针对容量再生的锂离子电池剩余寿命预测方法及系统.pdf

《针对容量再生的锂离子电池剩余寿命预测方法及系统.pdf》由会员分享，可在线阅读，更多相关《针对容量再生的锂离子电池剩余寿命预测方法及系统.pdf（13页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201911300693.5 (22)申请日 2019.12.17 (71)申请人 南京航空航天大学 地址 210000 江苏省南京市秦淮区御道街 29号 (72)发明人 陈则王季宇凡游霞周翟和 王友仁牛牧 (74)专利代理机构 南京纵横知识产权代理有限 公司 32224 代理人 史俊军 (51)Int.Cl. G01R 31/367(2019.01) G01R 31/392(2019.01) (54)发明名称 针对容量再生的锂离子电池剩余寿命预测 方法及系统 (57)摘要 本发。

2、明公开了一种针对容量再生的锂离子 电池剩余寿命预测方法， 包括采集锂离子电池的 容量数据； 对容量数据进行降噪处理， 获得容量 退化数据； 基于容量退化数据， 训练宽度学习网 络； 基于训练好的宽度学习网络， 预测锂离子电 池剩余寿命。 同时公开了相应的系统。 本发明通 过降噪处理， 从容量数据中去除容量再生数据， 获得容量退化数据， 基于容量退化数据进行锂离 子电池剩余寿命预测， 大大提高了预测精度。 权利要求书2页 说明书7页 附图3页 CN 110988694 A 2020.04.10 CN 110988694 A 1.针对容量再生的锂离子电池剩余寿命预测方法， 其特征在于： 包括， 采。

3、集锂离子电池的容量数据； 对容量数据进行降噪处理， 获得容量退化数据； 基于容量退化数据， 训练宽度学习网络； 基于训练好的宽度学习网络， 预测锂离子电池剩余寿命。 2.根据权利要求1所述的针对容量再生的锂离子电池剩余寿命预测方法， 其特征在于： 降噪处理的过程为， 在容量数据中加入互补白噪声， 生成白噪声容量数据； 对白噪声容量数据进行模态分解； 根据容量数据和分解量之间的关联系数， 筛选分解量， 生成容量退化数据。 3.根据权利要求2所述的针对容量再生的锂离子电池剩余寿命预测方法， 其特征在于： 模态分解过程为， S1)将白噪声容量数据x1与其上下包络线的均值做差； S2)若作差结果h为I。

4、MF， 转至步骤S3， 若h为单调函数或常数， 则结束， 否则转至步骤S4； S3)h为一个分解量， x1x1-h， 转至步骤S1； S4)hx1， 转至步骤S1。 4.根据权利要求2所述的针对容量再生的锂离子电池剩余寿命预测方法， 其特征在于： 根据容量数据和分解量之间的关联系数， 筛选出关联系数大于阈值的分解量， 将筛选的分 解量和模态分解的余量叠加， 生成容量退化数据。 5.根据权利要求1所述的针对容量再生的锂离子电池剩余寿命预测方法， 其特征在于： 宽度学习网络中的超参数使用贝叶斯优化算法确定。 6.针对容量再生的锂离子电池剩余寿命预测系统， 其特征在于： 包括， 采集模块： 采集锂离。

5、子电池的容量数据； 降噪模块： 对容量数据进行降噪处理， 获得容量退化数据； 训练模块： 基于容量退化数据， 训练宽度学习网络； 预测模块： 基于训练好的宽度学习网络， 预测锂离子电池剩余寿命。 7.根据权利要求6所述的针对容量再生的锂离子电池剩余寿命预测系统， 其特征在于： 降噪模块包括， 白噪声模块： 在容量数据中加入互补白噪声， 生成白噪声容量数据； 模态分解模块： 对白噪声容量数据进行模态分解； 容量退化数据生成模块： 根据容量数据和分解量之间的关联系数， 筛选分解量， 生成容 量退化数据。 8.根据权利要求7所述的针对容量再生的锂离子电池剩余寿命预测系统， 其特征在于： 模态分解模块。

