一种锂离子电池期望寿命预测方法及系统与流程

专利检索2022-05-10  4



1.本发明属于电池寿命预测领域,具体涉及一种锂离子电池期望寿命预测方法及系统。


背景技术:

2.随着我国工业的迅速发展,当前对各种能源的需求仍在不断增长,由于储能设备的进步,使得一些新能源例如风能、光伏发电的能源可以通过电能的形式储存起来。而锂离子电池由于存在着众多优点,例如能量密度高、电化学特性稳定以及污染较少、循环寿命较长等,已经得到了市场的极大认可,被各种行业都大量投入使用,并展现出了极为突出的优越性。随着相关领域对电池的应用越来越多,如何有效的评估预测电池期望寿命不仅是支撑锂离子电池的预测维护与保障的重要依据,同时也是极大的保障了电池的安全使用。但锂电池的衰减过程是典型的非线性电化学系统机理,容易受到电流、温度、内阻等因素影响进而发生老化,且化学内部特性参数不易被测量,因此对电池寿命的准确评估有着不小的难度。所以能够准确、快速的对锂电池的寿命预测不仅提高了相关领域的安全性,而且能够为相关领域节省大量的资金和时间。因此研究出能够准确预测锂离子电池剩余寿命的方法对其实际应用有着重大意义。
3.目前用于预测的方法主要有数据驱动和物理模型驱动两类,基于数据驱动的预测方法通过挖掘失效数据,得到电池性能的退化规律,利用大量数据完成拟合,不需要先验的锂离子电池组件退化模型,在预测方面具有较大优势。基于物理模型的方法对锂电池内部的物化过程进行分析,从而建立反映对象演变过程的物理模型,通过相关数据对模型参数进行调整,然后进行运行寿命预测,能够真实反应电池内部情况。现有技术需要了解电化学内部复杂电化学反应的化学和物理机制,使用条件苛刻。锂离子电池寿命预测需要建立实时且能够处理大量数据的预测方法,而目前的预测方法并不能满足需求,且现有的电池寿命预测方法预测偏差大、预测时间长、预测结果精度低,无法为锂离子电池管理提供高效可靠的锂离子电池寿命预测参数。
4.cn111426952a公开了一种锂离子电池的寿命预测方法,该方法分别通过两次迭代建立容量衰减模型,然后将电池实际使用的工况信息代入容量衰减模型,从而求得电池的预测寿命。优点是:相对于现有技术中单纯预测存储寿命或循环寿命的方法更符合电池的实际使用情况,能够快速预测电池的实际使用寿命。但是该方法使用的条件有较多限制,需要了解电化学内部复杂电化学反应的化学和物理机制,一旦模型建立错误,将对后续的预测结果带来很大的偏差。
5.cn107748936a公开了一种基于遗传算法改进的bp神经网络蓄电池寿命预测算法,该算法使用遗传算法对bp神经网络进行优化;借鉴已有的蓄电池寿命预测思路,建立bp神经网络模型。该方法结合了bp神经网络和遗传算法,通过遗传算法为bp神经网络寻求最优参数,可以有效避免算法陷入局部极值点。但是虽然神经网络对历史数据具有很好的学习能力,但是网络结构错综复杂难以确定,对数据的样本量和质量要求很高,且不具有输出的
不确定性表达。


技术实现要素:

