一种多尺度锂离子电池健康状态的预测方法与流程

1.本发明属于锂离子电池健康管理技术领域，具体涉及一种多尺度锂离子电池健康状态的预测方法。


背景技术：

2.锂离子电池在许多领域，如电动汽车、电网联合储能和众多电子产品中发挥着越来越重要的作用。锂离子电池的健康状态是其使用过程中必须关注的参数之一。但是，对于锂离子电池放电过程中的温度变化与电池容量退化之间的关系缺乏研究。在充放电过程中，电池内化学变化会产生热量，热量可以通过传导、对流和辐射来影响周围电池。热量首先传导到电池外层边界表面，然后通过对流和辐射正常释放到周围环境或冷却介质中。有研究表明锂离子电池的工作温度需要保持在较窄的范围内(15
‑
35℃)可以获得最佳的性能。在这样的温度范围外工作，锂离子电池的性能寿命和安全状况都会加速恶化。传统锂离子电池健康状态预测只关注容量变化，而忽略了影响容量非线性变化的因素才是提高预测性能准确度的关键。
3.由于神经网络预测精度受到训练数据的影响，即使相同结构的预测模型，在相同的训练数据进行训练时，训练效果也不相同。因此，预测模型的不确定性制约着使用神经网络的锂离子电池健康状态预测的精度和鲁棒性。集成学习方法是将几种机器学习技术组合成一个预测模型的元算法，以达到减小方差、偏差或改进预测效果。集成学习在各个规模的数据集上都有很好的策略。数据集大，可划分成多个小数据集，学习多个模型进行组合。数据集小，可利用bootstrap方法进行抽样，得到多个数据集，分别训练多个模型再进行组合。另外，传统锂离子电池预测模型的健康状态预测起始点普遍在其寿命后期，对于锂电池使用前期的均衡管理或者异常退化难以有效进行预测。


