一种基于GBLSBooster多任务学习模型的锂电池性能预测方法技术

本发明专利技术涉及锂电池性能预测技术领域，尤其涉及一种基于GBLSBooster多任务学习模型的锂电池性能预测方法，包括基于NASA锂电池数据集，筛选出实验数据集后，分别提取出与锂电池健康状态SOH和剩余使用寿命RUL相关的特征，并分别进行预处理，生成SOH训练样本、SOH测试样本、RUL训练样本和RUL测试样本；采用GBLS模块和Booster模块建立初步的GBLSBooster多任务学习模型；采用TPE算法对初步的模型进行超参数寻优；采用SOH训练样本、SOH测试样本、RUL训练样本和RUL测试样本进行训练和测试，输出锂电池健康状态SOH的评估结果和剩余使用寿命RUL的预测结果。本发明专利技术提出一套完整高质量的数据预处理方案，结合一个全新的高精度GBLSBooster多任务学习模型，提高锂电池的SOH评估与RUL预测的精度。评估与RUL预测的精度。评估与RUL预测的精度。

【技术实现步骤摘要】
一种基于GBLS Booster多任务学习模型的锂电池性能预测方法


[0001]本专利技术涉及锂电池性能预测
，尤其涉及一种基于GBLS Booster多任务学习模型的锂电池性能预测方法。

技术介绍

[0002]为了减少二氧化碳的排放，锂离子电池(Lithium
‑
ion batteries，简称LIBs)凭借其低环境污染、高能量密度、低自放电率、便携性等优点，被广泛应用于航空航天、新能源汽车等领域。然而，随着电池不断充电和放电，内部老化会发生，这可能使锂离子电池在不安全的条件下工作。因此，需要使用智能电池管理系统(BMS)来进行实时监控和评估锂电池性能，其中锂电池性能主要包括健康状态SOH和剩余使用寿命RUL两个关键参数。
[0003]而锂电池性能退化的宏观表现包括：容量的衰减和内阻的增加，从这两个定义出发，引出了两种定义锂电池健康状态SOH计算方法的公式，而经常使用的是容量定义式。其中，C
now
指的是当前循环圈数下锂电池完全放电的容量值，C
normal
是锂电池出厂时的标称容量值，两者之比就是当前锂离子的健康状态SOH：
[0004][0005]当SOH＜0.8时，锂电池就达到了老化退役标准。
[0006]而锂电池的剩余寿命RUL指的是从当前预测起点的循环圈数到锂电池的健康状态SOH首次下降到0.8时，循环圈数之差如下：
[0007]RUL＝Cycle
end
‑
Cycle
now/>[0008]由于正负极、电解质材料、充放电方式和副反应的不同，锂离子电池LIBs成为一个高度时变的非线性复杂系统，使得健康状态SOH和剩余使用寿命RUL这两个关键参数的实时准确采集变得困难。幸运的是，在过去的几年里，研究人员已经努力开发出相对准确和实用的方法来评估和预测锂电池的健康状况和剩余使用寿命，如基于模型的数据驱动方法。而现有的基于模型的数据驱动方法的锂离子电池SOH评估和RUL预测的方案存在如下缺点：
[0009](a)现存的一些方案没有考虑到SOH与RUL的内在联系，把两者孤立了起来，方案中要么只存在SOH的估计方法，要么只存在RUL的预测方法，没有一套完整的联合评估预测锂电池的SOH与RUL的方案。
[0010](b)现存的一些方案没有一套完整的数据预处理方案。既然方法是基于数据驱动的方法，自然数据质量的高低就决定了模型的好坏。而现存的一些方案中，如一些电池SOH评估方案中，直接以电池的容量之作为模型的输入，没有考虑到电池的容量在实车运行中是很难直接通过传感器采集到的，所以这种方案在工程实际中很难应用。还有一些方法对其进行了改进，即使用一些传感器易于获取的数据作为模型的输入，如电流、电压、温度等数据，但这也存在问题，因为直接使用这些传感器采集到的数据会使得模型的运算负担过大，模型计算慢，而且传感器直接采集到的数据还存在严重的噪声，若直接输入模型中，会
导致模型的评估预测精度降低。
[0011](c)现存的一些方案中，虽然也有些方案虽然也有考虑的以上(a)(b)两点问题，但在方案实施时还是有不完善的地方，如数据降噪不彻底，输入数据维度过大，模型学习能力不足，不能很高精度地对锂电池SOH做出评估和对RUL做出预测。

