一种基于改进TCN的锂电池剩余寿命状态评估方法

一种基于改进tcn的锂电池剩余寿命状态评估方法
技术领域
1.本发明涉及锂电池技术领域，具体是一种基于改进tcn的锂电池剩余寿命状态评估方法。


背景技术：

2.锂电池提供能源过程实际是电池内部正负极和内部成分的化学反应过程，随着使用过程的时间增加会出现不可避免的损耗。单体电池出厂的差异，以及充放电过程中单体的损耗程度的不一致，最终单体电池可使用寿命也会不同。单体电池达到寿命终止(end of life,eol)状态后，根据串并联后的短板效应，会影响正常单体电池性能，进而影响整车运行的可靠性和安全性，后果十分严重。因此，基于数据驱动方式进行电池剩余使用寿命(remaining useful life，rul)预测，及时感知电池组内单体达到eol状态的电池进行维护，能够保障整车系统的安全使用。
3.研究发现，目前有多种rul预测方法。基于电池模型利用粒子滤波构建不同时间间隔下的电池性能退化数据，对所得不同老化状态下的电池阻抗数据进行拟合，得到了阻抗与老化状态的关系，进而利用阻抗特征进行rul预测，在稳定条件下模型的精准性和预测能力十分可靠，但是模型很容易受到外部因素的影响，对于动力电池系统会因为工况不同、环境温度不同导致电池自身特性发生改变，此时模型很难获取当前实际运行下的精准电池机理表征能力。基于svm模型对接近eol状态的老化电池建立容量与循环周期的映射关系，能够对接近eol状态的电池预测rul，但svm缺点在于无法处理大数据下的预测。从电池阻抗变化考虑。现有的电池rul预测方法对于电池衰减过程中的容量恢复特性没有进行合理有效的捕获，仅考虑了衰减过程的大体趋势，不能保证局部预测的精准性。另一方面，大部分模型鲁棒性不足，在环境噪声影响下会给预测结果带来较大的影响。
4.因此，需要对现有技术进行改进。


技术实现要素：

5.本发明要解决的技术问题是提供一种基于改进tcn的锂电池剩余寿命状态评估方法，用以对锂电池的剩余使用寿命进行快速准确地估算。
6.为了解决上述技术问题，本发明提供一种基于改进tcn的锂电池剩余寿命状态评估方法，包括的具体过程为：
7.步骤s01、对待测的锂电池使用恒流恒压充电方式达到充满状态，再分别以0.5c和1c的恒定电流进行放电，直到电池电压降至阈值2.7v；重复操作5次获取5个循环工况下锂电池实测电压和电流数据，得到循环工况下的电压和电流曲线；
8.步骤s02、对循环工况下的电压数据以截止电压2.7v为分片截止点，作为当前循环周期的结束与下一个循环周期的开始进行数据分片，并对每个数据分片按照顺序进行分片标号，一个数据分片为一个循环周期；
9.步骤s03、对每个循环周期中的放电过程采用安时积分法并做平均化处理得到实
际容量；根据分片标号和实际容量的映射关系进行汇总后获得循环周期与实际容量序列；
10.步骤s04、将循环周期与实际容量序列作为a-tcn-dae模型的输入，a-tcn-dae模型包括降噪自编码dae网络和a-tcn模型，降噪自编码dae网络输出的重构优化后的循环周期与实际容量序列经过a-tcn模型预测当前时刻的电池容量数据cap
cur
，然后递推预测电池后续容量，一旦预测所得的容量值cap
cur
预设电池eol所对应的容量值cap
eol
符合条件：cap
cur
≤cap
eol
，结束递推预测过程，然后统计达到eol容量的剩余循环周期数，获得电池当前剩余寿命。
11.作为本发明的一种基于改进tcn的锂电池剩余寿命状态评估方法的改进：
12.所述a-tcn模型以tcn模型为基础，对每个残差模块rb均进行以下改进：1)将因果卷积替换为混合膨胀卷积，2)将激活函数relu替换为a-relu，3)在残差模块rb输入和输出之间加入1
×
1卷积结构；每个残差模块rb计算各自的残差后逐层向后传递。
13.作为本发明的一种基于改进tcn的锂电池剩余寿命状态评估方法的进一步改进：
14.所述降噪自动编码器dae包括在输入x中混入噪声v后为输入样本输入样本经过编码网络e(
·
)提取数据特征，再经过解码网络d(
·
