CN117825998A - 一种锂离子电池剩余寿命预测方法、***、设备及介质 - Google Patents
一种锂离子电池剩余寿命预测方法、***、设备及介质 Download PDFInfo
- Publication number
- CN117825998A CN117825998A CN202311862070.3A CN202311862070A CN117825998A CN 117825998 A CN117825998 A CN 117825998A CN 202311862070 A CN202311862070 A CN 202311862070A CN 117825998 A CN117825998 A CN 117825998A
- Authority
- CN
- China
- Prior art keywords
- battery
- model
- residual
- lithium ion
- relaxation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 82
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 39
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 39
- 238000000605 extraction Methods 0.000 claims abstract description 32
- 230000032683 aging Effects 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 29
- 238000005070 sampling Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 101150073818 gap gene Proteins 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000036541 health Effects 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 8
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 8
- 238000007600 charging Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000013508 migration Methods 0.000 description 5
- 230000005012 migration Effects 0.000 description 5
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 4
- 238000007599 discharging Methods 0.000 description 4
- 229910052744 lithium Inorganic materials 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 229910013716 LiNi Inorganic materials 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 239000007774 positive electrode material Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 229910006020 NiCoAl Inorganic materials 0.000 description 1
- 229910006025 NiCoMn Inorganic materials 0.000 description 1
- 239000011149 active material Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010280 constant potential charging Methods 0.000 description 1
- 238000010277 constant-current charging Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007784 solid electrolyte Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000010926 waste battery Substances 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明属于人工智能与电池健康管理的交叉领域，公开了一种锂离子电池剩余寿命预测方法、***、设备及介质；所述锂离子电池剩余寿命预测方法包括以下步骤：基于待剩余寿命预测的锂离子电池，获取寿命终点以及剩余寿命预测时的弛豫电压、电池容量；基于获取的数据，利用预先训练好的剩余寿命预测模型进行预测，获得以剩余循环次数表示的锂离子电池剩余寿命；其中，剩余寿命预测模型包括特征提取层、预测层和输出层；特征提取层用于从弛豫电压中提取老化因子；预测层自适应增强算法模型。本发明技术方案能够丰富电池建模可用数据来源，为电池寿命预测工作挖掘更多有潜力的老化因子，能够提高预测精度和泛化性能。
