一种基于LSTM和高斯过程回归的锂电池剩余寿命估计方法

一种基于lstm和高斯过程回归的锂电池剩余寿命估计方法
技术领域
1.本发明涉及锂离子电池的剩余寿命预测，具体为一种基于lstm和高斯过程回归的锂电池剩余寿命估计方法。


背景技术：

2.锂电池因其工作电压高、比能量高、循环寿命长、自放电率低及环境友好等原因在动力电池领域得到了广泛的应用。2022年，全球锂离子电池总体出货量957.7gwh，同比增长70.3％，其中汽车动力电池出货量为684.2gwh，同比增长84.4％。中国锂离子电池出货量达到660.8gwh，同比增长97.7％，在全球锂离子电池总体出货量的占比达到69.0％。但锂离子电池在其充放电循环过程中，其内部会发生不可逆的物理化学过程，形成固体电解质中间相导致锂离子电池容量和性能不断衰减，严重时甚至发生失效，造成安全事故。此外，锂离子电池系统的性能衰减对电动汽车的续航里程有很大影响，是电动汽车进一步普及的阻碍之一。因此实现对锂离子电池剩余寿命(remaining useful life,rul)的准确预测，对改进电池管理技术，延长电池寿命，提高电池应用安全性具有重要意义。
3.目前，基于数据驱动的电池rul预测方法主要分为传统的机器学习方法以及深度学习方法，尤其lstm、cnn等深度学习模型由于其在长期序列预测上的优异表现在电池rul的预测上应用越来越广泛。但相较于基于数理统计的机器学习算法，深度学习模型的输出通常只是单个标签，没有任何信息来反映其概率分布。而在实际应用中，电池老化预测仅仅提供点预测值往往是不够的，还应包括此类预测的不确定性水平。


技术实现要素：

4.为了克服现有技术的不足，本发明提出一种基于lstm和高斯过程回归的锂电池剩余寿命估计方法，其目的在于同时输出rul的值预测以及不确定性预测。本发明的目的是通过以下技术方案来实现的：一种基于lstm和高斯过程回归的锂电池剩余寿命估计方法，包括以下步骤：
5.s1.通过实验获取锂电池的原始数据，定义健康状态soh，处理数据；
6.s2.基于滑动窗口法构建输入输出，划分数据集；
7.s3.搭建lstm网络，在训练集上训练并优化超参数；
8.s4.将所述训练数据集最后一个窗口数据输入到训练好的lstm模型中进行滑动预测，直至电池失效；
9.s5.将lstm网络的预测结果输入高斯过程回归模型作为其均值函数，使用高斯过程回归输出电池soh的预测值，计算电池剩余寿命。
10.进一步地，步骤s1包括以下子步骤：
11.s101.根据电池的额定容量，充放电截止电压等标称参数，在室温条件下对电池进行恒流恒压充放电循环，一个循环包含充电与放电过程，充电过程：对电池进行恒流充电，当电池电压到达充电截止电压时，电池进入恒压充电阶段，直到电流小于某一微小电流时，
电池停止充电；放电过程：电池以恒定电流放电，电压逐渐下降，当电压下降到放电截止电压时，停止放电。不断循环直到电池失效，记录电池每一个充放电循环过程中的电池容量数据。
12.s102.定义电池第n个循环的健康状态soh为：
[0013][0014]
其中c0为电池的额定容量，cn为电池第n个循环的容量。当sohn小于70％时，即认为电池失效，此时的n即为电池的寿命，电池的剩余寿命则定义为电池寿命与电池当前循环数的差值。
[0015]
s103.将电池容量数据转化为电池soh数据，采用中值滤波方法对数据中的异常值进行替换。
[0016]
进一步地，步骤s2包括以下子步骤：
[0017]
s201.将预处理后的健康状态数据表示为[x(1),x(2),...,x(k)]，其中x(k)表示第k个循环的soh；
[0018]
s202.使用滑动窗口法构建输入输出，首先定义一个大小为d的窗口，第i个窗口如下所示：
[0019]
xi＝[x(i),x(i+1),...,x(i+d-1)],i＝1,2,...k-d
ꢀꢀꢀꢀꢀ
(2)
[0020]
则定义寿命预测模型的输入输出如下所示：
[0021][0022]
s203.划分数据集，按照比例将x,y划分为训练集和测试集。
[0023][0024]
进一步地，步骤s3包括以下子步骤：
[0025]
