[發明專利]一種基于深度學習算法的鋰離子電池剩余壽命在線預測方法

在審

• 申請號: 202210534892.8
• 申請日: 2022-05-17
• 公開（公告）號: CN114839540A
• 公開（公告）日: 2022-08-02
• 發明（設計）人: 馮江濤;劉云鵬;延衛
• 申請（專利權）人: 西安交通大學
• 主分類號: G01R31/367
• 分類號: G01R31/367;G01R31/392;G01R31/396;G06N3/04;G06N3/08
• 代理公司: 西安眾和至成知識產權代理事務所(普通合伙) 61249
• 代理人: 強宏超

1.一種基于深度學習算法的鋰離子電池剩余壽命在線預測方法，其特征在于具體包括以下步驟：

步驟一、獲取一定量的離線電池數據作為訓練數據集，通過數據預處理和特征工程方法將獲得的完整放電曲線劃分為固定長度的數據片段，接著將數據分布標準化以符合卷積神經網絡的輸入要求；

步驟二、利用步驟一獲得的數據片段，對構建的卷積神經算法進行訓練，尋找數據片段與完整的放電曲線的對應關系，進而得到其與對應的最大放電容量之間的關系；

步驟三、對于步驟一獲取的離線電池數據，提取其原始的容量衰減曲線，使用信號處理方法將其進行降噪處理，提取出其主容量衰減曲線，并將提取的多條主容量衰減曲線收集起來作為后續循環神經網絡的離線訓練集；

步驟四、通過數據預處理和特征工程方法，將步驟三獲得的離線訓練集中的主容量衰減曲線劃分為固定長度的數據片段，并接著使數據分布標準化以符合循環神經網絡的輸入要求；

步驟五、利用步驟四分割得到的標準化后的主容量衰減曲線數據集，對構建的循環神經網絡進行訓練，使算法掌握離線電池在容量衰減過程中的容量變化趨勢；

步驟六、將電池數據在線采集系統收集到的放電曲線片段先經過步驟一中的標準化處理，再通過步驟二離線優化完畢的卷積神經網絡預測出每一圈的最大放電容量，形成剩余壽命起始預測點之前的容量衰減曲線，接著通過步驟三中的信號處理方法提取出其對應的主容量衰減曲線，再經過步驟四中的標準化處理，將其作為步驟五離線優化完畢的循環神經網絡算法的遷移學習訓練集，微調部分單元權重，訓練完畢后預測出剩余壽命預測起始點之后的容量衰減趨勢，最終得到該在線電池的剩余壽命。

2.根據權利要求1所述的一種基于深度學習算法的鋰離子電池剩余壽命在線預測方法，其特征在于所述步驟一中將放電曲線劃分為固定長度的數據片段具體過程為：

先確定步驟一所獲得的所有完整放電曲線的電壓區間，并將其放電曲線各個點之間的電壓間隔設置為相等；之后將固定點數的窗口在其電壓區間內滑動，劃分為相同電壓間隔的放電曲線片段；每個片段包含相應時間段的電壓、放電容量信號；

數據分布標準化過程是將混合數據進行標準正態分布，使其符合卷積神經網絡的數據輸入要求。

3.根據權利要求1所述的一種基于深度學習算法的鋰離子電池剩余壽命在線預測方法，其特征在于：所述步驟三中的信號處理方法為經驗模態分解方法，將高頻內涵模態分量去除，得到低頻殘差作為離線電池數據集提取的主容量衰減曲線。

4.根據權利要求1所述的一種基于深度學習算法的鋰離子電池剩余壽命在線預測方法，其特征在于：所述步驟六中遷移學習方法是對循環神經網絡的前端單元權重進行凍結，而對后端單元的權重進行微調訓練。