本发明涉及锂电池健康管理的技术领域，具体涉及一种基于深度学习的锂离子电池寿命迁移预测方法。
背景技术：
锂离子电池目前是广泛应用于军事电子产品、航空电子器件、电动汽车以及各种便携式电子装置(例如笔记本电脑、数码相机、平板电脑、手机等)的主要储能器件，由于其质量轻、放电率低及寿命长的特点，锂离子电池已基本取代了镍镉电池、镍氢电池。与此同时，由于目前对于气候环境变化的关注和新能源开发的迫切性，锂离子电动汽车得到了快速发展，众多汽车厂商和研究机构都致力于开发能够代替传统石油的新能源汽车，例如德国大众、美国特斯拉、中国比亚迪等汽车公司纷纷投入大量资金和人力资源开发纯动力、混合动力等新能源汽车的车载锂离子电池。因此，锂离子电池的性能是其整体电子系统可靠性的关键因素，其失效可能会造成系统故障甚至是致命灾难。
锂离子的寿命退化客观的存在于其整个生命周期，其寿命问题主要指影响其放电能力的正负极活性材料的物化结构性质、粘结剂对涂层的粘结强度、隔膜的质量等在循环充放电过程中的逐渐劣化。意外的电池寿命终结往往会导致整体系统的失效，因此针对电池开展退化预测和分析能够提供及时有效的维修措施和电池更换决策，对提高系统可靠性，预防灾难性事故发生具有重要的意义。故障预测及健康管理(phm)，借助物理模型、智能模型等手段，基于设备的敏感参数信息，对设备进行健康状态评估和故障预测，并利用其结果作出维修决策，实现健康管理。phm对降低设备运维保障成本，提升设备的可靠性和安全性，延长设备寿命等具有重要价值。针对锂离子电池的phm研究主要聚焦于两个关键技术点，分别为容量和工作电压的预测。其容量常被用于定义剩余使用寿命(rul)，它随着充放电循环次数增加而不断下降，到达一定阈值时则判定该电池失效，因此，大部分研究借助容量退化趋势来开展电池rul的预测研究。
技术实现要素：
本发明的目的是提供一种基于深度学习的锂离子电池寿命迁移预测方法，用于在没有新电池寿命资料的情况下，对不同配方的新电池进行寿命预测。
本发明针对一个目标电池，首先利用相似性度量方法在同温度、同倍率和不同配方的电池中为其选择一个容量退化趋势最相似的电池作为参考电池，采用平均欧氏距离(aed)作为相似性的衡量标准。其次，利用参考电池的容量退化数据作为训练数据，目标电池的少量退化数据作为测试数据，利用深度学习方法学习数据的高阶特征，得到能够表达数据间本质共同特征的基向量，以挖掘到不同电池数据间的深层关联关系，进而实现在训练数据和测试数据不同的情况下电池的寿命预测。试验表明，该方法在不同配方电池间的迁移预测能够得到很好的效果，同时该方法可以有效共享已知电池的退化信息，有效解决了电池退化不可逆问题带来的试验消耗和浪费，为电池循环寿命试验提供了很好的经济性思路，因此，本发明具有非常好的应用价值和工程前景。
一般来说，本发明的基于深度学习的锂离子电池寿命迁移预测的基本思想是：
(1)数据预处理：为了保证跨配方预测的数据尺度一致性，首先对原始数据进行标准化预处理。确定本次研究中电池的失效阈值，并对其容量数据和剩余循环寿命进行归一化处理，得到模型输入数据和对应的剩余寿命标签；
(2)相似度计算：确定测试数据的长度，以该长度为准计算目标电池和同温度同倍率不同配方的其他电池的平均欧氏距离，作为其相似度量值，并从大量电池中选出与目标电池容量退化趋势相似度最高的电池，作为最终的参考电池；
(3)寿命预测：构建深度学习层叠降噪自动编码器(sda)模型，输入训练数据和标签进行训练，确定合理的模型架构和参数，然后以参考电池的电池容量为输入，预测得到测试数据的剩余寿命预测标签值，并利用反归一化规则得到剩余的循环寿命；
