基于贝叶斯混合神经网络的电池剩余使用寿命预测方法技术

本发明专利技术公开了一种基于贝叶斯混合神经网络的电池剩余使用寿命预测方法。首先收集锂电池充放电过程中的运行数据，本发明专利技术在特征提取方面采用格拉姆角场的方法进行特征提取，将电池历史剩余容量序列转换成时间序列图片来丰富信息和降低测量噪声；在模型构造方面，将贝叶斯估计与深度学习方法融合，构建贝叶斯混合神经网络，其主要包括用于贝叶斯长短期记忆网络、贝叶斯卷积神经网络和贝叶斯深度神经网络。本发明专利技术克服了传统电池剩余寿命预测算法处理不平衡和小样本数据能力差、泛化性较弱、长期预测精度低的劣势，提高了电池剩余寿命预测的精准度。的精准度。的精准度。

【技术实现步骤摘要】
基于贝叶斯混合神经网络的电池剩余使用寿命预测方法


[0001]本专利技术涉及电池管理
的一种电池剩余使用寿命预测方法，涉及一种基于改进特征提取与贝叶斯混合神经网络的电池剩余使用寿命预测方法。

技术介绍

[0002]锂离子电池以其高能量密度、低自放电率、无记忆效应等优良特性被广泛应用于电动汽车、储能系统、航空航天等众多重要领域。然而，目前在电池管理领域仍然存在大量影响锂离子电池使用的挑战，其中最为关键的问题就是估计电池剩余使用寿命。电池的退化受到内部和外部因素的影响，其中外部因素包括充放电电流大小，运行温度，电压范围等等；而内部因素则包括固体电解质界面膜退化，电解质降解，隔膜破坏等等。因此，老化的电池应在达到使用寿命终点(EOL)之前更换，以确保功率器件的可靠运行。
[0003]目前，对于锂电池剩余使用寿命预测的方法可以分为两种，包括基于模型的方法和数据驱动的方法。其中基于模型的方法需要特殊的实验装置，大量的先验专业知识和复杂的算力，而基于数据驱动的方法则能够有效避免这些问题。数据驱动模型通过对数据的训练来接近目标值，其泛化性和实用性都优于基于模型的预测方法。但是传统基于数据驱动的锂电池剩余使用寿命的预测方法仍存在大量可以改进的空间。一方面，其忽略了在实际应用中所获得电池数据的不平衡性，缺失性等问题，锂电池的退化具体可以分为3个阶段，每一阶段占电池全生命周期比例不同，第一和第三阶段一共占25％左右，第二阶段占75％左右。同时锂电池常常是无规律间断使用，其退化过程并不像实验室中平滑，因此采集到的数据一般具有容量再生导致的噪声；另一方面，随着技术的发展，目前锂电池的寿命可达到几百至上千次，而一般基于数据驱动的方法在长期预测问题上会出现严重的偏差，剩余使用寿命的预测精度会大大降低。

