维特征数据对应的矩阵特征图作为目标电池网络模型的输入;其中,所述目标电池网络模型是指,根据所述矩阵特征图的一维特征向量和时域特征向量,对所述待检测电池数据进行寿命预测的网络;
通过所述目标电池网络模型输出所述待检测电池数据对应的预测值;
在所述升维特征数据对应的矩阵特征图作为目标电池网络模型的输入之前,还包括:
构建初始电池网络,所述初始电池网络中包括C模型支路、R模型支路及电池RUL预测模型支路;所述C模型支路用于提取所述矩阵特征图中的一维特征向量;所述R模型用于提取所述矩阵特征图中的时域特征向量;所述电池RUL预测模型支路用于根据所述一维特征向量、时域特征向量得到所述预测值;
采用Adam优化器,通过训练数据集训练所述初始电池网络模型,得到目标电池网络模型。
2.根据权利要求1所述的方法,其特征在于,将所述待检测电池数据输入自编码器,输出升维特征数据,包括:
通过所述自编码器进行升维,输出所述升维特征数据,其中:所述自编码器包括输入层、隐层及输出层,所述输入层用于将所述待检测电池数据编码运算得到对应的新特征,所述隐层用于提取所述新特征得到升维特征数据,所述输出层用于输出所述升维特征数据。
3.根据权利要求1所述的方法,其特征在于,通过所述目标电池网络模型输出所述待检测电池数据对应的预测值,包括:
将所述矩阵特征图输入目标电池网络模型;
通过目标电池网络模型中的C模型支路获得一维特征向量;
通过目标电池网络模型中的R模型支路获得时域特征向量;
通过目标电池网络模型中的电池RUL预测模型支路,根据所述一维特征向量、时域特征向量获取所述待检测电池数据对应的预测值。
4.根据权利要求3所述的方法,其特征在于,通过目标电池网络模型中的C模型支路获得一维特征向量,包括:
根据所述矩阵特征图,在所述C模型支路中提取预设充电周期对应的矩阵特征图的特征,获得所述一维特征向量;其中,所述C模型支路包括多个卷积层、多个池化层以及至少一个展平层,所述卷积层用于提取所述矩阵特征图的局部特征;所述池化层用于进行下采样,以得到降维特征;所述展平层用于将所述降维特征连接成所述一维特征向量。
5.根据权利要求3所述的方法,其特征在于,通过目标电池网络模型中的R模型支路获得时域特征向量,包括:
在所述R模型支路中对所述矩阵特征图中的时域特征进行删减,得到相应的时域特征向量,其中所述R模型支路包括多个LSTM层及多个Dropout层;且所述R模型支路中至少存在一个交替连接的LSTM层和Dropout层,所述LSTM层用于将时间序列保留以获取所述时域特征,所述Dropout层用于减少时域特征数量,获得增强正交性的所述时域特征。
6.根据权利要求3所述的方法,其特征在于,根据所述一维特征向量、时域特征向量,获取所述待检测电池数据对应的预测值,包括:
将所述一维特征向量、时域特征向量输入电池RUL预测模型支路,并通过所述电池RUL预测模型支路输出一维电池寿命预测值;其中:所述电池RUL预测模型支路包括多个DNN卷积层、多个Dropout层及多个L2正规化层;所述DNN卷积层用于提取、输出特征;所述Dropout层用于减少特征数量;所述L2正规化层用于约束、更新各层间的权重。
7.根据权利要求6所述的方法,其特征在于,在通过所述电池RUL预测模型支路输出一维电池寿命预测值之后,还包括:
根据所述一维电池寿命预测值与电池RUL的实际值计算均方误差值,若所述均方误差值小于或者等于预设阈值,则确定所述一维电池寿命预测值准确,若所述均方误差值大于预设阈值,则确定所述一维电池寿命预测值不准确。
8.根据权利要求1-7中任一项所述的方法,其特征在于,在通过所述目标电池网络模型输出所述待检测电池数据对应的预测值之后,还包括:
将所述预测值输入滤波器进行平滑处理,得到连续、稳定的预测结果。
9.一种锂电池寿命预测的深度学习装置,其特征在于,包括:
获取模块,用于获取待检测电池数据;
编码模块,用于将所述待检测电池数据输入自编码器,输出升维特征数据;
输入模块,用于将所述升维特征数据对应的矩阵特征图作为目标电池网络模型的输入;其中,所述目标电池网络模型是指,根据所述矩阵特征图的一维特征向量和时域特征向量,对所述待检测电池数据进行寿命预测的网络;
输出模块,用于通过所述目标电池网络模型输出所述待检测电池数据对应的预测值;
所述输出模块,还用于在升维特征数据对应的矩阵特征图作为目标电池网络模型的输入之前,构建初始电池网络,初始电池网络中包括C模型支路、R模型支路及电池RUL预测模型支路;C模型支路用于提取矩阵特征图中的一维特征向量;R模型用于提取矩阵特征图中的时域特征向量;电池RUL预测模型支路用于根据一维特征向量、时域特征向量得到预测值;采用Adam优化器,通过训练数据集训练初始电池网络模型,得到目标电池网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910394691.0A CN112016237B (zh) | 2019-05-13 | 2019-05-13 | 锂电池寿命预测的深度学习方法、装置及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910394691.0A CN112016237B (zh) | 2019-05-13 | 2019-05-13 | 锂电池寿命预测的深度学习方法、装置及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016237A CN112016237A (zh) | 2020-12-01 |
CN112016237B true CN112016237B (zh) | 2023-04-07 |
Family
ID=73500375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910394691.0A Active CN112016237B (zh) | 2019-05-13 | 2019-05-13 | 锂电池寿命预测的深度学习方法、装置及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016237B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112666479B (zh) * | 2020-12-02 | 2023-05-16 | 西安交通大学 | 一种基于充电循环融合的电池寿命预测方法 |
CN112666480B (zh) * | 2020-12-02 | 2023-04-28 | 西安交通大学 | 一种基于充电过程特征注意力的电池寿命预测方法 |
CN112818594B (zh) * | 2021-01-28 | 2023-05-30 | 温州大学 | 一种基于神经网络的多目标优化电池包结构方法 |
