基于多电池数据融合的锂电池SOH长期预测方法

本发明涉及电池健康控制领域的一种电池参数测定方法，涉及一种基于多电池数据融合的manytomanylstm-narnn的锂电池健康状态(soh)长期预测方法。
背景技术：
：锂电池由于循环寿命长、能量密度大、安全性好等优点已经被广泛用于许多重要的场景，包括电动汽车，智能手机等。但是，目前仍然有许多重要因素制约着锂电池的发展，其中之一是电池老化。随着锂电池的老化，电池的性能会逐渐下降，如果不及时更换新电池，这将会影响到电池供电对象的性能，有时甚至会对其产生毁灭性的影响。电池健康状况(stateofhealth,soh)是评估当前电池性能的重要指标，其通过分析电池使用中产生的历史数据来获得电池的健康状况。电池健康状态的正确预测可以为电池的使用和维护提供参考，能够及时提醒工作人员进行电池的更换，有效地避免了安全事故的产生，其在电池控制系统中是一个非常重要的环节。但是，由于锂电池具有非线性退化特征以及复杂的内部机制，因此很难给出一个准确的锂电池健康状态的预测方法。目前，对于锂电池健康状态预测的方法可以分为两种，包括基于模型的方法和数据驱动的方法。一般来说，对于基于模型的方法，例如基于电化学过程的机理模型、等效电路模型等等需要大量的专家知识，并且模型具有很高的复杂度。近年来，由于机器学习的飞速发展以及数据量的不断增加，数据驱动方法已被广泛使用在各种预测中。这种方法通过学习历史数据获得所需模型。数据驱动的方法不需要很多先验知识，这大大降低了建立模型的难度。而且，与基于模型的方法相比，其实用性和泛化功能更强大。但是基于数据驱动的方法依赖于数据的规模，过小的数据量无法训练出精确的预测模型，并且预测时间步一旦变长，预测精度就会逐渐降低。技术实现要素：有鉴于此，为了解决
背景技术：
中存在的问题，本发明的目的在于提出一种基于多电池数据融合的多输入多输出长短期记忆-非线性自回归神经网络(manytomanylongshort-termmemorynonlinearautoregressiveneuralnetwork)的锂电池soh长期预测方法，通过结合多电池数据并且组合优化算法，实现对锂电池soh进行一个精确的长期预测，来进行锂电池的健康状态预测。为了实现以上目的，本发明采用的技术方案如下：步骤1：数据采集：在充放电周期内，测试并收集多块同种锂电池的放电端电压、电流、温度数据和实际电池容量数据，构成了电池数据；所述的电流包括放电电流和充电电流。步骤2：对采集到的每一块电池数据进行预处理，并连接构造成多电池数据融合的输入矩阵；步骤3：将输入矩阵划分成训练集和测试集的两部分，将训练集送入多输入多输出长短期记忆网络模型(manytomanylstm模型)进行训练，再通过测试集调整得到模型参数，进一步提高模型的预测精度；步骤4：被预测电池每次充放电一次后，将被预测电池的已知电池数据进行预处理，将预处理后的电池数据送入多输入多输出长短期记忆网络模型进行一次锂电池soh预测，输出获得预测电池容量；步骤5：收集被预测电池在多次充放电过程(退化过程)中按照步骤4处理获得的预测电池容量组成历史预测结果，收集被预测电池在多次充放电过程中产生的历史实际电池容量数据，将历史预测结果作为输入数据，以历史实际电池容量数据作为标签，输入非线性自回归神经网络模型(narnn模型)进行训练，获得最终电池容量，进而公式转换获得最终健康状态参数soh；步骤6：将被预测电池的当前时刻预测获得的最终电池容量作为非线性自回归神经网络模型的输入，经非线性自回归神经网络模型处理输出得到被预测电池在未来长期若干次充放电之后最终健康状态参数soh的值及其变化结果。具体实施中，当被预测电池达到寿命终点时，将被预测电池完整的退化过程数据保存，该电池数据可以作为新的训练集送入多输入多输出长短期记忆网络模型(manytomanylstm模型)进行模型的更新。所述电池寿命终点为电池初始容量的80％。所述步骤2中对采集到的每一块电池数据进行预处理，具体为：剔除充放电周期内不完整的数据，对每一块锂电池放电端电压、电流、温度和实际电池容量分别进行归一化，构建滑动窗口。所述的步骤2中，是将各块锂电池的电池数据通过级联方式连接构成输入矩阵。所述步骤3中，将输入矩阵划分成训练集和测试集，并且通过测试集调整模型参数：划分比例为80％训练集和20％的测试集，通过增加训练次数调整模型参数，保存预测值与真实值误差最小的模型。所述步骤4中的预处理和步骤2中的预处理方式相同。所述步骤5中，根据电池容量按照以下公式转换获得最终健康状态参数soh：其中，ct表示锂电池经过t次充放电以后剩余的电池容量，c0表示锂电池初始容量。通常针对锂电池soh预测仅采用一个深度学习模型进行单次处理，预测结果不准确，难以实现有效的soh测定。