)解码操作并重构优化输出重构优化后的循环周期与实际容量序列y：
[0015][0016]
其中，为重构优化的输出，为解码网络的偏置项；
[0017][0018]
其中，输出f(i)为经过编码网络后的样本数据高维features，w为编码网络的权重矩阵，bi为编码网络对应的偏置项。
[0019]
作为本发明的一种基于改进tcn的锂电池剩余寿命状态评估方法的进一步改进：
[0020]
步骤s04中所述递推预测的过程为：定义输入与输出的特征数据集为：
[0021]
cr＝{(x1,cap2),(x2,cap3),
…
,(x
l
,cap
l 1
)}
ꢀꢀꢀꢀꢀꢀꢀ
(式4)
[0022]
其中，x
l
表示第l时刻的模型输入，cap
l 1
表示第l 1时刻的容量输出；
[0023]
将第l时刻预测的容量cap
l 1
添加到下一时刻的输入容量序列x
l 1
，继续预测模型后续的容量；递推获得的新特征数据集为：
[0024]
cr
rec
＝{(x
l 1
,cap
l 1
),
…
,(x
cur-1
,cap
cur
)}
ꢀꢀꢀꢀꢀꢀꢀ
(式5)
[0025]
一旦预测所得的容量值cap
cur
≤cap
eol
，停止预测流程；统计整个预测过程中达到eol容量的剩余循环周期数获得电池剩余使用寿命；
[0026]
cap
eol
＝cap
rated
·
70％
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式3)
[0027]
其中，cap
rated
为电池的额定容量。
[0028]
作为本发明的一种基于改进tcn的锂电池剩余寿命状态评估方法的进一步改进：
[0029]
所述混合膨胀卷积的膨胀系数设计为[1,2,4,8,16,32,64]；
[0030]
所述激活函数a-relu为：
[0031]
f(x)＝max{ax,x},(0《a《1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式8)
[0032]
其中，a为输入修正系数，x为模型的输入层特征值。
[0033]
作为本发明的一种基于改进tcn的锂电池剩余寿命状态评估方法的进一步改进：
[0034]
所述a-tcn-dae模型的训练和测试过程为：
[0035]
随机初始化网络模型的权重参数与偏置参数，训练参数设置包括学习率、dropout率、卷积核大小和膨胀因子；将训练集输入a-tcn-dae模型；输入序列的一个mini-batch，根据输入数据前向传播，计算出隐藏层的参数和输出层输出；计算损失函数，并以最小化损失函数为目标进行反向传播，计算出隐藏层误差并求出偏导，以梯度下降的方式更新网络中的权重参数以及偏置参数，经过不断的迭代降低预测值和真实值之间的误差，直至达到预设的迭代次数，保存模型参数从而获得训练好的a-tcn-dae模型；
[0036]
然后将测试集中递推输入训练好的a-tcn-dae模型，按所述递推预测后续容量，一旦预测所得的容量值cap
cur
与预设电池eol所对应的容量值cap
eol
符合条件：cap
cur
≤cap
eol
，结束递推过程；以平均绝对误差mae、均方根误差rmse、r2为衡量指标在测试集上统计并验证了模型预测的准确度，从而获得可在线使用的所述a-tcn-dae模型。
[0037]
作为本发明的一种基于改进tcn的锂电池剩余寿命状态评估方法的进一步改进：
[0038]
所述训练集和测试集的获取过程为：
[0039]
1)、采用恒流恒压cccv方式将四组相同的锂电池充电达到满充状态，然后1号锂电池与2号锂电池以0.5c的恒定电流进行放电，3号与4号锂电池以1c的恒定电流进行放电，直到电池电压分别降至最低阈值电压2.7v后作为一个循环周期；
[0040]
2)、重复上述操作获取循环工况下锂电池的实测电压和电流数据，直至锂电池的当前容量衰减至eol状态，得到循环工况的电压和电流曲线；
[0041]
3)、对所获取循环工况下锂电池的实测电压和电流数据采用线性插值法进行补充缺失点或异常点：
