一种基于混合神经网络的电池剩余拐点寿命预测方法

本发明属于电池，尤其涉及一种基于混合神经网络的电池剩余拐点寿命预测方法。

背景技术：

1、电动汽车在促进能源结构转型和提高交通领域电气化水平方面具有重要作用，锂离子电池因其循环寿命长和能量密度高等优势而被用作电动汽车的动力源，但是电池在使用过程中会出现衰退现象，从而带来运行上的安全隐患，准确的预测剩余拐点寿命可以知道电池的衰退程度，借此提高电池使用安全性和可靠性。目前电池的剩余拐点寿命预测方法可以分为基于模型的方法和基于数据驱动的方法，与基于模型的方法相比，基于数据驱动的方法无须对电池的机理与物理模型进行深入研究，可以直接从传感器测量得到的电压、电流和温度等数据中提取电池衰退的特征参数，进而进行剩余拐点寿命预测，其过程简单，因而日益受到重视，并逐渐成为电池剩余拐点寿命预测的主流方法。在使用基于数据驱动的方法进行剩余拐点寿命预测时，需要解决电池衰退特征提取问题，传统的人为特征提取依赖研究人员的经验，存在特征提取耗时和不全面的局限性。自动的电池衰退特征提取虽然解决了特征提取耗时和不全面局限性，但是并未对用于自动特征提取的原始数据进行异常检测，如果用于自动特征提取的原始数据存在异常，就会造成剩余拐点寿命的预测结果不准确，因此如何自动提取电池的衰退特征并保证用于特征自动提取的原始数据的正确性是需要进一步解决的问题。

技术实现思路

1、本发明的目的是提供一种基于混合神经网络的电池剩余拐点寿命预测方法，以解决现有技术中存在的人为的电池衰退特征提取耗时和不全面、输入的数据没有进行异常检测而导致的剩余拐点寿命预测精度低的问题。

2、为达到上述目的，本发明的技术方案为：提供一种基于混合神经网络的电池剩余拐点寿命预测方法，其创新点在于，具体包括以下步骤：

3、s1、获取锂离子电池循环寿命老化数据：对多块锂离子电池进行循环寿命老化实验，记录实验过程中电池充放电电压、充放电容量；

4、s2、数据处理：对步骤s1中的循环寿命老化数据进行处理，得到每块电池在不同循环次数下的放电过程中固定电压点所对应的放电容量数据和不同循环次数下剩余拐点寿命值，并将固定电压点所对应的放电容量数据区分为固定电压点所对应的正常的放电容量数据和固定电压点所对应的异常的放电容量数据；

5、s3、自编码器异常检测：采用步骤s2中得到的固定电压点所对应的正常的放电容量数据对自编码器进行训练，并且根据自编码器对固定电压点所对应的正常的放电容量数据的重构误差的统计结果得出异常检测的阈值；

6、s4、搭建混合神经网络模型：根据卷积神经网络和双向长短期记忆神经网络的原理搭建混合神经网络模型；

7、s5、训练混合神经网络模型：使用步骤s2中的固定电压点所对应的正常的放电容量数据和剩余拐点寿命值来训练混合神经网络模型，从而建立固定电压点所对应的正常的放电容量数据与剩余拐点寿命之间的映射关系，最终获得训练好的混合神经网络模型；

8、s6、获得电池剩余拐点寿命值：基于步骤s5中训练好的混合神经网络模型，输入正常的固定电压点下的放电容量数据，即可得到剩余拐点寿命值。

9、进一步的，所述的步骤s2中对步骤s1中的循环寿命老化数据进行处理具体如下：

10、(1)设固定电压点分别为v1，v2，…vn，则固定电压点所对应的放电容量分别为q1，q2，…qn，其中n为固定电压点的个数；

11、(2)不同循环次数的电池容量数据为：c＝[c1，c2，…，cm]，其中m为电池的循环次数，利用c＝[c1，c2，…，cm]来识别电池拐点，具体识别方法如下：

12、采用matlab软件的曲线拟合工具箱来拟合电池循环次数与容量之间的关系，需要拟合的纵坐标数据为：y＝c＝[c1，c2，…，cm]，横坐标数据为：x＝[1，2，…，m]；

