CN112083337A - 一种面向预测性运维的动力电池健康预测方法 - Google Patents

Abstract

本发明涉及一种面向预测性运维的动力电池健康预测方法，属于电池管理技术领域。改方法采用有用性评价体系对健康因子进行评估，利用贝叶斯优化方法对阈值进行优化，采用迁移学习将最相似衰减的电池模型训练信息传递给测试单体，并利用早期衰减数据进行模型的微调，最后利用训练好的模型进行健康预测，包括一步衰减预测和外推剩余容量预测，并利用在线提取的特征进行模型自校正。本发明避开传统的利用电池容量进行预测所面临的在线容量不可测问题，为电池的预测性运维提供退役点的预测，并且在使用过程中能够实时的进行自校正，提高预测的精度。

Description

一种面向预测性运维的动力电池健康预测方法

技术领域

本发明属于电池管理技术领域，涉及一种面向预测性运维的动力电池健康预测方法。

背景技术

交通电气化是现在国内外工业界的新趋势，锂离子电池具有寿命长、自放电率低、能量密度大特点，成为良好的储能设备。电池的预测性运维是对电池进行精细化、有效化管理的重要途径，而电池的健康预测是进行预测性运维的基础和关键步骤。电池的健康预测通常是指电池的容量估计以及剩余寿命预测。然而由于实际使用中容量不可测的限制，使得电池健康预测成为行业内一项重要挑战和亟待解决的关键技术。

电池的健康预测方法通常可分为基于模型和基于数据驱动两类。基于模型的方法主要是通过历史数据与循环次数建立的经验或半经验模型进行预测。通常为指数模型、双指数模型、或者多项式模型。利用先进滤波器例如卡尔曼滤波，粒子滤波等进行曲线拟合得到拟合曲线，从而利用拟合曲线进行容量估计或者进行剩余寿命预测。而基于数据驱动的方法由于其不需要特殊的模型，而仅仅依赖数据本身的特性，近年来得到了快速的发展。基于数据驱动的方法通常是以容量衰减的序列构建映射关系，通过先前几个容量数据预测下一个容量数据，并进行外推得到剩余循环寿命。或者通过在充放电过程中根据特殊的工况提取相关的健康因子，建立健康因子和容量之间的映射关系，通过健康因子估计电池的容量。然后建立电池容量序列映射关系进行外推得到电池的剩余循环寿命。然而，不论是通过健康因子和容量之间建立映射关系还是通过容量序列建立映射关系，在实际使用中都存在容量不可测从而无法进行模型矫正的缺陷。此外通过健康因子建立和容量之间的映射关系还受到不同电池的健康因子变化趋势和范围存在差异从而导致容量估计不准的难题。这些短板都是限制进行精确剩余寿命预测从而精确进行预测性运维的主要因素。

针对上述的问题，亟需一种能精确预测动力电池退役点的方法。

发明内容

有鉴于此，本发明的目的在于提供一种面向预测性运维的动力电池健康预测方法，有效的捕捉衰减特性进行退役点的预测，为电池的预测性运维提供更加精确的剩余寿命预测。

为达到上述目的，本发明提供如下技术方案：

一种面向预测性运维的动力电池健康预测方法，该方法避开传统利用电池容量进行健康预测时在线容量难以获取的难题，利用通用健康因子替代容量进行健康预测，采用有用性评价体系对健康因子进行评估，利用贝叶斯优化方法对阈值进行优化，采用迁移学习将最相似衰减的电池模型训练信息传递给测试单体，并利用早期衰减数据进行模型的微调，最后利用所训练好的模型进行健康预测，包括一步衰减预测和外推剩余容量预测，此外，得益于健康因子可在线提取的优势，该方法可以进行实时的在线模型自校正，从而在使用过程中不断的提升预测的精度，为动力电池的预测性运维提供更加精确的退役点预测。具体包括以下步骤：

S1：收集动力电池老化数据集，建立电池老化数据库，根据车用动力电池的充放电特性，提取可用于替代容量的通用性特征。

S2：利用贝叶斯优化方法，根据早期的衰减特性对所测试电池的特征进行阈值优化，并根据本发明所提出的健康因子有用性评价体系对所提取的通用性特征进行评估。

S3：在已有数据库中根据早期衰减特性搜寻最相似衰减过程单体，对该单体进行模型训练。

S4：利用迁移学习将训练好的模型传递给测试电池，并利用早期特征进行模型微调。

S5：进行电池健康预测，包括一步特征衰减值预测和外推剩余寿命预测，并利用在线提取的特征进行模型自校正以提高模型精度。

进一步，步骤S1具体包括：

S11：收集动力电池循环老化数据集，建立电池老化数据库；

S12：依据老化充放电特征，参考实际使用过程中的充放电特性，提取可替代性的通用性特征；

S13：对所提取的通用性特征进行简单的滤波预处理，去掉噪声影响。

进一步，所述通用性特征是指在实际使用中可在线获取的具有明显衰减/增长特性的健康因子，包括从充电过程和放电过程提取。滤波预处理可采用滑动平均，高斯滤波等方法的一种。

