一种锂离子电池剩余寿命预测方法、系统、设备及介质与流程

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、系统、设备及介质。

背景技术：

1、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。

2、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。

3、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。

4、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。

技术实现思路

1、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、系统、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。

2、为达到上述目的，本发明采用以下技术方案：

3、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：

4、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；

5、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；

6、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。

7、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：

8、通过在线动力电池测试平台及电池管理系统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；

9、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。

10、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：

11、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。

12、本发明的进一步改进在于，q取值为28圈。

13、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，

14、

15、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，

16、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；

17、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。

18、本发明第二方面，提供一种锂离子电池剩余寿命预测系统，包括：

19、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；

20、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；

21、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。

22、本发明第三方面，提供一种电子设备，包括：

23、至少一个处理器；以及，

24、与所述至少一个处理器通信连接的存储器；其中，

25、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。

26、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。

27、与现有技术相比，本发明具有以下有益效果：

28、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。

29、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。