Description
技术领域
本发明属于人工智能与电池健康管理的交叉领域，特别涉及一种锂离子电池剩余寿命预测方法、***、设备及介质。
背景技术
锂离子电池具有高能量密度、较长寿命和较低成本的特点，近些年获得了广泛应用，成为了可折叠电子设备、电动车以及其他设备的主要能量储存装置。较长的寿命使得电池在循环性能方面表现的反馈非常滞后，通常需要几个月甚至几年时间；使用早期循环数据的寿命精准预测，将打开在电池制造、使用和优化领域的新机会。具体示例性的，厂商可以加速电池研发的周期，快速验证新的生成工艺以及通过预期寿命对新电池进行打分评级；终端用户可以对电池的预期寿命做评估。另外，在当前第一批新能源车载电池即将面临退役的背景下，对旧电池剩余寿命的准确预测还有助于实现对电池的回收和梯次利用，提高资源利用率的同时最大程度避免废电池对环境的伤害，保证新能源车行业的绿色可持续发展。
现有技术中，早期对锂电池寿命预测的研究以物理模型和半经验模型为主，这些模型尝试解释与电池容量衰减有关的各种机理，诸如固态电解质界面的增长、锂析出、活性物质流失和阻抗增加等。尽管上述的物理模型和半经验模型，在一定程度上实现了对电池寿命的成功预测；但在实际场景中，电池的充放电行为是极其复杂且不规律的，以车载电池为例，电池的充电过程会受快充设备和当前的环境温度等因素影响，放电过程又与用户在不确定环境下的操作行为和操作条件等因素强相关。综上，要研发出可以适用于实际操作场景下的全电池寿命预测模型依然非常有挑战。
随着人工智能技术的兴起，运用统计和机器学习技术的数据驱动方法，在最近的电池研究中非常受欢迎；这种数据驱动的方法不需要对电池电化学原理对深入理解，只需要大量的数据来保证模型的可靠性。数据驱动的电池状态预测的关键是对老化特征的提取，这极大程度决定了模型最终预测的效果。
目前运用统计和机器学习方法研究寿命预测的工作中，基本都是对循环过程中收集的电压电流数据作特征提取，特征来源较单一，可提取的信息量较有限，限制了最终模型预测的准确性和可泛化性。
发明内容
本发明的目的在于提供一种锂离子电池剩余寿命预测方法、***、设备及介质，以解决上述存在的一个或多个技术问题。本发明提供的技术方案中，从弛豫电压中提取老化因子并用于建模预测锂离子电池剩余寿命，能够丰富电池建模可用数据来源，为电池寿命预测工作挖掘更多有潜力的老化因子，能够提高预测精度和泛化性能。
为达到上述目的，本发明采用以下技术方案：
本发明第一方面，提供一种锂离子电池剩余寿命预测方法，包括以下步骤：
基于待剩余寿命预测的锂离子电池，获取寿命终点以及剩余寿命预测时的弛豫电压、电池容量；
基于获取的数据，利用预先训练好的剩余寿命预测模型进行预测，获得以剩余循环次数表示的锂离子电池剩余寿命；
其中，所述剩余寿命预测模型包括特征提取层、预测层和输出层；所述特征提取层用于从弛豫电压中提取老化因子；所述预测层自适应增强算法模型。
本发明的进一步改进在于，所述预先训练好的剩余寿命预测模型的获取步骤包括：
通过在线动力电池测试平台及电池管理***对若干电池标签样本进行测试，测试遵循充电-弛豫-放电-弛豫的循环过程，采集得到每一次充放电循环的圈数、过程中的电压、电流、电容数据以及对应的采样时间；确定一个早期充放电循环次数作为提取阈值Q，将电池标签样本从开始循环测试到截至提取阈值Q之间的数据作为特征提取的源数据；从源数据中提取每一圈的弛豫电压和对应采样时间，构建基于弛豫电压的特征；从源数据中提取每一圈的电池容量，构建基于早期循环的容量衰减特征；提取电池样本截至循环测试时的剩余容量，将剩余容量与理论容量的比值作为业务先验信息；将以上所有特征组合作为输入数据，将电池样本截至测试时的循环次数作为输出数据，得到模型可用的训练数据；
利用训练数据对模型进行训练，并基于损失函数和优化算法进行优化，直至损失函数所得损失值趋于稳定或不变，获得训练好的剩余寿命预测模型。
本发明的进一步改进在于，构建基于弛豫电压的特征的步骤包括：
从弛豫电压数据中提取老化因子，构建基于弛豫电压的特征；所述老化因子通过构造可刻画弛豫电压位置分布、形态走势的统计量得到；其中，用各采样时刻下平均弛豫电压的极值刻画整体电压分布的位置高低，用各采样时刻下弛豫电压方差的极值、平均值、变化率刻画整体电压分布的稳定性，用各相邻采样时刻下平均弛豫电压差值的极值、变化率刻画整体电压分布的走势，用各采样时刻下相邻循环圈弛豫电压差值的均值、方差、偏度、峰度刻画弛豫电压随循环次数的变化规律。
本发明的进一步改进在于，Q取值为28圈。