CN113504483B (zh) * | 2021-07-09 | 2022-06-14 | 北京航空航天大学 | 考虑不确定性的锂离子电池剩余寿命集成预测方法 |
CN114565151A (zh) * | 2022-02-24 | 2022-05-31 | 苏州市职业大学 | 基于eemd与lstm模型电动汽车电池寿命预测方法 |
CN115508711B (zh) * | 2022-10-10 | 2023-06-30 | 南京工程学院 | 一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107797067A (zh) * | 2016-09-05 | 2018-03-13 | 北京航空航天大学 | 一种基于深度学习的锂离子电池寿命迁移预测方法 |
CN108680861A (zh) * | 2018-03-05 | 2018-10-19 | 北京航空航天大学 | 锂电池剩余循环寿命预测模型的构建方法及装置 |
-
2019
- 2019-05-13 CN CN201910394691.0A patent/CN112016237B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107797067A (zh) * | 2016-09-05 | 2018-03-13 | 北京航空航天大学 | 一种基于深度学习的锂离子电池寿命迁移预测方法 |
CN108680861A (zh) * | 2018-03-05 | 2018-10-19 | 北京航空航天大学 | 锂电池剩余循环寿命预测模型的构建方法及装置 |
Non-Patent Citations (4)
Title |
---|
Lithium-ion battery remaining useful life prediction with deep belief network and relevance vector machine;Zhao G等;《2017 IEEE international conference on prognostics and health management》;20171231;全文 * |
Long short-term memory for machine remaining life prediction;Zhang J等;《Journal of manufacturing systems》;20181231;全文 * |
Remaining useful life prediction for lithium-ion battery: A deep learning approach;Ren L等;《Ieee Access》;20181231;全文 * |
RUL prognostics method based on real time updating of LSTM parameters;Zhou F等;《2018 Chinese Control And Decision Conference》;20181231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112016237A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112016237B (zh) | 锂电池寿命预测的深度学习方法、装置及*** | |
Cui et al. | A dynamic spatial-temporal attention-based GRU model with healthy features for state-of-health estimation of lithium-ion batteries | |
CN113406521B (zh) | 一种基于特征分析的锂电池健康状态在线估计方法 | |
CN110941929A (zh) | 一种基于ARMA和Elman神经网络联合建模的电池健康状态评估方法 | |
CN114636932A (zh) | 一种电池剩余使用寿命预测方法及*** | |
CN114791993B (zh) | 一种动力电池组soh预测方法及*** | |
CN114726045B (zh) | 一种基于ipea-lstm模型的锂电池soh估计方法 | |
AU2021101964A4 (en) | Artificial intelligence based smart electric vehicle battery management system | |
CN115015789A (zh) | 基于增量电容曲线的锂离子电池健康状态估计方法及装置 | |
CN110674569A (zh) | 基于决策树的充电剩余时间估算方法及*** | |
CN114662653B (zh) | 一种基于生成式对抗网络的Double-LSTM电池容量估算方法 | |
CN115032541A (zh) | 一种锂离子电池容量退化预测方法及装置 | |
CN116953547A (zh) | 一种储能电池健康度评估方法、***、设备及存储介质 | |
CN115980588A (zh) | 基于自编码器提取特征的锂离子电池健康状态估计方法 | |
CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
CN114545279A (zh) | 一种基于神经网络常微分方程的锂电池健康状态估计方法 | |
CN111948539A (zh) | 一种基于深度强化学习的卡尔曼滤波锂离子电池soc估计方法 | |
Liu et al. | State of health estimation of lithium-ion batteries based on multi-feature extraction and temporal convolutional network | |
CN116500475B (zh) | 一种具有实时soc校正补偿的储能采集方法及*** | |
CN116992311A (zh) | 基于机器学习的储能电源状态分析方法 | |
CN117310504A (zh) | 一种电池健康状态评估方法、***、设备及介质 | |
CN116359742A (zh) | 基于深度学习组合扩展卡尔曼滤波的储能电池荷电状态在线估计方法及*** | |
CN117031315A (zh) | 锂电池的剩余荷电状态确定方法、装置及电子设备 | |
CN116796821A (zh) | 面向3d目标检测算法的高效神经网络架构搜索方法及装置 | |
CN116754960A (zh) | 钠离子电池云端soh估计和剩余寿命预测方法、装置及程序 |
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 |