[0042]vt
＝(v
t-1
v
t 1
)/2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式1)
[0043]
其中v
t
表示当前缺失点或者异常点，v
t-1
表示上一个时间点的数据，v
t 1
表示下一个时间点的数据；
[0044]
4)、对所有电压数据以截止电压2.7v作为分片截止点建立循环周期，并对每个循环周期按照顺序进行分片标号：
[0045]
5)、对每一次电池从充满到放完的循环周期中的放电过程进行安时积分获得当前循环周期内电池的容量；
[0046]
cap
t
＝cap
t-1
∫i(t)dt
ꢀꢀꢀꢀꢀꢀꢀꢀ
(式2)
[0047]
其中cap
t-1
表示的是t-1时刻的某一节电池的容量，cap
t
表示的是t时刻的某一节电池的容量；
[0048]
6)、对循环周期内电池的容量按照采样时间间隔进行平均化处理，得到每个循环周期内的实际容量；
[0049]
7)、按照分片标号与每个循环周期的实际容量的映射关系进行汇总获得循环周期与实际容量序列，然后以2号和4号锂电池的循环周期与实际容量序列的数据作为训练集，1号和3号锂电池的循环周期与实际容量序列数据作为测试集。
[0050]
本发明的有益效果主要体现在：
[0051]
1、本发明在时间卷积网络(tcn)基础上采用混合膨胀卷积有效扩大了卷积过程的感受视野，增强了模型对容量序列局部恢复特征的捕获能力；
[0052]
2、本发明在时间卷积网络(tcn)基础上采用a-relu激活函数增强了一定的特征捕获能力，提升了预测精准度和模型的拟合优度；
[0053]
3、本发明的a-tcn模型结合降噪自动编码器dae后的a-tcn-dae模型具有最好的真实值追随能力且误差和波动都得到了有效降低，dae对原始容量序列重构过程相当于对数据特征进行了进一步提取并去除了噪声影响，使重构后的数据更具有数据的本质特征以及鲁棒性和泛化能力，提升对电池剩余使用寿命rul预测的精准性和鲁棒性；
[0054]
4、本发明与现有技术相比，本发明提出的模型有较强的局部特征捕获能力以及输入数据降噪重构的自适应能力，对电池剩余使用寿命rul估算的精准度与现有深度学习网络技术相比有了明显的提升。
附图说明
[0055]
下面结合附图对本发明的具体实施方式作进一步详细说明。
[0056]
图1为本发明的一种基于改进tcn的锂电池剩余寿命状态评估方法的流程示意图；
[0057]
图2为数据分片处理过程示意图；
[0058]
图3为基础的tcn模型的整体架构示意图；
[0059]
图4为降噪自动编码器网络结构及降噪流程示意图；
[0060]
图5为引入混合膨胀卷积、a-relu和残差连接后的残差模块的结构示意图；
[0061]
图6为本发明的a-tcn-dae模型的架构示意图。
具体实施方式
[0062]
下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：
[0063]
实施例1、一种基于改进tcn的锂电池剩余寿命状态评估方法，如图1-6所示，包括的过程具体如下：
[0064]
步骤1、通过循环恒流放电，获取循环周期与实际容量序列
[0065]
步骤1.1、使用锂电池充放电平台对锂电池进行离线充放电并利用电池管理系统设备采集循环工况下锂电池实测电压和电流。
[0066]
1)、选用四组相同的锂电池作为测试电池，使用锂电池充放电平台四组测试电池均使用恒流恒压(cccv)充电方式达到满充状态。1号锂电池与2号锂电池以0.5c的恒定电流进行放电，3号与4号锂电池以1c的恒定电流进行放电，直到电池电压分别降至最低阈值电压2.7v后作为一个循环周期；
[0067]
2)、按照上述步骤1)重复实验获取循环工况下锂电池的实测电压和电流数据，得到循环工况的电压和电流曲线；按照ios规定的对于锂电池循环寿命测试标准要求，对当前容量衰减至额定容量70％的锂电池视为已经达到了eol状态，在充放电实验平台中，单体锂电池的循环工况实验终止条件也是根据设定的eol标准进行判断。
[0068]
