一种基于平均寿命退化线修正LSTM的锂电池SOH预测方法

摘要

本发明尤其涉及一种基于平均寿命退化线修正LSTM的锂电池SOH预测方法；针对锂离子电池SOH预测存在误差累积的问题，提出一种基于平均寿命退化线修正的LSTM神经网络锂离子电池SOH预测算法，该算法能够有效消除累计误差，有着良好的预测性能。

说明书

技术领域

本发明涉及一种电池能源的技术领域，尤其涉及一种基于平均寿命退化线修正LSTM的锂电池SOH预测方法。

背景技术

随着新能源技术的飞速发展与广泛应用，锂离子电池因其安全性好、能量密度高、充放电效率高而被广泛应用于飞行器、新能源电动车、储能等领域。而在锂离子电池使用过程之中，其内部会发生非常复杂的物理与化学变化，导致电池性能退化、容量衰减甚至是失效，因此存在引发重大安全事故的风险，因此亟需设计一种准确率高，鲁棒性好的锂离子电池剩余寿命预测方法来准确预测电池的剩余使用寿命，及时为系统更换故障或老化的电池，避免事故的发生。

目前存在很多锂离子电池的SOH预测方法，包括基于模型的方法和数据驱动的方法。基于模型的方法由于难以建立准确的模型，因此也难以对锂离子SOH进行准确预测；而基于数据驱动的方法则难以有效处理时间序列数据的长依赖性。长短时记忆神经网络能够有效处理时间序列数据，目前已广泛应用在各类时间序列预测问题之中，但是其存在着误差累积的缺点，即预测越往后误差越大。

发明内容

为解决上述技术问题，本发明的目的是提供一种利用平均寿命退化线修正LSTM的锂离子电池SOH预测算法，本发明针对锂离子电池SOH(State of Healthy,健康状态)预测存在误差累积的问题，提出一种基于寿命曲线修正的LSTM神经网络锂离子电池SOH预测算法能够有效消除累计误差，有着良好的预测性能。

本发明提供的基于平均寿命退化线修正LSTM的锂电池SOH预测方法，包括以下步骤：

S1、获得一个以上与待测试锂电池属于同样规格和工况的锂电池样本的循环充放电数据，并对锂电池样本的容量数据进行提取，采用电池SOH指标反映锂电池样本的老化程度，建立在同样规格和工况下的锂电池样本的充放电Cycle→SOH数据库；

S2、从步骤S1中建立的锂电池样本的充放电Cycle→SOH数据库之中，利用函数集合对数据库中的每条寿命退化曲线进行拟合，获得平均寿命退化线；

S3、对待测试锂电池的已有数据进行LSTM神经网络拟合，再用拟合好的结果进行SOH的单步预测，获得LSTM预测结果，再利用步骤S2中获得的平均寿命退化线来判断LSTM预测结果是否有误差累积，如果存在误差累积，则利用平均寿命退化线进行误差修正，如果不存在则继续下一步的LSTM预测输出。

对本发明提供的一种基于平均寿命退化线修正LSTM的锂电池SOH预测方法进行进一步的改进，步骤S1中的锂电池样本的充放电Cycle→SOH数据库建立方法包括如下步骤：

S1.1、建立与待测试锂电池属于相同规格和工况的n个锂电池样本的循环充放电数据，提取如下信息：

(1)锂电池样本放电圈数集合：

Cycle

(2)锂电池样本健康状态集合：

SOH

S1.2、在步骤S1.1的基础之上建立这n个锂电池样本从Cycle

f

对本发明提供的一种基于平均寿命退化线修正LSTM的锂电池SOH预测方法进行进一步的改进，所述步骤S2中的平均寿命退化线是通过以下步骤获得的：

S2.1、将步骤S1.2中得到的n个锂电池样本从Cycle

S2.2、利用步骤2.1中得到的近似映射通过求解：

对本发明提供的一种基于平均寿命退化线修正LSTM的锂电池SOH预测方法进行进一步的改进，所述步骤S3中对待测试锂电池的已有数据进行LSTM神经网络拟合的步骤如下：

