一种基于TSO-TCN的锂离子电池RUL预测方法

本发明属于锂离子电池，尤其涉及一种基于tso-tcn的锂离子电池rul预测方法。

背景技术：

1、由于全球能源危机和气候变化，电动汽车、固定式储能系统等新能源产业近年来取得了快速发展。锂离子电池作为一种能量载体，由于其能量和功率密度高、循环寿命长等优点，已被广泛应用于这些领域。然而，随着时间的推移，电池不可避免地会发生老化，包括容量降低、阻抗增加和功率下降。当它们恶化到一定程度时，很难满足新能源系统的充放电要求，甚至会引发一些安全问题。因此，预测锂离子电池的rul至关重要，这也是电池管理系统的一项重要功能。

2、目前，锂离子电池rul预测主要分为基于模型的方法和数据驱动的方法。

3、1、基于模型的方法例如如下专利技术：

4、cn109633474a公开了一种锂离子电池剩余寿命预测方法，通过运用粒子滤波算法获得电池模型的状态参数变化数据，将数据导入指数平滑预测模型(es)得到状态参数预测值，再带入观测方程得到容量的观测预测值，最后将观测预测值反馈给粒子滤波对电池剩余寿命(rul)进行预测。

5、cn115510612a公开了一种锂离子电池剩余使用寿命预测方法，其包括如下步骤：分别提取每个电池充电过程中的v、i和t数据，处理成两个子网所需的矩阵形状；将数据输入到afsc子网，为每一张充电特征谱图中的每一个元素都自适应地赋予了一个权重；第三步：将数据输入convlstm子网中，得到特征谱图融合20种循环状态的隐藏信息；两个子网的贡献通过两个多层感知器进行融合，提供高准确度的寿命早期预测值，并指导预测器进行rul预测；寿命预测器保持缄默，直至百分比剩余使用寿命到阈值，预测器被激活进行剩余使用寿命的预测。

6、在基于模型的方法中，电池实际应用中外部环境条件的变化是不可预测的，而且模型中涉及众多电池内部参数，很难建立更准确的模型。

7、2、基于数据驱动的方法例如如下专利技术：

8、cn117825965a公开一种锂离子电池的状态预测方法，其从充放电循环中提取锂离子电池的运行参数，包括电压、电流、温度、充放电时长以及容量，然后基于运行参数确定指定特征，并进行归一化处理，基于归一化处理后的特征，通过第一预测模块确定当前充放电循环后的锂离子电池的最大可用容量，进而确定锂离子电池的健康状态，并基于最大可用容量及归一化处理后的特征，通过第二预测模块确定锂离子电池的剩余寿命。该状态预测方法可以有效地提高锂离子电池状态预测的效率及精度。

9、cn117406100a公开了一种锂离子电池剩余寿命预测方法和系统，方法包括获取与获取锂离子电池容量的衰减数据，并输入改进的神经网络框架，通过所述神经网络框架预测锂离子电池的剩余寿命；其中，所述改进的神经网络框架包括编码器、解码器和深度神经网络dnn，所述编码器包括时间卷积网络tcn，并引入特征注意力机制，编码器用于根据锂离子电池容量的衰减数据提取电池容量再生特征；所述解码器包括门控循环单元gru，并引入时间注意力机制，解码器用于根据编码器得到的电池容量再生特征得到电池容量衰减特征；所述深度神经网络dnn用于根据对解码器得到的电池容量衰减特征对锂离子电池的剩余寿命进行预测。

10、在基于数据驱动的方法中，所提取的健康指标无法很好地表征电池容量损失机理，对新条件的适应性较差。

11、由上述可知，现有的基于模型的方法和数据驱动的方法虽然能够实现对锂离子电池rul的预测，但是预测精度均较差，因此如何提高锂离子电池rul预测精度成为了锂离子电池领域技术人员亟待解决的一个难题。

技术实现思路

1、针对现有技术存在的不足，本发明所要解决的技术问题是，提供一种避免获取复杂的电化学模型参数，既能够有效降低计算复杂度，又能提高rul预测精度的基于tso-tcn的锂离子电池rul预测方法。

2、为解决上述技术问题，本发明所采取的技术方案是：一种基于tso-tcn的锂离子电池rul预测方法，包括如下步骤：

3、步骤一：在分析电池容量损失机理的基础上，根据电池正负极的平衡电势，建立简化电化学模型；

4、步骤二：采集锂离子电池在恒流充电过程中不同时刻的电压和电流，采样间隔时间为1秒，利用粒子群等优化算法对所述锂离子电池的恒流充电曲线进行拟合，从拟合过程中分别提取健康指标；

5、步骤三：构建包含健康指标与电池实际容量的数据集，按照时间顺序划分训练集和测试集用于rul预测；

6、步骤四：在所述的训练集上，采用tso算法对tcn模型参数进行优化，找到最佳的参数组合，得到tso-tcn预测模型；

7、步骤五：根据训练得到的tso-tcn预测模型预测电池rul，获得准确的预测值。

8、上述的基于tso-tcn的锂离子电池rul预测方法，所述步骤一中，建立简化电化学模型的具体过程如下：

9、

10、其中，up和un分别是正极和负极的平衡电势，il是电池恒流充电电流，rohm代表内阻，qp和qn分别表示正极容量和负极容量，socp,0和socn,0分别表示正极和负极的充电初始嵌锂率。

11、上述的基于tso-tcn的锂离子电池rul预测方法，所述步骤二中，从拟合过程中分别提取健康指标为负极容量、欧姆内阻和负极初始嵌锂率。

12、上述的基于tso-tcn的锂离子电池rul预测方法，所述步骤四中，得到tso-tcn预测模型的具体过程如下：

13、(1)、确定适应度函数，公式如下：

14、

15、其中，yi和分别是第i次循环的真实剩余使用寿命值和预测的剩余使用寿命值，n代表样本个数；

16、(2)、设定待优化参数的初始范围，例如卷积核大小、卷积核数量、正则化参数等，然后进行初始化种群，公式如下：

17、y＝lb+rand×(ub-lb)

18、其中，lb和ub分别是搜索区域的下限和上限；rand是均匀分布的随机数；

19、(3)、对参数进行搜索更新，随机数r1用于平衡tso算法的搜索(r1≥0.5)和开发(r1<0.5)，公式如下：

20、

21、其中，t和c1是随机系数；yl是搜索代理的位置；yl*是最佳位置；l是迭代次数；

22、(4)、判断是否达到最大迭代次数，若达到最大迭代次数，则输出最优参数至tcn模型，否则继续循环。

23、上述的基于tso-tcn的锂离子电池rul预测方法，所述步骤三中，采用归一化操作消除不同因子的量纲对预测精度的影响，其具体过程如下：

24、

25、其中，μ和σ分别代表数据集中变量x的均值和标准差。

26、本发明基于数据驱动的uuv模型预测控制方法的优点是：本发明从恒流充电曲线中提取锂离子电池的多维健康指标，然后采用基于tso-tcn的方法，对锂离子电池rul进行预测。根据一个搜索更新的公式就可以更新最优解的位置，并在tso算法的搜索和开发之间取得平衡。因此，该算法在优化过程中没有计算负担。在训练rul预测模型时，通过利用全局搜索可以确定更好的超参数组合，从而提高了模型的预测能力。该方法将简化的电化学模型和数据驱动方法相结合，避免了获取复杂的电化学模型参数，既降低了计算复杂度，又提高了rul预测精度，从而适用于实际工程应用的需要。