6.本发明的目的在于提供一种锂离子电池期望寿命预测方法及系统,以克服现有技术的不足。
7.为达到上述目的,本发明采用如下技术方案:
8.一种锂离子电池期望寿命预测方法,包括以下步骤:
9.s1,采集电池组的实测数据并对采集的数据进行清洗去燥;
10.s2,对电池组中每节电池的放电容量、充电容量、电压、电流、温度因素进行电池寿命分析,根据清洗去燥后的实测数据分析电池组的放电容量与电压曲线关系,然后对放电容量与电压曲线关系进行数据变换,获得模型输入初始特征和label向量;
11.s3,分别对初始特征和label向量取对数处理,然后进行标准化处理;
12.s4,通过设置网格搜索和交叉验证选择标准化处理后的数据符合电池寿命预测模型参数的最佳参数;
13.s5,从获取的最佳参数选取特征变量作为输入数据分别带入多种模型训练,通过多次循环迭代寻找最佳的模型参数,然后选取拟合效果最好的模型进行结果融合,从而获得电池期望寿命预测模型;
14.s6,将待测电池的时间变量参数和数据变换得到的数据作为输入特征输入至电池期望寿命预测模型,通过电池期望寿命预测模型预测获取锂离子电池的循环周期。
15.进一步的,对采集电池组的实测数据进行清洗去燥包括数据去燥、缺失值处理和格式内容处理。
16.进一步的,进行数据清洗时,采用箱线图和小波阈值法去除高频噪音数据。
17.进一步的,根据待测电池组的放电容量与电压曲线关系,对放电容量与电压曲线关系进行数据变换,选取时间变量参数和数据变换后的参数作为输入特征输入至电池期望寿命预测模型,以锂离子电池的循环周期作为输出数据,通过多个模型的选优并融合从而预测出锂离子电池期望寿命。
18.进一步的,时间变量参数包括锂离子电池放电容量、电压、充电时间、电池内阻和温度。
19.进一步的,采用对数据集的标准化处理进行无量纲化处理。
20.进一步的,无量纲化处理采用z