S3.1、对待测试锂电池的Cycle-SOH数据按照1:1的比例划分训练集和测试集，对训练集数据进行向量空间重构：

其中s(1)～s(t)表示在大小为t的训练集中第1～t个循环所对应SOH值，p为LSTM神经网络的时间步长，向量空间重构的作用是以第1～p个循环的SOH值作为输入，第p+1个循环作为神经网络的预测输出；

S3.2、使用步骤S3.1中重构好的训练集数据来训练LSTM神经网络：

O

对本发明提供的一种基于平均寿命退化线修正LSTM的锂电池SOH预测方法进行进一步的改进，所述步骤S3.1的LSTM神经网络中时间步长p是取值为t的0.1倍，即:

对本发明提供的一种基于平均寿命退化线修正LSTM的锂电池SOH预测方法进行进一步的改进，用训练好的LSTM神经网络进行待测试锂电池的SOH单步预测，包括以下步骤：

S3.3、使用步骤S3.2中训练好的LSTM神经网络来进行第t个循环之后的SOH单步预测，并将SOH单步预测值输入到下一个长度为p的输入序列中，继续预测；

S3.4、在每次LSTM神经网络的SOH单步预测值输出以后，利用步骤S2中的平均寿命退化线来检测该SOH单步预测值是否存在较大偏差，如果是，执行步骤S3.5；如果否，执行步骤S3.3；

S3.5、利用该平均寿命退化线进行误差修正，用该平均寿命退化线在当前循环下对应的SOH值来代替LSTM神经网络的当前输出值，并添加到下一个的长度为p的输入序列之中进行下下一步的预测，继续执行步骤3.3。

对本发明提供的一种基于平均寿命退化线修正LSTM的锂电池SOH预测方法进行进一步的改进，从步骤S1中建立的锂电池样本的充放电Cycle→SOH数据库中的寿命退化曲线指的是Cycle-SOH曲线。

对本发明提供的一种基于平均寿命退化线修正LSTM的锂电池SOH预测方法进行进一步的改进，所述步骤2.1中的函数集合{x

综上，本发明提供的一种基于平均寿命退化线修正LSTM的锂电池SOH预测方法具有以下特点：

(1)平均寿命退化线和LSTM神经网络进行输出的结合这种新型的融合方式；

(2)将平均寿命退化线的当前输出，与LSTM神经网络的当前输出做差，若二者之差大于某个阈值，则取平均寿命退化曲线和LSTM神经网络的加权值，权值从0到1；

(3)平均寿命退化线的获取方式，包括多种初等函数拟合方式的集合。

借由上述方案，本发明提供的基于平均寿命退化线修正LSTM的锂电池SOH预测方法至少具有以下优点：

(1)给出了一种新型的锂离子电池SOH预测架构；

(2)该架构通过结合“平均寿命退化线”和LSTM向量重构成功地解决了传统LSTM预测中存在的误差累积漂移的问题；

(3)该构架的平均寿命退化线获取方便，且可随着电池数据库的日益庞大而迭代更新。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

图1是本发明提供的基于平均寿命退化线修正LSTM的锂电池SOH预测方法的流程图；

图2是现有技术在的锂电池SOH预测方法仅使用LSTM神经网络的输出结果图；

图3是本发明提供的基于平均寿命退化线修正LSTM的锂电池SOH预测方法中使用平均寿命退化线修正后LSTM神经网络的输出结果图；

图4是本发明提供的基于平均寿命退化线修正LSTM的锂电池SOH预测方法中锂电池样本的充放电Cycle→SOH数据库中的Cycle-SOH曲线拟合过程和平均寿命退化线的示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

