CN116609678A - 基于改进混合模型的锂离子电池剩余寿命预测方法 - Google Patents
基于改进混合模型的锂离子电池剩余寿命预测方法 Download PDFInfo
- Publication number
- CN116609678A CN116609678A CN202310424744.5A CN202310424744A CN116609678A CN 116609678 A CN116609678 A CN 116609678A CN 202310424744 A CN202310424744 A CN 202310424744A CN 116609678 A CN116609678 A CN 116609678A
- Authority
- CN
- China
- Prior art keywords
- lithium ion
- neural network
- ion battery
- voltage
- current
- 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.)
- Pending
Links
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 53
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 46
- 241000287127 Passeridae Species 0.000 claims abstract description 43
- 230000015654 memory Effects 0.000 claims abstract description 27
- 230000001537 neural effect Effects 0.000 claims abstract description 20
- 238000010845 search algorithm Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000010277 constant-current charging Methods 0.000 claims abstract description 10
- 238000007600 charging Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 230000007547 defect Effects 0.000 claims abstract description 4
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 239000012634 fragment Substances 0.000 claims description 12
- 230000002431 foraging effect Effects 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 238000010280 constant potential charging Methods 0.000 claims description 7
- 230000007787 long-term memory Effects 0.000 claims description 7
- 230000006403 short-term memory Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000012300 Sequence Analysis Methods 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 3
- 238000012352 Spearman correlation analysis Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000010281 constant-current constant-voltage charging Methods 0.000 abstract 1
- 238000010219 correlation analysis Methods 0.000 abstract 1
- 238000005065 mining Methods 0.000 abstract 1
- 230000007246 mechanism Effects 0.000 description 5
