一种基于改进TCN的锂电池剩余寿命状态评估方法技术

本发明专利技术公开了一种基于改进TCN的锂电池剩余寿命状态评估方法，获取锂电池的循环工况下实测电压和电流数据，并进行数据分片、安时积分和平均化处理后得到的循环周期与实际容量序列作为A

A method for evaluating the remaining life state of lithium battery based on improved TCN

【技术实现步骤摘要】
一种基于改进TCN的锂电池剩余寿命状态评估方法


[0001]本专利技术涉及锂电池
，具体是一种基于改进TCN的锂电池剩余寿命状态评估方法。

技术介绍

[0002]锂电池提供能源过程实际是电池内部正负极和内部成分的化学反应过程，随着使用过程的时间增加会出现不可避免的损耗。单体电池出厂的差异，以及充放电过程中单体的损耗程度的不一致，最终单体电池可使用寿命也会不同。单体电池达到寿命终止(End of Life,EOL)状态后，根据串并联后的短板效应，会影响正常单体电池性能，进而影响整车运行的可靠性和安全性，后果十分严重。因此，基于数据驱动方式进行电池剩余使用寿命(Remaining useful life，RUL)预测，及时感知电池组内单体达到EOL状态的电池进行维护，能够保障整车系统的安全使用。
[0003]研究发现，目前有多种RUL预测方法。基于电池模型利用粒子滤波构建不同时间间隔下的电池性能退化数据，对所得不同老化状态下的电池阻抗数据进行拟合，得到了阻抗与老化状态的关系，进而利用阻抗特征进行RUL预测，在稳定条件下模型的精准性和预测能力十分可靠，但是模型很容易受到外部因素的影响，对于动力电池系统会因为工况不同、环境温度不同导致电池自身特性发生改变，此时模型很难获取当前实际运行下的精准电池机理表征能力。基于SVM模型对接近EOL状态的老化电池建立容量与循环周期的映射关系，能够对接近EOL状态的电池预测RUL，但SVM缺点在于无法处理大数据下的预测。从电池阻抗变化考虑。现有的电池RUL预测方法对于电池衰减过程中的容量恢复特性没有进行合理有效的捕获，仅考虑了衰减过程的大体趋势，不能保证局部预测的精准性。另一方面，大部分模型鲁棒性不足，在环境噪声影响下会给预测结果带来较大的影响。
[0004]因此，需要对现有技术进行改进。

