[發(fā)明專利]基于時(shí)間卷積神經(jīng)網(wǎng)絡(luò)的鋰離子電池剩余壽命預(yù)測方法

有效

• 申請?zhí)枺?/td>: 202111039920.0
• 申請日: 2021-09-06
• 公開（公告）號(hào): CN113777496B
• 公開（公告）日: 2023-10-24
• 發(fā)明（設(shè)計(jì)）人: 王華慶;郭旭東;馬波;宋瀏陽
• 申請（專利權(quán)）人: 北京化工大學(xué)
• 主分類號(hào): G01R31/367
• 分類號(hào): G01R31/367;G01R31/392;G06N3/0464;G06N3/084;G06N3/049
• 代理公司: 北京思海天達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 11203
• 代理人: 劉萍

1.基于時(shí)間卷積神經(jīng)網(wǎng)絡(luò)的鋰離子電池剩余壽命預(yù)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(jìn)行反復(fù)充放電實(shí)驗(yàn)，收集電池老化對(duì)內(nèi)部參數(shù)的影響；

在充放電過程中，以1.5A的恒定電流模式進(jìn)行充電，直到電池電壓達(dá)到4.2V，然后以恒定電壓模式繼續(xù)充電，直到充電電流降至20mA；放電以2A的恒定電流進(jìn)行放電，直至降至2.7V，反復(fù)進(jìn)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(yùn)行過程中，不同工況下的運(yùn)行狀態(tài)參數(shù)值，包括電池端子電壓、電池輸出電流、電池溫度、負(fù)載測量電流、負(fù)載測量電壓、電池容量、環(huán)境溫度{(x₁,x₂,x₃,x₄,x₅,x₆,x₇)}以及剩余壽命y，將參數(shù)按照時(shí)間進(jìn)行組合，得到時(shí)間序列{(x₁,x₂,x₃,x₄,x₅,x₆,x₇),y}；

步驟2：對(duì)采集到的數(shù)據(jù)進(jìn)行預(yù)處理，構(gòu)建訓(xùn)練數(shù)據(jù)集，測試數(shù)據(jù)集便于輸入TCN網(wǎng)絡(luò)

第一步：數(shù)據(jù)清洗；將時(shí)間序列X:{(x₁,x₂,x₃,x₄,x₅,x₆,x₇),y}導(dǎo)入?yún)?shù)篩選器，進(jìn)行計(jì)算；計(jì)算公式為

當(dāng)環(huán)境溫度的偏導(dǎo)數(shù)為0，將環(huán)境溫度參數(shù)剔除，得到時(shí)間序列{(x₁,x₂,x₃,x₄,x₅,x₆),y}；若環(huán)境溫度的偏導(dǎo)數(shù)不為0，則時(shí)間序列為{(x₁,x₂,x₃,x₄,x₅,x₆,x₇),y}；

第二步：數(shù)據(jù)標(biāo)準(zhǔn)化；

采用最大最小歸一化的方法來消除差異；數(shù)學(xué)表達(dá)示為：

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

第三步劃分測試數(shù)據(jù)集和訓(xùn)練數(shù)據(jù)集：

利用訓(xùn)練數(shù)據(jù)構(gòu)造TCN模型的訓(xùn)練集；將全數(shù)據(jù)周期的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)；在后50個(gè)周期中隨機(jī)選擇一個(gè)周期，將此周期之前的所有數(shù)據(jù)作為測試數(shù)據(jù)集；將電池容量作為衡量電池壽命的標(biāo)準(zhǔn)，將其設(shè)為標(biāo)簽；

(1)其中訓(xùn)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(gè)充放電周期的電池端子電壓、電池輸出電流、電池溫度、負(fù)載測量電流、負(fù)載測量電壓、電池容量；

第四步：獲得剩余壽命標(biāo)簽；

采用滑動(dòng)窗口取樣的方法，時(shí)間窗高度為傳感器數(shù)據(jù)寬度b,長度為設(shè)定長度a,因此樣本矩陣大小為a×b；滑動(dòng)窗口從時(shí)間序列首端開始滑動(dòng)，沒有元素時(shí)用0補(bǔ)充，每次移動(dòng)一個(gè)時(shí)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(wǎng)絡(luò)預(yù)測模型，設(shè)置訓(xùn)練參數(shù)，進(jìn)行模型訓(xùn)練；