- 230000032683 aging Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种基于改进混合模型的锂离子电池剩余寿命预测方法。包括:获取锂离子电池在恒定电流充电、恒定电压充电过程中的充电电压、电流和时间数据;针对获取的数据,提取电压与时间、电流与时间的比值,采用皮尔逊和斯皮尔曼相关性分析法分析比值与电池容量的相关度;构建锂离子电池剩余寿命预测数据集,并分为训练集和测试集;建立卷积神经网络‑长短期记忆网络混合模型,采用改进的麻雀搜索算法优化混合模型参数,达到有效挖掘数据信息、并增强剩余使用寿命预测能力的目的;本发明提供的基于改进混合模型的锂离子电池剩余寿命预测方法,对电池剩余寿命预测具有较高的准确性和良好的适应性,改善了单一模型输出不稳定的缺陷。
Description
技术领域
本发明属于锂离子电池技术技术领域,特别是涉及一种基于改进混合模型的锂离子电池剩余寿命预测的方法。
背景技术
锂离子电池因其具有使用寿命长、工作温度范围宽、安全性能好、绿色环保的优点而被广泛应用于穿戴设备、电动汽车、动力电源及电池储能***等领域。然而,锂离子电池在循环使用过程中会不断老化,给电池使用的安全性和经济性带来挑战。为了保证电池***的安全稳定运行和高效操作,需要建立可靠的电池管理***。其中,锂离子电池剩余使用寿命预测是电池管理***的核心问题之一。
近年来,国内外学者关于锂离子电池剩余使用寿命预测的研究取得了诸多成果。主要的预测方法分为两类:基于机理模型的方法和基于数据驱动的方法。基于机理模型的方法依托锂离子电池老化机理,综合考虑电池内部结构、物理化学反应并通过电池的操作条件和失效机制建立动态模型进行剩余使用寿命预测。与基于机理模型的方法相比,基于数据驱动的方法不考虑锂离子电池的物理化学反应过程,可以看作一个黑盒,直接从电池数据中挖掘反应电池退化趋势的信息。近年来,机器学习算法的快速发展为锂离子电池的剩余使用寿命预测提供了新的机遇。
剩余使用寿命预测的关键性问题在于从锂离子电池运行数据中获取最能表现电池老化状态的因子并基于该类因子构建准确的预测模型。考虑到容量损失值在线提取困难,迫切需要寻找与容量高度相关并能表征电池退化的健康因子。
卷积神经网络能增强对锂离子电池的学习能力,有效挖掘数据间的规律,以卷积形式提取电池深层次特征信息形成特征向量;再通过池化层去除冗余信息优化神经网络的复杂度,将池化层结果输入长短期记忆网络网络;长短期记忆网络对卷积神经网络传入信息进行有选择地保留,最后利用其丰富的时序分析能力进行剩余使用寿命预测。
发明内容
本发明实施例的目的在于提供一种基于改进混合模型的锂离子电池剩余寿命预测方法,以实现对锂离子电池剩余使用寿命的准确预测。
为解决上述技术问题,本发明所采用的技术方案是,
步骤1、对锂离子电池进行多次充放电循环,获取每次充放电循环中的恒定电压、恒定电流及时间数据;
步骤2、对于获取的恒定电流充电数据,将该过程的充电电压分为4个等间距片段,确定每一个片段的起始电压、终止电压,再用终止电压与起始电压的差值除以两段电压的时间,得到变化速率比值。对于获取的恒定电压充电数据,将该过程的充电电流分为2个等间距片段,确定每个片段的起始电流、终止电流,再用终止电流与起始电流的差值除以两段电流的时间,得到变化速率比值;
步骤3、将计算得到的电压片段、电流片段变化速率比值与电池容量数据做皮尔逊和斯皮尔曼相关性分析。并将其作为锂离子电池剩余使用寿命数据集,并进行预处理,将处理后的数据集分为训练集和验证集;
步骤4、建立卷积神经网络-长短期记忆神经网络混合模型,引入改进的麻雀搜索算法对卷积神经网络-长短期记忆神经网络混合模型进行优化;
步骤5、使用训练集对优化后的卷积神经网络-长短期记忆循环神经网络混合模型进行训练,利用测试集检验模型的预测精度,评估模型估计效果。
在本发明一实施例中,所述步骤1包括以下分步骤:
步骤1.1、实验数据来源于美国航天局PCoE提供的公开数据集,选取其中四块LGChem 18650锂离子电池(B5、B6、B7、B18)的恒流充电数据。4块电池均在室温(24℃)环境下进行循环充放电实验,在充电过程中以1.5A的电流恒流充至截止电压(4.2V),随后以恒压模型继续充电至电流下降为20mA。
在本发明一实施例中,所述步骤2包括以下分步骤:
步骤2.1、提取恒定电流充电过程的电压片段数据时,设置的4个电压片段为[3.8-3.9]、[3.9-4.0]、[4.0-4.1]、[4.1-4.2],其变化速率比值定义为
其中,Δt1为从起始电压开始至终止电压所需时间;
步骤2.2、提取恒定电压充电过程的电流片段数据时,设置的2个电流片段为[1.5-1.0]、[1.0-0.5],其变化速率比值定义为