6、包括， 做差模块： 将白噪声容量数据x1与其上下包络线的均值做差； 判断模块： 若作差结果h为IMF， 转至分解量获取模块， 若h为单调函数或常数， 则结束， 否则转至循环模块； 分解量获取模块： h为一个分解量， x1x1-h， 转至做差模块； 循环模块： hx1， 转至做差模块。 权利要求书 1/2 页 2 CN 110988694 A 2 9.根据权利要求7所述的针对容量再生的锂离子电池剩余寿命预测系统， 其特征在于： 容量退化数据生成模块： 根据容量数据和分解量之间的关联系数， 筛选出关联系数大于阈 值的分解量， 将筛选的分解量和模态分解的余量叠加， 生成容量退化数据。 10.根据权利。

7、要求6所述的针对容量再生的锂离子电池剩余寿命预测系统， 其特征在 于： 训练模块使用贝叶斯优化算法确定宽度学习网络中的超参数。 权利要求书 2/2 页 3 CN 110988694 A 3 针对容量再生的锂离子电池剩余寿命预测方法及系统 技术领域 0001 本发明涉及一种针对容量再生的锂离子电池剩余寿命预测方法及系统， 属于电池 健康状态评估技术领域。 背景技术 0002 随着国家经济的不断发展， 能源、 电力、 通信、 航空航天等领域的现代化要求在不 断提高， 作为后备能源的蓄电池系统被广泛使用。 对所有不允许断电的系统来说， 蓄电池组 都是一个不可缺少的部分， 它是各种设备正常、 可靠和安。

8、全运行的基础。 因此， 准确地估计 蓄电池健康状态， 对于避免电池过寿命工作、 保障设备正常运行具有重要的意义。 0003 目前基于数据驱动的电池剩余寿命预测方法是研究热点， 但是现有方法没有考虑 锂电池在性能退化过程中容量异常增加的现象， 即容量再生问题， 容量再生引起的数据波 动会造成预测精度降低， 因此现有方法预测精度不高。 发明内容 0004 本发明提供了一种针对容量再生的锂离子电池剩余寿命预测方法及系统， 解决了 背景技术中披露的问题。 0005 为了解决上述技术问题， 本发明所采用的技术方案是： 0006 针对容量再生的锂离子电池剩余寿命预测方法， 包括， 0007 采集锂离子电池。

9、的容量数据； 0008 对容量数据进行降噪处理， 获得容量退化数据； 0009 基于容量退化数据， 训练宽度学习网络； 0010 基于训练好的宽度学习网络， 预测锂离子电池剩余寿命。 0011 降噪处理的过程为， 0012 在容量数据中加入互补白噪声， 生成白噪声容量数据； 0013 对白噪声容量数据进行模态分解； 0014 根据容量数据和分解量之间的关联系数， 筛选分解量， 生成容量退化数据。 0015 模态分解过程为， 0016 S1)将白噪声容量数据x1与其上下包络线的均值做差； 0017 S2)若作差结果h为IMF， 转至步骤S3， 若h为单调函数或常数， 则结束， 否则转至步 骤S4。

10、； 0018 S3)h为一个分解量， x1x1-h， 转至步骤S1； 0019 S4)hx1， 转至步骤S1。 0020 根据容量数据和分解量之间的关联系数， 筛选出关联系数大于阈值的分解量， 将 筛选的分解量和模态分解的余量叠加， 生成容量退化数据。 0021 宽度学习网络中的超参数使用贝叶斯优化算法确定。 0022 针对容量再生的锂离子电池剩余寿命预测系统， 包括， 说明书 1/7 页 4 CN 110988694 A 4 0023 采集模块： 采集锂离子电池的容量数据； 0024 降噪模块： 对容量数据进行降噪处理， 获得容量退化数据； 0025 训练模块： 基于容量退化数据， 训练宽度。

11、学习网络； 0026 预测模块： 基于训练好的宽度学习网络， 预测锂离子电池剩余寿命。 0027 降噪模块包括， 0028 白噪声模块： 在容量数据中加入互补白噪声， 生成白噪声容量数据； 0029 模态分解模块： 对白噪声容量数据进行模态分解； 0030 容量退化数据生成模块： 根据容量数据和分解量之间的关联系数， 筛选分解量， 生 成容量退化数据。 0031 模态分解模块包括， 0032 做差模块： 将白噪声容量数据x1与其上下包络线均值的做差； 0033 判断模块： 若作差结果h为IMF， 转至分解量获取模块， 若h为单调函数或常数， 则结 束， 否则转至循环模块； 0034 分解量获取。