本发明的进一步改进在于，基于弛豫电压的特征分别命名为diff_kurt_mean，gap_meanV，max_lastV，diff_min，diff_mean_var，基于早期循环的容量衰减特征分别命名为endFig，endC，startC，gapC；其中，各特征具体含义为，
本发明的进一步改进在于，所述利用训练数据对模型进行训练，并基于损失函数和优化算法进行优化，直至损失函数所得损失值趋于稳定或不变，获得训练好的剩余寿命预测模型的步骤中，
将训练数据按比例分为训练集和测试集；采用所述训练集对模型进行训练，获得训练后的模型；采用测试集对所述训练后的模型进行测试，满足测试指标要求后，获得训练好的剩余寿命预测模型；
其中，所述测试指标为模型拟合优度、均方根误差和平均绝对百分比误差中的一个或多个。
本发明第二方面，提供一种锂离子电池剩余寿命预测***，包括：
数据获取模块，用于基于待剩余寿命预测的锂离子电池，获取寿命终点以及剩余寿命预测时的弛豫电压、电池容量；
预测模块，用于基于获取的数据，利用预先训练好的剩余寿命预测模型进行预测，获得以剩余循环次数表示的锂离子电池剩余寿命；
其中，所述剩余寿命预测模型包括特征提取层、预测层和输出层；所述特征提取层用于从弛豫电压中提取老化因子；所述预测层自适应增强算法模型。
本发明第三方面，提供一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如本发明第一方面中任一项所述的锂离子电池剩余寿命预测方法。
本发明第四方面，提供一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现本发明第一方面中任一项所述的锂离子电池剩余寿命预测方法。
与现有技术相比，本发明具有以下有益效果：
本发明公开的锂离子电池剩余寿命预测方法中，从弛豫电压中提取老化因子并用于建模预测锂离子电池剩余寿命，能够丰富电池建模可用数据来源，为电池寿命预测工作挖掘更多有潜力的老化因子，能够提高预测精度和泛化性能。
本发明丰富了电池寿命预测建模可用数据来源，电池完全充电后的弛豫过程相对不受充电过程影响并且非常容易采集，在以后的电池寿命预测任务中可以加以利用；本发明从弛豫电压中提取出了与电池老化有关的5个有效特征，使电池寿命预测模型可以实现更高的预测精度和更好的泛化性能。本发明提供了一种相较传统的SOH阈值法，条件更宽松、应用更普适的方法，通过将截止循环时的剩余容量作为先验信息输入给模型，使模型对不同的循环截止标准具有一定适应性，具有更好的泛化迁移能力。具体解释性的，本发明提出将截止循环时的剩余容量作为先验信息输入给模型，不在训练前限制剩余寿命的定义标准，这样模型对不同的循环截止标准具有一定适应性，会有更好的泛化迁移能力。此外，为了避免不同电池本身理论容量不同带来的干扰，将电池截止循环时的剩余容量与自身理论容量作比，即引入归一化处理，将处理后的特征输入给模型，该特征被命名为endFig。
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，下面对实施例或现有技术描述中所需要使用的附图做简单的介绍；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说，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是本发明实施例中，锂离子电池剩余寿命预测方法的流程示意图；
图2是本发明实施例中，电池样本一个完整的充放电过程示意图；解释性的，包括了5个阶段，分别是I恒电流充电、Ⅱ恒电压充电、Ⅲ充满电后的弛豫过程、Ⅳ恒电流放电和Ⅴ放电后的弛豫过程；
图3是本发明实施例中，引用数据集中所有样本电池容量随循环次数的衰减关系示意图；
图4是本发明实施例中，将引用数据集中截至循环时剩余容量高于理论容量85.5％的样本剔除掉后，电池剩余容量与理论容量比的频数分布直方图；
图5是本发明实施例中，选取的8个电池样本初始28圈弛豫过程的电压随采样时刻的分布示意图；
图6是本发明实施例中，利用皮尔逊系数查看电池各特征与循环次数相关的热力图；
图7是本发明实施例中，特征重要性排名前四的特征与循环寿命的相关关系散点图；其中，图7中(a)对应endFig，图7中(b)对应diff_kurt_mean，图7中(c)对应gap_meanV，图7中(d)对应max_lastV；
图8是本发明实施例中，Adaboost模型在引用数据集上的样本学习曲线示意图；
图9是本发明实施例中，模型在特性筛选前后在引用数据集上的表现效果对比示意图；其中，横坐标表示不同的采样方案，纵坐标表示在该采样下训练出的模型在对应测试集上的指标表现；图9中(a)对应评价指标MAPE，图9中(b)对应评价指标RMSE，图9中(c)对应评价指标R2；
图10是本发明实施例中，最佳情况下模型在测试集上达到的预测表现示意图；其中，测试集MAPE达到3.58％。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，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”等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实施例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。