(4)预测精度计算：计算预测剩余循环寿命与其真实剩余寿命之间的误差百分比，作为衡量预测精度的结果。
根据本发明的具体实施例，本发明的基于深度学习的锂离子电池寿命迁移预测方法包括：
建立与待预测寿命的目标电池同温度、同充放电倍率和不同配方的已知电池的电池库；
把所述电池库中其电池容量退化趋势与所述目标电池的电池容量退化趋势最相似的一个已知电池选作参考电池；
通过将所述参考电池的容量退化数据作为训练数据，对一个已知预测模型进行训练，得到电池寿命预测模型；
通过将目标电池的预定长度的电池退化数据输入到所述电池寿命预测模型进行计算，对所述目标电池进行寿命预测。
优选地，所述电池容量退化趋势是指电池容量数据随时间而变化的电池容量退化数据的曲线走势。
优选地，把所述已知电池容量退化数据库中其电池容量退化趋势与所述目标电池的电池容量退化趋势最相似的一个电池选作参考电池包括：
分别计算所述目标电池的电池容量退化数据曲线各向量点与已知电池数据库中的各电池的容量退化曲线各向量点之间的平均欧式距离；
将已知电池数据库所有电池中其容量退化曲线各向量点与目标电池的容量退化曲线各向量点之间平均欧式距离最近的一个已知电池选作参考电池。
优选地，所述的对一个已知预测模型进行训练，得到电池寿命预测模型包括：
将所述训练数据输入给深度学习层叠降噪自动编码器sda模型；
根据sda模型输出结果，调整所述sda模型的构架和参数，确定用于预测电池寿命的构架和参数；
将确定了构架和参数的sda模型作为电池寿命预测模型。
优选地，所述的将所述训练数据输入给sda模型具体为：根据sda模型输入层的神经元数目，将作为训练数据的参考电池的容量退化数据规整为其行数等于所述神经元数目的数据列；将所述的其行数等于所述神经元数目的数据列并行输入到sda模型的输入层。
优选地，以参考电池的容量退化到失效阈值为标准，确定sda模型的用于预测电池寿命的构架和参数，具体包括；以参考电池的容量退化到失效阈值为标准，调整和确定sda模型的输入层、隐藏层和数据预测层的层结构及其参数；其中，所确定的sda模型的层结构包括一个输入层，两个隐藏层和一个数据预测层。
优选地，所述参考电池容量的失效阈值为电池容量下降到初始电池容量的82％±2％。
优选地，所述训练数据包括电池容量退化数据及其对应的寿命标签；其中通过以下方式得到所述训练数据：
将参考电池的容量退化数据进行数据归一化处理，得到归一化后的容量退化数据；
为归一化后的容量退化数据分别配置相对应的归一化寿命标签值。
优选地，所述电池寿命预测模型的参数包括寿命标签值；所述电池寿命预测模型对输入的目标电池预定长度的电池退化数据进行计算，得到对应的寿命标签值，对其进行反归一化处理，得到剩余电池寿命。
优选地，所述的目标电池预定长度的电池退化数据为：电池容量从100％退化到90％±2％的数据。
本发明与现有技术相比的优点在于：
(1)、本发明提出容量退化数据和对应剩余循环寿命统一归一化的方法，将剩余寿命归一化后作为容量数据所对应的标签。
(2)、本发明利用平均欧式距离，计算两个电池容量退化曲线之间的相似性，将相似性排名后选取最相似电池作为目标电池的参考电池，输入预测模型。
(3)、本发明提出的基于深度学习的寿命预测方法，能够实现不同配方电池间的迁移预测，大幅度地减少研发阶段寿命试验的试验时间和试验量，缩短新产品研发周期，降低研发阶段费用，提升企业核心竞争力。
下面结合附图对本发明进行详细说明，以便进一步理解本发明的上述方法及技术效果。
