一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法技术

本发明专利技术公开了一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法，该方法包括以下步骤：S1、获取历史数据库中的锂电性能数据，并生成数据集；S2、对数据集的锂电性能数据进行预处理；S3、将处理后的锂电性能数据输入深度网络模型进行训练，利用深度网络模型提取特征并通过前向传播的方式不断对特征进行深度挖掘，并建立网络体系结构；S4、在网络体系结构中通过利用adam反向传播训练建立动力锂离子电池的特性基本退化机理和等效模型；S5、依据预设的评判指标对特性基本退化机理和等效模型进行测试。本发明专利技术利用卷积神经网络采用原始图像作为输入，可以有效的从大量样本中学习到相应地特征，避免了复杂的特征提取过程。避免了复杂的特征提取过程。避免了复杂的特征提取过程。

【技术实现步骤摘要】
一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法


[0001]本专利技术涉及电动汽车动力锂电池的
，具体来说，涉及一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法。

技术介绍

[0002]近年来，电动汽车的普及渗透速度正不断加快。2012年至今，全球销量从13万辆快速上升至2021年的631万辆。与之相伴，报废动力锂电，2021年为20万吨，预计2023年将达116万吨，并将持续快速攀升。回收利用好这些巨量的淘汰动力锂电，将有力缓解资源和环境压力、促进电动汽车更快普及。动力锂电剩余寿命的预测是其中的关键问题，目前常用的预测方法多基于粒子滤波算法、萤火虫算法等算法，这些方法的特征提取过程复杂，没有确定电池最大可放电容量规定的阀值，寿命预测还不够精确，对于获取剩余寿命概率分布函数、量化预测不确定性等方面也都存在诸多的挑战。只有当剩余寿命预测的精确度和可靠性得到有效保证，动力锂电的充分使用与高效回收才能具有良好的经济价值和市场前景。