技术实现思路

[0004]有鉴于此，为了解决
技术介绍
中存在的问题，本专利技术的目的在于提出一种基于改进特征提取与贝叶斯混合神经网络的电池剩余寿命预测方法，优化了对于噪声数据的特征提取，建立了一种能够应对数据不平衡和缺失情况，具备长期预测能力的电池剩余使用寿命预测模型，提高了电池剩余使用寿命预测的精确性，鲁棒性和泛化性。
[0005]为了实现以上目的，本专利技术采用的技术方案如下：
[0006]步骤1：采集多个锂电池在各个充放电周期内的充放电数据，所述充放电数据由充电电流、放电电流、外部温度、电压范围、充放电次数和实际电池剩余容量组成；并基于锂电池在各个充放电周期内的充放电数据计算对应充放电周期的剩余寿命；
[0007]步骤2：对多个锂电池在各个充放电周期内的充放电数据以及剩余寿命进行预处理，由预处理后的充放电数据和对应的剩余寿命构成训练集；
[0008]步骤3：将训练集输入到贝叶斯混合神经网络模型进行模型训练，获得训练好的贝叶斯混合神经网络模型；
[0009]步骤4：将待预测的充放电数据预处理后输入到训练好的贝叶斯混合神经网络模型进行寿命预测，输出预测的剩余寿命。
[0010]所述步骤1中，锂电池的剩余寿命的计算公式如下：
[0011]N
s
＝N
EoL
‑
N
t
[0012]其中，N
s
表示当前时刻锂电池的剩余寿命，N
EoL
为电池容量从初始容量退化到失效容量的充放电循环次数，N
t
为当前时刻的充放电次数；失效容量为初始容量的80％。
[0013]所述步骤2具体为：
[0014]2.1)多个锂电池在各个充放电周期内的充放电数据中，如果每个充放电周期内的充放电数据不完整，则去除，获得多个筛选后的充放电周期内的充放电数据和对应的剩余寿命；
[0015]2.2)将多个筛选后的充放电周期内的充放电数据和对应的剩余寿命分别进行归一化，获得归一化的充放电数据和对应的剩余寿命；
[0016]2.3)由各个归一化的充放电数据中归一化的充电电流、放电电流、外部温度、电压范围和充放电次数构成各个时间序列数据F，各个归一化的充放电数据中归一化的实际电池剩余容量通过格拉姆角场变换构成各个时序图片S，由各个时间序列数据F和对应的时序图片S以及剩余寿命构成训练集。
[0017]所述步骤3中，贝叶斯混合神经网络模型由贝叶斯卷积神经网络、贝叶斯长短期记忆网络和贝叶斯深度神经网络组成；时序图片S作为贝叶斯卷积神经网络的输入，时间序列数据F作为贝叶斯长短期记忆网络的输入，贝叶斯卷积神经网络的输出与贝叶斯长短期记忆网络的输出进行线性化融合后作为贝叶斯深度神经网络的输入，贝叶斯深度神经网络的输出作为贝叶斯混合神经网络模型的输出。
[0018]所述贝叶斯卷积神经网络包括2层贝叶斯卷积层、2层池化层和1层贝叶斯全连接层；
[0019]贝叶斯卷积神经网络的输入作为第一贝叶斯卷积层的输入，第一贝叶斯卷积层依次经第一池化层、第二贝叶斯卷积层和第二池化层后与第一贝叶斯全连接层相连，第一贝叶斯全连接层的输出作为贝叶斯卷积神经网络的输出。
[0020]所述贝叶斯长短期记忆网络主要由贝叶斯长短期记忆层和第二贝叶斯全连接层相连组成；贝叶斯长短期记忆网络的输入作为贝叶斯长短期记忆层的输入，第二贝叶斯全连接层的输出作为贝叶斯长短期记忆网络的输出。
[0021]所述贝叶斯深度神经网络包括3层贝叶斯全连接层；贝叶斯深度神经网络的输入作为第三贝叶斯全连接层的输入，第三贝叶斯全连接层经第四贝叶斯全连接层后与第五贝叶斯全连接层相连，第五贝叶斯全连接层的输出作为贝叶斯深度神经网络的输出。
[0022]所述待预测的充放电数据预处理后获得对应的时序图片S和时间序列数据F。
[0023]本专利技术的有益效果为：
[0024](1)本专利技术通过格拉姆角场变换将具有严重噪声的电池剩余容量数据构成时序图片，丰富了特征信息，克服了测量噪声带来的干扰。其中严重噪声是指锂电池无规律间断使用产生的容量再生现象。
[0025](2)本专利技术通过构建了一种将贝叶斯估计与深度学习结合的贝叶斯混合神经网络，提升了对于不平衡数据集，缺失数据集的处理能力以及长期剩余使用寿命预测能力。其
中不平衡数据集指的是锂电池的退化具体可以分为3个阶段，每一阶段占电池全生命周期比例不同，第一和第三阶段一共占25％左右，第二阶段占75％左右，模型训练样本不平衡；缺失数据集指的是无法获得电池全生命周期的退化数据，仅仅使用其中的一小部分；长期是指能够预测1000步以上的剩余使用寿命。
附图说明
[0026]图1为本专利技术的系统流程图。
[0027]图2为本专利技术的贝叶斯混合神经网络的结构图。
[0028]图3为本专利技术实验结果对比图。
具体实施方式
[0029]下面结合附图以及具体实施例对本专利技术作进一步的说明，但本专利技术的保护范围并不限于此。
[0030]如图1所示，本专利技术包括以下步骤：
[0031]步骤1：采集多个锂电池在各个充放电周期内的充放电数据；充放电本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于贝叶斯混合神经网络的电池剩余使用寿命预测方法，其特征在于，包括以下步骤：步骤1：采集多个锂电池在各个充放电周期内的充放电数据，所述充放电数据由充电电流、放电电流、外部温度、电压范围、充放电次数和实际电池剩余容量组成；并基于锂电池在各个充放电周期内的充放电数据计算对应充放电周期的剩余寿命；步骤2：对多个锂电池在各个充放电周期内的充放电数据以及剩余寿命进行预处理，由预处理后的充放电数据和对应的剩余寿命构成训练集；步骤3：将训练集输入到贝叶斯混合神经网络模型进行模型训练，获得训练好的贝叶斯混合神经网络模型；步骤4：将待预测的充放电数据预处理后输入到训练好的贝叶斯混合神经网络模型进行寿命预测，输出预测的剩余寿命。2.根据权利要求1所述的一种基于贝叶斯混合神经网络的电池剩余使用寿命预测方法，其特征在于，所述步骤1中，锂电池的剩余寿命的计算公式如下：N
s
＝N
EoL
‑
N
t
其中，N
s
表示当前时刻锂电池的剩余寿命，N
EoL
为电池容量从初始容量退化到失效容量的充放电循环次数，N
t
为当前时刻的充放电次数；失效容量为初始容量的80％。3.根据权利要求1所述的一种基于贝叶斯混合神经网络的电池剩余使用寿命预测方法，其特征在于，所述步骤2具体为：2.1)多个锂电池在各个充放电周期内的充放电数据中，如果每个充放电周期内的充放电数据不完整，则去除，获得多个筛选后的充放电周期内的充放电数据和对应的剩余寿命；2.2)将多个筛选后的充放电周期内的充放电数据和对应的剩余寿命分别进行归一化，获得归一化的充放电数据和对应的剩余寿命；2.3)由各个归一化的充放电数据中归一化的充电电流、放电电流、外部温度、电压范围和充放电次数构成各个时间序列数据F，各个归一化的充放电数据中归一化的实际电池剩余容量通过...

【专利技术属性】
技术研发人员：刘之涛，张树信，苏宏业，
申请(专利权)人：浙江大学，
类型：发明
国别省市：