步骤1.2、原始数据预处理
[0069]
1)、采样和存储过程中，由于采集硬件设备与通讯模块之间数据交互的波动会不可避免带来脏数据。测试数据中的脏数据主要包含为数据缺失问题和某些采样点置异常跳变问题，处理方式采用先移除异常点，再对采样过程造成的数据缺失问题采用线性插值法进行补充缺失点或异常点：
[0070]vt
＝(v
t-1
v
t 1
)/2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式1)
[0071]
其中v
t
表示当前缺失点或者异常点，v
t-1
表示上一个时间点的数据，v
t 1
表示下一个时间点的数据；
[0072]
2)、按循环工况次数进行数据分片
[0073]
依据循环工况截止电压的特点，每一轮循环工况截止电压点可以作为当前循环周期的结束与下一个循环周期的开始。如图2所示，对所有电压数据以截止电压2.7v作为分片截止点进行数据分片，并对每个数据分片按照顺序进行分片标号：每一数据分片即为一个循环周期，每个循环周期均有一个分片标号；
[0074]
3)、对每一次电池从充满到放完的循环周期中的放电过程进行安时积分获得当前循环周期内电池的容量；
[0075]
cap
t
＝cap
t-1
∫i(t)dt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式2)
[0076]
其中cap
t-1
表示的是t-1时刻的某一节电池的容量，cap
t
表示的是t时刻的某一节电池的容量；
[0077]
4)、从式2获得的每个循环周期内电池的容量可能会带有部分脏数据，因此对循环周期内电池的容量按照采样时间间隔进行平均化处理，得到每个循环周期内的实际容量；
[0078]
5)、按照分片标号与每个循环周期的实际容量的映射关系进行汇总，可以得到循环周期与实际容量序列，作为a-tcn-dae模型的输入。
[0079]
步骤2、递推预测流程和停止条件
[0080]
锂电池的实际容量减少到额定容量70％时，电池达到eol状态。eol的阈值设置是为了保障电池容量衰减到一定程度则认为进入不可靠的状态，此时需要对电池系统进行维护。电池达到eol状态时的容量cap
eol
可以表示为：
[0081]
cap
eol
＝cap
rated
·
70％
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式3)
[0082]
其中cap
rated
为电池的额定容量。
[0083]
为了合理地设计预测模型，让模型更加适合进行电池剩余使用寿命(rul)预测，定义输入与输出的特征数据集为：
[0084]
cr＝{(x1,cap2),(x2,cap3),
…
,(x
l
,cap
l 1
)}
ꢀꢀꢀꢀꢀꢀꢀꢀ
(式4)
[0085]
其中，x
l
表示第l时刻的模型输入，cap
l 1
表示第l 1时刻的容量输出。根据时间序列数据的因果定理，模型当前时刻的输出仅会与当前时刻以及之前的数据有特征关联，而与未来数据无关。
[0086]
将第l时刻预测的容量cap
l 1
添加到下一时刻的输入容量序列x
l 1
，继续预测模型后续的容量。递推获得的新特征数据集为：
[0087]
cr
rec
＝{(x
l 1
,cap
l 1
),
…
,(x
cur-1
,cap
cur
)}
ꢀꢀꢀꢀꢀꢀꢀꢀ
(式5)
[0088]
一旦预测所得的容量值cap
cur
≤cap
eol
即可停止预测流程。统计达到eol容量的剩余循环周期数，就可以得到电池剩余使用寿命(rul)。
[0089]
步骤3、构建a-tcn-dae模型
[0090]
a-tcn-dae模型包括降噪自编码(dae)网络和a-tcn模型(改进的tcn模型)，降噪自编码(dae)网络输出的重构优化后的循环周期与实际容量序列经过a-tcn模型获得电池剩余寿命rul的预测结果。针对常用序列预测模型对局部容量恢复特性捕获能力不足的问题，以tcn模型为基础，对其中每个残差模块rb(residual block)内部均进行以下改进构建为a-tcn模型：1)将因果卷积替换为混合膨胀卷积，2)将激活函数relu替换为a-relu，3)在残