其中,Δt2为从起始电流开始至终止电流所需时间;
在本发明一实施例中,所述步骤3包括以下分步骤:
步骤3.1、针对步骤3获取的电压、电流变化速率比值,用皮尔逊和斯皮尔曼公式分析其与电池容量之间的相关度,设置两个变量a=(a1,a2,…,a3)和b=(b1,b2,…,bn)。Pearson公式为
其中:E为数学期望。P的绝对值约接近1,说明HF与容量的相关性就越高。
Spearman公式为
式中:为a和b的平均值。
在本发明一实施例中,所述步骤4包括以下分步骤:
步骤4.1、卷积神经网络-长短期记忆神经网络混合模型中,卷积神经网络的作用是增强对锂离子电池的学习能力,有效挖掘数据间的规律,以卷积形式提取电池深层次特征信息形成特征向量;再通过池化层去除冗余信息优化神经网络的复杂度,将池化层结果输入长短期记忆神经网络,长短期记忆神经网络的作用是对卷积神经网络传入信息进行有选择地保留,最后利用其丰富的时序分析能力进行锂离子电池剩余使用寿命预测;
步骤4.2、麻雀搜索算法中,麻雀种群被分为发现者、加入者和警戒者三类,发现者位置更新公式为:
加入者位置更新公式为:
警戒者位置更新公式为:
步骤4.2、引入反向学习策略和Levy飞行算法对麻雀搜索算法进行改进。利用反向学习策略生成种群的主要思想是根据随机生成的种群生成其反向种群,从中选择较优的种群作为下一代种群。反向学习策略将种群最初个体选定为更靠近最优解的个体,使得每个个体都离最优解更近一步,以便提高种群的所有个体收敛速度。为反向个体信息
式中:U为觅食范围的上界;L为觅食范围的下界;K为[0,1]之间的任意常数。
麻雀搜索算法引入反向学习策略后,发现者的改进位置更新如下
Levy飞行策略能扩大觅食范围,有利于增加种群多样性,可以很好地解决传统SSA算法陷入局部最优解的缺陷。Levy飞行策略步长公式s为
引入Levy飞行策略后,加入者的改进位置更新如下
步骤4.3、设置麻雀种群数N为30,最大迭代次数M为100,生产者占比PD为20%,警戒者占比SD为10%,安全阈值ST为0.8,参数维度dim为4。利用实际值与预测值之间的均方误差MSE作为适应度函数。
其中:为预测值,Ci为真实值。
根据适应度函数对麻雀进行排序,选出本次最优值麻雀。引入反向学习策略和Levy飞行算法更新发现者、加入者位置,将迭代后的最优值与之前保存最优值进行比较,判断是否满足迭代终止条件。若否,则按改进后的公式继续更新麻雀所在位置,开始下一次优化;若是,输出最优网络参数。
在本发明一实施例中,所述步骤5包括以下分步骤:
步骤5.1、对训练集数据进行预处理后作为卷积神经网络-长短期记忆循环神经网络混合模型的输入,电池容量作为混合模型的输出,对模型进行训练;
步骤5.2、引入绝对误差AE、均方根误差RMSE、平均绝对误差MAE对模型精度进行评估。
本发明的有益效果是
1、有效结合卷积神经网络的强特征提取能力和长短期记忆网络网络的时序分析能力,避免单一模型存输出不稳定
2、将电压片段斜率作为健康因子可以随时观察到电池的退化趋势,无需对健康状况进行估计,也不需要采集完整的充放电数据。
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简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明实施例提供的基于基于改进混合模型的锂离子电池剩余寿命预测方法的流程图;
图2为本发明实施例提供的四种锂离子电池容量衰退曲线;
图3为本发明实施例提供的不同锂离子电池恒流充电过程期间电压变化曲线;
图4为本发明实施例提供的不同锂离子电池恒压充电过程期间电流变化曲线;
图5为本发明实施例提供的卷积神经网络-长短期记忆神经网络混合模型示意图;
图6为本发明实施例提供的基于改进混合模型的锂离子电池剩余寿命预测方法与其他方法结果对比。
具体实施方式
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,所描述的实施例仅仅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。
在一个具体实施例中,如图1所示,一种基于改进混合模型的锂离子电池剩余寿命预测方法,包括以下步骤:
1、对锂离子电池进行多次充放电循环,实验数据来源于美国航天局PCoE提供的公开数据集,选取其中四块LG Chem 18650锂离子电池(B5、B6、B7、B18)的恒流充电数据。4块电池均在室温(24℃)环境下进行循环充放电实验,在充电过程中以1.5A的电流恒流充至截止电压(4.2V),随后以恒压模型继续充电至电流下降为20mA。运行参数如表1所示。
