[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

本發明公開了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，本發明基于深度學習方法，首先通過大量離線電池數據集對深度學習網絡進行訓練，后以在線階段采集得到的放電曲線片段作為數據輸入，基于離線階段優化完畢的深度學習網絡，通過結合信號處理方法和遷移學習技術得到電池的剩余壽命，進而可推斷出在線使用中電池的健康狀態并進行電池管理；不同于傳統的純理論計算和經驗模型預測，本發明剩余壽命預測模型基于深度學習網絡，避免對于電池內部的物理化學模型和數學模型的依賴，提高了預測方法的魯棒性和普適性，同時有效降低計算成本。

技術領域

本發明屬于鋰離子電池技術，涉及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。

背景技術

在電池實際應用過程中，完整的充放電過程通常是不容易實現的，鋰離子電池在線數據采樣系統僅能采集到電池的片段放電信息(包括電壓，容量變化等)，而電池本輪充放電過程的最大放電容量往往無法確定，所以其剩余壽命只能依靠收集部分放電曲線片段進行估計。現有的電池剩余壽命預測主要基于完整的充放電過程，既每次充放電循環的最大放電容量需已知，這限制了電池狀態估計的現實應用。同時，在電池容量衰減過程中，由于運行條件不同，存在著不可控的容量再生現象，這些噪聲會導致電池管理系統無法更有效的掌握電池容量衰減的主要趨勢。

此外，對需要評價的在線電池從零開始建立深度學習模型進行訓練預測，這無疑會增加計算成本和在線采集的數據量，降低預測精度。因此，如果基于準確的完全充放電曲線，結合信號處理方法，深度學習技術對離線的大量電池數據建立預訓練模型，通過遷移學習技術微調部分權重對在線電池進行剩余壽命進行預測，這對于在線電池的充放電狀態估計和電池管理的效果提升，具有重大意義。

發明內容

本發明的目的在于提供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，準確預測鋰離子電池剩余壽命，計算量小，運算效率高。

為了實現上述目的，本發明采用以下技術方案予以實現：

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，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，形成剩余壽命預測起始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。

進一步，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：