差模块rb输入和输出之间加入1
×
1卷积结构；a-tcn模型同时联合降噪自编码网络(dae)的扩展特征提取能力，来提高模型的性能与鲁棒性。
[0091]
步骤3.1构建基础的tcn模型
[0092]
tcn模型的整体架构如图3所示：由7个残差模块rb(residual block)外接一层带有sigmoid激活函数的全连接层构成。残差块的膨胀因子服从2n递增规律，用于扩大模型的感受视野，例：26的膨胀因子下，若卷积核kernel设置为2，模型可以感受到128的视野范围，对于容量与循环周期数据，则表明当前输出的影响因子包含最近到过去128个输入的容量信息。残差模块内部包含两层因果卷积，每层因果卷积后使用relu激活函数以及失活率为0.2的dropout层。最后经过全连接层，经过梯度下降学习，最终输出下一时刻的容量预测结果，即最后全连接层的输出可以表示为：
[0093]
capk＝σ(w
khk
bk)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式6)
[0094]
其中，σ表示sigmoid激活函数，wk和bk分别为权重矩阵与偏置，hk为最后一层残差层的隐藏层张量结果。
[0095]
步骤3.2、卷积替换
[0096]
使用混合膨胀卷积替换步骤3.1建立的tcn模型中的残差模块rb的因果卷积。在卷积操作对特征提取过程中，感受野用于描述顶层网络中单个单元的输出判决所关联的底层网络数据单元个数。感受视野越大，意味着对于相同输入尺寸的数据特征，提取其所有特征所需要的网络层数越少相当于网络参数减少，从而能够提升网络的处理速度也能够包含越多历史数据特征。采用膨胀卷积来增大感受野，其特征如下：
[0097]
1)、所有卷积的膨胀系数不能存在除1以外的公约数，例如[2,4,6]即为不合理的膨胀系数，会引发网格效应；
[0098]
2)、将膨胀系数设计为锯齿状，如：d＝[1,2,4]，用于提取不同间隔的特征信息；
[0099]
3)、卷积核中非零特征值之间的最大间隔设置需要满足：
[0100]
mi＝max{m
i 1-2ri,m
i 1-2(m
i 1-ri),ri}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式7)
[0101]
其中，ri表示第i层的膨胀系数，mi表示在第i层最大可选的膨胀系数，若有n层结构，默认rn＝mn，结合容量序列特性，为了捕获局部容量恢复特性，需要关联所有历史容量信息，如果选用的卷积核kernel大小为k
×
1，则目标是mk≤k，这样至少可以用膨胀系数为1的一层标准卷积，确保没有任何历史容量特征遗漏，膨胀系数设计为[1,2,4,8,16,32,64]；
[0102]
步骤3.3、a-relu代替原始relu
[0103]
relu激活函数特性使得负输出值被过滤，仅考虑了输出为正值的神经元特征。这种特性减少了一定的计算量，从而可以加速模型的训练与收敛。然而被过滤掉的神经元可能导致部分数据特征丢失。对于容量衰减特征，虽然整体呈递减趋势，但由于存在容量恢复特性，训练过程中在局部特征点可能出现负值，需要模型对0值附近拟合能力增强而不能直接置0，因此引入带参数的激活函数a-relu代替步骤3.1建立的tcn模型中的残差模块rb的激活函数relu，其特征定义为：
[0104]
f(x)＝max{ax,x},(0《a《1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式8)
[0105]
其中，a为输入修正系数，x为模型的输入层特征值。
[0106]
参数a作为网络中的可学习变量加入到训练过程，虽然增加了一点模型计算量，但是换来了模型对于0值附近的敏感度，解决了输入量小于0时丢失特征的问题。
[0107]
步骤3.4、引入残差连接：
[0108]
通过引入残差连接可以使得上层卷积即包含详细的局部特征信息同时也不丢失原始输入数据的特征信息。