score标准化(zero

mean normalization)计算方法,转换公式为:
[0021][0022]
其中,x
i
为原始数据,为原始数据均值,其中n为样本数量,s为原始数据标准差,其中
[0023]
进一步的,从标准化处理后的数据中提取样本数据,并分为训练集、测试集和第二测试集,采用第二测试数据集对电池期望寿命预测模型进行评估。
[0024]
进一步的,模型的评估选择均方根误差和平均误差百分比来评估模型性能,均方根误差是观测值与真值偏差的平方和与观测次数比值的平方根,是用来衡量观测值同真值之间的偏差,均方根误差rmse定义公式为:
[0025][0026]
平均百分比误差定义公式为:
[0027][0028]
其中yi是观察到的循环寿命,是预测的循环寿命,n是样本总数。
[0029]
一种锂离子电池期望寿命预测系统,包括数据预处理模块和预测模块,
[0030]
数据预处理模块用于对采集的数据进行清洗去燥,然后对电池组中每节电池的放电容量、充电容量、电压、电流、温度因素进行电池寿命分析,根据清洗去燥后的实测数据分析电池组的放电容量与电压曲线关系,然后对放电容量与电压曲线关系进行数据变换,获得模型输入初始特征和label向量;再分别对初始特征和label向量取对数处理,然后进行标准化处理,最后通过设置网格搜索和交叉验证选择标准化处理后的数据符合电池寿命预测模型参数的最佳参数,利用获取的最佳参数选取特征变量作为输入数据分别带入多种模型训练,通过多次循环迭代寻找最佳的模型参数,然后选取拟合效果最好的模型进行结果融合,从而获得电池期望寿命预测模型,预测模块用于存储电池期望寿命预测模型,并根据待测电池的时间变量参数和数据变换得到的数据对待测电池的寿命进行预测输出预测结果。
[0031]
与现有技术相比,本发明具有以下有益的技术效果:
[0032]
本发明一种锂离子电池期望寿命预测方法,通过采集锂离子电池运行数据,通过构建放点容量与电压间的关系曲线机器变换数据构建特征,分别对初始特征和label向量取对数处理,然后进行标准化处理,通过设置网格搜索和交叉验证选择标准化处理后的数据符合电池寿命预测模型参数的最佳参数,使得锂离子电池即使在容量衰减开始之前,基于数据模型也具有出色的预测性能,预测结果更加精确,计算过程更加高效,本发明为锂离子电池的运行管理提供高效可靠的决策参考,提高了管理效率,以支撑锂离子电池的预测维护与保障。
[0033]
进一步的,采用了多模型融合的方法,提高了模型的鲁棒性和预测精度。
[0034]
进一步的,采用特征子集的线性组合来预测循环寿命的对数,采用正则化线性模型,能后得到具有不同复杂度的领域特定特征,同时保持较高的可解释性。线性模型的计算成本也很低。
附图说明
[0035]
图1为本发明实施例中锂离子电池期望寿命预测方法的流程示意图。
[0036]
图2为本发明实施例中锂离子电池寿命预测方法的模型融合流程示意图。
[0037]
图3为本发明实施例中锂离子电池第100次和第10次放电容量之差与电压曲线趋势图。
[0038]
图4为本发明实施例中锂离子电池第100次和第10次放电容量之差的方差与循环周期双对数分布图。
[0039]
图5为本发明实施例中锂离子电池寿命预测值和真实值的关系图。
具体实施方式
[0040]
下面结合附图对本发明做进一步详细描述:
[0041]
如图1、图2,一种锂离子电池期望寿命预测方法,包括以下步骤:
[0042]
s1,采用电池采集装置采集电池组的实测数据并上传到电池寿命预测数据库中,并对采集电池组的实测数据进行清洗去燥,清洗去燥包括数据去燥、缺失值处理、格式内容处理;进行数据清洗时,采用箱线图和小波阈值法去除高频噪音数据。
[0043]
s2,数据预处理分析:对电池组中每节电池的放电容量、充电容量、电压、电流、温度因素进行电池寿命分析,根据清洗去燥后的实测数据分析电池组的放电容量与电压曲线关系,然后对放电容量与电压曲线关系进行数据变换,获得模型输入初始特征和label向量;
[0044]
s3,分别对初始特征和label向量取对数处理,然后进行标准化处理以消除不同特征间的量纲并提升运行速率;
[0045]
然后对标准化处理后的数据提取样本数据,并将提取的样本数据划分为训练集、测试集和第二测试集;
[0046]
s4,设置多组锂离子电池寿命预测模型参数,预测模型参数包括模型惩罚项、学习率、损失函数,并通过设置网格搜索和交叉验证选择最佳参数;
[0047]
s5,采用获取的最佳参数组成的特征子集的线性组合来预测循环寿命的对数,从获取的最佳参数选取特征变量作为输入数据分别带入多种模型训练,通过多次循环迭代寻找最佳的模型参数,然后选取拟合效果最好的模型进行结果融合,从而获得电池期望寿命预测模型;
[0048]
s6,将待测电池的时间变量参数作为输入特征输入至电池期望寿命预测模型,通过电池期望寿命预测模型预测获取锂离子电池的循环周期。
[0049]
根据待测电池组的放电容量与电压曲线关系,对放电容量与电压曲线关系进行数据变换,选取时间变量参数和数据变换后的参数作为输入特征输入至电池期望寿命预测模型,以锂离子电池的循环周期作为输出数据,通过多个模型的选优并融合从而预测出锂离子电池期望寿命;时间变量参数包括锂离子电池放电容量、电压、充电时间、电池内阻和温度。
[0050]
优选的,采用多模型融合的方法,stacking就是将一系列模型(也称基模型)的输出结果作为新特征输入到其他模型,这种方法由于实现了模型的层叠,即第一层的模型输出作为第二层模型的输入,第二层模型的输出作为第三层模型的输入,依次类推,最后一层模型输出的结果作为最终结果,提高了模型的鲁棒性和预测精度。
[0051]
选择正则化线性模型,能够得到具有不同复杂度的领域特定特征,同时保持较高的可解释性,线性模型的计算成本也很低。该模型可以离线训练,并且在线预测在数据预处
理之后仅需要单个点积。
[0052]
如图3至图5所示,考虑q(v)的周期演变,即给定周期的放电容量与电压的曲线关系。由于每个周期的电压范围相同,因此将容量视为电压的函数,而不是将电压视为容量的函数,以保持比较周期的统一性。且发现周期10和100之间的放电电压曲线变化,记为δdq100

