System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及锂电池,尤其涉及一种基于面积特征与数据驱动的锂电池rul预测方法及系统。
技术介绍
1、锂离子电池由于其高能量密度、操作范围宽、温度适应性强、循环寿命长,被广泛应用于汽车、电子设备和航天器等领域。而剩余寿命作为衡量锂电池的安全指标之一,近年来成为该邻域的研究热点。可靠准确的rul(remaining useful life)预测对于确保电池供电系统的性能、安全性和经济性具有重要意义。
2、针对锂离子电池rul的研究,通常选用健康指标(health indicator,hi)来反映电池的退化状态。电池rul预测精度受提取hi好坏的影响,hi提取越精确则rul预测精度越高。锂离子电池在退化过程中,许多研究者将容量或内阻作为反映锂离子电池退化的指标,然而在实际应用中,锂离子电池内阻的测量过程困难且测量成本较高。因此,许多研究通过提取间接hi来表征锂电池的退化程度,克服了直接hi的弊端,并且易于测量或计算,提取相对简单。
3、目前,对于电池rul的估计方法大致可分为基于模型的方法、数据驱动的方法和融合的方法。由于深度学习的方法,避免了特征物理建模复杂的数学计算,因此得到了广泛的应用,但是其可解释性较差,并且高度依赖于输入特征的质量,同时传统的充放电曲线包含的信息有限且灵敏度低,因此需要利用与电池退化强烈有关的可变特征来训练和测试模型,建立一种结合不同方法优点的多模型融合估计方法。
4、差分热伏安法(differential thermal voltammetry,dtv)作为一种特征信号
5、利用dtv方法可以从宏观信号特征中挖掘出微观退化特征,使深度学习方法具有可解释性,然而,面对大量可以通过信号分析技术提取的特征,选择最相关的特征是另一个关键。因此本专利技术在dtv的基础上提出了一种三角面积特征的提取方法,同时考虑到传统的lstm模型对序列进行建模时,使用循环的方式对内部隐藏特征进行平均操作而不重点关注一些与目标相关的特征,为了提高锂电池rul预测精度,本专利技术结合了bilstm与点积注意力的优势,在bilstm网络中引入点积注意力,通过注意力来捕捉与目标高相似度的特征,提取关键信息。
技术实现思路
1、针对现有技术中存在的技术问题,本专利技术提供一种基于面积特征与数据驱动的锂电池rul预测方法及系统,能够高效、准确地获知锂电池的剩余使用寿命。
2、根据本专利技术的第一方面,本专利技术提供一种基于面积特征与数据驱动的锂电池rul预测方法,包括:
3、s1、获取在设定倍率下充电的电压数据及温度数据,计算温度和电压变化的比值得到dtv曲线,采用去噪平滑方法对dtv曲线进行预处理;
4、s2、在平滑的dtv曲线中选取三个特征点,包括两个峰值点和一个谷点,计算三个特征点所连接的三角形的面积s;
5、s3、建立基于点积注意力的bilstm预测模型,将面积s作为输入训练模型,得到电池的最大剩余容量预测值;
6、s4、利用得到的最大剩余容量预测值计算得到电池的rul值。
7、在上述技术方案的基础上,本专利技术还可以作出如下改进。
8、可选的,所述步骤s1包括以下步骤:
9、s11、在设定的充电倍率下对锂电池进行充电,并获取相应的电压数据和温度数据,计算温度与电压变化的比值得到dtv曲线;
10、s12、采用去噪平滑方法对dtv曲线进行预处理。
11、可选的,所述步骤s11包括以下步骤:
12、s111、在恒流恒压条件下对锂电池进行充电,通过适当调整采样间隔得到电压数据与温度数据;
13、s112、通过以下公式计算温度和电压变化的比值,得到dtv曲线:其中,
14、
15、式中,t(k)表示第k次采样的温度值,v(k)表示第k次采样的端电压值,n表示采样间隔。
16、可选的,在步骤s12中,采用gf去噪平滑方法对dtv曲线进行预处理;其中,gf算法为:
17、
18、其中,σ表示标准差,x表示平滑滤波前的dtv数据值,μ表示平均值,最后得到滤波后的dtv曲线。
19、可选的,所述步骤s2包括以下步骤:
20、s21、根据得到的光滑的dtv曲线,选取两个波峰点,记为a点与b点,同时选取波谷点记为c点;
21、s22、根据以下公式计算三个点所围成的三角形区域面积,记为sabc;
22、l=(ab+bc+ac)/2
