一种基于数据特征图像的电池寿命预测方法

本发明涉及电池寿命预测，尤其涉及一种基于数据特征图像的电池寿命预测方法。

背景技术：

1、近年来锂离子电池组的快速增长表明，当前的回收方法还无法以生产速度处理如此多的电池单元。从这个问题出发，出现了电池二次寿命解决方案，其中电池组经过翻新，然后转售用于固定存储应用，这有助于提高电网的灵活性。理想情况下，二次翻新包括将整个电动汽车电池组分解为单个电池，并确定每个电池的健康状态(soh)和剩余使用寿命(rul)。这种方法是理想的，因为众所周知，电池组中的电池会以不同的速率退化，这主要是由于制造不一致和操作条件略有不同。因此，每个电池的单独分类非常重要，因为如果电池组按原样转售，容量不一致将继续呈指数级增加，并导致电池组快速退化，进而导致过早失效，这可能对电池组造成危险。电池之间最初20％的阻抗差异可能会导致电池组的使用寿命缩短40％。分解电池组并单独循环每个电池的过程可能非常漫长，这反过来又降低了整个过程的效率。

2、传统的寿命预测方法存在一些缺点，传统方法通常基于物理模型来预测设备的寿命，这些模型需要考虑各种参数和变量，并且需要大量的领域专业知识。构建和验证这样的物理模型是一项复杂的任务，需要大量的时间和资源。传统方法需要大量的历史数据或实验数据来构建模型。而且，数据质量对预测结果的准确性有很大影响。如果没有足够的数据或者数据质量不好，预测结果可能不准确。由于传统方法通常基于理论模型，这些模型对于真实世界中多样性和变化性较大的设备可能不够准确。因此，传统方法的预测精度有限，可能无法对复杂的设备故障行为进行准确预测。传统方法在实时性方面存在限制。传统方法往往需要在设备出现故障之前一段时间进行预测，并且需要周期性地更新模型。这对于某些需要实时决策的应用来说是不够满足要求的。传统的rul预测方法存在建模复杂、数据要求高、预测精度有限和实时性差等缺点。