进一步，所述S2具体包括以下步骤：

S21：利用贝叶斯优化方法，根据测试电池早期的健康因子衰减特性进行阈值优化，对健康因子进行归一化处理；

S22：依据传统容量衰减特性，构建评估健康因子有用性评价体系，具体包括：衰减/增长跨度与单调性，波动大小，相关性分析，容量估计精度等；

S23：根据构建的健康因子有用性评价体系对所提取的健康因子进行有用性评价。

可选的，健康因子有用性评价体系可根据实际需求进行评价指标的筛选和使用。

进一步，所述步骤S3具体包括以下：

S31：根据所测试单体的健康因子的早期衰减特性，在老化数据库中采用欧式距离法搜寻最相似衰减过程的单体；

S32：以所筛选出来的单体为参考单体，利用深度学习方法进行模型训练，建立基础回归模型。

可选的，所述的深度学习方法具体指循环神经网络(RNN)，或其变体:长短时记忆(LSTM-RNN)，门控循环单元(GRU-RNN)。

进一步，所述步骤S4具体包括以下步骤：

S41：将以参考单体训练好的模型信息，输入给测试单体，作为测试单体进行模型微调和健康预测的基础模型；

S42：利用早期循环的特征信息，对模型进行微调，使其快速适应测试单体的衰减特性。

可选的，步骤S41的方法属于迁移学习的范畴，步骤S42的模型微调采用和步骤S3中模型训练采用的算法一致。

进一步，所述步骤S5具体包括：

S51：根据微调好的模型，在实际使用中在线提取健康因子，进行一步衰减值的预测。

S52：将模型进行外推，反复利用S51的一步预测，直到预测值等于或低于阈值，计算出剩余循环次数，进行退役点的判断。

S53：将退役点反馈给驾驶人员，便于进行动力电池的预测性运维。

S54：利用在线获取的健康因子，进行模型的在线自校正，提高模型的精度。

可选的，所述的模型自校正具体包括采用贝叶斯优化进行阈值的再优化，和回归模型的微调。

本发明的有益效果在于：

1)本发明采用通用性健康因子建立序列映射关系进行健康预测，有效突破实际使用过程中容量不可测量的限制。

2)本发明根据贝叶斯优化方法，进行健康因子阈值优化，保证预测的可靠性。

3)本发明所提出的健康因子有用性评价体系有利于今后研究人员对相关领域的研究评判。

4)本发明所采用的在线自校正模块，能够使预测模型随着使用过程的进行不断收敛，提高预测的精度和可靠性。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明方法的整体流程图；

图2为本发明实施例中电池单体经过优化后的健康因子变化图；

图3为有用性评价体系中容量(SOH)估计结果；

图4为本发明实施例的一个健康预测结果图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

请参阅图1～图4，图1为所示一种面向预测性运维的动力电池健康预测方法的流程，具体包括以下步骤：

步骤S1：收集动力电池老化数据集，建立电池老化数据库，根据车用动力电池的充放电特性，提取可用于替代容量的通用性特征；具体包括：

步骤S11：收集动力电池循环老化数据集，建立老化数据库。

作为一种可选的实施例，步骤S11中老化数据集可采用美国麻省理工大学和斯坦福大学联合提供的快充公开数据集。

步骤S12：依据老化充放电特征，参考实际使用过程中的充放电特性，提取可替代性的通用健康因子。

可替代性的通用健康因子提取过程如下：

1)数据集充电特性(前80％SOC每个充电倍率分别充电20％SOC)，提出每次充电电流切换点的电压值；

2作出所有电池每个电压值随循环次数的变化曲线图；

3)筛选出变化最平滑，变化相似性最高的一个特征作为初始健康因子，本具体实施例采用第一个电压值，即充电20％时的电压值V；

由于电压变化范围比较小，将初始健康因子减去一个中间变量，得到变化范围更大的特征因子：HI＝V-Δ；

4)得到的健康因子进行滤波平滑处理，作为一种可选的实施例，采用高斯滤波进行平滑，公式如下：

步骤S13：对所提出的特征进行简单的滤波预处理，去掉噪声影响。

步骤S2：利用贝叶斯优化方法，根据早期的衰减特性对所测试电池的特征进行阈值优化，并根据本发明所提出的健康因子有用性评价体系对所提取的通用性特征进行评估；具体包括：