13、自定义拟合公式为：

14、y＝α0+α1(x-x0)+α2(x-x0)tanh{(x-x0)/γ}

15、其中γ＝1×10-8，x0，α0，α1，α2是拟合得出的数值，则可以求出β1＝α1-α2，β2＝α1+α2，则y＝k(x-x0)+α0；

16、再次使用多项式y＝p0+p1x+p2x2+p3x3+p4x4+p5x5来拟合电池循环次数与容量之间的关系；联立y＝k(x-x0)+α0和y＝p0+p1x+p2x2+p3x3+p4x4+p5x5求解出x，所求解出的x即为拐点值；

17、(3)利用电池的拐点值减去当前的循环次数，得到电池剩余拐点寿命，具体计算公式为：

18、rkl＝nknee-nnow

19、式中rkl为电池的剩余拐点寿命，nknee为电池的拐点值，nnow为电池当前的循环次数。

20、进一步的，所述的步骤s3中的自编码器异常检测是采用固定电压点所对应的正常的放电容量qin＝[q1，q2，…qn]in作为自编码器的输入，自编码器的输出为qout＝[q1，q2，…qn]out，重构误差为error＝|qin-qout|，根据重构误差的统计结果得出异常检测的阈值。

21、进一步的，所述的步骤s4中所搭建的混合神经网络模型包括输入层、卷积层、池化层、展平层、双向长短期记忆层和输出层。

22、进一步的，所述的步骤s5是通过训练混合神经网络来建立固定电压点所对应的正常的放电容量q＝[q1，q2，…qn]与剩余拐点寿命rkl之间的映射关系，即{[q1，q2，…qn]，rkl}。

23、与现有技术相比，本发明具有以下优点：

24、1、本发明利用自编码器来检测固定电压点所对应的正常的放电容量q＝[q1，q2，…qn]，确保了输入混合神经网络模型中的固定电压点所对应的正常的放电容量q＝[q1，q2，…qn]数据是正常的，从而使模型预测出的剩余拐点寿命值更准确。

25、2、本发明采用卷积神经网络自动的提取电池衰退特征参数，不仅简化了电池衰退特征参数提取的流程，同时还提高了剩余拐点寿命预测的精度；利用双向长短期记忆神经网络模型获取卷积神经网络所提取的衰退特征参数之间的相关性，进一步提升剩余拐点寿命预测的精度。

26、3、本发明充分融合了自编码器异常检测、卷积神经网络模型自动提取特征和双向长短期记忆神经网络模型处理序列数据的优点，能够实现对电池剩余拐点寿命的高精度预测。

技术特征：

1.一种基于混合神经网络的电池剩余拐点寿命预测方法，其特征在于，具体包括以下步骤：

2.根据权利要求1所述的一种基于混合神经网络的电池剩余拐点寿命预测方法，其特征在于，所述的步骤s2中对步骤s1中的循环寿命老化数据进行处理具体如下：

3.根据权利要求1所述的一种基于混合神经网络的电池剩余拐点寿命预测方法，其特征在于，所述的步骤s3中的自编码器异常检测是采用固定电压点所对应的正常的放电容量qin＝[q1,q2,…qn]in作为自编码器的输入，自编码器的输出为qout＝[q1,q2,…qn]out，重构误差为error＝|qin-qout|，根据重构误差的统计结果得出异常检测的阈值。

4.根据权利要求1所述的一种基于混合神经网络的电池剩余拐点寿命预测方法，其特征在于，所述的步骤s4中所搭建的混合神经网络模型包括输入层、卷积层、池化层、展平层、双向长短期记忆层和输出层。

5.根据权利要求1所述的一种基于混合神经网络的电池剩余拐点寿命预测方法，其特征在于，所述的步骤s5是通过训练混合神经网络来建立固定电压点所对应的正常的放电容量q＝[q1,q2,…qn]与剩余拐点寿命rkl之间的映射关系，即{[q1,q2,…qn],rkl}。

技术总结
本发明涉及一种基于混合神经网络的电池剩余拐点寿命预测方法，具体包括以下步骤：S1、获取锂离子电池循环寿命老化数据；S2、数据处理；S3、自编码器异常检测；S4、搭建混合神经网络模型；S5、训练混合神经网络模型；S6、获得电池剩余拐点寿命值。本发明采用卷积神经网络自动的提取电池衰退特征参数，不仅简化了电池衰退特征参数提取的流程，同时还提高了剩余拐点寿命预测的精度；利用双向长短期记忆神经网络模型获取卷积神经网络所提取的衰退特征参数之间的相关性，进一步提升剩余拐点寿命预测的精度。

技术研发人员：陈峥,李金元,李镇伍,夏雪磊
受保护的技术使用者：昆明理工大学
技术研发日：
技术公布日：2024/1/15