一种基于深度神经网络和几何构造的锂离子电池剩余使用寿命早期预测方法

本发明涉及锂离子电池寿命状态估计方法，特别涉及一种基于深度神经网络和几何构造的锂离子电池剩余使用寿命早期预测方法。

背景技术：

1、锂离子电池以其高能量密度、长周期寿命和低成本，在电化学储能及电动汽车行业中备受青睐。然而，随着使用时间得增长，锂离子电池的寿命会逐渐缩短。出于安全和车辆续航里程的考量，当锂离子电池的容量降至其初始容量的80％时，普遍认为其不再适宜于电动汽车的使用。因此，精确预测锂离子电池何时将达到其使用寿命的终点，或者说预测其剩余使用寿命，对于确保行车安全和缓解用户焦虑至关重要。更重要的是，如果能在电池使用的初期就准确预测其剩余寿命，这将极大地方便制造商对不同生产工艺的电池进行快速评估，同时用户也可以更早得评估电池的剩余使用寿命，提前做好相应的准备。

2、目前，对rul的预测方法可以分为基于经验模型和基于数据驱动两类方法。基于经验模型的方法需要明确电池老化路径，且过度依赖模型参数的可靠性。因此，往往需要在电池老化到一定程度后才能辨识出可靠的模型参数，严重局限了这类方法的应用。而数据驱动的方法往往面临着需要大量数据进行训练，泛化性差等问题。

3、因此，开发一种可以在电池使用早期对可以对剩余使用寿命进行精确预测的方法对电池的安全尤为重要。

技术实现思路

1、发明目的：本发明的目的是提供一种基于深度神经网络和几何构造的锂离子电池剩余使用寿命早期预测方法，对电池的剩余使用寿命进行预测，该方法的基本思路是使用卷积神经网络将电池前三个循环的特征映射到几何特征上，通过卷积神经网络和几何构造相结合的方法将电池循环老化数据的几何特征映射到电池的剩余使用寿命上，进一步通过几何构造得到电池剩余使用寿命。本发明通过优化神经网络的输出，增强了预测模型的精度和泛化性。

2、技术方案：本发明所述的基于深度神经网络和几何构造的锂离子电池剩余使用寿命早期预测方法，包括如下步骤：

3、s1：对电池状态进行概念定义说明，soh为电池的真实容量与标称容量的比值，rul为在一定充放电过程后，电池的最大可用容量衰减到某一规定的失效阈值所需充放电循环数。

4、s2：选择一批锂离子电池作为测试样本，对样本电池进行老化测试直到其达到寿命终点，并记录前三个循环的电压以及容量序列；

5、s3：综合考虑重构精度与计算效率，在充电电压曲线和充电容量曲线上分别均匀选取20个特征点作为模型输入，当目标特征点的采样时间为非整数时刻时，采用插值的方法获取对应时刻的电压/容量值。

6、s4：对电压、容量序列进行特征点重构再通过排列组合，得到卷积神经网络输入的三维特征p。

7、s5：进行拐点的线下辨识。计算拐点和老化初始点连线的斜率ks1、拐点和老化终止点连线的斜率ks2以及拐点容量capknee作为卷积神经网络的几何输出。

8、s6：在离线训练阶段，训练一个卷积神经网络模型。将提取的关键输入特征映射到电池rul的几何特征上。

9、s7：在测试部分，将电池的关键特征输入到训练好的网络里，得到几何特征，接着构造出电池rul。

10、该发明所提出的方法能在电池使用早期实现其剩余使用寿命的精确预测，对电池的任意老化状态和任意运行工况均适用，即使是在训练集中没有包含测试电池数据的情况下，该预测方法仍能取得良好的测试精度。基于深度神经网络和几何构造的方法相比于传统的机器学习方法具有更高的测试精度和更好的泛化性能，更符合现实应用场景，具有较高的实用性，有助于推动数据驱动方法在电池领域的实际应用。

11、进一步地，通过最小化均方根误差并综合考虑计算成本来确定重构特征点数。

12、进一步地，在单一通道上，将第一次循环和第三次循环的电压序列点排列组合成20×2的向量，容量序列同理。将容量序列和电压序列输入不同通道，得到20×2×2的三维向量作为最终输入。