技术实现思路

1、本发明提供了一种基于数据特征图像的电池寿命预测方法，目的是解决现有技术中传统的rul预测方法存在建模复杂、数据要求高、预测精度有限和实时性差的问题。

2、为了实现上述目的，本发明提供如下技术方案：一种基于数据特征图像的电池寿命预测方法，包括步骤：

3、获取若干循环寿命在一定范围的电池，并获取所述电池在不同连续充放电周期中，电池循环寿命曲线的多个图像数据；

4、构建胶囊网络模型，使用多个所述图像数据训练胶囊网络模型，并对训练后的所述胶囊网络模型进行迁移学习；

5、通过路由算法对迁移学习后胶囊网络模型中的胶囊进行分组，获得多个父胶囊；

6、将变换矩阵wij应用于第一个父胶囊层的输出，并将应用结果与耦合系数相乘，获得每个父胶囊的输出；

7、将每个所述父胶囊输出的结果相加，并对相加后的结果向量使用挤压函数，获得每个胶囊长度在0和1间的输出向量；

8、通过所述输出向量对正常和异常状态的电池进行分类，并获得正常状态电池的健康状态soh和剩余使用寿命rul；

9、对所述健康状态soh和剩余使用寿命rul分析定量误差，通过所述定量误差进行电池健康状况评估，获得电池寿命预测结果。

10、优选的，所述获取所述电池在不同连续充放电周期中，电池循环寿命曲线的多个图像数据，具体包括步骤：

11、通过n个lfp电池构建电池数据集；

12、将循环寿命低于阈值范围内的电池进行剔出；

13、使用四种不同的场景，获得一个、三个、五个和十个连续充放电周期，电池循环寿命曲线的图像数据。

14、优选的，所述构建胶囊网络模型，使用多个所述图像数据训练胶囊网络模型，包括步骤：

15、通过包括一个、三个、五个和十个所述电池循环寿命曲线的图像数据训练胶囊网络；

16、且在训练过程中，只针对胶囊网络中的多个参数进行训练。

17、优选的，所述对训练后的所述胶囊网络模型进行迁移学习，包括如下步骤：

18、利用迁移学习将迁移学习后所述胶囊网络中的知识转移到新的胶囊网络；

19、利用所述新的胶囊网络从电池图像数据集中提取电池图像所需识别的特征；

20、对所述新的胶囊网络中最终的完全连接层通过电池图像数据集进行重新训练，获得满足观察的数据集。

21、优选的，所述将变换矩阵wij应用于第一个父胶囊层的输出，并将应用结果与耦合系数相乘，获得每个父胶囊的输出，具体表达式为：

22、

23、

24、其中，wij是通过损失梯度反向传播训练的变换矩阵，ui是第一个父胶囊层的输出，cij是耦合系数，是变换矩阵wij应用第一个父胶囊层输出后获得的结果，sj是每个父胶囊的输出。

25、优选的，将每个所述父胶囊输出的结果相加，并对相加后的结果向量使用挤压函数，其中挤压函数的具体表达式为：

26、

27、其中，vj为挤压函数表达式。

28、优选的，所述获得正常状态电池的健康状态soh和剩余使用寿命rul之前，对所述胶囊网络模型进行训练，包括如下步骤

29、选择神经网络的超参数，设置batch size为32；

30、使用adam优化器降低学习率，并使用所述学习率对模型进行泛化。

31、优选的，对所述胶囊网络模型进行训练后，对所述胶囊网络模型进行评估，包括如下步骤：

32、在测试集上，使用第一个周期的输入曲线和第十个周期的输入曲线测试胶囊网络模型中神经网络的准确性；

33、采用连续五个、三个和一个循环进行同样的操作，然后比较结果，通过所述比较结果对胶囊网络模型进行评估。

34、优选的，对所述健康状态soh和剩余使用寿命rul分析定量误差，通过所述定量误差进行电池健康状况评估，包括如下步骤：

35、应用平均绝对误差mae、均方根误差rmse、箱线图分析和rul概率分布对健康状态soh和剩余使用寿命rul进行定量分析，获得电池健康状况评估结果；

36、其中，mae方法的计算表达式为：

37、

38、其中，maesoh为分析电池健康状况的对应值；yi和分别是电池soh的实际测量值和预测值；

39、其中，rmse为预测值和测量值之间差异的标准偏差，rmse具体表达式为：

40、

41、其中rmsesoh为用于分析电池健康状况的对应值，yi和分别是电池soh的实际测量值和预测值；

42、箱线图分析包括：最大值、上四分位数、中位数、下四分位数、最小值和离群值；

43、rul概率分布函数与蒙特卡罗方法相结合，将胶囊网络模型构建和训练过程中的不确定性传播为量化的统计数据。

44、优选的，所述rul概率分布函数与蒙特卡罗方法相结合，将胶囊网络模型构建和训练过程中的不确定性传播为量化的统计数据，包括步骤：

45、获得的布区间越窄，置信度越高的预测结果；

46、95％置信区间是通过95％置信区间方法构造的多个区间，其中95％的区间将包含真实值，具体表达式为：

47、p(rulmin≤rulreal≤rulmax)＝0.95

48、

49、其中，μ和σ分别是使用蒙特卡罗方法进行n次计算得到的概率分布函数的均值和方差，p是概率，rulmin为最小剩余使用寿命，rulreal为实际剩余使用寿命，rulmax为最大剩余使用寿命。

50、本发明与现有技术相比具有以下有益效果：

51、本发明通过获取不同连续充放电周期内电池循环寿命曲线的图像数据，并通过该图像数据训练胶囊网络模型，通过对胶囊模型进行迁移学习，以及通过胶囊网络模型进行数据处理，减少了训练参数，大大减少对大量标记样本的依赖，适用于有限的锂离子电池图像数据集；同时通过胶囊网络模型的输出对电池状态进行分类，快速对健康状态soh和剩余使用寿命rul分析定量误差，以及电池健康状况的评估。本发明大大减少了对于图像数据处理的工作，提高训练效率，同时通过分析定量误差提高了rul的预测精度。