第一步：構(gòu)造TCN模型：

(1)TCN包含兩個(gè)用于卷積運(yùn)算的膨脹因果卷積模塊，兩個(gè)確保非線性化的ReLU層，以及兩個(gè)權(quán)值標(biāo)準(zhǔn)化和丟失層用于標(biāo)準(zhǔn)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(jì)算公式為：

式中k為濾波器中訓(xùn)練的參數(shù)；w為卷積核權(quán)重；x^l_i為第l層的第i個(gè)輸入特征；y^l_i為第l層的第i個(gè)輸出特征，b為偏置默認(rèn)為1；

為了加速網(wǎng)絡(luò)訓(xùn)練過程，保證隱層激活數(shù)據(jù)分布的一致性，采用權(quán)值標(biāo)準(zhǔn)化(BN，Batchnormalization)對(duì)每批數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化；

批標(biāo)準(zhǔn)化的計(jì)算公式如下：

式中y^(k)為第k個(gè)神經(jīng)元的輸出響應(yīng)；γ^(k)為訓(xùn)練的重構(gòu)參數(shù)規(guī)模；β^(k)為訓(xùn)練的重構(gòu)參數(shù)轉(zhuǎn)變，ε為極小常數(shù)防止分母為零，E(x)表示均值，表示標(biāo)準(zhǔn)差；初始值為隨機(jī)值，重復(fù)迭代過程，當(dāng)5個(gè)周期內(nèi)損失函數(shù)值不再減小，得出最優(yōu)y,γ,β；

采用ReLU為激活函數(shù)，在網(wǎng)絡(luò)訓(xùn)練的反向傳播過程中，當(dāng)輸入小于0時(shí)，不能更新權(quán)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(kuò)張系數(shù)，k是卷積核大小，k′為擴(kuò)張后的卷積核大小；k′不應(yīng)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(kuò)張系數(shù)選為{3，2，1}，卷積核數(shù)量為{64，32}確保能獲得多尺度的特征信息；

(3)每一個(gè)殘差塊的輸出O如下，其中x為輸入，F(xiàn)(x)為因果空洞卷積計(jì)算：

O＝Activation(x+F(x))

Activation為激活函數(shù)，選用的激活函數(shù)為ReLU函數(shù)，表達(dá)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(shù)，數(shù)學(xué)表達(dá)式為

式中：為輸出預(yù)測值；y_i為實(shí)際值；n為數(shù)據(jù)時(shí)間序列長度；

訓(xùn)練過程中，選用梯度下降算法，損失通過梯度下降進(jìn)行反向傳播，逐層更新卷積神經(jīng)網(wǎng)絡(luò)的各個(gè)層的可訓(xùn)練參數(shù)即權(quán)重W和偏置b；學(xué)習(xí)速率參數(shù)η用于控制殘差反向傳播的強(qiáng)度：

i為第i層卷積層；η設(shè)定值為0.001；

使用均方根誤差(RMSE)進(jìn)行評(píng)估；

第三步：

完成以上步驟后進(jìn)行網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練過程如下：輸入數(shù)據(jù)輸入模型后，首先經(jīng)過因果卷積計(jì)算，進(jìn)行權(quán)重歸一化，然后經(jīng)過激活函數(shù)ReLU進(jìn)行非線性化處理，同時(shí)進(jìn)行隨機(jī)丟失策略Dropout，Dropout取為0.2；經(jīng)過兩次這樣的操作后得到第一個(gè)殘差模塊的輸出，第一個(gè)殘差模塊的輸出作為下一個(gè)殘差模塊的輸入，最后一個(gè)殘差模塊計(jì)算完畢，得到TCN模型的輸出值；殘差塊為數(shù)量為3；迭代計(jì)算過程中使用提前終止策略，當(dāng)均方誤差5個(gè)周期沒有變化，停止訓(xùn)練并保存訓(xùn)練模型；

步驟4：將測試集數(shù)據(jù)按照步驟2進(jìn)行處理，得到訓(xùn)練集樣本；將訓(xùn)練集樣本輸入步驟3訓(xùn)練好的模型，進(jìn)行壽命預(yù)測，輸出剩余壽命值，并進(jìn)行壽命評(píng)估；RMSE值低于10則流程結(jié)束，若高于10重復(fù)步驟三進(jìn)行訓(xùn)練。