CN117289167A - 基于多重神经网络的电池剩余寿命预测方法、装置及介质 - Google Patents
基于多重神经网络的电池剩余寿命预测方法、装置及介质 Download PDFInfo
- Publication number
- CN117289167A CN117289167A CN202311423969.5A CN202311423969A CN117289167A CN 117289167 A CN117289167 A CN 117289167A CN 202311423969 A CN202311423969 A CN 202311423969A CN 117289167 A CN117289167 A CN 117289167A
- Authority
- CN
- China
- Prior art keywords
- battery
- neural network
- charge
- discharge
- life prediction
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 51
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 34
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 34
- 238000012795 verification Methods 0.000 claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 230000002068 genetic effect Effects 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 22
- 230000010354 integration Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 238000007600 charging Methods 0.000 claims description 13
- 238000007599 discharging Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000015556 catabolic process Effects 0.000 claims description 8
- 238000006731 degradation reaction Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 210000000349 chromosome Anatomy 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 5
- 229910001416 lithium ion Inorganic materials 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000032683 aging Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000032953 Device battery issue Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010280 constant potential charging Methods 0.000 description 1
- 238000010277 constant-current charging Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009966 trimming 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了基于多重神经网络的电池剩余寿命预测方法、装置及介质，通过根据多个锂电池在不同充放电周期内的充放电参数计算各个充放周期的剩余寿命；对锂电池在各个充放电周期内的剩余寿命进行预处理和归一化，构建训练集；将所述训练集输入到预先构建的异质神经网络模型中进行模型训练；从所述训练集中抽选验证集，并利用遗传算法排除所述验证集中的不良个体，保留最优子集作为退役电池的剩余寿命预测模型；将待测电池的充放电数据进行预处理和归一化后，输入到所述剩余寿命预测模型，输出所述待测电池的剩余寿命。本申请能够在保证基础模型独立的同时兼顾预测准确度。
Description
技术领域
本发明涉及电池检测技术领域，尤其涉及基于多重神经网络的电池剩余寿命预测方法、装置及介质。
背景技术
与传统电池相比，锂电池具有输出电压高、能量密度高、自放电小、循环寿命长、可靠性高等优点。这些优点使得锂离子电池在更多领域得到了更广泛的应用。但是电池故障可能导致动力设备或***的性能下降或故障，从而增加成本。特别是电动汽车用锂电池如果管理不善，会引发火灾和***。因此，准确预测锂电池的剩余使用寿命在锂电池状态估计和健康管理中发挥着越来越重要的作用。
