基于退化分类改进CNN算法的锂电池早期循环寿命预测方法

本发明属于锂电池寿命预测领域，涉及一种基于退化分类改进cnn算法的锂电池早期循环寿命预测方法，尤其是利用电池早期退化数据以及深度学习算法对锂电池的循环寿命进行预测。背景技术：：：1、锂电池由于其能量密度高、体积小、污染小等优点广泛应用于自动驾驶、航空航天、消费电子等领域，预计全球锂离子电池市场在2030年将超过1700亿美元。然而，由于电池内部固有的复杂化学机制，锂离子电池的容量不可避免地会随着充放电过程而下降。当电池容量达到初始容量的70％-80％时，则认为电池已达到循环寿命。如果电池达到循环寿命后仍在使用，不仅会造成经济损失，还会给人身安全带来风险。因此，准确预测锂电池的循环寿命对于保证锂电池的使用安全具有极其重要的意义。越早地预测循环寿命，操作人员就能越及时地进行故障诊断，以防止潜在的风险。然而，在电池退化早期阶段，容量退化并不明显，循环寿命的准确预测是极具挑战性的。2、目前，对于退化早期循环寿命的预测，主要是基于数据驱动的方法，包括基于手动特征的方法和基于深度学习自提取特征的方法，如弹性网络、梯度增强回归树(gbrt)、随机森林(rf)、高斯过程回归(gpr)、栈式降噪自编码器(sdae)、循环神经网络(rnn)、卷积神经网络(cnn)等。其中，cnn的早期循环寿命预测性能优于rnn、rf等算法。然而这些方法仍然忽略了退化分类在早期预测中的作用，以及不同特征的互补性，如果能够同时考虑手动特征和自提取特征，针对不同衰退模式的电池设计更适应的cnn，则有望进一步提高循环寿命预测精度。3、现有技术的相关论文为：4、1、severson ka,attia pm,jin n,perkins n,jiang b,yang z,et al.data-driven prediction of battery cycle life before capacity degradation.natenergy 2019；4(5):383.5、2、ma g,wang z,liu w,et al.a two-stage integrated method for earlyprediction of remaining useful life of lithium-ion batteries[j].knowledge-based systems,2023,259:110012.6、3、xu q,wu m,khoo e,et al.a hybrid ensembledeep learning approach forearly prediction of battery remaining useful life[j].ieee/caa journal ofautomatica sinica,2023,10(1):177-187.7、4、attia p m,severson k a,witmer j d.statistical learning for accurateand interpretable battery lifetime prediction[j].journal of theelectrochemical society,2021,168(9):090547.技术实现思路1、要解决的技术问题2、为了避免现有技术的不足之处，本发明提出一种基于退化分类改进cnn算法的锂电池早期循环寿命预测方法。应用聚类算法对电池进行分类，针对不同衰退模式的电池设计对应的改进cnn网络，结合手动和自提取两类特征进行预测，最终提高循环寿命预测精度，因而具有精度高，简单易用的优点。3、技术方案4、一种基于退化分类改进cnn算法的锂电池早期循环寿命预测方法，其特征在于步骤如下：5、步骤1：将早期退化过程的放电数据划分训练集和测试集，对训练集和测试集的异常数据进行剔除和修正，从清洗后的数据中提取统计特征，并对清洗后的数据做归一化处理；6、步骤2：采用k-means聚类算法对步骤1得到的电池数据进行分类，将电池分为长寿命电池和短寿命电池；7、步骤3：将训练集的所有电池和测试集中的短寿命电池的放电数据，以及步骤1的统计特征数据，输入domain alignment cnn即al-cnn网络，对al-cnn网络训练，得到短寿命电池的循环寿命预测al-cnn网络；8、将训练集的所有电池的放电数据，以及步骤1的统计特征数据，输入squeeze-and-excitation cnn即se-cnn网络，对se-cnn网络训练，得到长寿命电池的循环寿命预测se-cnn网络；9、所述al-cnn网络包括二维卷积模块conv2d构成的cnn网络和全连接网络，其中：每个二维卷积模块conv2d后连接一个最大池化层，cnn网络后端连接两个全连接网络，用于回归，最终的预测输出为1×1的循环寿命；10、所述se-cnn网络包括二维卷积模块conv2d构成的cnn网络、在两个卷积层中插接的一个se模块以及cnn网络后端连接的全连接网络；所述二维卷积模块conv2d后连接一个最大池化层，与al-cnn网络中的二维卷积模块conv2d和最大池化层相同；所述se模块对于第一层最大池化层输出的数据通过压缩，使得每个二维通道被转换成一维标量；然后利用激励操作来学习每个通道的权重，在学习了每个通道的相应权重后，将权重重新赋给各个通道，进行乘积操作输出新的特征图；新的特征图再经过卷积、池化层和两个全连接网络，最终的预测输出为1×1的循环寿命；11、步骤4：对电池的测量数据采用步骤1和步骤2处理后，得到长寿命电池放电数据和特征或短寿命电池放电数据和特征数据，分别输入se-cnn网络或al-cnn网络，得到长寿命电池的循环寿命预测值或短寿命电池的循环寿命预测值。