技术实现思路

[0012]本专利技术的目的在于提出一种基于GBLS Booster多任务学习模型的锂电池性能预测方法，提出一套完整高质量的数据预处理方案，结合一个全新的高精度GBLS Booster多任务学习模型，提高锂电池的SOH评估与RUL预测的精度。
[0013]为达此目的，本专利技术采用以下技术方案：
[0014]一种基于GBLS Booster多任务学习模型的锂电池性能预测方法，包括以下步骤：
[0015]S1、基于NASA锂电池数据集，筛选出实验数据集后，分别提取出与锂电池健康状态SOH和剩余使用寿命RUL相关的特征；
[0016]S2、对与锂电池健康状态SOH相关的特征进行预处理，生成SOH训练样本和SOH测试样本；
[0017]S3、对与锂电池剩余使用寿命RUL相关的特征进行预处理，生成RUL训练样本和RUL测试样本；
[0018]S4、采用GBLS模块和Booster模块建立初步的GBLS Booster多任务学习模型；
[0019]S5、采用TPE算法对初步的GBLS Booster多任务学习模型进行超参数寻优；
[0020]S6、采用SOH训练样本和RUL训练样本进行训练，得到最终的GBLS Booster多任务学习模型；
[0021]S7、采用SOH测试样本和RUL测试样本对最终的GBLS Booster多任务学习模型进行测试，输出锂电池健康状态SOH的评估结果和剩余使用寿命RUL的预测结果。
[0022]优选的，在S1中，所述实验数据集包括选用NASA锂电池数据集中的B0005、B0006、B0007和B0018号电池进行充电、放电、EIS阻抗测量的电流数据、电压数据和温度数据作为实验数据集。
[0023]优选的，在S1中，所述与锂电池健康状态SOH相关的特征包括10个健康因子，所述10个健康因子分别为：ICA曲线波峰数值、ICA曲线波峰位置、3.8
‑
3.2V放电曲线包围面积、恒流充电时间、恒压充电时间、恒流恒压充电时间之比、充电最高温度、充电最高温度所用时间和3.8
‑
3.2V放电时间。
[0024]优选的，在S1中，所述与剩余使用寿命RUL相关的特征包括4条容量衰退曲线及其带有容量回升噪音的原始容量数据，所述4条容量衰退曲线分别为：B0005、B0006、B0007和B0018号电池的容量衰退曲线。
[0025]优选的，所述S2、对与锂电池健康状态SOH相关的特征进行预处理，生成SOH训练样本和SOH测试样本；具体包括以下步骤：
[0026]S21、采用随机森林回归器对所述10个健康因子i进行重要性评分，具体包括：
[0027]S211、选出某一健康因子i的某一节点k，计算某一节点k的重要性：
[0028]n
k
＝w
k
*G
k
‑
w
left
*G
left
‑
w
right
*G
right
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0029]其中w
k
、w
left
、w
right
分别为节点、以及其左右子节点中训练样本个数与总训练样本
数母的比例，G
k
、G
left
、G
right
分别为节点以及其左右子节点的不纯度；
[0030]S212、通过公式(1)计算出某一健康因子i的每一个节点k的重要性后，得出某一健康因子的重要本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GBLSBooster多任务学习模型的锂电池性能预测方法，其特征在于，包括以下步骤：S1、基于NASA锂电池数据集，筛选出实验数据集后，分别提取出与锂电池健康状态SOH和剩余使用寿命RUL相关的特征；S2、对与锂电池健康状态SOH相关的特征进行预处理，生成SOH训练样本和SOH测试样本；S3、对与锂电池剩余使用寿命RUL相关的特征进行预处理，生成RUL训练样本和RUL测试样本；S4、采用GBLS模块和Booster模块建立初步的GBLSBooster多任务学习模型；S5、采用TPE算法对初步的GBLSBooster多任务学习模型进行超参数寻优；S6、采用SOH训练样本和RUL训练样本进行训练，得到最终的GBLSBooster多任务学习模型；S7、采用SOH测试样本和RUL测试样本对最终的GBLSBooster多任务学习模型进行测试，输出锂电池健康状态SOH的评估结果和剩余使用寿命RUL的预测结果。2.根据权利要求1所述的一种基于GBLSBooster多任务学习模型的锂电池性能预测方法，其特征在于，在S1中，所述实验数据集包括选用NASA锂电池数据集中的B0005、B0006、B0007和B0018号电池进行充电、放电、EIS阻抗测量的电流数据、电压数据和温度数据作为实验数据集。3.根据权利要求2所述的一种基于GBLSBooster多任务学习模型的锂电池性能预测方法，其特征在于，在S1中，所述与锂电池健康状态SOH相关的特征包括10个健康因子，所述10个健康因子分别为：ICA曲线波峰数值、ICA曲线波峰位置、3.8