s301.搭建基于lstm的神经网络，确定神经网络的输入层、隐藏层和输出层，输入层的神经元个数对应s2中的窗口大小，并初始化网络权重，隐藏层包括lstm神经网络单元、dropout层、全连接层和激活层，输出层为神经网络预测的容量值。lstm的输入有三个：当前时刻网络的输入x
t
，上一时刻lstm的输出值h
t-1
以及上一时刻的单元状态c
t-1
。输出有两个：当前时刻lstm输出值h
t
和当前时刻的单元状态c
t
。c
t
变化相对缓慢，反映的是模型的长期记忆，h
t
被用于更新模型的内部状态，其随x
t
变化，所以变化速度较快，反应的是模型的短期记忆。lstm由三个门来保护和控制单元的内部状态：遗忘门、输入门和输出门。通过遗忘门决定丢弃什么信息：
[0026]ft
＝σ(wf·
[h
t-1
,x
t
]+bf)(5)
[0027]
其中，wf和bf是遗忘门的权重和偏差。输出f
t
的取值范围在0～1之间，当值为1时，意味着c
t-1
中的信息全部保留，当值为0时，意味着c
t-1
中的信息全部遗忘。通过输入门来更新：
[0028][0029]
最后通过输出门计算输出：
[0030][0031]
s302.搭建好lstm后，以x
train
作为为输入，以最小化均方根误差损失函数(rmse)为优化目标，使用adam优化器来更新模型参数，调整超参数，保存在训练集上损失函数最小的模型参数以及参数。rmse定义如下：
[0032][0033]
其中y
i*
为lstm网络的输出值，yi为y
train
中的真实值。
[0034]
进一步地，步骤s4的具体做法是基于s202中的定义，以xn为输入，得到预测值x(k)
*
，以x(k)
*
构建x
n+1*
输入网络继续预测，如此循环预测直到电池失效，如下所示：
[0035][0036]
其中x
k*
小于等于70％。
[0037]
最终，步骤s5包括以下子步骤：
[0038]
s501.定义高斯过程，高斯过程由均值函数以及核函数定义，均值函数采用步骤s4中lstm的预测值，核函数包括squaredexponential。高斯过程回归定义如下：
[0039][0040]
其中：
[0041][0042]
σ
l
,σf为超参数，通过最小化负对数边际似然函数l求解：
[0043][0044]
超参数求解后即完成高斯过程回归模型的训练，模型的预测值及预测值的方差如下：
[0045][0046]
s502.通过lstm和高斯过程回归的融合模型求得电池soh的预测值[x(d+1)
*
,x(d+2)
*
,...,x(k)
*
]后，计算电池失效时其对应循环的预测值k与当前循环的差值即得到电池剩余寿命的预测值。
[0047]
本发明的有益效果是：提出一种基于lstm和高斯过程回归的锂电池剩余寿命估计方法，本发明所述方法有两点优势：第一，通过lstm模型进行电池的soh以及剩余寿命的高精度预测；第二，将lstm模型的预测结果输入高斯过程回归作为均值函数，最终同时输出soh以及剩余寿命的值预测以及不确定性预测。
附图说明
[0048]
图1为本发明的方法流程图；
[0049]
图2为本发明的lstm网络的基本结构；
[0050]
图3为实施例中的电池容量数据；
[0051]
图4为实施例中本发明的预测结果。
具体实施方式
[0052]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0053]
如图1和图2所示，一种基于lstm和高斯过程回归的锂电池剩余寿命估计方法，具体包括以下步骤：
[0054]
s1.通过实验获取锂电池的原始数据，定义健康状态soh，处理数据；
[0055]
s101.根据电池的额定容量，充放电截止电压等标称参数，在室温条件下对电池进行恒流恒压充放电循环，一个循环包含充电与放电过程，充电过程：对电池进行恒流充电，当电池电压到达充电截止电压时，本实施例中为4.2v，电池进入恒压充电阶段，直到电流小于某一微小电流时，本实施例中为20ma,电池停止充电；放电过程：电池以恒定电流放电，本实施例中为2a，电压逐渐下降，当电压下降到放电截止电压时，本实施例中为2.7v，停止放电。不断循环直到电池失效，记录电池每一个充放电循环过程中的电池容量数据。
