[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

基于時間卷積神經網絡的鋰離子電池剩余壽命預測方法屬于鋰離子電池故障預測與健康管理領域。電池設備退化過程是一個高度非線性，復雜的多維系統，時變性強，現有算法預測過程需要專家知識和先驗知識，費時費力，且預測過程困難，精度低。本方法通過神經網絡強大的時序建模能力，挖掘時間序列中的隱藏模型，自動的建立所測參數與壽命之間的非線性映射關系。由于卷積計算的并行性機制，可以使用圖形計算進行加速訓練，計算更快。本發明提出了一種參數篩選器的計算方法，無效參數和冗余參數過多時，可以自動篩選一部分參數，減少了預測工作量，提高了訓練效率。

技術領域

基于時間卷積神經網絡的鋰離子電池剩余壽命預測方法屬于鋰離子電池故障預測與健康管理領域。

背景技術

鋰電池由有具有輸出電壓高、能量密度高、自放電率低、循環壽命長及可靠性高等優點，廣泛應用于水力、火力、風力和太陽能電站等電源儲能系統，以及交通、軍事裝備、航空航天等重要領域。如果在使用過程中出現電池故障很可能會導致對應動力設備或系統的性能下降或故障，從而增加成本，甚至導致火災和爆炸等事故的發生。因此，準確預測與電池的剩余壽命具有很大的實際意義。

典型的鋰離子電池剩余壽命(remaining useful life，RUL)預測方法有三種：第一種是基于經驗的方法，第二種是基于模型的方法，第三種是數據驅動的方法。基于經驗的方法是通過歷史數據規律完成電池壽命預測，基于經驗的方法簡便快捷，但只是對RUL的粗略估計，不滿足當下的精度要求。基于模型的方法是通過分析電池的運行環境、內部材料特性等方式完成壽命預測，但是建立準確的模型需要花費大量的時間且操作繁瑣。數據驅動的方法基于統計分析，通過挖掘輸入與響應輸出之間的內在關聯實現壽命預測，數據驅動方法不需要具體的材料特性、結構或失效機制的知識。雖然在建模時更加便利，但對電池的具體老化機理不能明確表示。

近年來，深度學習作為機器學習算法的一種，在面對高度非線性，復雜的多維系統時，其強大的函數映射能力得到了廣泛的應用。特別是在時間序列處理問題中，循環神經網絡(RNN)及其變種網絡如：長短時記憶網絡，門控單元網絡等由于其強大的特征挖掘能力被廣泛應用。但是，循環神經網絡及其變種網絡在運行時無法并行計算，不能使用充分使用GPU的圖形計算能力對其加速訓練，影響計算效率。本發明使用時序卷積網絡(Temporalconvolutional network，TCN)來處理序列建模任務，融合了一維全卷積網絡、因果卷積和擴張卷積，具有靈活的感受野和穩定的梯度。對TCN的初步實驗評估表明,簡單的卷積結構在不同任務和數據集上的性能優于標準遞歸網絡(如LSTMs),同時表現出更加長期的高效的記憶。

因此，將時序卷積網絡應用在鋰離子電池的剩余壽命預測估計中，具有很大的前景。

發明內容

為了盡可能準確預測鋰電池剩余壽命，本發明現提出一種基于時間卷積網絡(Temporal convolutional network，TCN)的鋰電池剩余壽命預測方法。通過挖掘電池使用過程中監測參數與剩余壽命的隱藏特征，構造非線性時序模型來精準預測電池剩余壽命，主要步驟如下：

步驟1：采集鋰離子電池的全壽命周期歷史數據；

步驟2：對采集到的數據導入參數篩選器進行參數篩選。對篩選后的數據進行預處理，構建訓練數據集樣本和測試數據集樣本以便于輸入TCN網絡；

步驟3：構建所需的TCN網絡模型，并隨機初始化模型參數，輸入訓練數據集，使用梯度下降算法訓練TCN模型，并固定最優模型參數。

步驟4：將測試數據集導入步驟3中所獲得的最優模型，計算得出所預測的剩余壽命值。