[發明專利]基于時間卷積神經網絡的鋰離子電池剩余壽命預測方法

有效

• 申請號: 202111039920.0
• 申請日: 2021-09-06
• 公開（公告）號: CN113777496B
• 公開（公告）日: 2023-10-24
• 發明（設計）人: 王華慶;郭旭東;馬波;宋瀏陽
• 申請（專利權）人: 北京化工大學
• 主分類號: G01R31/367
• 分類號: G01R31/367;G01R31/392;G06N3/0464;G06N3/084;G06N3/049
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 劉萍

1.基于時間卷積神經網絡的鋰離子電池剩余壽命預測方法，其特征在于包括以下步驟：

步驟1：電池在室溫24℃情況下進行反復充放電實驗，收集電池老化對內部參數的影響；

在充放電過程中，以1.5A的恒定電流模式進行充電，直到電池電壓達到4.2V，然后以恒定電壓模式繼續充電，直到充電電流降至20mA；放電以2A的恒定電流進行放電，直至降至2.7V，反復進行充放電過程，直至額定容量從2Ahr降至1.4Ahr；采集鋰離子電池在全壽命周期運行過程中，不同工況下的運行狀態參數值，包括電池端子電壓、電池輸出電流、電池溫度、負載測量電流、負載測量電壓、電池容量、環境溫度{(x₁,x₂,x₃,x₄,x₅,x₆,x₇)}以及剩余壽命y，將參數按照時間進行組合，得到時間序列{(x₁,x₂,x₃,x₄,x₅,x₆,x₇),y}；

步驟2：對采集到的數據進行預處理，構建訓練數據集，測試數據集便于輸入TCN網絡

第一步：數據清洗；將時間序列X:{(x₁,x₂,x₃,x₄,x₅,x₆,x₇),y}導入參數篩選器，進行計算；計算公式為

當環境溫度的偏導數為0，將環境溫度參數剔除，得到時間序列{(x₁,x₂,x₃,x₄,x₅,x₆),y}；若環境溫度的偏導數不為0，則時間序列為{(x₁,x₂,x₃,x₄,x₅,x₆,x₇),y}；

第二步：數據標準化；

采用最大最小歸一化的方法來消除差異；數學表達示為：

其中x是傳感器數值，x_min是最小值，x_max是最大值，x'為處理后的數值；

第三步劃分測試數據集和訓練數據集：

利用訓練數據構造TCN模型的訓練集；將全數據周期的數據作為訓練數據；在后50個周期中隨機選擇一個周期，將此周期之前的所有數據作為測試數據集；將電池容量作為衡量電池壽命的標準，將其設為標簽；

(1)其中訓練集表示為[x_train]，[y_train]，其中：

上式中V_m(i),A_m(i),T_m(i),A_l(i),V_l(i),C_(i)分別代表鋰電池第i個充放電周期的電池端子電壓、電池輸出電流、電池溫度、負載測量電流、負載測量電壓、電池容量；

第四步：獲得剩余壽命標簽；

采用滑動窗口取樣的方法，時間窗高度為傳感器數據寬度b,長度為設定長度a,因此樣本矩陣大小為a×b；滑動窗口從時間序列首端開始滑動，沒有元素時用0補充，每次移動一個時間步長得到樣本序列{X₁,X₂,...,X_L},L為電池最大生命周期；

步驟3：搭建TCN網絡預測模型，設置訓練參數，進行模型訓練；

第一步：構造TCN模型：

(1)TCN包含兩個用于卷積運算的膨脹因果卷積模塊，兩個確保非線性化的ReLU層，以及兩個權值標準化和丟失層用于標準化和正則化；最后引入額外的1×1卷積來確保剩余塊的輸入和輸出具有相同的寬度；

其中卷積的的計算公式為：

式中k為濾波器中訓練的參數；w為卷積核權重；x^l_i為第l層的第i個輸入特征；y^l_i為第l層的第i個輸出特征，b為偏置默認為1；

為了加速網絡訓練過程，保證隱層激活數據分布的一致性，采用權值標準化(BN，Batchnormalization)對每批數據進行標準化；

批標準化的計算公式如下：

式中y^(k)為第k個神經元的輸出響應；γ^(k)為訓練的重構參數規模；β^(k)為訓練的重構參數轉變，ε為極小常數防止分母為零，E(x)表示均值，表示標準差；初始值為隨機值，重復迭代過程，當5個周期內損失函數值不再減小，得出最優y,γ,β；

采用ReLU為激活函數，在網絡訓練的反向傳播過程中，當輸入小于0時，不能更新權值；ReLU定義如下：

式中，x_i為輸入特征；

(2)因果空洞卷積：

卷積核尺寸為：

k′＝d(k-1)+1

其中d是擴張系數，k是卷積核大小，k′為擴張后的卷積核大小；k′不應超過樣本的大小；窗口長度為15，所以選擇卷積核大小為：{5x5,3x3}；擴張系數選為{3，2，1}，卷積核數量為{64，32}確保能獲得多尺度的特征信息；

(3)每一個殘差塊的輸出O如下，其中x為輸入，F(x)為因果空洞卷積計算：

O＝Activation(x+F(x))

Activation為激活函數，選用的激活函數為ReLU函數，表達式為

f(x)＝max{0,x}

X為輸入，f(x)為輸出；

第二步：選擇均方誤差作為損失函數，數學表達式為

式中：為輸出預測值；y_i為實際值；n為數據時間序列長度；

訓練過程中，選用梯度下降算法，損失通過梯度下降進行反向傳播，逐層更新卷積神經網絡的各個層的可訓練參數即權重W和偏置b；學習速率參數η用于控制殘差反向傳播的強度：

i為第i層卷積層；η設定值為0.001；

使用均方根誤差(RMSE)進行評估；

第三步：

完成以上步驟后進行網絡訓練，訓練過程如下：輸入數據輸入模型后，首先經過因果卷積計算，進行權重歸一化，然后經過激活函數ReLU進行非線性化處理，同時進行隨機丟失策略Dropout，Dropout取為0.2；經過兩次這樣的操作后得到第一個殘差模塊的輸出，第一個殘差模塊的輸出作為下一個殘差模塊的輸入，最后一個殘差模塊計算完畢，得到TCN模型的輸出值；殘差塊為數量為3；迭代計算過程中使用提前終止策略，當均方誤差5個周期沒有變化，停止訓練并保存訓練模型；

步驟4：將測試集數據按照步驟2進行處理，得到訓練集樣本；將訓練集樣本輸入步驟3訓練好的模型，進行壽命預測，輸出剩余壽命值，并進行壽命評估；RMSE值低于10則流程結束，若高于10重復步驟三進行訓練。