[0109]
为了让一个l n层的网络模型至少具有l层网络的能力而不会因网络退化等缘故造成网络加深反而效果更差的情况，在每个残差模块rb内，残差模块rb的输入和输出间加入1
×
1卷积结构，每个残差模块rb计算各自的残差后逐层向后传递，使得残差模块rb之间形成残差连接，在网络的训练过程中保留所有残差的信息，如图5所示。假设x为模型的输入，f(x)是表征经过线性转换和激活函数处理的过程，则在激活第二层线性处理的过程前，将f(x)结果与底层输入x进行合并，则最终输出表示为：
[0110]
o＝f2(x f1(x))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式9)
[0111]
引入残差连接后，若经过分层离散相关性hdc提取到的特征能够提升泛化能力，即能够在输入数据特征的基础上获取到更详细的局部特征，则会正常更新参数，若未学习到有效特征信息，网络也不会退化。
[0112]
步骤3.5、引入降噪自动编码器dae
[0113]
降噪自动编码器dae的降噪流程包括在输入x中混入噪声v，引入噪声v的方式参考深度学习中的dropout操作，随机将一定输入序列中的数据设置为0，之后利用包含噪声的输入样本经过编码网络e(
·
)提取数据特征，最后经过解码网络d(
·
)解码操作恢复成原始数据结构并重构优化，输出y为重构优化后的循环周期与实际容量序列，如图4所示。
[0114]
对于步骤2中定义的第l时刻的模型输入x
l
，在降噪自动编码器dae过程中引入噪声v后得到编码网络的处理流程可以表示为：
[0115][0116]
其中，输出f(i)为经过编码网络后的样本数据高维features，w为编码网络的权重矩阵，bi为编码网络对应的偏置项。
[0117]
解码过程可以表示为：
[0118][0119]
其中，y和即为重构优化输出，为解码网络的偏置项。重构优化后的y作为后续a-tcn的输入。
[0120]
步骤4、训练a-tcn-dae模型用于预测电池剩余使用寿命
[0121]
步骤4.1、构建a-tcn-dae模型的训练集和测试集
[0122]
对四组锂电池按步骤1的方法分别进行测试，获取四组循环周期与实际容量序列的关系数据，然后将四组数据按照放电工况进行分组，以2号和4号锂电池的循环周期与实际容量序列的数据作为训练集，1号和3号锂电池的循环周期与实际容量序列数据作为测试集。a-tcn-dae模型的输入为循环周期与实际容量序列，输出为预测的容量。
[0123]
步骤4.2、构建损失函数
[0124]
定义预测值yi和真实值之间的误差为损失函数：
[0125][0126]
步骤4.3、训练和测试a-tcn-dae模型
[0127]
步骤4.3.1、a-tcn-dae模型的训练过程
[0128]
(1)、训练参数设置：膨胀卷积的膨胀因子d设置为[1,2,4,8,16,32,64]，卷积核尺寸为3
×
1，深度学习网络的失活率为0.2，并使用adam优化器在训练过程中进行优化，动态调节学习率，初始学习率设置为0.005，一阶动量参数和二阶动量参数分别设置为0.5和0.9。训练迭代次数为80次。
[0129]
(2)、随机初始化网络模型的权重与偏置参数：初始权重是服从均值为0，标准差为0.01高斯分布的随机数，初始偏置全部设置为0；
[0130]
(3)、将训练集中的循环周期与实际容量序列输入a-tcn-dae模型；输入序列的一个mini-batch，根据输入数据前向传播，计算出隐藏层的参数和输出层输出；计算损失函数，并以最小化损失函数(式12)为目标进行反向传播，计算出隐藏层误差并求出偏导，以梯度下降的方式更新网络中的权重参数以及偏置参数，经过不断的迭代降低预测值和真实值之间的误差，直至达到预设的迭代次数，保存模型参数从而获得训练好的a-tcn-dae模型；
[0131]
步骤4.3.2、a-tcn-dae模型的测试过程：
[0132]
将测试集中的当前循环周期与实际容量序列递推输入训练好的a-tcn-dae模型，按照步骤2中的式5递推预测后续容量，一旦预测所得的容量值cap