附图说明
图1为基于深度学习的锂离子电池寿命迁移预测流程图；
图2为sda模型的降噪重构过程；
图3为电池容量退化曲线；
图4为基于sda模型的寿命预测流程图；
图5为本发明方法的流程图。
具体实施方式
本发明基于深度学习的锂离子电池寿命迁移预测方法流程如图1所示，具体包括如下步骤：
该预测方法流程包括数据预处理、相似度计算及寿命预测三个部分。具体步骤如下：
第一步数据预处理：为了保证跨配方预测的数据尺度一致性，首先对原始数据进行标准化预处理。确定本次研究中电池的失效阈值，并对其容量数据和剩余循环寿命进行归一化处理，得到模型输入数据和对应的剩余寿命标签；
第二步相似度计算：确定测试数据的长度，以该长度为准计算目标电池和同温度同倍率不同配方的其他电池的平均欧氏距离，作为其相似度量值，并从大量电池中选出与目标电池容量退化趋势相似度最高的电池，作为最终的参考电池。
第三步寿命预测：构建深度学习层叠降噪自动编码器(sda)模型，输入训练数据和标签进行训练，确定合理的模型架构和参数，然后以参考电池的电池容量为输入，预测得到测试数据的剩余寿命预测标签值，并利用反归一化规则得到剩余的循环寿命。
第四步预测精度计算：计算预测剩余循环寿命与其真实剩余寿命之间的误差百分比，作为衡量预测精度的结果。
具体内容详细介绍如下：
1.数据预处理
本研究中，确定电池容量下降到初始容量的82％为失效阈值，从所有电池中筛选出退化量超过82％的电池开展研究。考虑到不同电池间，由于材料和温度不同导致循环寿命和电池容量参数的差异性问题，首先对电池容量数据进行归一化，同时为归一化后的放电容量数据设置相对应的寿命标签。本发明中选择将电池容量对应的剩余循环寿命作为其寿命标签，将电池容量和对应剩余循环寿命从绝对值转换为相对值，消除因数据本身对模型结果造成的误差问题。
2.基于平均欧氏距离(aed)的相似性度量
在建立寿命预测模型之前，首先选定目标电池作为测试数据，然后利用相似度计算方法，计算与目标电池之间容量退化规律的相似性，选择相似度排名第一的数据作为参考电池，其容量数据和剩余寿命标签将作为后续预测模型的训练数据展开预测。本发明中选择平均欧式距离(aed)作为相似性度量方法。
欧式距离是一种几何距离度量，源自欧式空间两点间的距离公式，满足标准度量的所有性质，即非负性、自反性、对称性和三角不等式。对于两个n维向量a(x11，x12，……，x1n)与b(x21，x22，......，x2n)间的欧氏距离：
平均欧式距离(aed)是为了解决多个相似度度量结果对比时由向量长度带来的差异，将欧式距离平均到各个向量点上，同上两个n维向量间的平均欧氏距离(aed)：
针对两个锂离子电池，容量退化曲线的平均欧式距离越小，则退化规律相似性越高，寿命迁移预测效果也更好。
3.深度学习sda模型构建
本发明采用层叠降噪自动编码器(sda)作为电池剩余寿命的预测模型，该模型是深度学习中自动编码器的拓展应用，在神经网络的训练逻辑和构建过程中具有相似性，是一个由多层稀疏自动编码器组成的深度学习神经网络，其前一层自编码器的输出作为后一层自编码器的输入。sda可以利用无监督学习得到数据的高阶特征表达，并建立数据与标签的映射关系，作为预测的基准指标。
除了无监督自学习以外，考虑到电池数据因环境影响等出现的波动问题，在模型中进行了数据的降噪处理，即对输入数据进行部分遮挡，通过深度学习重构出遮挡前的数据，以强化所学到高阶特征对数据波动的适应能力。降噪重构的过程如图2所示。
4.试验验证
