一种基于TCN-GRU-BNDNN模型的锂离子电池剩余使用寿命预测方法

本发明涉及一种锂离子电池剩余使用寿命预测方法，尤其涉及一种基于tcn-gru-bndnn模型的锂离子电池剩余使用寿命预测方法。

背景技术：

1、锂离子电池因其体积小、重量轻、自放电率低、循环寿命长、充电速度快和安全性能好等独特的特点，具有广泛的应用前景。锂离子电池通过内部的电化学反应来储存和释放电能，随着使用次数的增加，电池出现老化现象，电池容量和功率会衰退，可能会导致整个系统的性能下降，严重时甚至会发生灾难性事件。因此，准确预测锂离子电池剩余使用寿命至关重要，它可以帮助人们对其进行及时的管理和维护。剩余使用寿命作为现代电池管理系统(bms)的一个重要指标，对电池rul的准确预测能够减少电池的维护次数，节省电池维护的相关费用。随着充放电循环次数的增加，虽然锂离子电池的存储容量会逐渐降低，但锂离子电池在充放电过程处于静态状态时，反应产物会消散，导致其电化学性能相对于前一循环周期恢复。这种相对于前一循环周期，下一周期的可用容量增加了的现象被称为锂离子电池的容量再生现象。

2、基于数据驱动的方法是直接利用历史数据，通过各种数据处理方法对锂离子电池的性能退化数据进行分析和挖掘，从而避免复杂的物理或化学模型来实现电池容量的退化。锂离子电池的放电容量是电池老化的重要性能指标，当电池放电容量下降至其额定容量的70％-80％时，表示电池寿命结束(eol)。由于电池放电容量变化能直接反映电池在循环过程中的寿命衰减程度，因此通常将电池放电容量作为健康因子来进行锂离子电池rul的预测。基于数据驱动的方法主要包括优化算法、机器学习(ml)和人工神经网络(ann)。现有的电池rul单一算法预测模型存在泛化能力弱、预测精度低等问题。

3、近年来，越来越多的研究人员应用神经网络来评估锂离子电池的rul预测。li等人引入了一种深度信念网络(dbn)方法来训练历史电池容量数据，从而提供了准确的容量衰减预测。wu等人引入了神经网络来自适应地处理不同情况下的容量衰减趋势，并使用pf算法更新了神经网络的参数。他们将该方法与传统方法进行了比较，证明了该方法能更好地反映容量衰减的程度。park等人提取了多个特征变量，并使用长短期记忆(lstm)来实现具有多对一输入类型的rul预测。最近，zraibi等人利用卷积神经网络(lstm，cnn)和dnn，采用cnn-lstm-dnn混合方法，证明了混合方法优于单一方法。这种混合方法进一步提高了rul算法预测的精度。有很多研究者将ml方法应用于rul预测，因为这些方法可以很好地分析和建模数据。xue等人提出了一种利用自适应无迹卡尔曼滤波(aukf)算法对数据进行过滤的组合方法，然后利用遗传算法(ga)算法对支持向量回归(svr)参数进行优化。该方法的预测结果优于aukf和自适应扩展卡尔曼滤波器(aekf)。zhu等人应用微分进化(de)和灰狼优化(gwo)来优化极端学习机(elm)参数。然后，nan等人使用相关向量机(rvm)在滑动窗口内的相关向量，然后引入灰色模型(gm)来获得容量数据的趋势预测。以上文献表明，虽然这些算法能够对锂电池rul提供良好的预测结果，但锂电池整个生命周期预测精度的预测(包括容量再生部分的预测和退化趋势)需要不断提升。

技术实现思路

1、发明目的：针对以上问题，本发明提出一种基于tcn-gru-bndnn模型的锂离子电池剩余使用寿命预测方法，能够实现更高精度的电池rul预测。

2、技术方案：本发明所采用的技术方案是一种基于tcn-gru-bndnn模型的锂离子电池剩余使用寿命预测方法，采用tcn-gru-bndnn模型对输入的电池放电数据进行分析，输出对锂离子电池剩余使用寿命的预测结果；所述tcn-gru-bndnn模型包括以下步骤：

3、步骤s1，电池放电数据输入至编码器模块，所述编码器模块包括时间卷积网络(tcn)与特征注意力机制层，电池放电数据经时间卷积网络处理后再经特征注意力机制层输出；