12、模块： h为一个分解量， x1x1-h， 转至做差模块； 0035 循环模块： hx1， 转至做差模块。 0036 容量退化数据生成模块： 根据容量数据和分解量之间的关联系数， 筛选出关联系 数大于阈值的分解量， 将筛选的分解量和模态分解的余量叠加， 生成容量退化数据。 0037 训练模块使用贝叶斯优化算法确定宽度学习网络中的超参数。 0038 本发明所达到的有益效果： 本发明通过降噪处理， 从容量数据中去除容量再生数 据， 获得容量退化数据， 基于容量退化数据进行锂离子电池剩余寿命预测， 大大提高了预测 精度。 附图说明 0039 图1为本发明方法的流程图； 0040 图2为模态分解的流程图。

13、； 0041 图3为训练流程图。 具体实施方式 0042 下面结合附图对本发明作进一步描述。 以下实施例仅用于更加清楚地说明本发明 的技术方案， 而不能以此来限制本发明的保护范围。 0043 如图1所示， 针对容量再生的锂离子电池剩余寿命预测方法， 包括以下步骤： 0044 步骤1， 采集锂离子电池的容量数据。 0045 步骤2， 采用互补集合模态分解算法对容量数据进行降噪处理， 获得容量退化数 据； 具体如此如下： 0046 21)在容量数据中加入互补白噪声， 生成白噪声容量数据。 0047 在容量数据HIr(c)中加入a组互补的白噪声， 得到两组共2a个组合的白噪声容量 数据HI(c)， 。

14、即 说明书 2/7 页 5 CN 110988694 A 5 0048 0049 其中， M为白噪声， HI1(c)、 HI2(c)为加入正、 负成对白噪声后的容量数据， HI1(c) HIr(c)+M,HI2(c)HIr(c)-M。 0050 22)对白噪声容量数据进行模态分解， 具体如图2所示； 0051 S1)将白噪声容量数据x1与其上下包络线的均值做差； 0052 取x1局部极大值点和极小值点， 用三次样条函数连接极值形成上下包络线(局部 极大值点形成上包络线， 局部极小值点形成下包络线)； 0053 S2)若作差结果h为IMF， 转至步骤S3， 若h为单调函数或常数， 则结束， 否则。

15、转至步 骤S4； 0054 IMF的判断条件： 1)极值点的个数和过零点的个数相等或至多相差一个； 2)在任意 时刻， 由局部极大值点和局部极小值点分别形成的上、 下包络线的均值为零； 0055 S3)h为一个分解量， x1x1-h， 转至步骤S1； 0056 S4)hx1， 转至步骤S1。 0057 具体模态分解的公式为， 0058 0059 其中， IMFi(c)为第i个IMF分解量， IMF为经验模态分解得到的本征模态函数， R(c) 为余量， N为分解量数量。 0060 23)： 根据容量数据和分解量之间的关联系数， 筛选出关联系数大于阈值的分解 量， 将筛选的分解量和模态分解的余量叠。

16、加， 生成容量退化数据。 0061 计算HIr(c)和IMFi(c)之间的关联关系 i， 0062 0063 若 i大于阈值， 则保留对应的分解量， 通过筛选将容量再生数据， 获得容量退化数 据， 0064 0065 其中， HI*(c)为容量退化数据， T为筛选后的分解量数量。 0066 步骤3， 如图3所示基于容量退化数据， 训练宽度学习网络； 宽度学习网络中的超参 数使用贝叶斯优化算法确定。 0067 确定超参数的过程如下： 0068 31)根据先验函数， 计算初始采样点。 0069 宽度学习网络的四种超参数分别为特征节点个数、 增强节点个数、 L2范数的正则 化参数和增强节点缩放尺度，。

17、 超参数设为输入xl， 模型的预测精度设为输出yl， xl与yl组成 参数集D； 说明书 3/7 页 6 CN 110988694 A 6 0070 选取高斯过程作为贝叶斯优化算法的先验函数， 高斯过程是由均值函数和半正定 的协方差函数组成： 0071 f(x)GP(0,k) 0072 其中， f(x)为反映超参数和预测精度之间对应关系的函数， GP()为f(x)服从的 高斯分布， k为高斯核函数； 0073 假设参数集D(x1,y1) ,.,(xl,yl) ,.,(xn,yn)， 需要预测xn+1处的观测值 yn+1， 高斯过程认为这n+1个观测点是某个n+1维高斯分布的一个样本， 即： 0。

