[發明專利]一種鋰電池剩余壽命預測方法

在審

• 申請號: 202210094514.2
• 申請日: 2022-01-26
• 公開（公告）號: CN114545274A
• 公開（公告）日: 2022-05-27
• 發明（設計）人: 李祖欣;張宗杰;蔡志端;錢懿
• 申請（專利權）人: 湖州學院
• 主分類號: G01R31/392
• 分類號: G01R31/392
• 代理公司: 杭州宇信聯合知識產權代理有限公司 33401
• 代理人: 王健

本發明公開了一種鋰電池剩余壽命預測方法，包括以下步驟：一、離線建模，收集鋰電池離線數據，提取健康因子樣本集，然后使用隨機森林算法對健康因子樣本集進行權重分析，確定所選健康因子樣本并進行BiLSTM網絡模型訓練，通過貝葉斯優化選擇模型最優超參數，構建預測模型；二：在線預測，通過鋰電池在線數據，對應離線階段的特征選擇，得到健康因子樣本集。然后使用步驟一的預測模型進行鋰電池壽命預測。本發明可以在保持神經網絡預測精確性的同時，減少參數個數，降低參數訓練的復雜度，減少鋰電池失效造成的損失，提高鋰電池的安全性，解決鋰電池健康因子的選擇存在冗余和不足以及神經網絡不同的超參數選擇復雜性的問題。

技術領域

本發明屬于鋰電池技術領域，尤其涉及一種鋰電池剩余壽命預測方法。

背景技術

鋰電池自問世以來，因為其優良的電化學性能，被廣泛應用于電子產品，航空航天，電動汽車等設備。然而在使用過程中，鋰離子電池的容量會隨著循環次數的增加，逐步下降，從而帶來安全性與可靠性的問題。而對鋰離子電池剩余使用壽命進行準確預測對于電源系統安全運行有著重要的意義。

目前常用的鋰電池壽命預測方法有：傳統模型法，電化學模型法，數據驅動法。由于鋰電池內部的本身化學反應非常的復雜，所建立的模型往往過于復雜且模型難以獲得。此外鋰電池壽命的影響因素較多，不同的溫度以及充放電深度，都會影響鋰電池使用壽命預測的精度，這是傳統模型法沒有考慮到的。數據驅動的方法，通過對鋰電池歷史充放電數據的分析處理，利用歷史數據挖掘電池信息，結合機器學習算法，進行鋰電池的剩余使用壽命預測。其中雙向長短期記憶神經網絡(BiLSTM)具有注意力集中機制，能夠更好的提取歷史數據中的時序信息，同時避免了梯度消失與梯度爆炸，在鋰電池壽命預測領域有較好的應用前景。但是目前數據驅動的方法存在以下兩個問題：(1)健康因子的選擇存在冗余和不足，影響鋰電池剩余壽命預測的精度；(2)神經網絡不同的超參數選擇會影響模型的準確性，通常需要大量的超參數試驗來確定最終的模型參數，耗時耗力。

發明內容

本發明的目的在針對現有技術的不足，提供一種融合隨機森林健康因子選擇和貝葉斯優化BiLSTM的鋰電池剩余壽命預測方法。該方法包括以下各步驟：

步驟一：離線建模，收集鋰電池離線數據，通過提取鋰電池退化特征序列，得到健康因子樣本集，然后使用隨機森林算法對健康因子樣本集進行權重分析，以所占權重大小，確定所選健康因子樣本；將所選樣本按序加入訓練數據，隨機產生初始化參數代入BiLSTM模型訓練；當訓練結果精度不滿足要求，通過貝葉斯優化模型：首先建立高斯過程回歸模型，求采集函數表達式，根據采集函數求出下一組模型參數，直到找到滿足精度要求的最優超參數，構建預測模型；

步驟二：在線預測，通過收集鋰電池在線數據，對應離線階段的特征選擇，得到健康因子樣本集；然后使用離線階段建立的BiLSTM預測模型進行鋰電池壽命預測。

作為一種優選，步驟一所述的離線訓練過程如下：

步驟11：收集鋰電池離線數據包括充放電過程的電流，電壓，溫度，進行退化特征提取；得到等壓升充電時長t_eq-vc，等時間間隔充電電壓升V_eq-tc，恒流充電時長t_hc，等時間間隔充電電流降I_eq-tc，容量增量曲線ic，初始溫度T₀，平均溫度T_avg，中值溫度T_mid，最大溫度T_max，平均溫度變化率T_rate，等壓降放電時間t_eq-vd，等時間間隔放電電壓降V_eq-td，平均電壓衰減MVF，電壓樣本熵V_SampEn；各退化特征計算公式如下：