cur
与预设电池eol所对应的容量值cap
eol
符合条件：cap
cur
≤cap
eol
，则结束递推过程。根据递推的结果得到容量衰减曲线，统计达到eol容量的剩余循环周期数即为电池剩余使用寿命(rul)；在测试集上以mae、rmse、r2为衡量指标统计并验证了模型预测的准确度，从而获得可在线使用的a-tcn-dae模型。
[0133]
步骤5、a-tcn-dae模型的在线应用过程
[0134]
1)、使用锂电池充放电平台对待测的锂电池使用恒流恒压充电方式达到充满状态，再分别以0.5c和1c的恒定电流进行放电，直到电池电压降至阈值2.7v；重复操作5次获取5个循环工况下锂电池实测电压和电流数据，得到循环工况下的电压和电流曲线；
[0135]
2)、对循环工况下锂电池实测电压和电流数据进行分片，方法为对所有电压数据以截止电压2.7v作为分片截止点作为当前循环周期的结束与下一个循环周期的开始，并对每个循环周期按照顺序进行分片标号；
[0136]
3)、对每个循环周期中的放电过程采用安时积分法并做平均化处理得到实际容量；根据分片标号和实际容量的映射关系进行汇总后获得循环周期与实际容量序列；
[0137]
4)、将步骤3)获得的循环周期与实际容量序列作为a-tcn-dae模型的输入来预测当前时刻的电池容量数据cap
cur
，然后按照步骤2中的式5递推预测电池后续容量，一旦预测所得的容量值cap
cur
与预设电池eol所对应的容量值cap
eol
符合条件：cap
cur
≤cap
eol
，则结束递推过程，然后统计达到eol容量的剩余循环周期数，获得电池当前剩余寿命。
[0138]
实验1：
[0139]
实验硬件配置为：处理器为12*e5-2609v3@1.9ghz；内存为16gb；显卡型号为英特尔tesla p4 8gb(384.81)；操作系统为centos7.3.1611；模型构建与训练使用python3.7 tensorflow1.4版本。
[0140]
实验数据集使用实施例1中步骤4.1所构建的训练集和测试集，实验采用四个对比模型与本发明的a-tcn-dae模型进行对比实验，以验证本发明的a-tcn-dae模型对电池剩余寿命rul预测的有效性，四个对比网络分别为：
[0141]
1)膨胀卷积替换前：按实施例1中步骤3.1构建的基础的tcn网络。
[0142]
2)激活函数改进前：按实施例1中步骤3.2使用混合膨胀卷积替换tcn网络的因果卷积。
[0143]
3)不使用残差连接：按实施例1中步骤3.2和3.3使用混合膨胀卷积替换tcn网络的因果卷积，并将激活函数relu替换为a-relu。
[0144]
4)a-tcn：按实施例1中步骤3.2、3.3和3.4使用混合膨胀卷积替换tcn网络的因果卷积，并将激活函数relu替换为a-relu，然后引入残差连接。
[0145]
实验以平均绝对误差mae、均方误差mse、均方根误差rmse和r2作为衡量指标，具体定义如下：
[0146]
平均绝对误差mae：该指标是对于绝对误差损失的预期值，是基于样本的预测值和真实值之间差值的绝对值求和之后再求取整体样本数的平均值，可有效避免误差出现正负抵消的情况，n个样本的平均绝对误差可以用如下公式表示：
[0147][0148]
是样本的真实值，yi是模型的预测值。
[0149]
均方误差mse：该指标是对于平方误差的期望，其值与目标变量的量纲不一致，是基于样本的预测值和真实值之间差值的平方数求和之后再求取整体样本数的平均值，n个样本的均方误差可以用如下公式表示：
[0150][0151]
是样本的真实值，yi是模型的预测值。
[0152]
均方根误差rmse：是模型预测值与真实值均方误差的平方根。其特点在于对一组误差数据中的特大或特小误差的放映十分敏感，能够很好的描述出模型评估结果的精密程度。n个样本的均方根误差可以用如下公式表示：
[0153][0154]
r平方：又称为可决系数或拟合优度，反映预测值与真值之间的拟合程度，越接近1，说明模型拟合的越好，n个样本的r平方可以用如下公式表示：