18、074 0075 上式中， f1:n为前n个函数， fn+1为第n+1个函数， k(xn+1,xn+1)是第n+1个数据的协方 差， vT为v的转置； 0076 0077 vk(xn+1,x1)k(xn+1,x2).k(xn+1,xn)是第n+1个数据与前n个数据的协方差， 基 于上式， 可以推导出fn+1的后验分布， 即： 0078 P(fn+1|D,xn+1)GP( (xn+1), 2(xn+1) 0079 上式中，(xn+1)vTV-1f1:n, 2(xn+1)k(xn+1,xn+1)-vV-1vT； 0080 则 (xn+1)是xn+1处的观测值， 2(xn+1)是xn+1处观测值的噪。

19、声。 0081 32)采集函数确定剩余采集点。 0082 高斯过程的采样点由采集函数确定， 采集函数使用置信区间上界算法， 下一个采 样点的位置表示为： 0083 0084 其中， 为均值， 为标准差， 为影响采样位置的常数， arg max n(x)为求 n(x)取最 大值时的自变量x的值。 0085 采集函数的作用是选取下一个最有 “潜力” 的点作为采样点， 当迭代次数足够多 时， 算法会收敛到全局最优解。 0086 将新采样点xn+1加入D中构成新的参数集， 重复步骤32， 直到求得使 n(x)取最大值 时的自变量x为止。 0087 宽度学习网络训练和测试过程如下： 0088 A1)设置。

20、参数； 0089 将得到的超参数用于确定宽度学习网络的网络结构和参数， 设置预测起点周期 SP， 每次输入网络的数据个数m， 寿命终止周期EOL， 电池失效阈值(一般为80初始容量)。 0090 A2)网络训练与测试： 0091 容量退化数据分成两部分， 一部分作为训练数据， 剩余部分作为测试数据。 将训练 集数据按照以下方法输入网络中： 将第1个数据到第m个数据输入网络， 得到的输出与第m+1 个数据进行比较， 误差反向传递修正网络权值和偏置； 将第2个数据到第m+2个数据输入网 说明书 4/7 页 7 CN 110988694 A 7 络， 得到的输出与第m+3个数据进行比较， 误差反传；。

21、 这m个数据依次向后平移， 直到第(SP-m +1)个数据到第SP个数据输入网络， 误差反传为止， 此时训练模型的过程结束。 将测试数据 按上述方法输入网络中， 将预测寿命与实际寿命进行比较得到宽度学习网络的预测性能评 价。 0092 宽度学习网络具体算法如下： 0093 (1)数据标准化： 0094 将训练集矩阵H1进行Z分数标准化； 0095 对H1最后一列进行增广， 即在其最后一列加全是1的列向量， 新数据集矩阵是H1， 这样可以在生成特征节点时通过矩阵运算增加偏置项。 0096 (2)计算特征节点矩阵： 0097 随机产生权重矩阵wr， 其维数是(f+1)N1， 其中， N1是特征节点。

22、个数； 0098 计算A1H1*wr， 再对A1做归一化处理； 0099对A1稀疏表示， 公式为： 0100 生成一个特征节点矩阵T1normal(H1W)， 其中normal()表示归一化。 0101 (3)计算增强节点矩阵， 生成总输入矩阵： 0102 对特征节点T1进行标准化和增广得到H2； 0103 随机生成经过正交规范化的矩阵wo； 0104 生成增强节点矩阵T2， 对增强节点做激活操作： 0105 0106 其中， s为增强节点的缩放尺度， tansig为激活函数。 0107 4)生成宽度学习网络总输入矩阵： 0108 0109 其中， T3为宽度学习网络总输入矩阵。 0110 (。