技术实现思路

[0005]本专利技术要解决的技术问题是提供一种基于改进TCN的锂电池剩余寿命状态评估方法，用以对锂电池的剩余使用寿命进行快速准确地估算。
[0006]为了解决上述技术问题，本专利技术提供一种基于改进TCN的锂电池剩余寿命状态评估方法，包括的具体过程为：
[0007]步骤S01、对待测的锂电池使用恒流恒压充电方式达到充满状态，再分别以0.5C和1C的恒定电流进行放电，直到电池电压降至阈值2.7V；重复操作5次获取5个循环工况下锂电池实测电压和电流数据，得到循环工况下的电压和电流曲线；
[0008]步骤S02、对循环工况下的电压数据以截止电压2.7V为分片截止点，作为当前循环周期的结束与下一个循环周期的开始进行数据分片，并对每个数据分片按照顺序进行分片标号，一个数据分片为一个循环周期；
[0009]步骤S03、对每个循环周期中的放电过程采用安时积分法并做平均化处理得到实
际容量；根据分片标号和实际容量的映射关系进行汇总后获得循环周期与实际容量序列；
[0010]步骤S04、将循环周期与实际容量序列作为A
‑
TCN
‑
DAE模型的输入，A
‑
TCN
‑
DAE模型包括降噪自编码DAE网络和A
‑
TCN模型，降噪自编码DAE网络输出的重构优化后的循环周期与实际容量序列经过A
‑
TCN模型预测当前时刻的电池容量数据Cap
cur
，然后递推预测电池后续容量，一旦预测所得的容量值Cap
cur
预设电池EOL所对应的容量值Cap
EOL
符合条件：Cap
cur
≤Cap
EOL
，结束递推预测过程，然后统计达到EOL容量的剩余循环周期数，获得电池当前剩余寿命。
[0011]作为本专利技术的一种基于改进TCN的锂电池剩余寿命状态评估方法的改进：
[0012]所述A
‑
TCN模型以TCN模型为基础，对每个残差模块RB均进行以下改进：1)将因果卷积替换为混合膨胀卷积，2)将激活函数ReLU替换为A
‑
ReLU，3)在残差模块RB输入和输出之间加入1
×
1卷积结构；每个残差模块RB计算各自的残差后逐层向后传递。
[0013]作为本专利技术的一种基于改进TCN的锂电池剩余寿命状态评估方法的进一步改进：
[0014]所述降噪自动编码器DAE包括在输入x中混入噪声v后为输入样本输入样本经过编码网络E(
·
)提取数据特征，再经过解码网络D(
·
)解码操作并重构优化输出重构优化后的循环周期与实际容量序列y：
[0015][0016]其中，为重构优化的输出，为解码网络的偏置项；
[0017][0018]其中，输出f(i)为经过编码网络后的样本数据高维features，W为编码网络的权重矩阵，b
i
为编码网络对应的偏置项。
[0019]作为本专利技术的一种基于改进TCN的锂电池剩余寿命状态评估方法的进一步改进：
[0020]步骤S04中所述递推预测的过程为：定义输入与输出的特征数据集为：
[0021]CR＝{(X1,Cap2),(x2,Cap3),
…
,(X
L
,Cap
L+1
)}
ꢀꢀꢀꢀꢀꢀꢀ
(式4)
[0022]其中，X
L
表示第L时刻的模型输入，Cap
L+1
表示第L+1时刻的容量输出；
[0023]将第L时刻预测的容量Cap
L+1
添加到下一时刻的输入容量序列X
L+1
，继续预测模型后续的容量；递推获得的新特征数据集为：
[0024]CR
rec
＝{(X
L+1
,Cap
L+1
),
…
,(X
cur
‑1,Cap
cur
)}
ꢀꢀꢀꢀꢀꢀꢀ
(式5)
[0025]一旦预测所得的容量值Cap
cur
≤Cap
EOL
，停止预测流程；统计整个预测过程中达到EOL容量的剩余循环周期数获得电池剩余使用寿命；
[0026]Cap
EOL
＝Cap
rated
·
70％
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式3)
[0027]其中，Cap
rated
为电池的额定容量。
[0028]作为本专利技术的一种基于改进TCN的锂电池剩余寿命状态评估方法的进一步改进：
[0029]所述混合膨胀卷积的膨胀系数设计为[1,2,4,8,16,32,64]；
[0030]所述激活函数A
‑
ReLU为：
[0031]f(x)＝max{ax,x},(0<a<1)
ꢀꢀꢀ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进TCN的锂电池剩余寿命状态评估方法，其特征在于:包括的具体过程为：步骤S01、对待测的锂电池使用恒流恒压充电方式达到充满状态，再分别以0.5C和1C的恒定电流进行放电，直到电池电压降至阈值2.7V；重复操作5次获取5个循环工况下锂电池实测电压和电流数据，得到循环工况下的电压和电流曲线；步骤S02、对循环工况下的电压数据以截止电压2.7V为分片截止点，作为当前循环周期的结束与下一个循环周期的开始进行数据分片，并对每个数据分片按照顺序进行分片标号，一个数据分片为一个循环周期；步骤S03、对每个循环周期中的放电过程采用安时积分法并做平均化处理得到实际容量；根据分片标号和实际容量的映射关系进行汇总后获得循环周期与实际容量序列；步骤S04、将循环周期与实际容量序列作为A
‑
TCN
‑
DAE模型的输入，A
‑
TCN
‑
DAE模型包括降噪自编码DAE网络和A
‑
TCN模型，降噪自编码DAE网络输出的重构优化后的循环周期与实际容量序列经过A
‑
TCN模型预测当前时刻的电池容量数据Cap
cur
，然后递推预测电池后续容量，一旦预测所得的容量值Cap
cur
预设电池EOL所对应的容量值Cap
EOL
符合条件：Cap
cur
≤Cap
EOL
，结束递推预测过程，然后统计达到EOL容量的剩余循环周期数，获得电池当前剩余寿命。2.根据权利要求1所述的一种基于改进TCN的锂电池剩余寿命状态评估方法，其特征在于：所述A
‑
TCN模型以TCN模型为基础，对每个残差模块RB均进行以下改进：1)将因果卷积替换为混合膨胀卷积，2)将激活函数ReLU替换为A
‑
ReLU，3)在残差模块RB输入和输出之间加入1
×
1卷积结构；每个残差模块RB计算各自的残差后逐层向后传递。3.根据权利要求2所述的一种基于改进TCN的锂电池剩余寿命状态评估方法，其特征在于：所述降噪自动编码器DAE包括在输入x中混入噪声v后为输入样本输入样本经过编码网络E(
·
)提取数据特征，再经过解码网络D(
·
)解码操作并重构优化输出重构优化后的循环周期与实际容量序列y：其中，为重构优化的输出，为解码网络的偏置项；其中，输出f(i)为经过编码网络后的样本数据高维features，W为编码网络的权重矩阵，b
i
为编码网络对应的偏置项。4.根据权利要求3所述的一种基于改进TCN的锂电池剩余寿命状态评估方法，其特征在于：步骤S04中所述递推预测的过程为：定义输入与输出的特征数据集为：CR＝{(X1，Cap2)，(X2，Cap3)，
…
，(X
L
，Cap
L+1
)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式4)其中，X
L
表示第L时刻的模型输入，Cap
L+1
表示第L+1时刻的容量输出；将第L时刻预测的容量Cap
L+1
添加到下一时刻的输入容量序列X
L+1
，继续预测模型后续
的容量；递推获得的新特征数据集为：CR
rec
＝{(X
L+1
，Cap
L+1
)，
…
，(X
cur
‑1，Cap
cur
)}
ꢀꢀꢀꢀꢀꢀꢀꢀ
(式5)一旦预测所得的容量值Cap
cur
≤Cap
EOL
，停止预测流程；统计整个预测过程中达到EOL容量的剩余循环周期数获得电池剩余使用寿命；Cap
EOL
＝Cap
rated
·
70％
...

【专利技术属性】
技术研发人员：金心宇，陈民申，任泽华，金昀程，
申请(专利权)人：浙江大学，
类型：发明
国别省市：