10(v)=dq100(v)

dq10(v),其中下标表示周期数。由于电压曲线及其导数是一个丰富的数据源,可以有效地进行降级诊断,因此特别需要关注这种转换δdq(v)。
[0053]
由于δq100

10(v)的统计特征具有很高的预测能力,模型考虑了来自数据中的所有可用的特性变换,包括方差、最小值、对数、偏度、峰度、斜率和截距。每个汇总统计数据都是一个标量,用于捕获两个周期之间电压曲线的变化。选择这些汇总统计数据是因为它们的预测能力,而不是物理意义,并且循环寿命和δq100

10(v)的汇总统计(特别是方差)之间出现了明显的趋势。
[0054]
由于变量之间的量纲不同,部分量纲较小的变量数值较大,将会削弱量纲较大的小数值变量的作用,在预处理过程中,采用对数据集的标准化处理进行无量纲化处理,同时还能够方便不同变量之间的比较和加权;
[0055]
所述无量纲化处理采用z

score标准化(zero

mean normalization)计算方法,转换公式为:
[0056][0057]
其中,x
i
为原始数据,为原始数据均值,其中n为样本数量,s为原始数据标准差,其中标准化既避免了不同量纲变量的加权问题,还可提高模型的训练速度。
[0058]
从标准化处理后的数据中提取样本数据,将提取的样本数据分为三部分,分别为训练集、测试集和第二测试集;数据仅取自前100个周期。其中训练集和测试集中,每个部分都跨越循环寿命的范围。训练集数据用于通过网格搜索选择模型超参数。并且训练集数据进一步细分为用于交叉验证的校准和验证集,将测试集用作模型的准确性验证。然后,在模型开发后生成的第二测试数据集上评估模型。这里强调第二测试数据集的重要性,因为这些数据在模型开发时没有生成,因此是对模型性能的严格测试,对模型的评估更有意义。
[0059]
模型的评估选择均方根误差(rmse)和平均误差百分比来评估模型性能。均方根误差是观测值与真值偏差的平方和与观测次数比值的平方根,是用来衡量观测值同真值之间的偏差。rmse定义公式为:
[0060][0061]
平均百分比误差定义公式为:
[0062][0063]
其中yi是观察到的循环寿命,是预测的循环寿命,n是样本总数。
[0064]
最终根据均方根误差和平均误差百分比选择出elasticnet回归、kernel ridge regression核岭回归和xgboost集成学习作为融合的模型。其中,elasticnet回归使用l1来训练并且l2优先作为正则化矩阵。当有多个相关的特征时,elasticnet是很有用的。lasso会随机挑选他们其中的一个,而elasticnet则会选择两个,可以有效的避免过拟合。经过融合后模型的鲁棒性和准确性均相应提升。
[0065]
本发明应用机器学习算法原理来处理海量采集的对象电池组实测参数,通过大数据建模及机器学习算法对模型的自动实时修正,能够逐渐进化为较为全面的反映电池全周期寿命的智能模型,从而提高对锂离子电池寿命的预测精度。
[0066]
本发明通过采集锂离子电池运行数据,通过构建放点容量与电压间的关系曲线机器变换数据构建特征,通过不断更新迭代、融合优秀算法结果,使得锂离子电池即使在容量衰减开始之前,基于数据模型也具有出色的预测性能,预测结果更加精确,计算过程更加高效。本发明为锂离子电池的运行管理提供高效可靠的决策参考,提高了管理效率,以支撑锂离子电池的预测维护与保障。
转载请注明原文地址:https://win.8miu.com/read-50426.html

最新回复(0)