下面结合附图对本发明做进一步详细描述：
请参阅图1，本发明实施例提供的一种锂离子电池剩余寿命预测方法，包括以下步骤：
步骤1，基于待剩余寿命预测的锂离子电池，获取弛豫电压、电池容量和寿命终点；
步骤2，基于步骤1获取的数据，利用预先训练好的剩余寿命预测模型进行预测，获得剩余循环次数；
其中，所述剩余寿命预测模型包括：特征提取层、预测层和输出层；
所述特征提取层用于从弛豫电压数据中提取老化因子，挖掘获得有潜力的老化因子；具体解释性的，本发明实施例中用前28圈充放电循环的测试数据作为输入，老化因子通过构造可刻画弛豫电压位置分布、形态走势的统计量得到；其中，包括：用各采样时刻下平均弛豫电压的极值刻画整体电压分布的位置高低，用各采样时刻下弛豫电压方差的极值、平均值、变化率来刻画整体电压分布的稳定性，用各相邻采样时刻下平均弛豫电压差值的极值、变化率来刻画整体电压分布的走势，用各采样时刻下相邻循环圈弛豫电压差值的均值、方差、偏度、峰度来刻画弛豫电压随循环次数的变化规律；从弛豫电压中挖掘到5个经验证有效的特征，分别命名为diff_kurt_mean，gap_meanV，max_lastV，diff_min，diff_mean_var，具体含义如下表1所示；并补充了4个跟容量衰减直接相关的特征，分别命名为endFig，endC，startC，gapC，具体含义如下1表所示。
表1.模型各特征具体含义
本发明实施例的预测层采用Adaboost模型；解释性的，基于boost的集成学习算法经验证具有较好的表现，其中Adaboost在应用实例上的拟合效果最好。
本发明实施例中，提出了一种相较传统的SOH阈值法，条件更宽松、应用更普适的方法；解释性的，以往的电池剩余寿命预测任务里，电池剩余寿命通常是通过假定SOH阈值来定义的，以最常见的阈值设定为70％的容量定法为例，表达式为，式中，Cb为b时刻的容量，C0为电池初始容量，即认为当电容容量衰减到初始容量的70％，此时的充放电循环次数就作为电池的剩余寿命；这样的条件限制较为严格，且当对电池剩余寿命的标准选取不一致时，模型不能迅速调整，比如阈值为70％的条件下训练的模型无法立即迁移到阈值为80％的场景下应用。鉴于上述问题，本发明提出将截止循环时的剩余容量作为先验信息输入给模型，不在训练前限制剩余寿命的定义标准，这样模型对不同的循环截止标准具有一定适应性，会有更好的泛化迁移能力。此外，为了避免不同电池本身理论容量不同带来的干扰，将电池截止循环时的剩余容量与自身理论容量作比，即引入归一化处理，将处理后的特征输入给模型，该特征被命名为endFig。
本发明实施例中，基于弛豫电压的锂电池寿命预测模型的效果测试中，采用三个主要参数，分别是：模型拟合优度(coefficient of determination,R2)，均方根误差(RootMean Square Error，RMSE)，平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)；其中，R2用以评估模型对整体数据趋势的拟合效果，RMSE和MAPE用以评估模型预测的准确性；计算公式分别为，
式中，n表示样本数据个数；和yi分别表示第i个评估变量数据的预测值和测试值。
在实际训练调参过程中又以MAPE为主，因为该指标取值范围在0～1之间，越接近0说明模型预测结果与真实值越接近，具有非常直观的实际意义。
另外，为了兼顾准确性和稳定性，模型在最终评价时会传入多个随机数种子，得到多组不同的随机采样，在每一组采样下分别独立训练出一个模型，记录模型在对应测试集上的评价指标表现，通过对多个模型的评价指标取极值、均值和方差，来综合评价模型的准确性和稳定性。
综上所述，本发明实施例提供的技术方案，丰富了电池寿命预测建模可用数据来源，电池完全充电后的弛豫过程相对不受充电过程影响并且非常容易采集，在以后的电池寿命预测任务中可以加以利用；本发明从弛豫电压中提取出了与电池老化有关的5个有效特征，使电池寿命预测模型可以实现更高的预测精度和更好的泛化性能；进一步的，本发明提供了一种相较传统的SOH阈值法，条件更宽松、应用更普适的方法，通过将截止循环时的剩余容量作为先验信息输入给模型，使模型对不同的循环截止标准具有一定适应性，具有更好的泛化迁移能力。
解释性的，弛豫电压的具体含义和来源为，在电池充满电后会人为断开一段时间，这段时间也称为弛豫过程，在弛豫过程会定期测量记录电池的开路电压，得到的电压就称为弛豫电压。示例性的，如图2所示。
解释性的，自适应增强算法模型(AdaBoost)，模型结构、损失函数及优化算法均可参见C.Ying,M.Qi-Guang,L.Jia-Chen,G.Lin,Advance and prospects of AdaBoostalgorithm,Acta Automatica Sinica 39(6)(2013)745-758和R.E.Schapire,Explainingadaboost,Empirical inference,Springer2013,pp.37-52的文献公开。