13、进一步地，采用拟合的方法确定电池容量衰退拐点。首先在电池老化轨迹上随机选取分界点n，将平滑后的轨迹分割为d1和d2。过点n做直线y1、y2来拟合曲线d1、d2。拟合均方根误差最小作为优化目标，采用pso算法对n、y1和y2进行寻优。每次计算迭代100次来得到分界点n的最佳选择，记作电池容量衰退拐点。

14、进一步地，拐点和老化初始点连线的斜率ks1、拐点和老化终止点连线的斜率ks2以及拐点容量capknee作为卷积神经网络的几何输出特征。ks1、ks2表达式如下：

15、

16、ks1是连接老化初始点和拐点的直线的斜率，ks2是连接拐点和老化终止点的直线的斜率。在离线训练阶段，训练一个卷积神经网络。将提取的三维向量作为关键输入特征映射到电池rul的几何特征ks1、ks2以及capknee上。

17、进一步地，在测试阶段将电池的关键特征输入到训练好的网络里，得到几何特征，再构造直线fl1，fl2。其表达式如下：

18、

19、其中，和是卷积神经网络的估计值。拐点的周期数可以据此计算出来：

20、

21、接着构造直线fl3，fl4。

22、

23、其中，和是卷积神经网络的估计值，是所规定的电池退役容量值。最终得出电池rul表达式：

24、

25、本发明与现有的技术相比，具有如下有益效果：

26、1、本发明所提出的计算方法可以嵌入到其他数据集和数据驱动的架构中，带来额外的性能提升。

27、2、与传统的预测方法相比，本发明所提出的预测方法结合了几何特征，增强了模型的预测精度。

28、3、与传统的预测方法相比，本发明所提出的预测方法即使在训练集不包括测试电池数据的情况下仍然能准确预测，模型泛化能力强。

技术特征：

1.一种基于深度神经网络和几何构造的锂离子电池剩余使用寿命早期预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于卷积神经网络和几何构造的锂离子电池剩余使用寿命早期预测方法，其特征在于，所述s2中通过最小化均方根误差并综合考虑计算效率确定重构特征点数。

3.根据权利要求1所述的基于深度神经网络和几何构造的锂离子电池剩余使用寿命早期预测方法，其特征在于，所述s3中在单一通道上，将第一次循环和第三次循环的电压序列点排列组合成20×2的向量，容量序列同理，将容量序列和电压序列输入不同通道，得到20×2×2的三维向量作为最终输入。

4.根据权利要求1所述的基于深度神经网络和几何构造的锂离子电池剩余使用寿命早期预测方法，其特征在于，所述s4中采用拟合的方法确定电池衰退拐点，首先在电池老化轨迹上随机选取分界点n，将平滑后的轨迹分割为d1和d2，过点n做直线y1、y2来拟合曲线d1、d2，拟合均方根误差最小作为优化目标，采用pso算法对n、y1和y2进行寻优，每次计算迭代100次来得到分界点n的最佳选择，记作knee。

5.根据权利要求1所述的基于深度神经网络和几何构造的锂离子电池剩余使用寿命早期预测方法，其特征在于，所述s4中拐点和老化初始点连线的斜率ks1、拐点和老化终止点连线的斜率ks2以及拐点容量capknee作为卷积神经网络的几何输出特征，ks1、ks2表达式如下：

6.根据权利要求1所述的基于深度神经网络和几何构造的锂离子电池剩余使用寿命早期预测方法，其特征在于，所述s6中在测试阶段将电池的关键特征输入到训练好的网络里，得到几何特征，再构造直线fl1，fl2，其表达式如下：

技术总结本发明公开了一种基于深度神经网络和几何构造的锂离子电池剩余使用寿命早期预测方法，老化测试并记录前三个循环的电压以及容量序列；使用电压、容量序列进行特征点重构再通过排列组合构造成作为卷积神经网络输入的三维特征P。使用老化测试数据进行拐点离线辨识，计算拐点和老化初始点连线的斜率、拐点和老化终止点连线的斜率以及拐点容量作为卷积神经网络的几何输出T。基于卷积神经网络，使用参数P、T对卷积神经网络的模型参数进行线下训练。在预测阶段，将待测电池的循环数据经过处理后得到关键特征，输入到卷积神经网络模型，再使用模型的输出进行几何构造。该方法能在电池使用早期实现其剩余使用寿命的精确预测和更好的泛化性能。技术研发人员：来鑫,钱凌龙,郑岳久,唐晓鹏,申祎航受保护的技术使用者：上海理工大学技术研发日：技术公布日：2024/9/2