步骤S21：利用贝叶斯优化方法，根据测试电池早期的健康因子衰减特性进行阈值优化，对健康因子进行归一化处理。

作为一种可选的实施例，阈值优化方法采用贝叶斯优化中的高斯过程回归(GPR)算法，具体流程如下：

假定输入输出符合以下贝叶斯多元回归模型：y＝f(x)+ε,

其中，ε是符合高斯分布的白噪声(均值为0方差为

)；f(x)可写为：

其中，m(x)和k(x,x')分别表示均值函数和协方差函数，分别为：

m(x)＝E[f(x)]

k(x,x')＝E[(f(x)-m(x))(f(x')-m(x'))^T]

输入输出关系式可写为：

高斯过程回归(GPR)的输出均值和误差协方差分别为：

其中，K_f(x,x)为核函数矩阵，I_n为n维单位矩阵。

作为一种可选的实施例，本例子采用归一化方法为第一个值除以后续值，如下：

作为一种可选的实施例，GPR主要用于HI中Δ值的优化，采用所有单体的前三百次循环作为训练的输入值，Δ＝5V₁-4V_end作为训练的输出值(使归一化之后变化范围为100％-80％)训练模型，预测出测试单体的Δ值，并进行归一化处理，得到如图2所示的结果。可以发现经过本发明的阈值优化方法能够使健康因子HI在近乎相同的变化范围内，使得后续进行剩余寿命预测有更准确的失效值的判断。

步骤S22：依据传统容量衰减特性，提出一种评估健康因子有用性的评价体系，具体包括：衰减/增长跨度与单调性，波动大小，相关性分析，容量估计精度等。

作为一种可选的实施例，评价体系中相关系数法可采用皮尔森相关系数，如下式所示：

作为一种可选的实施例，图2中经过归一化之后得到的健康因子与容量之间的相关系数均大于0.95，说明具有很高的可替代性。

作为一种可选的实施例，评价体系中容量估计是指建立HI与容量(或者是SOH)之间的映射关系，利用HI估计容量(或SOH)，评价估计效果的优劣。图3为经过优化之后的HI与没有经过优化的HI的SOH估计结果，说明经过优化之后的HI具有更好的容量估计效果，也表明具有更好的容量可替代性。

步骤S23：根据所提出的健康因子有用性评价体系对所提取的健康因子进行有用性评价。

步骤S3：在已有数据库中根据早期衰减特性搜寻最相似衰减过程单体，对该单体进行模型训练；具体包括：

步骤S31：根据所测试单体的健康因子的早期衰减特性，在老化数据库中采用欧式距离法搜寻最相似衰减过程的单体。

作为一种可选的实施例，欧式距离搜寻最相似衰减过程单体方法如下：

1)计算每个采样点的测试单体HI和每个参考数据集的欧式距离：

其中，(x_ij,y_ij)为测试单体的坐标，(u_i,v_i)为参考单体的坐标；

2)计算所有点的距离的均方根误差：

3)找出具有最小rmse值的单体作为参考单体。

步骤S32：以所筛选出来的单体为参考单体，利用深度学习方法进行模型训练，建立基础回归模型。

作为一种可选的实施例，采用门控循环神经网络进行模型训练，门控循环神经网络具体结构如下：

重置门：r(t)＝σ(W_rxx(t)+W_rhh(t-1)+b_r)；

更新门：z(t)＝σ(W_zxx(t)+W_zhh(t-1)+b_z)；

状态更新：

其中，W表示权重，b噪声。

作为一种可选的实施例，采用tensorflow进行模型搭建，输入序列为5个HI值，输出为下一循环HI的值。

步骤S4：利用迁移学习将训练好的模型传递给测试电池，并利用早期特征进行模型微调；具体包括：

步骤S41：将以参考单体训练好的模型信息，输入给测试单体，作为测试单体进行模型微调和健康预测的基础模型。

步骤S42：利用早期循环的特征信息，对模型进行微调，使其快速适应测试单体的衰减特性。

步骤S5：进行电池健康预测，包括一步特征衰减值预测和外推剩余寿命预测，并利用在线提取的特征进行模型自校正以提高模型精度；具体包括：

步骤S51：根据微调好的模型，在实际使用中在线提取健康因子，进行一步衰减值的预测。

步骤S52：将模型进行外推，反复利用S51的一步预测，直到预测值等于或低于阈值，计算出剩余循环次数，进行退役点的判断。

步骤S53：将退役点反馈给驾驶人员，便于进行动力电池的预测性运维。

步骤S54：利用在线获取的健康因子，进行模型的在线自校正，提高模型的精度。

如图4所示，一个单体的健康预测结果，表明说本发明方法能够有效的捕捉衰减特性进行退役点的预测，为电池的预测性运维提供更加精确的剩余寿命预测。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种面向预测性运维的动力电池健康预测方法，其特征在于，该方法采用有用性评价体系对健康因子进行评估，利用贝叶斯优化方法对阈值进行优化，采用迁移学习将最相似衰减的电池模型训练信息传递给测试单体，并利用早期衰减数据进行模型的微调，最后利用训练好的模型进行健康预测，包括一步衰减预测和外推剩余容量预测；具体包括以下步骤：