本发明实施例具体示例性的，提供一种基于弛豫电压的电池剩余寿命预测***，其包括：
数据获取模块，用于接收电池采集数据和业务自定义的电池剩余寿命SOH阈值。这里的电池采集数据主要指弛豫电压和电池容量。示例性的，可以通过在线动力电池测试平台及电池管理***(Battery Management System，BMS)对电池进行数据采集，电池的数据采集需遵循一套统一的标准，每块待测试电池都应该进行同样次数的充放电循环并且充放电条件应该保持一致，另外对弛豫电压的采样时间间隔和单次循环对应的采样次数也应遵循预设；
电池剩余寿命预测模型，包括特征提取层、预测层和输出层；其中，所述特征提取层用于接收电池采集到的原始数据和业务定义的寿命终点，并按设定好的方式提取模型需要的特征，包括基于弛豫电压的、经本发明验证有效的老化因子，最终得到模型的直接输入特征；所述预测层用于根据特征提取层返回的特征来计算目标电池的剩余使用寿命；其中，预测层采用自适应增强算法模型；所述输出层用于输出预测层的预测结果，即目标电池从当前容量衰减到自定义的寿命终点时，可以达到的剩余循环次数。
本发明实施例中，提供了基于弛豫电压的电池剩余寿命预测模型的构建方法，包括以下步骤：通过在线动力电池测试平台及电池管理***(BatteryManagementSystem，BMS)对若干电池标签样本进行测试，测试遵循充电-弛豫-放电-弛豫的循环过程，采集得到每一次充放电循环的圈数、过程中的电压、电流、电容数据以及对应的采样时间，确定一个早期充放电循环次数作为提取阈值，将电池样本从开始循环测试到截至提取阈值之间的数据作为特征提取的源数据；从源数据中提取每一圈的弛豫电压和对应采样时间，按照本发明实施例提出的方法构建基于弛豫电压的特征，从源数据中提取每一圈的电池容量，按照本发明提出的方法构建基于早期循环的容量衰减特征，最后提取电池样本截至循环测试时的剩余容量，将剩余容量与理论容量的比值作为业务先验信息；将以上所有特征组合作为输入数据，将电池样本截至测试时的循环次数作为输出数据，得到模型直接可用的训练数据；
将训练数据按电池样本为单位以一定比例划分为训练集和测试集；这里，设模型的输入输出Y＝[y1,y2…yn]；其中，m为输入参数的维度，n为输入的数据量，y为电池样本容量衰减到自定义寿命终点时的循环次数。
利用训练集对选取的模型进行训练，并基于相应的损失函数和优化算法进行优化，直至损失函数所得损失值趋于稳定或不变。可对模型的超参数进行调优，在调节超参数后观察模型在训练集上的预测表现，MAPE，RMSE和R2都可以作为模型评价指标。最后将测试集输入训练好的模型，评估模型对测试集的预测表现。
请参阅图3至图10，本发明实施例的具体应用示例中，用到的数据来自JiangongZhu等人的公开数据集，与其在2022年nature communications发表的基于弛豫电压预测电池容量的论文所用的数据集一致，包含130个商用锂电池在不同条件下的循环数据，共有三组，分别是来自是来自正极材料为LiNi0.86Co0.11Al0.03O2的电池(NCA)，正极材料为LiNi0.83Co0.11Mn0.07O2的电池(NCM)和正极材料为Li(NiCoMn)O2-Li(NiCoAl)O2的电池(NCA+NCM)，如图3所示；
上述的数据集含有电池每个充放电循环过程的充放电电压、电流和弛豫电压。循环测试的具体过程是先用恒电流充电充到4.2V，对应电流倍率有0.25C、0.5C和1C三种情况，在电压达到4.2V后，就以4.2V进行恒电压充电，直到电流衰减到0.05C，之后断开，记录弛豫过程后进行恒电流放电，NCA电池放到2.65V，NCM和NCM+NCA电池放到2.5V。恒电压充电和恒电流放电之间的弛豫时间对NCA电池和NCM电池是30min，采样间隔是120s，对NCM+NCA电池是60min，采样间隔是30s。后续针对这一点，为了保证对电池进行特征提取时用到的数据口径一致，统一用电池前30min的弛豫过程和120s采样间隔得到的数据作为特征提取与模型训练的输入数据。
本发明实施例的应用示例中，基于该数据集进行针对弛豫电压的老化因子挖掘和电池寿命预测建模，包括：首先是对原始数据集进行清洗与筛选；数据集中的电池样本截止循环时的剩余容量各不相同，将剩余容量较高、还没有明显出现衰减的电池样本剔除，具体表现为剔除掉截至循环时剩余容量高于理论容量85.5％的样本，处理后还剩下125个电池样本。另外由于循环次数在1100次以上的样本在总体中占比偏小，为避免样本不均衡影响到模型的泛化性能，对循环次数在1100次以上的样本进行直接过采样处理以提高这部分在整体数据集中的权重占比，经过采样处理后，数据集中的电池样本数扩充到129个，如图4所示；