电池的寿命预测方法主要可分为基于等效电路模型的预测方法和数据驱动的预测方法。由于锂离子电池内部高度复杂的化学反应，全面的内部状态数据通常难以检测和收集，难以用于电池退化建模。锂离子电池的状态除了受到工作温度、电路、负载等环境因素的影响外，还具有很强的脆弱性，因此很难建立准确的锂电池退化预测模型。近年来，数据驱动方法在基于多重神经网络的电池剩余寿命预测研究领域引起了广泛关注。目前常用的数据驱动的剩余寿命预测方法主要是应用支持向量机等浅层学习方法、深度信念网络、卷积神经网络和长短期记忆网络等深度学习方法来实现的。但是由于深度学习对结构复杂度的高敏感性，现有的集成框架很难在保证基础模型独立的同时兼顾预测准确度。
发明内容
针对上述缺陷，本发明提供基于多重神经网络的电池剩余寿命预测方法、装置及介质，在保证基础模型独立的同时兼顾预测准确度。
本发明实施例提供一种基于多重神经网络的电池剩余寿命预测方法，所述方法包括：
根据多个锂电池在不同充放电周期内的充放电参数计算各个充放周期的剩余寿命；
对锂电池在各个充放电周期内的剩余寿命进行预处理和归一化，构建训练集；
将所述训练集输入到预先构建的异质神经网络模型中进行模型训练；
从所述训练集中抽选验证集，并利用遗传算法排除所述验证集中的不良个体，保留最优子集作为退役电池的剩余寿命预测模型；
将待测电池的充放电数据进行预处理和归一化后，输入到所述剩余寿命预测模型，输出所述待测电池的剩余寿命。
优选地，所述充放电参数包括充电电流、放电电流、外部温度、电压范围、充放电循环次数和实际剩余容量；
锂电池在每个充放电周期的剩余寿命RUL＝L+1-i；
其中，L为电池初始退化到失效期间经历的总充放电循环次数，i为电池当前的充放电循环次数。
作为一种优选方案，所述异质神经网络模型具体为长短时记忆神经网络、卷积神经网络和CNN-LSTM组合网络异质集成得到。
优选地，所述从所述训练集中抽选验证集，并利用遗传算法排除所述验证集中的不良个体，保留最优子集作为退役电池的剩余寿命预测模型，包括：
步骤1，使用算法生成初始种群，并从训练集中抽取独立的验证集；
步骤2，在所述验证集上采用平均集成算法来计算每个染色体对应的神经网络子集的集成预测结果；
步骤3，使用预测结果的均方根误差的倒数作为适应度函数，并通过筛选、交叉和突变来获取子代种群；
步骤4，判断迭代次数是否达到终止迭代次数；
若否，返回步骤2；
若是，执行步骤5；
步骤5，选择最优个体作为退役电池的剩余寿命预测模型。
本发明实施例提供一种基于多重神经网络的电池剩余寿命预测装置，所述装置包括：
数据获取模块，用于根据多个锂电池在不同充放电周期内的充放电参数计算各个充放周期的剩余寿命；
预处理模块，用于对锂电池在各个充放电周期内的剩余寿命进行预处理和归一化，构建训练集；
训练模块，用于将所述训练集输入到预先构建的异质神经网络模型中进行模型训练；
择优模块，用于从所述训练集中抽选验证集，并利用遗传算法排除所述验证集中的不良个体，保留最优子集作为退役电池的剩余寿命预测模型；
预测模块，用于将待测电池的充放电数据进行预处理和归一化后，输入到所述剩余寿命预测模型，输出所述待测电池的剩余寿命。
优选地，所述充放电参数包括充电电流、放电电流、外部温度、电压范围、充放电循环次数和实际剩余容量；
锂电池在每个充放电周期的剩余寿命RUL＝L+1-i；
其中，L为电池初始退化到失效期间经历的总充放电循环次数，i为电池当前的充放电循环次数。
作为一种优选方案，所述异质神经网络模型具体为长短时记忆神经网络、卷积神经网络和CNN-LSTM组合网络异质集成得到。
优选地，所述择优模块具体用于执行：
步骤1，使用算法生成初始种群，并从训练集中抽取独立的验证集；
步骤2，在所述验证集上采用平均集成算法来计算每个染色体对应的神经网络子集的集成预测结果；
步骤3，使用预测结果的均方根误差的倒数作为适应度函数，并通过筛选、交叉和突变来获取子代种群；
步骤4，判断迭代次数是否达到终止迭代次数；
若否，返回步骤2；
若是，执行步骤5；
步骤5，选择最优个体作为退役电池的剩余寿命预测模型。
本发明实施例还提供一种基于多重神经网络的电池剩余寿命预测装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述实施例中任意一项所述的基于多重神经网络的电池剩余寿命预测方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述实施例中任意一项所述的基于多重神经网络的电池剩余寿命预测方法。
本发明提供的基于多重神经网络的电池剩余寿命预测方法、装置及介质，通过根据多个锂电池在不同充放电周期内的充放电参数计算各个充放周期的剩余寿命；对锂电池在各个充放电周期内的剩余寿命进行预处理和归一化，构建训练集；将所述训练集输入到预先构建的异质神经网络模型中进行模型训练；从所述训练集中抽选验证集，并利用遗传算法排除所述验证集中的不良个体，保留最优子集作为退役电池的剩余寿命预测模型；将待测电池的充放电数据进行预处理和归一化后，输入到所述剩余寿命预测模型，输出所述待测电池的剩余寿命。本申请能够在保证基础模型独立的同时兼顾预测准确度。
