本發(fā)明屬于鋰離子電池剩余使用壽命預測，涉及一種鋰離子電池健康特征提取以及鋰離子電池剩余使用壽命預測方法。

背景技術：

1、隨著鋰離子電池的能量密度、功率密度逐漸提升，在便攜電子設備、電動汽車以及大規(guī)模儲能系統(tǒng)中得到了廣泛的應用其安全性能與剩余使用壽命預測變得愈發(fā)重要。但其性能會隨使用時間增長而逐漸衰減。準確的剩余使用壽命(rul)預測有助于制定合理的電池充放電計劃、及時提醒用戶更換或修復電池、降低潛在的安全風險。

2、當前，對于鋰電池剩余使用壽命的預測主要有以下三種：第一類鋰電池剩余使用壽命預測依賴物理模型，但因電池技術發(fā)展快、結構復雜，難以建立通用數學模型。第二類方法通過等效電路和電化學模型監(jiān)測電池狀態(tài)，需大量實驗調優(yōu)。第三類數據驅動方法，利用機器學習分析歷史數據，靈活預測鋰電池壽命，不依賴物理模型，目前已被廣泛應用到鋰電池剩余使用壽命的預測中。

3、然而，目前基于數據驅動的rul預測方法仍存在一些不足。數據驅動模型需要更多的計算資源和效率來處理大量的數據和復雜的模型結構，并且該模型更容易受到健康特征的冗余影響，大多模型的超參數選擇也是一個難題。專利(cn118261046a)公開了一種基于ngo-bilstm的鋰電池剩余壽命預測方法，該方法通過提取鋰離子電池剩余使用壽命退化特征參數，使用北方蒼鷹算法(ngo)迭代搜索雙向長短期記憶神經網絡(bilstm)最優(yōu)參數并保存構建ngo-bilstm模型，具有誤差小、預測精度高的優(yōu)點，但模型的退化健康特征需要人為手動選擇，模型的泛化能力差。專利(cn118211474a)公開了一種基于mpso-lssvm算法的電池壽命預測方法,首先根提取電池循環(huán)放電過程中的電壓、電流、剩余容量及內阻參數的時間序列數據生成樣本數據集，將數據集劃分為測試集和訓練集；基于訓練集建立鋰離子電池剩余使用壽命預測模型，并聯(lián)合mpso算法和lssvm算法對鋰離子電池剩余使用壽命預測模型進行迭代優(yōu)化以獲取最優(yōu)解。該方法對數據處理采用了安時積分法以獲取能量指標評估鋰離子電池的剩余使用壽命，減小電池壽命預測誤差，提高預測精度，優(yōu)化計算過程，但是需要完整的電池數據，本發(fā)明采用自監(jiān)督重構與半監(jiān)督容量預測的方式良好的解決了數據不足的問題。

技術實現(xiàn)思路

1、本發(fā)明解決的問題是在于提供一種自動識別電池健康特征的電池剩余壽命預測方法，該方法解決了以下幾個問題：

2、(1)電池健康特征需要人為手動提取導致電池剩余使用壽命預測準確率不高的問題；

3、(2)需要大量的完整電池循環(huán)數據才能使用數據驅動的方法進行鋰電池的剩余使用壽命預測的問題；

4、(3)電池剩余使用壽命預測模型的泛化能力差的問題。

5、為解決上述問題，本發(fā)明采用了以下技術方案，其步驟如下：

6、s1:獲取鋰離子電池數據集中老化循環(huán)充放電過程中的電池電壓、電池電流數據；

7、s2:對電池數據集中的異常值或缺失值進行線性插值處理，并使用min-max進行標準化處理；

8、s3：在健康特征自動提取器里對健康特征進行自動提取，其步驟如下：

9、(1)輸入標準化后的充放電電壓、電流數據，通過電池特征編碼模型對輸入的電壓和電流數據進行處理，提取出數據的中間特征；

10、(2)使用已得到的全部中間特征，送入重構任務模塊進行訓練，得到重構的電池數據，將重構的電池數據送入到重構損失誤差模型，計算得到重構損失誤差，以重構損失誤差、全部中間特征作為輸入，經過特征選擇器1，得到數據特征1，即標準化后的電池充放電電壓和電流數據的壓縮特征；

11、(3)將帶有容量標簽的中間特征送入容量預測模塊，得到預測的容量，將預測的容量送入到容量預測損失誤差模型，計算得到容量預測損失誤差，以容量預測損失誤差、帶有容量標簽的中間特征作為輸入，經過特征選擇器2，得到數據特征2，即與容量變化相關的數據特征；

12、(4)將重構損失誤差模型與容量預測損失誤差模型加權組合構成健康特征融合函數，將已得到的數據特征1和數據特征2輸入到健康特征融合函數，得到健康特征誤差，判斷健康特征是否小于誤差指標，驗證健康特征是否達到提取要求，若不滿足要求則重復步驟(1)到步驟(3)，若滿足要求則輸出健康特征；

13、s4：在健康特征篩選器里對健康特征進行篩選，每個特征進行shap值的計算，分析各特征在預測過程中的重要性，分別得到重要健康特征與非重要健康特征，保留重要性高的健康特征，組成重要健康特征數據集，對于非重要健康特征構成的非重要健康特征數據集進行丟棄，然后，將重要健康特征數據集按照一定的比例分為訓練集數據和測試集數據；

14、s5：使用訓練集數據輸入到bilstm模型進行訓練得到鋰電池rul訓練預測值；

15、s6：將測試集數據輸入bilstm網絡估計模型驗證模型精度是否到達設計要求，若不滿足要求則重新進行網絡模型的構建，若滿足要求則可以將電池數據輸入預測模型中，實現(xiàn)鋰電池rul的準確預測；