技术实现要素：

4.本发明是为了解决锂离子电池使用时，健康状态预测起始点往往为其使用后期，在前期预测精度差，难以为电池均衡管理提供依据的问题。同时，通过分析锂离子电池放电过程中温度变化对电池容量退化中非线性变化的影响，以提高锂离子电池非线性退化预测精度。最后，通过em方法将三组小波神经网络预测模型的输出结果结合，提升神经网络预测结果的鲁棒性，从而解决了神经网络训练效果不稳定的问题。
5.本发明一种多尺度锂离子电池健康状态的预测方法，该方法包括以下步骤：
6.步骤一、提取锂离子电池放电过程的温度变化特征数据集，利用小波分解法将锂离子电池容量退化数据和锂电池放电过程中温度变化特征数据分解为不同频段数据；
7.步骤二、对比同一频段的锂离子电池容量数据和温度变化特征数据，确定温度变化特征对容量退化非线性波动的影响频段范围；
8.步骤三、通过步骤二得到的温度特征对容量非线性波动的影响范围，将数据分为三个尺度：容量退化趋势部分、受温度影响非线性部分和残差部分；将三个部分分别使用集
成学习模型进行预测；
9.步骤四、将步骤三得到的三部分预测结果同循环周期结合，得到短期锂离子电池健康状态预测结果。
10.进一步地，所述步骤一和步骤二中，考虑锂电池放电过程中的温度变化影响，提取锂离子电池放电过程中各个循环温度变化数据，并绘制温度变化的斜率曲线，对各个循环斜率变化曲线进行积分，得到整体温度变化特征数据集；利用小波分解法将锂离子电池组容量退化原始数据和温度变化特征数据分解为八个频段数据，对温度变化特征与锂离子电池容量非正常退化的各个频段分别进行分析，明确温度变化特征影响容量退化非线性过程的范围。
11.进一步地，所述步骤三中，基于集成学习模型构建了基于小波神经网络的多尺度预测模型；该预测模型利用小波分解过程实现数据分类：低频容量退化数据集、中频温度变化特征和剩余部分抽样；使用bootstraping抽样法将原始容量退化数据集和温度变化斜率数据各自分解为三组特征，每种特征划分为三组训练集和一组测试集。每种特征的预测值由小波神经网络经过三组训练集分别训练出来的预测模型，其预测值由em算法得到。
12.进一步地，建立锂离子电池预测模型步骤如下：
13.步骤一、利用小波分解将容量退化数据集和温度变化特征数据分为八个频段数据：0hz
‑
8hz、8hz
‑
16hz、16hz
‑
24hz、24hz
‑
32hz、32hz
‑
40hz、40hz
‑
48hz、48hz
‑
56hz和56hz
‑
64hz；
14.步骤二、将0hz
‑
8hz的容量退化数据作为第一部分，将8hz
‑
16hz、16hz
‑
24hz、24hz
‑
32hz和32hz
‑
40hz频段的温度特征数据作为第二部分，将完整容量退化数据除去第一和第二部分数据之外的剩余数据作为第三部分；将三部分数据集使用bootstraping抽样法各自抽取三组训练数据和一组测试数据；
15.步骤三、分别利用三组训练数据对三个小波神经网络进行训练，将训练好的小波神经网络利用测试数据进行预测，输出值通过迭代优化的em算法进行寻优，得到各个部分的soh预测值；
16.步骤四、将同循环周期数的三部分预测值进行叠加，得到锂离子电池健康状态预测值。
17.进一步地，步骤一中，离散小波变换函数为：
[0018][0019]
式中，连续变换的尺度参数a和平移参数b离散化为：n为同类型下单体电池编号，m为单体电池循环次数。
[0020]
步骤二中，bootstraping抽样法以单一特征数据为例，假设单一输入样本s＝[s1,s2,...,s
n
]为独立同分布样本，记为s
i
～f(s),i＝1,2,...,n。其中r(s,f)为预先选定的随机变量，是x和f的函数。
[0021]
锂离子电池预测模型的步骤四中，锂离子电池健康状态预测模型为：
[0022]
soh(k)＝y1(k) y2(k) y3(k)
ꢀꢀꢀꢀꢀꢀꢀ
公式2，
[0023]
式中，soh为锂电池健康状态值，y1、y2和y3分别为三部分的预测值，k为循环次数。
附图说明
[0024]
图1为nasa数据集(5#，6#，7#)电池容量退化数据；
[0025]
图2为5#温度变化及其斜率变化曲线；
[0026]
图3为5#温度变化特征曲线；
[0027]
图4为5#(24hz
‑
32hz)温度变化的斜率积分和容量退化的多频段对比图；
[0028]
图5为基于集成学习的多尺度组合模型示意图；
[0029]
图6为小波神经网络结构图；
[0030]
图7为多尺度预测模型结构图和流程图；
[0031]
图8为5#电池健康状态预测结果图；
具体实施方式
[0032]
实施方式一
[0033]
如图7所示，本实施方式所述一种多尺度锂离子电池健康状态的预测方法，包括以下步骤：
[0034]
步骤一、通过对单次锂离子电池放电过程的温度变化的斜率变化曲线进行积分，得到温度变化特征数据集，利用小波分解法将锂离子电池容量数据和温度变化特征数据分解为不同尺度的电池退化数据；
[0035]
步骤二、对比同一频段的锂离子电池容量数据和温度特征数据变化曲线，确定容量特征对容量退化非线性波动的主要影响范围；
[0036]
步骤三、通过步骤二得到的温度特征对容量非线性波动的主要影响范围，将数据分为三个尺度：容量退化趋势部分、受温度影响非线性部分和剩余部分。将三个部分分别使用集成学习预测模型进行预测；
[0037]
步骤四、将步骤三得到的多尺度预测结果同循环周期结合，得到短期锂离子电池健康状态预测结果。
[0038]
本实施方式中，首先对单次锂离子电池放电过程的温度变化的斜率变化曲线进行积分，得到温度变化特征数据集。采用提取温度变化特征的方式，解决了实际应用中电池受温度影响非线性波动的健康状态预测难题。通过离散小波分解将锂离子电池容量数据和温度变化特征数据分解为不同尺度的电池退化数据。通过对比同一频段的锂离子电池容量数据和温度特征数据变化曲线，确定容量特征对容量退化非线性波动的主要影响范围，依次将数据分为三个尺度：容量退化趋势部分、受温度影响非线性部分和剩余部分。将三个部分分别使用集成学习预测模型进行预测。集成学习框架的使用提高了神级网络预测模型的鲁棒性，解决了神经网络模型预测结果稳定性差的缺点。利用同类型锂离子电池历史退化数据，完成电池使用前期的健康状态预测和剩余寿命预测。