附图说明
图1是本发明实施例提供一种基于多重神经网络的电池剩余寿命预测方法的流程示意图；
图2是本发明实施例提供的异质神经网络模型的结构示意图；
图3是本发明实施例提供的基于遗传算法的选择性集成的流程示意图；
图4是本发明实施例提供的基于多重神经网络的电池剩余寿命预测装置的结构示意图；
图5是本发明另一实施例提供的基于多重神经网络的电池剩余寿命预测装置的结构示意图。
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作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。
参见图1，是本发明实施例提供一种基于多重神经网络的电池剩余寿命预测方法的流程示意图，所述方法包括步骤S1～S5：
S1，根据多个锂电池在不同充放电周期内的充放电参数计算各个充放周期的剩余寿命；
S2，对锂电池在各个充放电周期内的剩余寿命进行预处理和归一化，构建训练集；
S3，将所述训练集输入到预先构建的异质神经网络模型中进行模型训练；
S4，从所述训练集中抽选验证集，并利用遗传算法排除所述验证集中的不良个体，保留最优子集作为退役电池的剩余寿命预测模型；
S5，将待测电池的充放电数据进行预处理和归一化后，输入到所述剩余寿命预测模型，输出所述待测电池的剩余寿命。
在本实施例具体实施时，收集多个锂电池在不同充放电周期内的数据，根据这些数据计算每个充放电周期的剩余寿命。
对锂电池在各个充放电周期内的数据和剩余寿命进行预处理，通过归一化方法将所有提取特征值的取值范围转化为[0,1]。构建训练集，其中包括预处理归一化后的充放电数据和对应的剩余寿命。
将训练集输入预先构建的异质神经网络结构模型，进行模型训练，获得训练后的异质神经网络模型。
从所述训练集中抽选验证集，依照设计指标，利用遗传算法排除候选集中的不良个体，进一步筛选并保留最优子集作为退役电池的剩余寿命预测模型；
将待测电池的充放电数据进行预处理和归一化后，输入到所述剩余寿命预测模型中进行寿命预测，输出预测的退役电池剩余寿命。
本申请提出一种基于多重深度神经网络集成的退役电池剩余寿命预测方法。首先设计多方法联合扰动下的候选集生成方案，通过采用异质神经网络结构、多时间尺度设计消除模型内部耦合关系，强化候选深度神经网络集多样性；接着遗传算法集成修剪冗余模型，有效剔除性能不佳的冗余学***均集成输出预测结果。本方法通过同步增强集成模型准确性和多样性，提升了RUL预测精度，可为运维决策提供有力支撑。在保证基础模型独立的同时兼顾预测准确度。
在本发明提供的又一实施例中，所述充放电参数包括充电电流、放电电流、外部温度、电压范围、充放电循环次数和实际剩余容量；
待测锂电池在每个充放电周期的剩余寿命RUL＝L+1-i；
其中，L为电池初始退化到失效期间经历的总充放电循环次数，i为电池当前的充放电循环次数。
在本实施例具体实施时，获取锂电池的全寿命试验数据，即电池在不同充放电周期内的剩余寿命数据，作为寿命预测算法的训练集。
在充电过程中，首先进行恒流充电，将电流设定为恒定值，同时将电压升至最大上限。电压保持在恒定值，称为恒压充电。当电压保持在恒定值时，电流下降到一定的阈值。
在放电过程中，首先让电池以特定电流值的恒定电流进行放电，直到不同锂电池的电压分别下降到特定的电压值。
获取的充放电数据包括充电电流、放电电流、外部温度、电压范围、充放电循环次数和实际剩余容量。
电池在每个充放电周期的剩余寿命的计算公式如下：
RUL＝L+1-i
其中，L为电池初始退化到失效期间经历的总充放电循环次数，i为电池当前的充放电循环次数。
在本发明提供的又一实施例中，所述异质神经网络模型具体为长短时记忆神经网络、卷积神经网络和CNN-LSTM组合网络异质集成得到。
在本实施例具体实施时，参见图2，是本发明实施例提供的异质神经网络模型的结构示意图；在模型结构的多样性方面，选择3种不同的深度神经网络结构进行异质集成，包括长短时记忆神经网络(LSTM)、卷积神经网络(CNN)和CNN-LSTM组合网络。其中，CNN用于提取深层次的局部特征，然后将其输入到LSTM中进行长距离特征提取。最后，通过变换将特征输入到全连接层中，以获得预测结果。
在时间尺度多样性方面，采用多时间尺度方案。预先设定一组备选时间窗长度{T1,T2,T3,...,Tn}，训练多组模型。
对于一条长度为ti的测试样本，划分出所有满足T ti的所有子集{T1,T2,T3,...,Tm}，其中{T1,T2,T3,...,Tm}是{T1,T2,T3,...,Tn}的子集，那么该子组中的所有模型即可作为该测试样本的多时间尺度候选集。
在本发明提供的又一实施例中，所述步骤S4具体包括：
步骤1，使用算法生成初始种群，并从训练集中抽取独立的验证集；
步骤2，在所述验证集上采用平均集成算法来计算每个染色体对应的神经网络子集的集成预测结果；
步骤3，使用预测结果的均方根误差的倒数作为适应度函数，并通过筛选、交叉和突变来获取子代种群；