12、所述提取统计特征分别是第100次循环和第10次循环放电容量-电压曲线差值的方差var、最小值min、偏度skew、峰度kurt，第2次循环的放电容量，前100次循环最大的放电容量和第2次循环放电容量的差值，表示为：13、14、所述k-means聚类算法是：选择聚类个数n，从输入数据中选择n个聚类中心，计算所有输入数据与其聚类中心之间的欧氏距离之和，通过最小化代价函数，找到新的聚类中心；重复上述步骤，直到聚类中心趋于稳定；该算法的代价函数定义如下：15、16、其中，x代表输入数据，通常是手动提取的特征，θi是第i个类别的中心，ci是第i个类别。17、所述步骤3中al-cnn网络的训练测试步骤如下：18、步骤(1)利用卷积网络对输入数据进行特征提取：卷积层均不进行填充操作，卷积的过程为：19、20、其中，e表示输入矩阵，卷积核w的形状为(f1,f2)，c表示输出特征图，ci,j是位于c中(i,j)处的卷积特征；21、卷积层后最大池化的过程为：22、23、其中，池化窗口的大小为k×k，步长为s，x和y分别表示输入和输出张量，(i,j)是张量的空间坐标，c表示通道索引，max表示最大值函数；如果输入的形状为h×w×c，则y的形状为h′×w′×c，其中24、步骤(2)经过卷积网络提取特征后，即在cnn网络的末端，将cnn网络学到的平铺后的特征和统计特征利用连接操作进行特征融合，形成新的融合特征向量；随后，添加两个全连接层用于回归，最终的预测输出为1×1的循环寿命；25、训练时在每个卷积层和全连接层后使用的非线性激活函数是线性修正单元relu；26、全连接层的加权求和公式如下：27、28、relu(x)＝max(0,x)29、其中wi是全连接层中的权重，bi为偏置，xi为输入的神经元；30、步骤(3)参数更新：31、首先采用coral损失函数进行特征对齐，coral损失函数定义如下：32、33、其中，cs和ct分别为源域和目标域的二维特征协方差矩阵，|| ||f代表f范数；34、al-cnn网络中的损失函数l的修正如下：35、l＝msecl+lbd*lcoral36、37、其中，yi为实际循环寿命，为预测循环寿命，n为样本数，lbd是coral函数的权重，是一个需要调节的超参数；38、然后，采用反向传播算法更新cnn权重：39、40、其中，δwi,j是权重的变化，η是学习率，是损失函数l关于权重的偏导数；41、通过反向传播，各层的权重可根据目标损失函数进行更新，使得模型的参数不断地更新，从而提取出与任务相对应的特征，提高预测精度；42、步骤(4)随着模型参数的更新，网络会不断收敛，利用验证集和“早停机制”判断模型是否收敛，如果收敛保存训练好的网络模型；最后将测试集中的短寿命电池放电数据以及统计特征输入al-cnn网络，得到短寿命电池的循环寿命预测结果。43、所述se-cnn网络与al-cnn网络损失函数不同，损失函数为均方误差mse；模型参数的更新与al-cnn一样。44、所述se-cnn网络中的压缩操作将张量u的形状由h×w×c压缩成1×1×c，其中c为通道数；通过挤压操作，每个二维通道都会变成一个具有全局性的值，挤压操作描述如下：45、46、通过全局平均池化gap将全局空间信息挤压到信道描述符中；充分利用通道之间的相关性，每个二维通道被转换成一维标量，忽略了内部冗余的空间分布信息。47、所述激励操作利用压缩操作得到的信息，学习每个通道的权重，激励操作的过程如下：48、s＝fex(z,w)＝σ(g(z,w))＝σ(w2δ(w1z))49、50、式中，δ表示relu函数，σ指的是sigmoid函数，r是一个用于减少通道数、降低计算量的超参数。51、所述乘积在学习了每个通道的相应权重后，将权重重新赋给各个通道，进行乘积操作输出新的特征图，该过程描述如下：52、53、其中，uc代表u中的第c个通道，sc代表对应通道的权重。54、一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于退化分类改进cnn算法的锂电池早期循环寿命预测方法的步骤。55、一种计算机程序产品，其特征在于包括计算机可执行指令，所述指令在被执行时用于实现所述的基于退化分类改进cnn算法的锂电池早期循环寿命预测方法。56、有益效果57、本发明提出的一种基于退化分类改进cnn算法的锂电池早期循环寿命预测方法，采用聚类算法对电池进行分类，针对不同衰退模式的电池设计对应的改进cnn网络，结合手动和自提取两类特征进行预测，最终提高循环寿命预测精度，因而具有精度高，简单易用的优点。58、本方法融合了手动和自提取的2类特征，针对不同退化模式电池，分别使用领域适应和se模块设计cnn网络，可以利用退化分类结果优化回归预测结果，提高网络的泛化和通用性，进而提高循环寿命预测精度。与现有的cnn预测模型相比，通过设计合适的cnn模型参数，采用无监督聚类初步地将电池分成短寿命电池和长寿命电池，然后分别引入领域适应和se模块，提高了短寿命电池和长寿命电池的寿命预测精度。59、本方法考虑了分类对预测的优化作用，提供了一个全新的视角解决电池寿命预测问题。从图4的仿真结果中可以看到，预测的循环寿命基本都非常接近真实的循环寿命，这说明了本发明的有效性。图5为消融实验结果，通过和其他没有进行分类的各个cnn方法比较，本发明在平均绝对误差(mae)、均方根误差(rmse)、平均绝对百分比误差(mape)三个指标上都是最低的，这能进一步说明分类对预测的优化作用，体现了本发明的创新性。最后，表1给出了本发明和现有主流锂电池循环寿命预测的方法的对比，可以看到本发明的电池寿命预测精度是最高的，这也可以进一步说明本发明的优越性。将本方法应用于电池早期循环寿命预测，可以显著提升电池循环寿命预测的精度，是一种简单而有效的方法。当前第1页12当前第1页12