为了充分利用数据，同时让最终模型可以对不同的循环截止标准具有一定适应性，获得更好的泛化迁移能力，不在训练前限制剩余寿命的定义标准，而是将截止循环时的剩余容量作为先验信息输入给模型。为了避免不同电池本身理论容量不同带来的干扰，将电池截止循环时的剩余容量与自身理论容量作比，即引入归一化处理，将处理后的特征输入给模型，特征命名为endFig。然后，在各个循环寿命区间选择代表性的样本，构造小样本的初始循环过程弛豫电压分布对比图，方便观察不同循环寿命的电池初始弛豫电压的分布差异，初始循环圈数取定的28圈。这种先在小样本上归纳出可能的规律，再构造特征，最后再在全量样本上检验统计相关性的方式可以较好的保证特征提取的效果，避免前期特征提取全靠主观经验而最后实际检验不有效的情况出现。
如图5所示，从小样本上的观察来看，初始弛豫电压的分布确实与循环寿命的大小呈现一定的关联，比较明显的是弛豫电压整体分布越靠上，循环性能表现也会越好，同时电池相邻圈弛豫电压分布的稳定性也可能在一定程度上揭示其循环潜力。接着就是用本发明中提到的方法从前28圈循环的弛豫电压数据中提取老化因子，最终模型用到的特征除了发明中提到的基于弛豫电压提取的5个：diff_kurt_mean，gap_meanV，max_lastV，diff_min，diff_mean_var，以及模型设计时提到的特征endFig，还有引入直接的容量衰减特征startC，endC和gapC，一共9个特征。图6给出了利用皮尔逊系数查看电池各特征与循环次数相关关系的热力图，图7给出了各个老化因子与循环寿命的相关关系散点图，可以看出max_lastV与gap_meanV是相关性较强的两个特征，相关系数分别是0.75和-0.62。
最后是建模，应用例对常见算法诸如支持向量回归、随机森林、梯度提升回归都有评估效果，最后发现boost集成学习算法中的AdaBoost有相对最好的表现。由于目前机器学习任务的模型评价普遍存在过于追求准确性而忽视稳定性、模型评价存在较大取巧空间的问题，其中数据集的划分环节就存在很强的可操作性。具体来说，在模型训练前我们通常需要分割训练集和测试集，***内置的切分函数会根据传入的随机数种子进行不同的随机分割，实际就会带来不同的采样，这往往会导致模型最终表现效果有波动，尤其在数据集较小时波动往往会很强烈，所以用单一的一次数据集划分得到的模型结果来论证模型表现是不够有说服力的，也很难评价模型表现的稳定性。为了兼顾模型的准确性与稳定性、使评价更加客观，本发明采用综合评估的方式，具体为：采样比例设置为75％，传入多个随机数种子，得到多种不同的随机采样，在每一组采样下分别独立训练出一个模型，记录模型在对应测试集上的评价指标表现，通过对多个模型的评价指标取极值、均值和方差，就可以综合评价模型的精准度和稳定性。本文最终取了30种不同的采样结果用以得出综合的评价指标，之所以取30，是因为统计学上通常认为30个样本就可以观测到较显著的结果。另外对Adaboost算法来说，学习步长是一个比较敏感的参数，尤其对小数据集来说，学习步长不合适往往会使模型最终表现大打折扣，为了保证在每一种采样下都可以得到一个相对最合适的模型，将学习步长分为0.1，0.2，···一直到1.0这十种情况，每一次生成新的采样，模型都会分别尝试这十种情况的学习步长并取最优。图9是Adaboost模型在30种采样情况下在测试集上的MAPE表现。图10是AdaBoost模型在测试集上MAPE达到3.58％时，模型在测试集上的预测表现。最终，本发明实施例建模方案在应用示例上的表现如下表2所示。
表2.模型在应用示例测试集上的指标表现
下述为本发明的装置实施例，可以用于执行本发明方法实施例。对于装置实施例中未披露的细节，请参照本发明方法实施例。
本发明再一实施例中，提供一种锂离子电池剩余寿命预测***，包括：
数据获取模块，用于基于待剩余寿命预测的锂离子电池，获取寿命终点以及剩余寿命预测时的弛豫电压、电池容量；
预测模块，用于基于获取的数据，利用预先训练好的剩余寿命预测模型进行预测，获得以剩余循环次数表示的锂离子电池剩余寿命；
其中，所述剩余寿命预测模型包括特征提取层、预测层和输出层；所述特征提取层用于从弛豫电压中提取老化因子；所述预测层自适应增强算法模型。
本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于锂离子电池剩余寿命预测方法的操作。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作***。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关锂离子电池剩余寿命预测方法的相应步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (9)
1.一种锂离子电池剩余寿命预测方法，其特征在于，包括以下步骤：
基于待剩余寿命预测的锂离子电池，获取寿命终点以及剩余寿命预测时的弛豫电压、电池容量；
基于获取的数据，利用预先训练好的剩余寿命预测模型进行预测，获得以剩余循环次数表示的锂离子电池剩余寿命；
其中，所述剩余寿命预测模型包括特征提取层、预测层和输出层；所述特征提取层用于从弛豫电压中提取老化因子；所述预测层自适应增强算法模型。
2.根据权利要求1所述的一种锂离子电池剩余寿命预测方法，其特征在于，所述预先训练好的剩余寿命预测模型的获取步骤包括：