23、4)对总输入求伪逆得网络权重： 0111 将数据集预测起点之前的数据作为训练集， 起点之后的数据作为标签， 沿时间向 后平移进行多步预测， 训练集标签形成矩阵Y； 0112 计算宽度学习网络的权重矩阵公式： 0113 0114 其中， N2是增强节点个数， C是正则化参数取值为2-30， T为转置符号， 这时宽度学习 网络已经训练完毕， 保存权重矩阵W。 0115 步骤4， 基于训练好的宽度学习网络， 预测锂离子电池剩余寿命。 0116 将第(SP-m+2)个数据到第(SP+1)个数据输入网络， 向后平移一步步回归， 一共输 入(EOL-SP)次达到寿命终止周期。 将容量达到失效阈值的预测周期。

24、数与预测起点周期数做 说明书 5/7 页 8 CN 110988694 A 8 差， 其结果为剩余寿命周期数。 0117 上述方法通过降噪处理， 从容量数据中去除容量再生数据， 获得容量退化数据， 基 于容量退化数据进行锂离子电池剩余寿命预测， 大大提高了预测精度。 0118 针对容量再生的锂离子电池剩余寿命预测系统， 包括， 0119 采集模块： 采集锂离子电池的容量数据。 0120 降噪模块： 对容量数据进行降噪处理， 获得容量退化数据。 0121 降噪模块包括： 0122 白噪声模块： 在容量数据中加入互补白噪声， 生成白噪声容量数据。 0123 模态分解模块： 对白噪声容量数据进行模态。

25、分解。 0124 模态分解模块包括， 0125 做差模块： 将容量数据x1与其上下包络线的均值做差； 0126 判断模块： 若作差结果h为IMF， 转至分解量获取模块， 若h为单调函数或常数， 则结 束， 否则转至循环模块； 0127 分解量获取模块： h为一个分解量， x1x1-h， 转至做差模块； 0128 循环模块： hx1， 转至做差模块。 0129 容量退化数据生成模块： 根据容量数据和分解量之间的关联系数， 筛选出关联系 数大于阈值的分解量， 将筛选的分解量和模态分解的余量叠加， 生成容量退化数据。 0130 训练模块： 基于容量退化数据， 训练宽度学习网络； 训练模块使用贝叶斯优。

26、化算法 确定宽度学习网络中的超参数。 0131 预测模块： 基于训练好的宽度学习网络， 预测锂离子电池剩余寿命。 0132 一种存储一个或多个程序的计算机可读存储介质， 所述一个或多个程序包括指 令， 所述指令当由计算设备执行时， 使得所述计算设备针对容量再生的锂离子电池剩余寿 命预测方法。 0133 一种计算设备， 包括一个或多个处理器、 存储器以及一个或多个程序， 其中一个或 多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行， 所述一个或多个 程序包括用于执行针对容量再生的锂离子电池剩余寿命预测方法的指令。 0134 本领域内的技术人员应明白， 本申请的实施例可提供为方法、 。

27、系统、 或计算机程序 产品。 因此， 本申请可采用完全硬件实施例、 完全软件实施例、 或结合软件和硬件方面的实 施例的形式。 而且， 本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机 可用存储介质(包括但不限于磁盘存储器、 CD-ROM、 光学存储器等)上实施的计算机程序产 品的形式。 0135 本申请是参照根据本申请实施例的方法、 设备(系统)、 和计算机程序产品的流程 图和/或方框图来描述的。 应理解可由计算机程序指令实现流程图和/或方框图中的每一流 程和/或方框、 以及流程图和/或方框图中的流程和/或方框的结合。 可提供这些计算机程序 指令到通用计算机、 专用计算机、 嵌入式。

28、处理机或其他可编程数据处理设备的处理器以产 生一个机器， 使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实 现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。 0136 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特 定方式工作的计算机可读存储器中， 使得存储在该计算机可读存储器中的指令产生包括指 说明书 6/7 页 9 CN 110988694 A 9 令装置的制造品， 该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或 多个方框中指定的功能。 0137 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备。

29、上， 使得在计 算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理， 从而在计算机或 其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一 个方框或多个方框中指定的功能的步骤。 0138 以上仅为本发明的实施例而已， 并不用于限制本发明， 凡在本发明的精神和原则 之内， 所做的任何修改、 等同替换、 改进等， 均包含在申请待批的本发明的权利要求范围之 内。 说明书 7/7 页 10 CN 110988694 A 10 图1 说明书附图 1/3 页 11 CN 110988694 A 11 图2 说明书附图 2/3 页 12 CN 110988694 A 12 图3 说明书附图 3/3 页 13 CN 110988694 A 13 。