[0039]
实施方式二
[0040]
本实施方式是对实施方式一作进一步说明，如图1为原始容量数据，图2(a)为5#电池不同循环次数温度变化曲线，图2(b)为5#电池温度变化的斜率变化曲线，图3为温度变化斜率特征，其计算公式如下：
[0041]
[0042]
实施方式三
[0043]
本实施方式是对实施方式一作进一步说明。如图4为5#电池温度变化的斜率积分和容量退化的(24hz
‑
32hz)频段对比图。所述方法包括以下步骤：
[0044]
步骤一、利用离散小波分解将5#电池容量退化数据和温度变化斜率特征进行分解，为了更清晰的观察各种高频的差别，按照频率段进行划分，共分为8个频段部分，依次为：0hz
‑
8hz、8hz
‑
16hz、16hz
‑
24hz、24hz
‑
32hz、32hz
‑
40hz、40hz
‑
48hz、48hz
‑
56hz和56hz
‑
64hz；
[0045]
步骤二、由图4的温度变化斜率特征和容量退化的频段对比图可以确定两者波动变化具有非常好的一致性，差别主要集中在幅值大小上；
[0046]
步骤三、经过公式2和公式3的相似度计算，可以确定温度变化特征和容量退化在8hz
‑
32hz频段最契合波动规律，因此将锂离子电池寿命退化过程划分为三个特征组成，第一部分为容量退化趋势，第二部分为容量退化过程中放电阶段温度变化引起的中频波动部分，第三部分为除了温度变化斜率特征外的容量中高频部分；
[0047]
实施方式四
[0048]
本实施方式是对实施方式一作进一步说明。如图5为基于集成学习的多尺度组合模型示意图，图6集成学习框架内的小波神经网络结构图。其预测模型建立与预测过程如下：
[0049]
步骤一、使用bootstraping抽样法将原始容量退化数据集和温度变化斜率数据各自分解为三组特征进行重组，从而得到容量退化低频趋势、温度影响中频波动和多因素混合高频波动三部分，每部分划分为三组训练集和一组测试集；
[0050]
步骤二、采用九个小波神经网络为基础训练模型，分别用容量退化低频趋势、温度影响中频波动和多因素混合高频波动三部分共九组数据进行训练，完成基础神经网络预测模型的构建；
[0051]
步骤三、分别将容量退化低频趋势、温度影响中频波动和多因素混合高频波动三部分各三组预测模型采用相对应的同一测试集进行测试，对em算法进行数值初始化；
[0052]
步骤四、以图5的预测模式对低、中和高频预测模型预测结果进行同循环周期叠加，得到锂离子电池健康状态预测结果。
[0053]
本发明中三组锂离子电池(5#、6#和7#)的容量退化曲线如图7所示，得到健康状态预测结果如图8所示。短期(四步)实时健康状态预测结果为：
[0054]
[0055][0056]
具体步骤如下
[0057]
步骤一、提取nasa公开数据集中的5#、6#和7#电池容量与各个循环温度变化数据；
[0058]
步骤二、计算各个循环温度变化的斜率，5#温度变化斜率曲线如图2(b)所示，利用公式4计算5#各个循环温度斜率曲线积分值，得到温度变化特征数据，如图3所示。
[0059]
步骤三、将5#电池容量数据和温度特征数据进行离散小波多频段分解，依次为：0
‑
8hz、8
‑
16hz、16
‑
24hz、24
‑
32hz、32
‑
40hz、40
‑
48hz、48
‑
56hz和56
‑
64hz，5#温度变化的斜率积分和容量退化的24
‑
32hz频段对比结果如图8所示；
[0060]
连续变换的尺度参数a和平移参数b离散化为：其中a0≠1，k为比例系数。对应的离散小波变换函数为：
[0061][0062]
式中，ψ
j,k
(t)为随时间域变化的变换结果。
[0063]
频域表达式为:
[0064][0065]
其中，τ使得观测窗口相对于目标平行移动，a是使得观测窗口对目标推进或远离。
[0066]
温度变化的斜率积分和容量退化的多频段对比结果：
[0067][0068]
步骤四、我们将锂离子电池寿命退化过程划分为三个部分，第一部分为容量退化趋势(0hz
‑
8hz)，第二部分为容量退化过程中放电阶段温度变化引起的中频波动部分(8hz
‑
40hz)，第三部分为除了温度变化斜率特征外的容量数据剩余部分；
[0069]
步骤五、构建基于集成学习框架的预测模型，具体流程如图5所示。
[0070]
本发明中的残差小波网络其小波函数选择：
[0071][0072]
网络输出层计算公式为：
[0073]
[0074]
式中，δ
ik
是从隐藏层到输出层的权重，h(i)是隐藏层节点的输出，l是隐藏层节点的个数，m是输出层节点的个数。
[0075]
本发明一种多尺度锂离子电池健康状态的预测方法的模型训练步骤如下：
[0076]
步骤1、随机确定初始小波尺度因子a和平移因子b，并将网络学习速率设置为2；
[0077]
步骤2、利用bootstrap方法对步骤四划分出的三个数据集进行抽样，随机抽取四组，三组为训练数据分别训练该特征的基础预测模型，一组数据进行精度验证；
[0078]
步骤3、将训练数据输入网络，计算小波神经网络预测输出与实际值的误差e；
[0079]
步骤4、根据给定的误差条件(e＝0.001)，对小波神经网络和小波基函数的参数进行了修正。如果满足错误条件，则操作结束，否则返回步骤3；
[0080]
步骤5、将步骤2、3和4训练完成的小波神经网络分别使用各自对应的测试数据进行测试，并且对同一数据集测试结果使用em算法结合得到该部分预测值；
[0081]
步骤6、对步骤5得到的三部分预测值进行同周期叠加，从而得到锂离子电池健康状态预测值。