[0056]
s102.定义电池第n个循环的健康状态soh为：
[0057][0058]
其中c0为电池的额定容量，本实施例中为2ah，cn为电池第n个循环的容量。当sohn小于70％时，即认为电池失效，此时的n即为电池的寿命，电池的剩余寿命则定义为电池寿命与电池当前循环数的差值。
[0059]
s103.将电池容量数据转化为电池soh数据，采用中值滤波方法对数据中的异常值
进行替换。本实施例中经过处理后的数据如图3所示。
[0060]
s2.基于滑动窗口法构建输入输出，划分数据集；
[0061]
s201.将预处理后的健康状态数据表示为[x(1),x(2),...,x(k)]，其中x(k)表示第k个循环的soh，本实施例中k≤153；
[0062]
s202.使用滑动窗口法构建输入输出，首先定义一个大小为d的窗口，第i个窗口如下所示：
[0063]
xi＝[x(i),x(i+1),...,x(i+d-1)],i＝1,2,...k-d
[0064]
则定义寿命预测模型的输入输出如下所示：
[0065]
x＝[x1,x2,...,xi]
[0066]
y＝[x(d+1),x(d+2),...,x(k)]
[0067]
s203.划分数据集，按照比例将x,y划分为训练集和测试集。
[0068]
x
train
＝[x1,x2,...,xn]y
train
＝[x(d+1),x(d+2),...,x(d+n)]
[0069]
x
test
＝[x
n+1
,x
n+2
,...,xi]y
test
＝[x(d+n+1),x(d+n+2),...,x(k)]
[0070]
本实施例中将电池的前60个循环的容量数据作为训练集，60个循环之后的容量数据作为测试集。即：
[0071]
d+n＝60
[0072]
s3.搭建lstm网络，在训练集上训练并优化超参数；
[0073]
s301.搭建基于lstm的神经网络，确定神经网络的输入层、隐藏层和输出层，输入层的神经元个数对应s2中的窗口大小，并初始化网络权重，隐藏层包括lstm神经网络单元、dropout层、全连接层和激活层，输出层为神经网络预测的容量值。lstm的输入有三个：当前时刻网络的输入x
t
，上一时刻lstm的输出值h
t-1
以及上一时刻的单元状态c
t-1
。输出有两个：当前时刻lstm输出值h
t
和当前时刻的单元状态c
t
。c
t
变化相对缓慢，反映的是模型的长期记忆，h
t
被用于更新模型的内部状态，其随x
t
变化，所以变化速度较快，反应的是模型的短期记忆。lstm由三个门来保护和控制单元的内部状态：遗忘门、输入门和输出门。通过遗忘门决定丢弃什么信息：
[0074]ft
＝σ(wf·
[h
t-1
,x
t
]+bf)
[0075]
其中，wf和bf是遗忘门的权重和偏差。输出f
t
的取值范围在0～1之间，当值为1时，意味着c
t-1
中的信息全部保留，当值为0时，意味着c
t-1
中的信息全部遗忘。通过输入门来更新：
[0076][0077]it
＝σ(wi·
[h
t-1
,x
t
]+bi)
[0078][0079]
最后通过输出门计算输出：
[0080]ot
＝σ(wo[h
t-1
,x
t
]+bo)
[0081]ht
＝o
t
*tanh(c
t
)
[0082]
s302.搭建好lstm后，以x
train
作为为输入，以最小化均方根误差损失函数(rmse)为优化目标，使用adam优化器来更新模型参数，调整超参数，保存在训练集上损失函数最小的模型参数以及参数。rmse定义如下：
[0083][0084]
其中y
i*
为lstm网络的输出值，yi为y
train
中的真实值。
[0085]
本实施例中优化后的超参数如下表1所示：
[0086]
表1
[0087][0088]
s4.将所述训练数据集最后一个窗口数据输入到训练好的lstm模型中进行滑动预测，直至电池失效；步骤s4的具体做法是：基于s202中的定义，以xn为输入，得到预测值x(k)
*
，以x(k)
*