步骤4，判断迭代次数是否达到终止迭代次数；
若否，返回步骤2；
若是，执行步骤5；
步骤5，选择最优个体作为退役电池的剩余寿命预测模型。
在本实施例具体实施时，参见图3，是本发明实施例提供的基于遗传算法的选择性集成的流程示意图；剩余寿命预测模型确定过程具体包括：
使用算法生成初始种群，并从训练集中抽取独立的验证集。
在验证集上，采用平均集成算法来计算每个染色体对应的神经网络子集的集成预测结果；
使用预测结果的均方根误差RMSE的倒数作为适应度函数，并通过筛选、交叉和突变来获取子代种群；
判断迭代次数是否达到终止迭代次数；
若否，重复上述选择过程，直到达到终止迭代代数。
若是，选择最优个体作为退役电池剩余寿命预测模型的集成模型，得到剩余寿命预测模型。
本申请采用基于实验室搭建的高性能电池测试***，包括计算机、单体电池测试设备和恒温箱，在25℃的恒温下对锂离子电池进行老化试验，获得锂离子电池的老化数据。实验数据来源于实验室搭建的高性能电池测试***和NASA数据库中的锂电池加速老化数据。实验电池为力神18650磷酸铁锂电池，标称容量和电压分别为2.4Ah和3.6V。锂电池的负极和正极分别由石墨和磷酸铁锂组成。实验室单体锂电池(简称电池1)和NASA单体锂电池(简称电池2)的老化试验结果的误差在20％以内。
与传统的深度学习训练模型相比，本申请能够有效解决训练模型多样性欠缺的问题，消除了单一模型结构和固定时间尺度对预测模型多样性的限制，显著地降低了参算法数寻优过程的计算量。本申请利用遗传算法对多重深度神经网络进行优化，集成并删除了模型集中的冗余模型，进一步在模型集中筛选出最优候选子集，大大提高了寿命预测模型的准确性和多样性。
本方发明实施例还提供一种基于多重神经网络的电池剩余寿命预测装置，参见图4，是本发明实施例提供的基于多重神经网络的电池剩余寿命预测装置的结构示意图，所述装置包括：
数据获取模块，用于根据多个锂电池在不同充放电周期内的充放电参数计算各个充放周期的剩余寿命；
预处理模块，用于对锂电池在各个充放电周期内的剩余寿命进行预处理和归一化，构建训练集；
训练模块，用于将所述训练集输入到预先构建的异质神经网络模型中进行模型训练；
择优模块，用于从所述训练集中抽选验证集，并利用遗传算法排除所述验证集中的不良个体，保留最优子集作为退役电池的剩余寿命预测模型；
预测模块，用于将待测电池的充放电数据进行预处理和归一化后，输入到所述剩余寿命预测模型，输出所述待测电池的剩余寿命。
需要说明的是，本发明实施例提供的所述基于多重神经网络的电池剩余寿命预测装置能够执行上述实施例中任意实施例所述的基于多重神经网络的电池剩余寿命预测方法，对基于多重神经网络的电池剩余寿命预测装置的具体功能在此不作赘述。
参见图5，是本发明另一实施例提供的基于多重神经网络的电池剩余寿命预测装置的结构示意图。该实施例的基于多重神经网络的电池剩余寿命预测装置包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如基于多重神经网络的电池剩余寿命预测程序。所述处理器执行所述计算机程序时实现上述各个基于多重神经网络的电池剩余寿命预测方法实施例中的步骤，例如图1所示的步骤S1～S5。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述基于多重神经网络的电池剩余寿命预测装置中的执行过程。例如，所述计算机程序可以被分割成各个模块，各模块具体功能再次不作赘述。
所述基于多重神经网络的电池剩余寿命预测装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于多重神经网络的电池剩余寿命预测装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是基于多重神经网络的电池剩余寿命预测装置的示例，并不构成对基于多重神经网络的电池剩余寿命预测装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于多重神经网络的电池剩余寿命预测装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于多重神经网络的电池剩余寿命预测装置的控制中心，利用各种接口和线路连接整个基于多重神经网络的电池剩余寿命预测装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于多重神经网络的电池剩余寿命预测装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述基于多重神经网络的电池剩余寿命预测装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于多重神经网络的电池剩余寿命预测方法，其特征在于，所述方法包括：
根据多个锂电池在不同充放电周期内的充放电参数计算各个充放周期的剩余寿命；
对锂电池在各个充放电周期内的剩余寿命进行预处理和归一化，构建训练集；