表1所选电池运行参数
2、4块电池容量衰减趋势如图2所示。如图3所示给出了电池恒流充电过程电压变化情况,将充电电压区间划分为四个等间距部分,提取恒定电流充电过程的电压片段数据时,设置的4个电压片段为[3.8-3.9]、[3.9-4.0]、[4.0-4.1]、[4.1-4.2],其变化速率比值定义为
其中,Δt1为从起始电压开始至终止电压所需时间;
如图4所示给出了电池恒压充电过程电流变化情况,提取恒定电压充电过程的电流片段数据时,设置的2个电流片段为[1.5-1.0]、[1.0-0.5],其变化速率比值定义为
其中,Δt2为从起始电流开始至终止电流所需时间;
3、针对步骤3获取的电压、电流变化速率比值,用皮尔逊和斯皮尔曼公式分析其与电池容量之间的相关度,设置两个变量a=(a1,a2,…,a3)和b=(b1,b2,…,bn)。Pearson公式为
式中:E为数学期望。P的绝对值约接近1,说明HF与容量的相关性就越高。
Spearman公式为
其中:为a和b的平均值。
不同电压电流区间变化率与容量如表2所示。
表2不同电压(电流)区间变化率与容量的相关度
4、卷积神经网络-长短期记忆神经网络混合模型中,卷积神经网络的作用是增强对锂离子电池的学习能力,有效挖掘数据间的规律,以卷积形式提取电池深层次特征信息形成特征向量;再通过池化层去除冗余信息优化神经网络的复杂度,将池化层结果输入长短期记忆神经网络,混合模型采用一维卷积神经网络提取锂离子电池数据特征,其数学模型为
其中:f(·)为激活函数;为第i层的第j个映射;/>为第i-1层的第j个映射;M为输入特征数量;/>为可训练的卷积核;/>偏置项。然而,卷积神经网络的缺陷在于无法有效利用锂离子电池数据的时序性特征。
长短期记忆神经网络的作用是对卷积神经网络传入信息进行有选择地保留,最后利用其丰富的时序分析能力进行锂离子电池剩余使用寿命预测;长短期记忆神经网络通过门控结构更新,分为遗忘门,输入门和输出门。其中,遗忘门指示上一层级单元被遗忘的程度;输入门与一个激活函数共同控制进入信息的范围,不断更新本单元的状态;输出门控制当前单元过滤程度。在t时刻其计算过程为
其中:ft、it、ot为三种门的计算结果;Wf、Wi、Wc为对应门与t时刻输入xt与中间输出ht-1乘积的权重矩阵;bf、bi、bc为对应门的偏置向量;σ和tanh为激活函数。
5、引入改进麻雀搜索算法优化混合模型参数,得到基于改进麻雀搜索算法优化的混合模型,进而进行锂离子电池剩余使用寿命预测;
所述麻雀搜索算法中,麻雀种群被分为发现者、加入者和警戒者三类,发现者位置更新公式为:
其中:t为当前迭代次数;iMAX为最大迭代次数,a的取值在(0,1]之间;为第i只麻雀在第j维的位置;Q是一个随机数,且符合正态分布;L为元素全部为1的矩阵。当R2<ST时,说明发现者可在该区域觅食;当R2≥ST时,代表有天敌存在,要立即离开。
加入者位置更新公式为:
其中:代表第t次迭代时种群适应度最差的位置;/>代表在第t+1次迭代时种群适应度最优位置;A和L为维度相同的矩阵,元素值为1或-1并满足A+=AT(AAT)-1。当i>n/2时,说明加入者适应度较差,需要飞行至其他位置;当时i≤n/2时,说明加入者适应度好,可以觅食生存。
警戒者位置更新公式为:
其中:为全局最优位置;β是符合(0,1)正态分布的步长控制参数;K为常数,取值范围在[-1,1]之间,M是为了避免分母为零设置的常数;fi和fg为全局当前最优、最差适应度值。当fi>fg时,说明麻雀所处位置可能遭到天敌攻击,当fi=fg时,说明麻雀观察到天敌,需要飞行至其他麻雀处规避。
所述改进麻雀搜索算法通过引入反向学习策略和Levy飞行算法对麻雀搜索算法进行改进。利用反向学习策略生成种群的主要思想是根据随机生成的种群生成其反向种群,从中选择较优的种群作为下一代种群。反向学习策略将种群最初个体选定为更靠近最优解的个体,使得每个个体都离最优解更近一步,以便提高种群的所有个体收敛速度。
为反向个体信息
式中:U为觅食范围的上界;L为觅食范围的下界;K为[0,1]之间的任意常数。
麻雀搜索算法引入反向学习策略后,发现者的改进位置更新如下
Levy飞行策略能扩大觅食范围,有利于增加种群多样性,可以很好地解决传统SSA算法陷入局部最优解的缺陷。Levy飞行策略步长公式s为
引入Levy飞行策略后,加入者的改进位置更新如下
5、设置麻雀种群数N为30,最大迭代次数M为100,生产者占比PD为20%,警戒者占比SD为10%,安全阈值ST为0.8,参数维度dim为4。利用实际值与预测值之间的均方误差MSE作为适应度函数。
其中:为预测值,Ci为真实值。