‑
3.2V放电曲线包围面积、恒流充电时间、恒压充电时间、恒流恒压充电时间之比、充电最高温度、充电最高温度所用时间和3.8
‑
3.2V放电时间。4.根据权利要求3所述的一种基于GBLS Booster多任务学习模型的锂电池性能预测方法，其特征在于，在S1中，所述与剩余使用寿命RUL相关的特征包括4条容量衰退曲线及其带有容量回升噪音的原始容量数据，所述4条容量衰退曲线分别为：B0005、B0006、B0007和B0018号电池的容量衰退曲线。5.根据权利要求4所述的一种基于GBLS Booster多任务学习模型的锂电池性能预测方法，其特征在于，所述S2、对与锂电池健康状态SOH相关的特征进行预处理，生成SOH训练样本和SOH测试样本；具体包括以下步骤：S21、采用随机森林回归器对所述10个健康因子i进行重要性评分，具体包括：S211、选出某一健康因子i的某一节点k，计算某一节点k的重要性：n
k
＝w
k
*G
k
‑
w
left
*G
left
‑
w
right
*G
right
ꢀꢀꢀꢀ
(1)其中w
k
、w
left
、w
right
分别为节点、以及其左右子节点中训练样本个数与总训练样本数母的比例，G
k
、G
left
、G
right
分别为节点以及其左右子节点的不纯度；S212、通过公式(1)计算出某一健康因子i的每一个节点k的重要性后，得出某一健康因子的重要性：
其中j为某一健康因子i划分出的节点数，k为所有节点数；S213、通过公式(1)和(2)计算出每一健康因子i的重要性后，对每一健康因子的重要性进行正态化：其中m为所有健康因子i的总数；S22、筛选出重要性排名前三的健康因子作为训练样本和测试样本。6.根据权利要求5所述的一种基于GBLS Booster多任务学习模型的锂电池性能预测方法，其特征在于，S3、对与锂电池剩余使用寿命RUL相关的特征进行预处理，生成RUL训练样本和RUL测试样本；具体包括以下步骤：S31、获取所述4条容量衰退曲线带有容量回升噪音的原始容量数据，采用完全集合经验模态分解算法对带有容量回升噪音的原始容量数据进行降噪分解处理，分解获得四个趋势项，包括高频本征模态分量IMF1、中频本征模态分量IMF2、低频本征模态分量IMF3和一个残差项RES，具体包括：S311、设E
i
(
·
)为经过经验模态分解算法分解后得到的第i个本征模态分量，为经过完全集合经验模态分解算法分解的第i个本征模态分量，v
j
为满足标准正态分布的高斯白噪音信号，j＝1，2，......，N为加入高斯白噪音信号的次数，ε为白噪声的标准差，y(t)为待分解信号；S312、将高斯白噪音信号v
j
加入待分解信号y(t)得到新信号y(t)+(
‑
1)
q
εv
j
(t)，其中q＝1，2，再采用经验模态分解算法对新信号进行分解，得到第一阶本征模态分量C1：S313、对产生的N个模态分量进行总体平均，再采用完全集合经验模态分解算法分解，得到第1个本征模态分量：S314、计算去除第一个模态分量后的残差信号：S35、在第一个模态分量后的残差信号r1(t)中加入正负成对高斯白噪声v
j
，得到新信号，再采用经验模态分解算法对新信号进行分解，得到第一阶模态分量D1，再采用完全集合经验模态分解算法分解，得到第2个本征模态分量：S316、计算去除第二个模态分量后的残差信号：
S317、重复上述S311
‑
S316，直到获得残差信号为单调函数，不能继续分解，停止重复，此时得到的本征模态分量数量为K，则原始的待分解信号y(t)被分解为：获得四个趋势项，包括高频本征模态分量IMF1、中频本征模态分量IMF2、低频本征模态分量IMF3和一个残差项RES；S32、将所述四个趋势项分别与其的原始容量值进行皮尔森相关系数分析：其中z和q分别表示高频本征模态分量IMF1或中频本征模态分量IMF...

【专利技术属性】
技术研发人员：杨海东，杨攀，徐康康，孟献兵，宋才荣，朱俊文，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：