4、步骤s2，步骤s1的输出数据输入至解码器模块，所述解码器模块包括门控循环单元(gru)与时序注意力机制层，步骤s1的输出数据经门控循环单元(gru)处理后再经时序注意力机制层输出；

5、步骤s3，步骤s2的输出数据经过归一化深度神经网络(bndnn)处理后输出预测结果。

6、所述电池放电数据是将电池容量随时间变化的数据处理为1xn维向量，向量中的第i个元素的值为第i个时刻对应的电池容量。

7、所述时间卷积网络包括若干残差块串联，所述残差块包括顺序运算的两轮扩张因果卷积、权值归一化、激活函数和输出层，残差块的输入经1×1的卷积后与输出作差；所述扩张因果卷积是先进行扩张卷积运算，再进行因果卷积运算。

8、所述激活函数为：

9、

10、式中，f为激活函数，x为输入值，tanh与sigmoid为激活函数，β为缩放系数，用于控制sigmoid图像横轴宽窄。

11、残差块中的输出层采用max dropout层，计算过程如下所示：

12、max dropout(f3)＝(1-μ)max{poolsize(y)}

13、式中，max dropout(f3)表示输出函数，max{poolsize(y)}代表dropout在最大池化层上执行，μ表示贝叶斯方法得到的概率分布的均值。

14、所述时序注意力机制层的计算公式为：

15、score(h′t，h′s)＝h′tth′s

16、

17、

18、

19、式中，score评分函数采用点积，h′t(t∈[1，i])表示gru神经网络隐藏层的t时刻的输出，α′t表示历史输入的隐藏层状态对当前输入的注意力权重；ct是中间过渡向量；表示最终输出的当前时刻的隐藏层状态值。wc为权重，h′s为当前输入的隐藏层状态值。

20、所述归一化深度神经网络(bndnn)在神经网络层中进行预处理操作，所述预处理操作是指在进入下一层神经网络之前对前一层神经网络的输出进行归一化处理，并将各神经网络层的输入值分布归一化为标准正态分布。

21、所述预处理操作的计算式为：

22、

23、

24、

25、

26、式中，代表对输入的数据求均值，代表对输入的数据求方差，xi代表输入数据，m代表输入数据总数，μβ代表均值，代表方差；是根据均值和方差进行标准化，使输入服从标准正态分布，代表标准化后的输入数据，∈代表设定值；为表示输出y和服从标准正态分布的输入呈一种线性关系，bn代表归一化处理，γ、β代表线性系数。

27、本发明提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的基于tcn-gru-bndnn模型的锂离子电池剩余使用寿命预测方法。

28、本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于tcn-gru-bndnn模型的锂离子电池剩余使用寿命预测方法。

29、有益效果：相比于现有技术，本发明具有以下优点：(1)针对锂离子电池中电池容量再生现象难以捕获问题，本发明利用tcn与特征注意力机制构建编码器模块，利用编码器模块突出电池容量再生部分的重要信息，从而对容量再生现象进行更加准确的捕获。在编码器模块中，tcn网络利用因果卷积和扩张卷积，使历史信息不会被遗漏，从而能够对电池容量序列中局部再生部分的预测更加稳定。特征注意力机制通过在时间步长提取出相关输入特征并赋予对应的权重，加强每个时间步长中重要信息的特征，突出容量再生现象的信息；(2)为了能够更好的对电池容量序列衰减趋势进行预测，本发明将gru与时序注意力机制相结合构成解码器模块。解码器模块中gru神经网络能更好的预测容量序列的退化趋势，并且gru网络模型结构简单，参数少，模型训练所需时间短。但gru在处理较长时间序列数据时容易出现信息丢失和梯度消失问题，因此引入时序注意力机制，时序注意力机制能够自适应处理历史时刻的状态信息并加强相关时刻的状态信息影响力，突出时序状态对预测结果的影响；(3)本发明根据encoder-decoder框架，构建了一种基于双重注意力机制的tcn-gru-bndnn混合预测模型。该混合模型将tcn与特征注意力机制相结合构成编码器模块，gru与时序注意力机制相结合构成解码器模块，并通过bndnn网络输出最终预测结果，利用bndnn网络较强的独立学习能力、泛化能力以及非线性拟合能力，进一步提高rul预测精度。