本发明中采用宁德时代新能源科技有限公司的试验数据验证所提出的锂离子电池寿命预测方法的可行性和有效性。(注：本专利中所用电池样本为软包，也即demo，和实际产品中使用的硬包是不一样的，实际性能差异很大。)所选择的试验数据库中包含10种不同配方的锂离子电池，分别为a，b，……，i，j组，同时在25℃、45℃和60℃条件下进行试验，得到三种温度条件下的电池退化数据。
本发明中以电池容量退化数据作为反映系统退化的性能指标，通过对数据的初步分析，将失效阈值定为0.82，也即当容量退化至初始容量的82％时，认为该电池到达寿命终止点。
按照数据归一化标准，将电池容量退化数据逐个归一化，容量值归一化为1-0(初始容量为1，初始容量的82％为0)，同时将对应的剩余寿命也归一化为1-0(初始容量对应的剩余寿命为1，初始容量的82％对应的剩余寿命为0)，归一化后的电池容量退化曲线如图3(a)所示。同时由于在试验过程中存在人为干扰、非正常停止等因素影响，部分电池的容量退化过程中存在突变和异常值，因此剔除异常值和突变现象比较严重的电池数据，如图3(b)所示。
经过筛选，最终本研究共选择147个不同电池开展研究，具体如表1所示：
表1电池筛选结果
经过多次尝试研究，本发明中最终选择容量退化至90％的数据作为被预测对象的已知长度，也即在容量退化至初始容量的90％时停止试验，通过寿命预测方法来获得该电池的剩余寿命循环和其退化至失效阈值时的总循环寿命。
本发明的研究限制在同温度同倍率不同配方情况下电池寿命的迁移预测，因此针对每一个电池，即目标电池，计算其与同温度同倍率下其余所有电池(不同配方)容量退化至90％长度数据的平均欧式距离(aed)，选择距离最小，即相似度最高的电池作为该目标电池的参考电池。以25℃下的所有电池为例，目标电池和预测电池如表2所示(其中，例如a_1013_25，a指组别，1013指电池编码，25指温度)：
表225℃相似度度量结果
同理45℃和60℃下的相似度计算结果也与之类似。
结合电池的数据特性，综合考虑到计算资源和时间的优化，本发明采用的sda模型结构包括一个底层的数据输入层，两个隐藏层和一个顶层的数据预测层，每层的神经元数目分别为100,50,50,1，激活传递函数为sigmoid函数，学习率为0.3，降噪遮挡比例为0.15。深度学习每个子输入块的大小为100。为了保证特征自学习的充分性，无监督学习和反向传播过程的循环执行步骤为300，可减少重构误差量级至小数点后两位。具体见表3所示。
表3sda模型参数设置
为避免单个数据异常对预测标签的影响，深度学习模型的输入是以数据间隔为基准，采用滑窗的形式将一维数据规整成数据列的形式输入sda模型(每列的行数为输入层神经元数目)。具体的寿命预测流程如图4所示：
基于sda的电池循环寿命预测主要包括训练过程和测试过程。将参考电池的容量数据和对应寿命标签作为输入训练sda模型，然后将目标电池的容量数据输入进行测试，得到这段数据所对应的寿命标签。然后，利用反归一化规则得到这部分容量数据对应的剩余电池寿命，以及该电池退化至失效阈值，即容量退化至初始容量82％时的总循环寿命。最后，利用以下公式计算得到预测精度。
结合相似性度量结果得到的目标电池和参考电池开展寿命预测，仍以25℃为例，预测结果如表4所示：
表425℃电池寿命预测结果
按照预测精度统计，得到25℃、45℃及60℃的预测结果如表5、6、7所示：
表525℃电池寿命预测结果统计
表645℃电池寿命预测结果统计
表760℃电池寿命预测结果统计