构建x
n+1*
输入网络继续预测，如此循环预测直到电池失效，如下所示：
[0089]
x(d+n)
*
＝lstm(xn)＝lstm{x(n),x(n+1),...,x(n+d-1)}
[0090]
x(d+n+1)
*
＝lstm(x
n+1*
)＝lstm{x(n+1),x(n+2),...,x(n+d)
*
}
[0091]
…
[0092]
x(k)
*
＝lstm(x
k-d*
)＝lstm{x(k-d)
*
,x(k-d+1)
*
,...,x(k-1)
*
}
[0093]
其中x
k*
小于等于70％。
[0094]
s5.将lstm网络的预测结果输入高斯过程回归模型作为其均值函数，使用高斯过程回归输出电池soh的预测值，计算电池剩余寿命。
[0095]
s501.定义高斯过程，高斯过程由均值函数以及核函数定义，均值函数采用步骤s4中lstm的预测值，核函数包括squared exponential。高斯过程回归定义如下：
[0096][0097]
其中：
[0098]
μ(x)＝x
*
[0099][0100]
σ
l
,σf为超参数，通过最小化负对数边际似然函数l求解：
[0101][0102]
超参数求解后即完成高斯过程回归模型的训练，模型的预测值及预测值的方差如
下：
[0103][0104][0105]
s502.通过lstm和高斯过程回归的融合模型求得电池soh的预测值[x(d+1)
*
,x(d+2)
*
,...,x(k)
*
]，本实施例中融合模型在测试集上的预测表现如图4所示，计算电池失效时其对应循环的预测值k与当前循环的差值即得到电池剩余寿命的预测值，本实施例中剩余寿命的预测值为93个循环，与电池的实际剩余寿命完全相符。
[0106]
综上，一种基于lstm和高斯过程回归的锂电池剩余寿命估计方法，通过设计基于lstm和高斯过程回归的融合模型，结合二者的优势，实现了电池健康状态与剩余寿命的值预测与不确定性预测。相比高斯过程回归，lstm能更好的处理长期和短期数据对预测结果的影响，相比于lstm，高斯过程回归能够提供丰富的概率信息。
[0107]
以上所述是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应该看作是对其他实施例的排除，而可用于其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

技术特征：
1.一种基于lstm和高斯过程回归的锂电池剩余寿命估计方法，其特征在于：包括以下步骤：s1.通过实验获取锂电池的原始数据，定义健康状态soh，处理数据；s2.基于滑动窗口法构建输入输出，划分数据集；s3.搭建lstm网络，在训练集上训练并优化超参数；s4.将所述训练数据集最后一个窗口数据输入到训练好的lstm模型中进行滑动预测，直至电池失效；s5.将lstm网络的预测结果输入高斯过程回归模型作为其均值函数，使用高斯过程回归输出电池soh的预测值，计算电池剩余寿命。2.根据权利要求1所述的一种基于lstm和高斯过程回归的锂电池剩余寿命估计方法，其特征在于：所述步骤s1包括以下子步骤：s101.根据电池的额定容量，充放电截止电压标称参数，在室温条件下对电池进行恒流恒压充放电循环，一个循环包含充电与放电过程，充电过程：对电池进行恒流充电，当电池电压到达充电截止电压时，电池进入恒压充电阶段，直到电流小于设定微小电流时，电池停止充电；放电过程：电池以恒定电流放电，电压逐渐下降，当电压下降到放电截止电压时，停止放电；不断循环直到电池失效，记录电池每一个充放电循环过程中的电池容量数据；s102.定义电池第n个循环的健康状态soh为：其中c0为电池的额定容量，c
n
为电池第n个循环的容量；当soh
n
小于70％时，即认为电池失效，此时的n即为电池的寿命，电池的剩余寿命则定义为电池寿命与电池当前循环数的差值；s103.将电池容量数据转化为电池soh数据，采用中值滤波方法对数据中的异常值进行替换。3.根据权利要求1所述的一种基于lstm和高斯过程回归的锂电池剩余寿命估计方法，其特征在于：所述步骤s2包括以下子步骤：s201.将预处理后的健康状态数据表示为[x(1),x(2),...,x(k)]，其中x(k)表示第k个循环的soh；s202.使用滑动窗口法构建输入输出，首先定义一个大小为d的窗口，第i个窗口如下所示：x