技术实现思路

[0003]针对相关技术中的问题，本专利技术提出一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法，以克服现有相关技术所存在的上述技术问题。
[0004]为此，本专利技术采用的具体技术方案如下：
[0005]一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法，该电动汽车动力锂电剩余寿命预测方法包括以下步骤：
[0006]S1、获取历史数据库中的锂电性能数据，并生成数据集；
[0007]S2、对数据集的锂电性能数据进行预处理；
[0008]S3、将处理后的锂电性能数据输入深度网络模型进行训练，利用深度网络模型提取特征并通过前向传播的方式不断对特征进行深度挖掘，并建立网络体系结构；
[0009]S4、在网络体系结构中通过利用adam反向传播训练建立动力锂离子电池的特性基本退化机理和等效模型；
[0010]S5、依据预设的评判指标对特性基本退化机理和等效模型进行测试。
[0011]进一步的，所述获取历史数据库中的锂电性能数据，并生成数据集包括以下步骤：
[0012]S11、通过动力锂电全生命周期溯源与监控云平台对电池进行观测，记录锂电性能数据，并生成数据集；
[0013]S12、将数据集导入监控云平台，并建立数据文件夹。
[0014]进一步的，所述数据文件夹包括17列数字文本文件；
[0015]其中，每一列为不同变量，每一行为生命周期内的性能数据，第一列为单元号，第二列为时间点，其余列为电池状态属性。
[0016]进一步的，所述对数据集的锂电性能数据进行预处理包括以下步骤：
[0017]S21、使用LocalLoadDate函数加载锂电性能数据；
[0018]S22、以表的形式加载文本文件；
[0019]S23、利用VarNames函数向表中添加变量名；
[0020]S24、从原始数据选出id信号；
[0021]S25、利用unique函数去除id信号，并将去除后锂电性能数据返回数组nID；
[0022]S26、返回数组nID数元素个数为不重复id数，且每个id代表一个锂电池；
[0023]S27、将锂电池两个胞元属性名分为x和y，将x代表剩余寿命，y代表特征；
[0024]S28、利用stackedplot函数绘制堆叠图，令每组数据拥有共同的x轴，y轴数据随x改变而改变；
[0025]S29、利用proghosability函数对失效时条件指标可变性测量，并输入特征值输出为预测值预测性，去除可预测性等于零的特性；
[0026]S210、将训练预测器归一化，使其均值和单位方差为零；
[0027]S211、响应限制阀值，将阈值以上的y值改变为阈值大小；
[0028]S212、为填充准备数据，打包所需的输入数据。
[0029]进一步的，所述将处理后的锂电性能数据输入深度网络模型进行训练，利用深度网络模型提取特征并通过前向传播的方式不断对特征进行深度挖掘，并建立网络体系结构包括以下步骤：
[0030]S31、根据隐藏层与输出层计算锂电池性能数据特征大小；
[0031]S32、利用动力锂电样本数据对计算机进行训练，得到不同剩余寿命的特征模型。
[0032]进一步的，所述根据隐藏层与输出层计算锂电池性能数据特征大小包括以下步骤：
[0033]S311、设置隐藏层大小，numHiddenUnits＝100；
[0034]S312、设置输出层大小，numResponses＝1；
[0035]S313、根据隐藏层与输出层输出的数据，计算锂电池的特征大小。
[0036]进一步的，所述利用动力锂电样本数据对计算机进行训练，得到不同剩余寿命的特征模型包括以下步骤：
[0037]S321、输入数据为上述步骤S28的堆叠图，通过卷积层的计算得到输出矩阵；
[0038]S322、引入池化层的电池正火层，压缩数据的大小，将卷积层计算后输出的矩阵减小，并降低输出值的数量；
[0039]S323、引入激活层，加强特征，并利用relu函数对池化层输出进行非线性映射；
[0040]S324、引入连接积层，通过将激活层输出的矩阵拆分为一列数组并进行盆节，将该数组与特征模型进行比对，根据相似度进行预测样本特征模型，并判断出剩余寿命；
[0041]S325、通过回归层regressionLayer计算方差损失。
[0042]进一步的，所述在网络体系结构中通过利用adam反向传播训练建立动力锂离子电池的特性基本退化机理和等效模型包括以下步骤：
[0043]S41、使用adam求解器，最大训练30回合，batch为20，并利用adam反向传播训练；
[0044]S42、训练后将参数传到net，并建立等效模型。
[0045]进一步的，所述依据预设的评判指标对特性基本退化机理和等效模型进行测试包括以下步骤：
[0046]S51、提取特征文件与剩余寿命文件，把数据集合成table；
[0047]S52、将table作与训练集相同处理；
[0048]S53、再建table，用于存储现实和预测的响应；
[0049]S54、计算测试序列所有时间周期的均方根误差，通过评判指标比较测试数据中的性能。
[0050]进一步的，所述评判指标包括Dice系数及特异性系数；
[0051]其中，所述Dice系数是一种评估相似度的系数，通常用于计算两个样本的相似度或者重叠度，取值为[0，1]，越接近1，相似程度越高，效果越佳，所述Dice系数通过获得具有算法预测分布情况P∈{0,1}和真实标签分布情况T∈{0,1}的二元图计算得到，Dice系数的计算公式如下：
[0052][0053]式中，P表示所预测的锂电池性能数据集的集合，T表示测试的锂电池性能数据集合，∩表示逻辑与运算符，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法，其特征在于，该电动汽车动力锂电剩余寿命预测方法包括以下步骤：S1、获取历史数据库中的锂电性能数据，并生成数据集；S2、对数据集的锂电性能数据进行预处理；S3、将处理后的锂电性能数据输入深度网络模型进行训练，利用深度网络模型提取特征并通过前向传播的方式不断对特征进行深度挖掘，并建立网络体系结构；S4、在网络体系结构中通过利用adam反向传播训练建立动力锂离子电池的特性基本退化机理和等效模型；S5、依据预设的评判指标对特性基本退化机理和等效模型进行测试。2.根据权利要求1所述的一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法，其特征在于，所述获取历史数据库中的锂电性能数据，并生成数据集包括以下步骤：S11、通过动力锂电全生命周期溯源与监控云平台对电池进行观测，记录锂电性能数据，并生成数据集；S12、将数据集导入监控云平台，并建立数据文件夹。3.根据权利要求2所述的一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法，其特征在于，所述数据文件夹包括17列数字文本文件；其中，每一列为不同变量，每一行为生命周期内的性能数据，第一列为单元号，第二列为时间点，其余列为电池状态属性。4.根据权利要求1所述的一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法，其特征在于，所述对数据集的锂电性能数据进行预处理包括以下步骤：S21、使用LocalLoadDate函数加载锂电性能数据；S22、以表的形式加载文本文件；S23、利用VarNames函数向表中添加变量名；S24、从原始数据选出id信号；S25、利用unique函数去除id信号，并将去除后锂电性能数据返回数组nID；S26、返回数组nID数元素个数为不重复id数，且每个id代表一个锂电池；S27、将锂电池两个胞元属性名分为x和y，将x代表剩余寿命，y代表特征；S28、利用stackedplot函数绘制堆叠图，令每组数据拥有共同的x轴，y轴数据随x改变而改变；S29、利用proghosability函数对失效时条件指标可变性测量，并输入特征值输出为预测值预测性，去除可预测性等于零的特性；S210、将训练预测器归一化，使其均值和单位方差为零；S211、响应限制阀值，将阈值以上的y值改变为阈值大小；S212、为填充准备数据，打包所需的输入数据。5.根据权利要求1所述的一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法，其特征在于，所述将处理后的锂电性能数据输入深度网络模型进行训练，利用深度网络模型提取特征并通过前向传播的方式不断对特征进行深度挖掘，并建立网络体系结构包括以下步骤：S31、根据隐藏层与输出层计算锂电池性能数据特征大小；
S32、利用动力锂电样本数据对计算机进行训练，得到不同剩余寿命的特征模型。6.根据权利要求5所述的一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法，其特征在于...

【专利技术属性】
技术研发人员：夏佳琪，蔡雨腾，史清烁，周卫强，葛城彤，崔译文，储鹏，葛范婷，李灿，张洪观，罗姝雯，黄栋倩，朱兴宇，戴玉明，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：