通过在线动力电池测试平台及电池管理***对若干电池标签样本进行测试，测试遵循充电-弛豫-放电-弛豫的循环过程，采集得到每一次充放电循环的圈数、过程中的电压、电流、电容数据以及对应的采样时间；确定一个早期充放电循环次数作为提取阈值Q，将电池标签样本从开始循环测试到截至提取阈值Q之间的数据作为特征提取的源数据；从源数据中提取每一圈的弛豫电压和对应采样时间，构建基于弛豫电压的特征；从源数据中提取每一圈的电池容量，构建基于早期循环的容量衰减特征；提取电池样本截至循环测试时的剩余容量，将剩余容量与理论容量的比值作为业务先验信息；将以上所有特征组合作为输入数据，将电池样本截至测试时的循环次数作为输出数据，得到模型可用的训练数据；
利用训练数据对模型进行训练，并基于损失函数和优化算法进行优化，直至损失函数所得损失值趋于稳定或不变，获得训练好的剩余寿命预测模型。
3.根据权利要求2所述的一种锂离子电池剩余寿命预测方法，其特征在于，构建基于弛豫电压的特征的步骤包括：
从弛豫电压数据中提取老化因子，构建基于弛豫电压的特征；所述老化因子通过构造可刻画弛豫电压位置分布、形态走势的统计量得到；其中，用各采样时刻下平均弛豫电压的极值刻画整体电压分布的位置高低，用各采样时刻下弛豫电压方差的极值、平均值、变化率刻画整体电压分布的稳定性，用各相邻采样时刻下平均弛豫电压差值的极值、变化率刻画整体电压分布的走势，用各采样时刻下相邻循环圈弛豫电压差值的均值、方差、偏度、峰度刻画弛豫电压随循环次数的变化规律。
4.根据权利要求2所述的一种锂离子电池剩余寿命预测方法，其特征在于，Q取值为28圈。
5.根据权利要求4所述的一种锂离子电池剩余寿命预测方法，其特征在于，基于弛豫电压的特征分别命名为diff_kurt_mean，gap_meanV，max_lastV，diff_min，diff_mean_var，基于早期循环的容量衰减特征分别命名为endFig，endC，startC，gapC；其中，各特征具体含义为，
6.根据权利要求2所述的一种锂离子电池剩余寿命预测方法，其特征在于，所述利用训练数据对模型进行训练，并基于损失函数和优化算法进行优化，直至损失函数所得损失值趋于稳定或不变，获得训练好的剩余寿命预测模型的步骤中，
将训练数据按比例分为训练集和测试集；采用所述训练集对模型进行训练，获得训练后的模型；采用测试集对所述训练后的模型进行测试，满足测试指标要求后，获得训练好的剩余寿命预测模型；
其中，所述测试指标为模型拟合优度、均方根误差和平均绝对百分比误差中的一个或多个。
7.一种锂离子电池剩余寿命预测***，其特征在于，包括：
数据获取模块，用于基于待剩余寿命预测的锂离子电池，获取寿命终点以及剩余寿命预测时的弛豫电压、电池容量；
预测模块，用于基于获取的数据，利用预先训练好的剩余寿命预测模型进行预测，获得以剩余循环次数表示的锂离子电池剩余寿命；
其中，所述剩余寿命预测模型包括特征提取层、预测层和输出层；所述特征提取层用于从弛豫电压中提取老化因子；所述预测层自适应增强算法模型。
8.一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任一项所述的锂离子电池剩余寿命预测方法。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的锂离子电池剩余寿命预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311862070.3A CN117825998A (zh) | 2023-12-29 | 2023-12-29 | 一种锂离子电池剩余寿命预测方法、***、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311862070.3A CN117825998A (zh) | 2023-12-29 | 2023-12-29 | 一种锂离子电池剩余寿命预测方法、***、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117825998A true CN117825998A (zh) | 2024-04-05 |
Family
ID=90514909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311862070.3A Pending CN117825998A (zh) | 2023-12-29 | 2023-12-29 | 一种锂离子电池剩余寿命预测方法、***、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117825998A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118130983A (zh) * | 2024-05-08 | 2024-06-04 | 山东信友电器有限公司 | 一种配电柜异常检测方法 |