16、在步驟s1中獲取鋰電池數據集電池的歷史循環(huán)充放電數據，按時間間隔提取充放電電壓值和電流值，并選取鋰電池容量作為衡量電池健康壽命的關鍵指標。

17、在步驟s2中首先識別并處理異常值和缺失值，對于每個異常值或缺失值，計算其前后已知值的線性關系，確定合適的填充值；然后使用min-max標準化對健康特征數據集進行標準化處理，計算公式為式中，xi為健康特征數據，yi為標準化后的數據，max(x)和min(x)為對應健康特征數據的每行最大值和最小值。

18、在步驟s3中所述的采用健康特征自動提取器提取反映電池容量退化的健康特征包括以下步驟：

19、(1)從電池老化數據集中按時間間隔記錄每次循環(huán)的充放電電壓和電流數據，構建時間序列數據集為[v充,v放]和[i充,i放],其中v充、v放表示在時間步t時刻的充放電電壓，i充、i放表示在時間步t時刻的充放電電流；

20、(2)在電池特征編碼模型中，對構建好的時間序列數據集進行位置編碼以保留時間序列順序，對每個時間步生成查詢(q)、鍵(k)和值(v)向量，通過計算查詢與鍵的點積并使用softmax歸一化，得到注意力權重，再利用該權重對值向量加權求和生成注意力頭輸出，使用多頭注意力機制拼接各頭的輸出并線性變換得到最終輸出；

21、(3)將多頭注意力的輸出輸入到前饋神經網絡(ffn)中，通過relu激活函數生成中間特征表示z'；

22、(4)將全部中間特征z'輸入到重構任務模塊，對輸入數據進行重構，利用這些特征重構出原始的充放電電壓和電流數據，使用mse計算重構電池數據與輸入的電池充放電電壓和電流數據之間的誤差，即重構誤差，公式為：其中，xi為充放電電壓和電流數據，為重構后的數據，并通過特征選擇器1，輸出數據特征1，即標準化后的電池充放電電壓和電流數據的壓縮特征；

23、(5)將帶有容量標簽的中間特征z'1輸入到容量預測模塊，得到預測的容量將預測的容量送入到容量預測損失誤差模型計算誤差，使用mse計算預測容量與真實容量之間的誤差，即容量預測誤差，公式為：其中，ci為真實容量值，為模型的預測容量值，并通過特征選擇器2，輸出數據特征2，即與容量變化相關的數據特征；

24、(6)將重構損失誤差模型與容量預測損失誤差模型加權組合構成健康特征融合函數，其中健康特征融合函數為：losstotal＝α·lossreconstruction+β·losscapacity，式中，α和β分別為調整重構任務和容量預測模塊權重的超參數，使用已得到的數據特征1和數據特征2一起輸入到健康特征融合函數，經過大量訓練，不斷優(yōu)化健康特征融合函數，使健康特征融合函數的值達到最小，最終，提取出帶有電池老化狀態(tài)相關的健康因子z。

25、在步驟s4中使用shap分析，評估每個特征對電池剩余壽命預測結果的影響程度，其具體步驟為：計算每個特征的shap值，對于輸入健康特征z和電池容量c，shap值φi的計算公式：其中，s為不含zi的特征子集，n為特征的總數，c(s∪{zi})表示加入特征zi后對模型預測結果貢獻的變化；根據公式計算生成shap值圖，當shap值為正時，表示該特征對預測值有正向貢獻，反之有負向貢獻；根據shap分析結果，保留對預測結果有顯著影響的重要特征數據，按照一定的比例劃分為訓練集數據和測試集數據。

26、在步驟s5中，bilstm由前向lstm和后向lstm組成，每個lstm單元包括遺忘門、輸入門和輸出門，用于選擇性保留和更新信息。bilstm的具體過程為：第一步在前向lstm的序列起始位置開始輸入，利用遺忘門ft＝σ(wf·[ht-1,xt]+bf)決定需要丟掉的舊信息，輸入門it＝σ(wi·[ht-1,xt]+bi)選擇性地更新信息，并通過生成候選狀態(tài)，結合前一時刻狀態(tài)ct-1計算更新后的單元狀態(tài)ct。輸出門ot＝σ(wo·[ht-1,xt]+bo)用于生成當前的隱藏狀態(tài)ht＝ot*tanh(ct)；第二步是后向lstm從序列末端開始，逆向輸入，過程與前向lstm類似；第三步是將前向和后向lstm的輸出進行拼接，得到最終的bilstm的輸出。

27、在步驟s6中，在步驟s6中，選取平均絕對誤差(mae)、均方根誤差(rmse)、平均絕對百分誤差(mape)作為評價指標對電池的rul預測精度進行評價，以此判斷是否滿足預期結果，具體公式為：式中，n為實驗估計次數，yn為rul實際值，為rul估計值。

相關知識

一種自動識別電池健康特征的電池剩余壽命預測方法
基于深度學習的鋰電池剩余壽命預測
鋰離子電池健康狀態(tài)評估及剩余壽命預測方法
鋰離子電池健康狀態(tài)估計及剩余壽命預測研究
鋰離子電池健康評估及剩余使用壽命預測方法研究.pptx
基于機器學習的鋰離子電池健康狀態(tài)與剩余壽命預測
多類型鋰離子電池組管理系統(tǒng)的健康狀態(tài)和剩余壽命預測方法.pdf
電池健康狀態(tài)監(jiān)測與壽命預測
電池壽命預測（2020.01）
基于數據驅動的鋰離子電池健康狀態(tài)估計和剩余使用壽命預測

網址: 一種自動識別電池健康特征的電池剩余壽命預測方法 http://m.gysdgmq.cn/newsview1557771.html