根据适应度函数对麻雀进行排序,选出本次最优值麻雀。引入反向学习策略和Levy飞行算法更新发现者、加入者位置,将迭代后的最优值与之前保存最优值进行比较,判断是否满足迭代终止条件。若否,则按改进后的公式继续更新麻雀所在位置,开始下一次优化;若是,输出最优网络参数。
6、对训练集数据进行预处理后作为卷积神经网络-长短期记忆循环神经网络混合模型的输入,电池容量作为混合模型的输出,对模型进行训练,引入绝对误差AE、均方根误差RMSE、平均绝对误差MAE对模型精度进行评估。其中,AE为预测寿命与真实寿命差值的绝对值,RMSE、MAE定义为
7、将麻雀搜索算法优化后的混合模型与卷积神经网络-长短期记忆网络混合模型、麻雀搜索算法优化的长短期记忆网络模型、麻雀搜索算法优化的卷积神经网络-长短期记忆网络混合模型进行对比,所有实验电池均设置两个起点,起点设置情况如表3所示。
表3不同电池的起点设置
预测结果以B5电池起点设置为80、100为例,曲线图见图6,各评价指标如表4。
表4不同方法的剩余使用寿命预测结果
其中,M1、M2、M3、M4分别为卷积神经网络-长短期记忆网络混合模型、麻雀搜索算法优化的长短期记忆网络模型、麻雀搜索算法优化的卷积神经网络-长短期记忆网络混合模型和本发明提供的基于改进混合模型的锂离子电池剩余寿命预测方法。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (7)
1.一种基于改进混合模型的锂离子电池剩余寿命预测方法,其特征在于:包括如下步骤:
步骤1、对锂离子电池进行多次充放电循环,获取每次充放电循环中的恒定电压、恒定电流及时间数据;
步骤2、对于获取的恒定电流充电数据,将该过程的充电电压分为4个等间距片段,确定每一个片段的起始电压、终止电压,再用终止电压与起始电压的差值除以两段电压的时间,得到变化速率比值;对于获取的恒定电压充电数据,将该过程的充电电流分为2个等间距片段,确定每个片段的起始电流、终止电流,再用终止电流与起始电流的差值除以两段电流的时间,得到变化速率比值;
步骤3、将计算得到的电压片段、电流片段变化速率比值与电池容量数据做皮尔逊和斯皮尔曼相关性分析,并将其作为锂离子电池剩余使用寿命数据集;进行预处理,将处理后的数据集分为训练集和验证集;
步骤4、建立卷积神经网络-长短期记忆神经网络混合模型,引入改进的麻雀搜索算法对卷积神经网络-长短期记忆神经网络混合模型进行优化;
步骤5、使用训练集对优化后的卷积神经网络-长短期记忆循环神经网络混合模型进行训练,利用测试集检验模型的预测精度,评估模型估计效果;
步骤6、将混合模型输出结果与其他方法进行比较。
2.根据权利要求1所述的基于改进混合模型的锂离子电池剩余寿命预测方法,其特征在于,所述步骤1包括以下分步骤:
步骤1.1、实验数据来源于美国航天局PCoE提供的公开数据集,选取其中四块LG Chem18650锂离子电池(B5、B6、B7、B18)的恒流充电数据;4块电池均在室温(24℃)环境下进行循环充放电实验,在充电过程中以1.5A的电流恒流充至截止电压(4.2V),随后以恒压模型继续充电至电流下降为20mA。
3.根据权利要求1所述的基于改进混合模型的锂离子电池剩余寿命预测方法,其特征在于,所述步骤2包括以下分步骤:
步骤2.1、提取恒定电流充电过程的电压片段数据时,设置的4个电压片段为[3.8-3.9]、[3.9-4.0]、[4.0-4.1]、[4.1-4.2],其变化速率比值定义为:
其中,Δt1为从起始电压开始至终止电压所需时间;
步骤2.2、提取恒定电压充电过程的电流片段数据时,设置的2个电流片段为[1.5-1.0]、[1.0-0.5],其变化速率比值定义为:
其中,Δt2为从起始电流开始至终止电流所需时间。
4.根据权利要求1所述的基于改进混合模型的锂离子电池剩余寿命预测方法,其特征在于,所述步骤3包括以下分步骤:
步骤3.1、针对步骤3获取的电压、电流变化速率比值,用皮尔逊和斯皮尔曼公式分析其与电池容量之间的相关度,设置两个变量a=(a1,a2,…,a3)和b=(b1,b2,…,bn)。Pearson公式为:
其中:E为数学期望。P的绝对值约接近1,说明HF与容量的相关性就越高;
Spearman公式为:
其中:为a和b的平均值。
5.根据权利要求1所述的基于改进混合模型的锂离子电池剩余寿命预测方法,其特征在于,所述步骤4包括以下分步骤:
步骤4.1、卷积神经网络-长短期记忆神经网络混合模型中,卷积神经网络的作用是增强对锂离子电池的学习能力,有效挖掘数据间的规律,以卷积形式提取电池深层次特征信息形成特征向量;再通过池化层去除冗余信息优化神经网络的复杂度,将池化层结果输入长短期记忆神经网络,混合模型采用一维卷积神经网络提取锂离子电池数据特征,其数学模型为:
其中:f(·)为激活函数;为第i层的第j个映射;/>为第i-1层的第j个映射;M为输入特征数量;/>为可训练的卷积核;/>偏置项。然而,卷积神经网络的缺陷在于无法有效利用锂离子电池数据的时序性特征;
长短期记忆神经网络的作用是对卷积神经网络传入信息进行有选择地保留,最后利用其丰富的时序分析能力进行锂离子电池剩余使用寿命预测;长短期记忆神经网络通过门控结构更新,分为遗忘门,输入门和输出门,其中遗忘门指示上一层级单元被遗忘的程度;输入门与一个激活函数共同控制进入信息的范围,不断更新本单元的状态;输出门控制当前单元过滤程度;在t时刻其计算过程为:
其中:ft、it、ot为三种门的计算结果;Wf、Wi、Wc为对应门与t时刻输入xt与中间输出ht-1乘积的权重矩阵;bf、bi、bc为对应门的偏置向量;σ和tanh为激活函数;
步骤4.2、麻雀搜索算法中,麻雀种群被分为发现者、加入者和警戒者三类,发现者位置更新公式为:
加入者位置更新公式为:
警戒者位置更新公式为:
步骤4.3、引入反向学习策略和Levy飞行算法对麻雀搜索算法进行改进;利用反向学习策略生成种群的主要思想是根据随机生成的种群生成其反向种群,从中选择较优的种群作为下一代种群;反向学习策略将种群最初个体选定为更靠近最优解的个体,使得每个个体都离最优解更近一步,以便提高种群的所有个体收敛速度;为反向个体信息表示为:
式中:U为觅食范围的上界;L为觅食范围的下界;K为[0,1]之间的任意常数;
麻雀搜索算法引入反向学习策略后,发现者的改进位置表示为:
Levy飞行策略能扩大觅食范围,有利于增加种群多样性,可以很好地解决传统SSA算法陷入局部最优解的缺陷;Levy飞行策略步长公式s为:
引入Levy飞行策略后,加入者的改进位置表示为:
步骤4.4、设置麻雀种群数N为30,最大迭代次数M为100,生产者占比PD为20%,警戒者占比SD为10%,安全阈值ST为0.8,参数维度dim为4;利用实际值与预测值之间的均方误差MSE作为适应度函数,MSE表示为:
其中:为预测值,Ci为真实值;
根据适应度函数对麻雀进行排序,选出本次最优值麻雀;引入反向学习策略和Levy飞行算法更新发现者、加入者位置,将迭代后的最优值与之前保存最优值进行比较,判断是否满足迭代终止条件;若否,则按改进后的公式继续更新麻雀所在位置,开始下一次优化;若是,输出最优网络参数。
6.根据权利要求1所述的基于改进混合模型的锂离子电池剩余寿命预测方法,其特征在于,所述步骤5包括以下分步骤:
步骤5.1、对训练集数据进行预处理后作为卷积神经网络-长短期记忆循环神经网络混合模型的输入,电池容量作为混合模型的输出,对模型进行训练;
步骤5.2、引入绝对误差AE、均方根误差RMSE、平均绝对误差MAE对模型精度进行评估。
7.根据权利要求1所述的基于改进混合模型的锂离子电池剩余寿命预测方法,其特征在于,所述步骤6包括以下分步骤:
步骤6.1、将麻雀搜索算法优化后的混合模型与卷积神经网络-长短期记忆网络混合模型、麻雀搜索算法优化的长短期记忆网络模型、麻雀搜索算法优化的卷积神经网络-长短期记忆网络混合模型进行对比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310424744.5A CN116609678A (zh) | 2023-04-19 | 2023-04-19 | 基于改进混合模型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 |
---|---|---|---|
CN202310424744.5A CN116609678A (zh) | 2023-04-19 | 2023-04-19 | 基于改进混合模型的锂离子电池剩余寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116609678A true CN116609678A (zh) | 2023-08-18 |
Family
ID=87673700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310424744.5A Pending CN116609678A (zh) | 2023-04-19 | 2023-04-19 | 基于改进混合模型的锂离子电池剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116609678A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236200A (zh) * | 2023-11-16 | 2023-12-15 | 北京航空航天大学 | 基于数据驱动降阶模型的飞行汽车电池快充策略优化方法 |