S1：收集动力电池老化数据集，建立电池老化数据库，根据动力电池的充放电特性，提取的通用性特征；

S2：利用贝叶斯优化方法，根据早期的衰减特性对所测试电池的特征进行阈值优化，并根据健康因子有用性评价体系对所提取的通用性特征进行评估；

S3：在构建的数据库中根据早期衰减特性搜寻最相似衰减过程单体，对该单体进行模型训练；

S4：利用迁移学习将训练好的模型传递给测试电池，并利用早期特征进行模型微调；

S5：进行电池健康预测，包括一步特征衰减值预测和外推剩余寿命预测，并利用在线提取的通用性特征进行模型自校正。

2.根据权利要求1所述的动力电池健康预测方法，其特征在于，所述S1具体包括以下步骤：

S11：收集动力电池循环老化数据集，建立电池老化数据库；

S12：依据老化充放电特征，参考实际使用过程中的充放电特性，提取通用性特征；

S13：对所提取的通用性特征进行滤波预处理，去掉噪声影响。

3.根据权利要求1或2中所述的动力电池健康预测方法，其特征在于，所述通用性特征是指在实际使用中可在线获取的具有明显衰减/增长特性的健康因子，包括从充电过程和放电过程提取。

4.根据权利要求1中所述的动力电池健康预测方法，其特征在于，所述S2具体包括以下步骤：

S21：利用贝叶斯优化方法，根据测试电池早期的健康因子衰减特性进行阈值优化，对健康因子进行归一化处理；

S22：依据传统容量衰减特性，构建评估健康因子有用性评价体系，具体包括：衰减/增长跨度与单调性，波动大小，相关性分析，容量估计；

S23：根据构建的健康因子有用性评价体系对所提取的健康因子进行有用性评价。

5.根据权利要求4中所述的动力电池健康预测方法，其特征在于，步骤S21中，利用贝叶斯优化方法进行阈值优化的高斯过程回归算法，具体包括：假定输入输出符合以下贝叶斯多元回归模型：y＝f(x)+ε,

其中，ε是符合均值为零方差为

高斯分布的白噪声，f(x)为：

其中，m(x)和k(x,x')分别表示均值函数和协方差函数，分别为：

m(x)＝E[f(x)]

k(x,x')＝E[(f(x)-m(x))(f(x')-m(x'))^T]

输入输出关系式为：

高斯过程回归的输出均值和误差协方差分别为：

其中，K_f(x,x)核函数矩阵，I_n为n维单位矩阵。

6.根据权利要求4中所述的动力电池健康预测方法，其特征在于，步骤S22中，评价体系中容量估计是指建立HI与容量之间的映射关系，利用HI估计容量；其中HI是归一化处理后的特征值。

7.根据权利要求1中所述的动力电池健康预测方法，其特征在于，所述步骤S3具体包括以下：

S31：根据所测试单体的健康因子的早期衰减特性，在老化数据库中采用欧式距离法搜寻最相似衰减过程的单体；

S32：以所筛选出来的单体为参考单体，利用深度学习方法进行模型训练，建立基础回归模型。

8.根据权利要求1中所述的动力电池健康预测方法，其特征在于，所述步骤S4具体包括以下步骤：

S41：将以参考单体训练好的模型信息，输入给测试单体，作为测试单体进行模型微调和健康预测的基础模型；

S42：利用早期循环的特征信息，对模型进行微调，使其快速适应测试单体的衰减特性。

9.根据权利要求1中所述的动力电池健康预测方法，其特征在于，所述步骤S5具体包括以下步骤：

S51：根据微调好的模型，在实际使用中在线提取健康因子，进行一步衰减值的预测；

S52：将模型进行外推，反复利用S51预测，直到预测值等于或低于阈值，计算出剩余循环次数，进行退役点的判断；

S53：将退役点反馈给驾驶人员，便于进行动力电池的预测性运维；

S54：利用在线获取的健康因子，进行模型的在线自校正。

10.根据权利要求1或9中所述的动力电池健康预测方法，其特征在于，模型自校正具体包括：采用贝叶斯优化进行阈值的再优化，和回归模型微调。

Images