23、
24、其中,l表示三角形的半边长,ab表示a点与b点之间的距离,bc、ac同理推之。
25、可选的,所述步骤s3包括以下步骤:
26、s31、建立预测模型,包括输入层、一个bilstm层、一个dropout层、一个点积注意力层,fc输出层;
27、s32、将面积s数据进行预处理之后划分为训练集与测试集,利用滑动窗口将训练集生成训练的序列数据,将对应的最大剩余容量作为训练标签,然后对模型进行训练;
28、s33、使用训练得到的预测模型对锂电池测试数据进行预测,采用rmse、mae对模型的预测结果进行评估。
29、可选的,所述步骤s31中点积注意力层具体包括以下步骤:
30、s311、将bilstm网络的输出矩阵y与最终隐藏状态hn做点积得到向量e,e表示y与hn之间的关系程度,如下式所示:
31、ei=dot(yi,hn)
32、其中dot(·)表示点积,yi表示组成矩阵y的输出向量;
33、s312、将得到的e向量通过softmax函数得到注意力权重α,如下式所示:
34、α=softmax(e);
35、s313、将注意力权重与输出矩阵y做点积得到最终的输出值。
36、可选的,所述采用rmse、mae对模型的预测结果进行评估包括:
37、通过预测模型输出电池的剩余最大容量cmax,进而得到对应的充放电次数使用rmse、mae分数评价模型的预测性能:其中,
38、
39、
40、其中,n为序列的长度,m为训练序列生成的样本的长度,yi表示真实最大电池容量值,表示预测的最大电池容量值。
41、可选的,所述电池的rul计算公式为:
42、rul=neol-ns
43、其中,neol表示剩余容量到达退役阈值时的充放电循环次数,ns表示开始预测时的充放电循环次数。
44、根据本专利技术的第二方面,提供一种基于面积特征与数据驱动的锂电池rul本文档来自技高网...
【技术保护点】
1.一种基于面积特征与数据驱动的锂电池RUL预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于面积特征与数据驱动的锂电池RUL预测方法,其特征在于,所述步骤S1包括以下步骤:
3.根据权利要求2所述的一种基于面积特征与数据驱动的锂电池RUL预测方法,其特征在于,所述步骤S11包括以下步骤:
4.根据权利要求2所述的一种基于面积特征与数据驱动的锂电池RUL预测方法,其特征在于,在步骤S12中,采用GF去噪平滑方法对DTV曲线进行预处理得到滤波后的DTV曲线;其中,GF算法为:
5.根据权利要求1所述的一种基于面积特征与数据驱动的锂电池RUL预测方法,其特征在于,所述步骤S2包括以下步骤:
6.根据权利要求1所述的一种基于面积特征与数据驱动的锂电池RUL预测方法,其特征在于,所述步骤S3包括以下步骤:
7.根据权利要求6所述的一种基于面积特征与数据驱动的锂电池RUL预测方法,其特征在于,所述步骤S31中点积注意力层包括以下步骤:
8.根据权利要求6所述的一种基于面积特征与数据驱动的
9.根据权利要求1所述的一种基于面积特征与数据驱动的锂电池RUL预测方法,其特征在于,所述电池的RUL计算公式为:
10.一种基于面积特征与数据驱动的锂电池RUL预测系统,其特征在于,包括:
...【技术特征摘要】
1.一种基于面积特征与数据驱动的锂电池rul预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于面积特征与数据驱动的锂电池rul预测方法,其特征在于,所述步骤s1包括以下步骤:
3.根据权利要求2所述的一种基于面积特征与数据驱动的锂电池rul预测方法,其特征在于,所述步骤s11包括以下步骤:
4.根据权利要求2所述的一种基于面积特征与数据驱动的锂电池rul预测方法,其特征在于,在步骤s12中,采用gf去噪平滑方法对dtv曲线进行预处理得到滤波后的dtv曲线;其中,gf算法为:
5.根据权利要求1所述的一种基于面积特征与数据驱动的锂电池rul预测方法,其特征在于,所述步骤s2包括...
【专利技术属性】
技术研发人员:孔祥斌,张宇东,苑帅,王雨,武明虎,吴卫军,桂志航,朱寒宇,
申请(专利权)人:湖北工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。