| CN118151020A (zh) * | 2024-05-11 | 2024-06-07 | 广汽埃安新能源汽车股份有限公司 | 一种电池安全性能的检测方法及*** |
-
2023
- 2023-12-29 CN CN202311862070.3A patent/CN117825998A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118130983A (zh) * | 2024-05-08 | 2024-06-04 | 山东信友电器有限公司 | 一种配电柜异常检测方法 |
| CN118130983B (zh) * | 2024-05-08 | 2024-07-09 | 山东信友电器有限公司 | 一种配电柜异常检测方法 |
| CN118151020A (zh) * | 2024-05-11 | 2024-06-07 | 广汽埃安新能源汽车股份有限公司 | 一种电池安全性能的检测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117825998A (zh) | 一种锂离子电池剩余寿命预测方法、***、设备及介质 | |
| CN111007401A (zh) | 一种基于人工智能的电动汽车电池故障诊断方法及设备 | |
| CN109256834A (zh) | 基于电池健康状态和荷电状态的电池组主动均衡方法 | |
| Cui et al. | A dynamic spatial-temporal attention-based GRU model with healthy features for state-of-health estimation of lithium-ion batteries | |
| CN110703101B (zh) | 一种锂离子电池分区间循环容量衰退预测方法 | |
| US20230029810A1 (en) | Battery model construction method and battery degradation prediction device | |
| 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 | |
| CN109768340B (zh) | 一种电池放电过程电压不一致性估计方法及装置 | |
| CN113219357A (zh) | 电池包健康状态计算方法、***及电子设备 | |
| CN114740388A (zh) | 一种基于改进tcn的锂电池剩余寿命状态评估方法 | |
| CN111707956A (zh) | 多类型锂离子电池组管理***的健康状态和剩余寿命预测方法 | |
| Jeng et al. | Evaluation of cell inconsistency in lithium-ion battery pack using the autoencoder network model | |
| CN116401954A (zh) | 一种锂电池循环寿命的预测方法、预测装置、设备及介质 | |
| CN115718263A (zh) | 基于注意力的锂离子电池日历老化预测模型和方法 | |
| CN117471320A (zh) | 基于充电片段的电池健康状态估计方法及*** | |
| Wang et al. | A novel capacity estimation method for li-ion battery cell by applying ensemble learning to extremely sparse significant points | |
| CN117110884A (zh) | 基于多核相关向量机的锂电池剩余使用寿命预测方法 | |
| 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 | |
| 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*** | |
| CN116930769A (zh) | 一种基于双向生成式对抗神经网络的锂电池建模方法 | |
| 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 | |
| Song et al. | Capacity estimation method of lithium-ion batteries based on deep convolution neural network | |
| CN116224127A (zh) | 基于大数据分析的电池健康状态估算方法 | |
| CN116125298A (zh) | 电池故障检测方法及装置 | |
| Qin et al. | Lithium-ion Batteries RUL Prediction Based on Temporal Pattern Attention |
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 |