将所述训练集输入到预先构建的异质神经网络模型中进行模型训练；
从所述训练集中抽选验证集，并利用遗传算法排除所述验证集中的不良个体，保留最优子集作为退役电池的剩余寿命预测模型；
将待测电池的充放电数据进行预处理和归一化后，输入到所述剩余寿命预测模型，输出所述待测电池的剩余寿命。
2.如权利要求1所述的基于多重神经网络的电池剩余寿命预测方法，其特征在于，所述充放电参数包括充电电流、放电电流、外部温度、电压范围、充放电循环次数和实际剩余容量；
锂电池在每个充放电周期的剩余寿命RUL＝L+1-i；
其中，L为电池初始退化到失效期间经历的总充放电循环次数，i为电池当前的充放电循环次数。
3.如权利要求1所述的基于多重神经网络的电池剩余寿命预测方法，其特征在于，所述异质神经网络模型具体为长短时记忆神经网络、卷积神经网络和CNN-LSTM组合网络异质集成得到。
4.如权利要求1所述的基于多重神经网络的电池剩余寿命预测方法，其特征在于，所述从所述训练集中抽选验证集，并利用遗传算法排除所述验证集中的不良个体，保留最优子集作为退役电池的剩余寿命预测模型，包括：
步骤1，使用算法生成初始种群，并从训练集中抽取独立的验证集；
步骤2，在所述验证集上采用平均集成算法来计算每个染色体对应的神经网络子集的集成预测结果；
步骤3，使用预测结果的均方根误差的倒数作为适应度函数，并通过筛选、交叉和突变来获取子代种群；
步骤4，判断迭代次数是否达到终止迭代次数；
若否，返回步骤2；
若是，执行步骤5；
步骤5，选择最优个体作为退役电池的剩余寿命预测模型。
5.一种基于多重神经网络的电池剩余寿命预测装置，其特征在于，所述装置包括：
数据获取模块，用于根据多个锂电池在不同充放电周期内的充放电参数计算各个充放周期的剩余寿命；
预处理模块，用于对锂电池在各个充放电周期内的剩余寿命进行预处理和归一化，构建训练集；
训练模块，用于将所述训练集输入到预先构建的异质神经网络模型中进行模型训练；
择优模块，用于从所述训练集中抽选验证集，并利用遗传算法排除所述验证集中的不良个体，保留最优子集作为退役电池的剩余寿命预测模型；
预测模块，用于将待测电池的充放电数据进行预处理和归一化后，输入到所述剩余寿命预测模型，输出所述待测电池的剩余寿命。
6.如权利要求5所述的基于多重神经网络的电池剩余寿命预测装置，其特征在于，所述充放电参数包括充电电流、放电电流、外部温度、电压范围、充放电循环次数和实际剩余容量；
锂电池在每个充放电周期的剩余寿命RUL＝L+1-i；
其中，L为电池初始退化到失效期间经历的总充放电循环次数，i为电池当前的充放电循环次数。
7.如权利要求5所述的基于多重神经网络的电池剩余寿命预测装置，其特征在于，所述异质神经网络模型具体为长短时记忆神经网络、卷积神经网络和CNN-LSTM组合网络异质集成得到。
8.如权利要求5所述的基于多重神经网络的电池剩余寿命预测装置，其特征在于，所述择优模块具体用于执行：
步骤1，使用算法生成初始种群，并从训练集中抽取独立的验证集；
步骤2，在所述验证集上采用平均集成算法来计算每个染色体对应的神经网络子集的集成预测结果；
步骤3，使用预测结果的均方根误差的倒数作为适应度函数，并通过筛选、交叉和突变来获取子代种群；
步骤4，判断迭代次数是否达到终止迭代次数；
若否，返回步骤2；
若是，执行步骤5；
步骤5，选择最优个体作为退役电池的剩余寿命预测模型。
9.一种基于多重神经网络的电池剩余寿命预测装置，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至4中任意一项所述的基于多重神经网络的电池剩余寿命预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至4中任意一项所述的基于多重神经网络的电池剩余寿命预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311423969.5A CN117289167A (zh) | 2023-10-27 | 2023-10-27 | 基于多重神经网络的电池剩余寿命预测方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311423969.5A CN117289167A (zh) | 2023-10-27 | 2023-10-27 | 基于多重神经网络的电池剩余寿命预测方法、装置及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117289167A true CN117289167A (zh) | 2023-12-26 |
Family
ID=89244518
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311423969.5A Pending CN117289167A (zh) | 2023-10-27 | 2023-10-27 | 基于多重神经网络的电池剩余寿命预测方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117289167A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117709205A (zh) * | 2024-02-05 | 2024-03-15 | 华南师范大学 | 航空发动机剩余使用寿命预测方法、装置、设备以及介质 |