i
＝[x(i),x(i+1),...,x(i+d-1)],i＝1,2,...k-d
ꢀꢀꢀꢀ
(2)则定义寿命预测模型的输入输出如下所示：s203.划分数据集，按照比例将x,y划分为训练集和测试集；
4.根据权利要求1所述的一种基于lstm和高斯过程回归的锂电池剩余寿命估计方法，其特征在于：所述步骤s3包括以下子步骤：s301.搭建基于lstm的神经网络，确定神经网络的输入层、隐藏层和输出层，输入层的神经元个数对应s2中的窗口大小，并初始化网络权重，隐藏层包括lstm神经网络单元、dropout层、全连接层和激活层，输出层为神经网络预测的容量值；lstm的输入有三个：当前时刻网络的输入x
t
，上一时刻lstm的输出值h
t-1
以及上一时刻的单元状态c
t-1
；输出有两个：当前时刻lstm输出值h
t
和当前时刻的单元状态c
t
；c
t
变化相对缓慢，反映的是模型的长期记忆，h
t
被用于更新模型的内部状态，其随x
t
变化，所以变化速度较快，反应的是模型的短期记忆；lstm由三个门来保护和控制单元的内部状态：遗忘门、输入门和输出门；通过遗忘门决定丢弃什么信息：f
t
＝σ(w
f
·
[h
t-1
,x
t
]+b
f
) (5)其中，w
f
和b
f
是遗忘门的权重和偏差；输出f
t
的取值范围在0～1之间，当值为1时，意味着c
t-1
中的信息全部保留，当值为0时，意味着c
t-1
中的信息全部遗忘；通过输入门来更新：最后通过输出门计算输出：s302.搭建好lstm后，以x
train
作为为输入，以最小化均方根误差损失函数rmse为优化目标，使用adam优化器来更新模型参数，调整超参数，保存在训练集上损失函数最小的模型参数以及参数；rmse定义如下：其中y
i*
为lstm网络的输出值，y
i
为y
train
中的真实值。5.根据权利要求1所述的一种基于lstm和高斯过程回归的锂电池剩余寿命估计方法，其特征在于，所述步骤s4的具体做法是基于s202中的定义，以x
n
为输入，得到预测值x(k)
*
，以x(k)
*
构建x
n+1*
输入网络继续预测，如此循环预测直到电池失效，如下所示：其中x
k*
小于等于70％。6.根据权利要求1所述的一种基于lstm和高斯过程回归的锂电池剩余寿命估计方法，其特征在于：所述步骤s5包括以下子步骤：
s501.定义高斯过程，高斯过程由均值函数以及核函数定义，均值函数采用步骤s4中lstm的预测值，核函数包括squared exponential；高斯过程回归定义如下：其中：σ
l
,σ
f
为超参数，通过最小化负对数边际似然函数l求解：超参数求解后即完成高斯过程回归模型的训练，模型的预测值及预测值的方差如下：s502.通过lstm和高斯过程回归的融合模型求得电池soh的预测值[x(d+1)
*
,x(d+2)
*
,...,x(k)
*
]后，计算电池失效时其对应循环的预测值k与当前循环的差值即得到电池剩余寿命的预测值。

技术总结
本发明公开了一种基于LSTM和高斯过程回归的锂电池剩余寿命估计方法，包括：通过实验获取锂电池的原始数据，定义健康状态SOH以及电池的剩余寿命，处理数据；基于滑动窗口法构建输入输出，划分数据集；搭建LSTM网络，在训练集上训练并优化超参数；将训练数据集最后一个窗口数据输入到训练好的LSTM模型中进行滑动预测，直至电池失效；将LSTM网络的预测结果输入高斯过程回归模型作为其均值函数，使用高斯过程回归输出电池SOH的预测值，计算电池剩余寿命。本发明通过结合LSTM网络以及高斯过程回归模型，结合LSTM的长期预测能力以及高斯过程回归输出的概率信息，提高了电池剩余寿命预测准确性，还输出了电池剩余寿命预测中的不确定性。性。性。


技术研发人员：魏中宝 方镇都 阮浩凯 何洪文
受保护的技术使用者：北京理工大学
技术研发日：2023.06.15
技术公布日：2023/8/9