-
2023
- 2023-04-19 CN CN202310424744.5A patent/CN116609678A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236200A (zh) * | 2023-11-16 | 2023-12-15 | 北京航空航天大学 | 基于数据驱动降阶模型的飞行汽车电池快充策略优化方法 |
CN117236200B (zh) * | 2023-11-16 | 2024-02-02 | 北京航空航天大学 | 基于数据驱动降阶模型的飞行汽车电池快充策略优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993270B (zh) | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 | |
CN112016734B (zh) | 基于lstm栈式自编码多模型荷预测方法及*** | |
CN112348271A (zh) | 基于vmd-ipso-gru的短期光伏功率预测方法 | |
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 | |
CN114861527A (zh) | 一种基于时间序列特征的锂电池寿命预测方法 | |
CN110007235A (zh) | 一种电动汽车蓄电池soc在线预测方法 | |
CN116609678A (zh) | 基于改进混合模型的锂离子电池剩余寿命预测方法 | |
CN116736133A (zh) | 锂离子电池全寿命周期容量退化轨迹的早期预测方法 | |
CN116774088A (zh) | 基于多目标优化的锂离子电池健康状态估计方法 | |
CN112149896A (zh) | 一种基于注意力机制的机械设备多工况故障预测方法 | |
Eleftheriadis et al. | Hyperband optimization of stacked bidirectional long short-term memory neural network for the state of charge estimation | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及*** | |
CN117368784A (zh) | 一种基于特征压缩的电池健康状态预测方法 | |
CN112014757A (zh) | 一种容量增量分析与遗传小波神经网络融合的电池soh估计方法 | |
CN117312835A (zh) | 一种基于混合概率数据驱动模型的燃料电池性能预测方法 | |
CN116794547A (zh) | 一种基于afsa-gru的锂离子电池剩余使用寿命预测方法 | |
CN117007974A (zh) | 一种基于模型融合的固态电池soc估计方法 | |
CN115758187A (zh) | 一种基于k-cnn--n-gru的煤矿机械电机状态预测方法 | |
Zhang et al. | Modeling of electric vehicle batteries using rbf neural networks | |
CN115619028A (zh) | 一种基于聚类算法融合的电力负荷精准预测方法 | |
Zhou et al. | Remaining useful life prediction and state of health diagnosis of lithium-ion batteries with multiscale health features based on optimized CatBoost algorithm | |
CN116258059A (zh) | 一种基于多时空宽度学习模型的锂电池温度实时预测模型以及构建方法 | |
CN115542168A (zh) | 基于融合数据驱动模型的锂电池剩余使用寿命预测方法 | |
CN114895206A (zh) | 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法 | |
Taha et al. | Learning to run a power network under varying grid topology |
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 |