-
2023
- 2023-10-27 CN CN202311423969.5A patent/CN117289167A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117709205A (zh) * | 2024-02-05 | 2024-03-15 | 华南师范大学 | 航空发动机剩余使用寿命预测方法、装置、设备以及介质 |
| CN117709205B (zh) * | 2024-02-05 | 2024-05-07 | 华南师范大学 | 航空发动机剩余使用寿命预测方法、装置、设备以及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Lithium-ion battery capacity estimation—A pruned convolutional neural network approach assisted with transfer learning | |
| CN110224192B (zh) | 一种梯次利用动力电池寿命预测方法 | |
| CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
| CN109324291B (zh) | 一种针对质子交换膜燃料电池寿命预测的预测方法 | |
| Liu et al. | Future ageing trajectory prediction for lithium-ion battery considering the knee point effect | |
| CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
| CN107132490B (zh) | 一种实现锂电池组荷电状态估计的方法 | |
| CN110082682B (zh) | 一种锂电池荷电状态估计方法 | |
| CN108009585B (zh) | 基于局部信息融合的铅酸电池健康状态预测方法 | |
| 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 | |
| CN113125960A (zh) | 一种基于随机森林模型的车载锂离子电池荷电状态预测方法 | |
| CN109800446B (zh) | 一种锂离子电池放电过程电压不一致性估计方法及装置 | |
| CN112686380A (zh) | 基于神经网络的梯次动力电芯一致性评估方法和*** | |
| CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和*** | |
| CN115508711B (zh) | 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 | |
| CN112666479A (zh) | 一种基于充电循环融合的电池寿命预测方法 | |
| CN113484774A (zh) | 一种基于温度校准和神经网络的锂电池组容量估计方法 | |
| CN114578234A (zh) | 一种考虑因果性特征的锂离子电池退化与容量预测模型 | |
| Sheikh et al. | A data-driven comparative analysis of lithium-ion battery state of health and capacity estimation | |
| CN113657030A (zh) | 一种基于高斯过程回归的锂电池剩余使用寿命预测方法 | |
| CN112084459A (zh) | 电池充放电循环寿命的预测方法、装置、电子终端、及存储介质 | |
| Song et al. | Capacity estimation method of lithium-ion batteries based on deep convolution neural network | |
| CN116794547A (zh) | 一种基于afsa-gru的锂离子电池剩余使用寿命预测方法 | |
| Lu et al. | Deep learning to predict battery voltage behavior after uncertain cycling-induced degradation | |
| 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 |
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 |