值得说明的是，电池的SOH(State of Healthy)指标反映电池的老化程度，平均寿命退化线既包括拟合锂电池样本的Cycle-SOH曲线后得到的平均寿命退化曲线，也包括平均寿命退化直线,对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

实施例

步骤1

步骤1.1、建立与待测试锂电池属于相同规格和工况的n个锂电池样本的循环充放电数据，提取如下信息：

(1)锂电池样本放电圈数集合：

Cycle

(2)锂电池样本健康状态集合：

SOH

获取n条相同规格和工况下的锂电池样本的Cycle-SOH曲线集合C＝{C

步骤1.2、拟合锂电池样本的Cycle-SOH曲线

对步骤1.1中得到的Cycle-SOH曲线集合C＝{C

其中a

代表锂电池样本的寿命退化系数矩阵；

步骤1.3：求取平均寿命退化线

从步骤1.2中得到的直线集合L＝{L

步骤2

步骤2.1：数据集划分与LSTM训练

使用NASA锂电池数据，对待测试锂电池的Cycle-SOH数据进行1:1划分，使用前50％的数据作为LSTM神经网络的训练集，后50％的数据作为LSTM神经网络的测试集，对训练集数据进行向量空间重构：

其中s(1)～s(t)表示在大小为t的训练集中第1～t个循环所对应SOH值，p为LSTM神经网络的时间步长，向量空间重构的作用是以第1～p个循环的SOH值作为输入，第p+1个循环作为神经网络的预测输出；

其中，LSTM神经网络中的时间步长按照公式：

步骤2.2：LSTM神经网络的误差修正

使用步骤2.1中经过向量空间重构好的训练集数据来训练LSTM神经网络，记为如下形式：

O

使用以上设置好的LSTM神经网络来进行第t＝80个循环之后的SOH单步预测，并将单步预测结果输入到下一个长度为p＝8的输入序列中，继续预测，最终得到的结果如图2所示。

在每次LSTM神经网络的单步预测值输出以后，利用步骤1中得的平均寿命退化线来检测该值是否存在较大偏差。

如果是，则利用该平均寿命退化线进行误差修正，用该平均寿命退化线在当前Cycle下对应的SOH来代替LSTM神经网络的当前步输出值，并添加到下一个的长度为p＝8的输入序列之中进行下下一步的预测。

如果否，则继续LSTM神经网络的单步预测值输出，进行预测。

步骤2.3：输出结果可视化

图4为数据库的拟合过程和平均寿命退化线示意图，图2可以看到纯LSTM的预测效果的累计误差会越来越大且漂移严重。图3中包括实施例中步骤1中得到的平均寿命退化线以及本发明提出的“基于平均寿命退化线修正LSTM的锂电池SOH预测方法”，可以看到其预测效果比较好，预测值与真实值之间的平均绝对误差(MAE)为0.0201，均方根误差(RMSE)为0.0238，很好地消除了图1中所示的累积漂移误差。

综上，本发明提供的一种基于平均寿命退化线修正LSTM的锂电池SOH预测方法具有以下特点：

(1)平均寿命退化线和LSTM神经网络进行输出的结合这种新型的融合方式；

(2)将平均寿命退化线的当前输出，与LSTM神经网络的当前输出做差，若二者之差大于某个阈值，则取平均寿命退化曲线和LSTM神经网络的加权值，权值从0到1；

(3)平均寿命退化线的获取方式，包括多种初等函数拟合方式的集合，包括但不限于{x

借由上述方案，本发明提供的基于平均寿命退化线修正LSTM的锂电池SOH预测方法至少具有以下优点：

(1)给出了一种新型的锂离子电池SOH预测架构；

(2)该构架通过结合“平均寿命退化线”和LSTM神经网络的向量重构成功地解决了传统LSTM神经网络的预测中存在的误差累积漂移的问题；

(3)该构架的平均寿命退化线获取方便，且可随着电池数据库的日益庞大而迭代更新。

以上仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。