[發明專利]一種基于LSTM網絡和遷移學習的鋰電池壽命預測方法

有效

• 申請號: 202011087935.X
• 申請日: 2020-10-13
• 公開（公告）號: CN112241608B
• 公開（公告）日: 2022-08-26
• 發明（設計）人: 熊平;陶騫;鄭景文;黃敏
• 申請（專利權）人: 國網湖北省電力有限公司電力科學研究院;湖北方源東力電力科學研究有限公司;華中科技大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G01R31/392;G01R31/367;G06F119/04
• 代理公司: 武漢楚天專利事務所 42113
• 代理人: 胡盛登

本發明提供一種基于LSTM神經網絡和遷移學習的鋰電池剩余壽命預測方法，包括以下步驟：步驟1：數據獲取及數據預處理；步驟2：將數據按比例劃分為訓練集和測試集；步驟3：搭建源域LSTM神經網絡模型，將源域數據訓練集輸入神經網絡進行訓練，將測試集的數據輸入神經網絡進行測試；步驟4：利用最大均值差異對源域和目標域的數據差異進行衡量，得到源域與目標域的分布距離；步驟5：根據最大均值差異對源域網絡模型進行調整，得到目標領域網絡網絡模型，將源域網絡模型參數進行遷移，將目標域數據輸入模型進行剩余壽命預測。本發明能夠通過遷移網絡模型結構和參數，減少網絡訓練時間，提高效率。

技術領域

本發明屬于鋰離子電池技術領域，具體涉及一種基于LSTM網絡和遷移學習的電池壽命預測方法。

背景技術

鋰離子電池因其壽命長，充電快，能量高，體積小，無污染等特點，被廣泛應用于各種電子設備、汽車能源和航空航天方面。在實際的應用過程中，鋰離子電池的容量會隨著充放電循環次數的增加而下降，性能逐漸退化，產生電池壽命失效問題可能會導致安全事故，因此電池的壽命預測顯得尤為重要。鋰離子電池剩余壽命研究可以歸納為兩大類：基于模型預測和基于數據驅動預測。基于數據驅動的RUL預測研究方法較多，其中包括：人工神經網絡、支持向量機、高斯過程回歸、相關向量機，AR模型等。基于數據驅動的方法避免了對鋰電池內部復雜機理的化學反應過程的研究，直接從電池數據中挖掘能夠表征電池退化性能的特征。

LSTM是循環神經網絡RNN的變體，RNN適用于處理時間序列，但在訓練過程中它的反向誤差會隨著層數的增加傳遞，誤差值越來越小，出現梯度消失和梯度爆炸問題，只適用于處理短時間序列。LSTM具有解決梯度消失和梯度爆炸問題的良好能力，可以學習更加長期的時間序列。

發明內容

本發明的目的在于提供一種基于LSTM神經網絡和遷移學習的鋰離子電池剩余壽命預測方法。目的在于預測電池的剩余使用壽命，在不了解電池內部構造機理和化學反應情況下，通過記錄鋰離子電池在充放電過程的各類參數的數據變化，建立源域電池LSTM網絡模型來預測電池的剩余使用壽命，同時用建立好的模型遷移到目標域鋰電池上，預測剩余使用壽命。

本發明的技術方案：

一種基于LSTM神經網絡和遷移學習的鋰離子電池剩余壽命預測方法，包括以下步驟：

步驟1：數據獲取及數據預處理，獲取鋰離子電池特征數據，包括源域數據和目標域數據；

步驟2：將數據按比例劃分為訓練集和測試集；

步驟3：搭建源域LSTM神經網絡模型，將源域數據訓練集輸入神經網絡進行訓練，將測試集的數據輸入神經網絡進行測試，采用平均絕對誤差、均方根誤差作為預測結果的評價指標，當模型對測試集進行測試所達到的效果不理想時，需調整網絡模型的參數直到測試效果理想，保存訓練好的網絡模型架構和網絡參數；

步驟4：利用最大均值差異對源域和目標域的數據差異進行衡量，得到源域與目標域的分布距離；

步驟5：根據最大均值差異對源域網絡模型進行調整，得到目標領域網絡網絡模型，將源域網絡模型參數進行遷移，將目標域數據輸入模型進行剩余壽命預測。

所述步驟1的具體方法為：