[0155][0156]
是样本的真实值，yi是模型的预测值，y0是真实样本的均值。
[0157]
使用步骤4.1构建的训练集分别对5个网络模型进行训练获得训练好的网络模型，然后使用步骤4.1构建的测试集分别进行测试并统计平均绝对误差mae、rmse、和r2如下表1所示
[0158]
表1、实验1的各项衡量指标的对比结果
[0159]
模型msemaermser2膨胀卷积替换前0.0154430.0923170.1242700.674913激活函数改进前0.0096570.0642170.0982720.796704不使用残差连接0.0085880.0577510.0926700.819220
a-tcn0.0024700.0332910.0496950.9480133a-tcn-dae0.0002650.0107630.0162920.9944123
[0160]
根据实验1的结果，说明膨胀卷积的引入有效扩大了卷积过程的感受视野，增强了模型对容量序列局部恢复特征的捕获能力；激活函数改进后增强了一定的特征捕获能力，提升了预测精准度和模型的拟合优度；引入残差连接可以进一步提升网络预测精准度，但优化后的a-tcn在与真实值之间还是存在较大的波动且鲁棒性问题存在缺陷，结合降噪自动编码器dae后的a-tcn-dae模型具有最好的真实值追随能力且误差和波动都得到了有效降低，原因在于dae对原始容量序列重构过程相当于对数据特征进行了进一步提取并去除了噪声影响，使重构后的数据更具有数据的本质特征以及鲁棒性和泛化能力。
[0161]
实验2：
[0162]
选取具有代表性的对于电池剩余寿命预测的网络模型，具体包含循环神经网络rnn
[1]
、长短期记忆网络lstm
[2]
、门控循环单元网络gru
[3]
，为了横向评估模型的准确性与鲁棒性，同样的使用步骤4.1构建的训练集分别对4个网络模型进行训练获得训练好的网络模型，然后使用步骤4.1构建的测试集分别进行测试并统计平均绝对误差mse、mae、rmse、和r2如下表2所示。
[0163]
表2、实验2的各项衡量指标的对比结果
[0164]
模型msemaermser2rnn0.0630970.1615020.1799660.326071lstm0.0323880.1142870.1184710.654070gru0.0053330.0446450.0730280.850089a-tcn-dae0.0003880.0101850.0197060.995852
[0165]
通过评价指标的定量分析，可以看出a-tcn-dae模型的各项评价指标上具有优势。
[0166]
参考文献：
[0167]
[1]yu w,kim i y,mechefske c.an improved similarity-based prognostic algorithm for rul estimation using an rnn autoencoder scheme[j].reliability engineering system safety,2020,199:106926.
[0168]
[2]sayah m,guebli d,noureddine z,et al.deep lstm enhancement for rul prediction using gaussian mixture models[j].automatic control and computer sciences,2021,55(1):15-25.
[0169]
[3]lu y w,hsu c y,huang k c.an autoencoder gated recurrent unit for remaining useful life prediction.2020.
[0170]
最后，还需要注意的是，以上列举的仅是本发明的若干个具体实施例。显然，本发明不限于以上实施例，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。