从上面的预测精度分析可知，通过同温度同倍率不同配方电池间的寿命迁移预测，90％以上的电池可以获得80％以上的预测精度，且大部分电池的预测精度在90％以上，这在预测中是很好的结果。同时，由于不同配方电池迁移预测方法的引入，为优化电池循环寿命试验带来了新的思路。对某电池开展寿命预测时，不仅可以借助其他配方电池的历史数据，从中选择相似度较高的数据作为训练数据开展预测，实现有效的数据共享；也可以通过对其他配方电池开展部分试验，选择出参考电池后再继续对其试验至失效，节省了大量的试验设计，具有很好的经济性和实用性。
综上所述，本发明提供了一种基于深度学习的锂离子电池寿命迁移预测方法，如图5所示，其包括：
建立与待预测寿命的目标电池同温度、同充放电倍率和不同配方的已知电池的电池库；
把所述电池库中其电池容量退化趋势与所述目标电池的电池容量退化趋势最相似的一个已知电池选作参考电池；
通过将所述参考电池的容量退化数据作为训练数据，对一个已知预测模型进行训练，得到电池寿命预测模型；
通过将目标电池的预定长度的电池退化数据输入到所述电池寿命预测模型进行计算，对所述目标电池进行寿命预测。
在本发明的一个实例中，电池容量退化趋势是指电池容量数据随时间而变化的电池容量退化数据的曲线走势。
在本发明的一个实例中，把所述已知电池容量退化数据库中其电池容量退化趋势与所述目标电池的电池容量退化趋势最相似的一个电池选作参考电池包括：分别计算所述目标电池的电池容量退化数据曲线各向量点与已知电池数据库中的各电池的容量退化曲线各向量点之间的平均欧式距离；将已知电池数据库所有电池中其容量退化曲线各向量点与目标电池的容量退化曲线各向量点之间平均欧式距离最近的一个已知电池选作参考电池。
在本发明的一个实例中，可以通过以下方式得到电池寿命预测模型包括：
将所述训练数据输入给深度学习层叠降噪自动编码器sda模型；
根据sda模型输出结果，调整所述sda模型的构架和参数，确定用于预测电池寿命的构架和参数；
将确定了构架和参数的sda模型作为电池寿命预测模型。
在本发明的一个实例中，将所述训练数据输入给sda模型可以包括：根据sda模型输入层的神经元数目，将作为训练数据的参考电池的容量退化数据规整为其行数等于所述神经元数目的数据列；将所述的其行数等于所述神经元数目的数据列并行输入到sda模型的输入层。
在本发明的一个实例中，可以通过以下方式确定sda模型的用于预测电池寿命的构架和参数；
以参考电池的容量退化到失效阈值为标准，调整和确定sda模型的输入层、隐藏层和数据预测层的层结构及其参数；
其中，所确定的sda模型的层结构包括一个输入层，两个隐藏层和一个数据预测层。
在本发明的一个实例中，参考电池容量的失效阈值为电池容量下降到初始电池容量的82％±2％。
在本发明的一个实例中，训练数据包括电池容量退化数据及其对应的寿命标签，并通过以下方式得到所述训练数据：
将参考电池的容量退化数据进行数据归一化处理，得到归一化后的容量退化数据；
为归一化后的容量退化数据分别配置相对应的归一化寿命标签值。
在本发明的一个实例中，电池寿命预测模型的参数包括寿命标签值；电池寿命预测模型对输入的目标电池预定长度的电池退化数据进行计算，得到对应的寿命标签值，对其进行反归一化处理，得到剩余电池寿命。
在本发明的一个实例中，上述的目标电池预定长度的电池退化数据为：电池容量从100％退化到90％±2％的数据。
尽管上文对本发明进行了详细说明，但是本发明不限于此，本技术领域技术人员可以根据本发明的原理进行各种修改。因此，凡按照本发明原理所作的修改，都应当理解为落入本发明的保护范围。