而本发明采用了多输入多输出长短期记忆网络模型和非线性自回归神经网络模型的结合进行了递进数据依次处理，解决无法准确实现针对锂电池soh的长期预测的技术问题，能够非常准确地快速有效预测锂电池soh长期预测的问题。长期是指100个充放电次数后预测。本发明的有益效果为：(1)本发明结合了多电池融合的数据建立数据，克服了传统电池soh预测算法仅针对被预测电池建模，泛化性较弱，长期预测精度低的劣势；同时通过多电池数据融合大大增加了训练样本，从而提高了模型预测的精确度。(2)本发明通过manytomanylstm与narnn的结合，不仅仅挖掘了同种锂电池退化过程中的共同特性，也考虑了被预测电池自身独有的退化特性。本发明通过对manytomanylstm的一次预测结果进行二次优化，大大提高了soh长期预测的精准度。附图说明图1为本发明的系统流程图。图2为本发明的具体预测过程框图。图3为本发明实验结果对比图。具体实施方式下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。如图1所示，本发明的实施例如下：搭建如图2所示的具体预测系统。步骤1：数据采集：在充放电周期内，测试并收集多块同种锂电池的放电端电压、电流、温度数据和实际电池容量数据，构成了电池数据；步骤2：对采集到的每一块电池数据进行预处理，并连接构造成多电池数据融合的输入矩阵；对采集到的每一块电池数据进行预处理，具体为：剔除充放电周期内不完整的数据，对每一块锂电池放电端电压、电流、温度和实际电池容量分别进行归一化，构建滑动窗口。归一化处理的公式对每一块锂电池放电端电压，电流，温度和对应的电池容量分别进行归一化，使其值在0到1之间，其中x为待归一化处理的原始数据，xmax、xmin分别为原始数据中的最大值和最小值，xnorm为归一化处理后的数据。构建滑动窗口指利用多个时间步的数据去预测未来的数据：从0时刻开始，每间隔一个时间步构造一个滑动窗口，其维度为t*k，其中t表示利用t个时间步，k表示每一个时间步有k个训练特征。假设要求预测未来m个时刻的电池soh，则单个滑动窗口可以表示为：其中ftk代表第t个时间步(充放电次)的第k个特征。输出标签表示为c(t)＝[cm…ct+m]，其中cm代表第m个时刻电池容量。则单个电池的数据表示为多个滑动窗口级联：其中训练集表示为多块电池数据的级联：步骤3：将输入矩阵划分成训练集和测试集的两部分，将训练集送入多输入多输出长短期记忆网络模型(manytomanylstm模型)进行训练，再通过测试集调整得到模型参数；将输入矩阵划分成训练集和测试集，并且通过测试集调整模型参数：划分比例为80％训练集和20％的测试集，通过增加训练次数调整模型参数，保存预测值与真实值误差最小的模型。模型输出为序列输出，即锂电池在未来若干次充放电之后soh的变化范围。具体实施中，多输入多输出长短期记忆网络模型为一个输入层，一个lstm隐藏层，一个输出层。隐藏层包括三个门，分别为遗忘门，输入门和输出门。遗忘门决定是否保存隐藏节点存储的历史电池容量的信息以及当前时间步的输入数据；输入门通过过滤当前时刻的输入以及上一时刻的输出更新隐藏节点的信息；输出门决定当前时刻输出值是否传给下一层。步骤4：被预测电池每次充放电一次后，将被预测电池的已知电池数据进行预处理，将预处理后的电池数据送入多输入多输出长短期记忆网络模型进行一次锂电池soh预测，输出获得预测电池容量；步骤5：收集被预测电池在多次充放电过程(退化过程)中按照步骤4处理获得的预测电池容量组成历史预测结果，收集被预测电池在多次充放电过程中产生的历史实际电池容量数据，将历史预测结果作为输入数据，以历史实际电池容量数据作为标签，输入非线性自回归神经网络模型(narnn模型)进行训练，获得最终电池容量，进而公式转换获得最终健康状态参数soh；非线性自回归神经网络模型为一个输入层，一个隐藏层，一个输出层，其具体训练过程包括随机初始化神经网络各神经元节点的权重系数；网络训练并计算出输出层输出值，计算输出值与真实值之间的差距；更新各神经元节点之间的权重，不断迭代进行网络参数优化，直至达到规定的训练次数，或者输出值与真实值之间的差距小于设定误差。其中模型的设定误差以均方误差(meansquareerror，mse)表示，其具体表达式为：其中m代表预测值的数量，yi代表第i个真实值，代表第i个预测值，mse越小则代表预测精度越高。步骤6：将被预测电池的当前时刻预测获得的最终电池容量作为非线性自回归神经网络模型的输入，经非线性自回归神经网络模型处理输出得到被预测电池在未来长期若干次充放电之后最终健康状态参数soh的值及其变化结果。模型输出为序列输出，维度为1×m，即锂电池在m次充放电之后soh的变化范围。具体实施中，当被预测电池达到电池初始容量的80％时，将被预测电池完整的退化过程数据传以便模型更新。收集21块由arbin'slbt电池测试装置测量的apr18650m1a电池数据，以前20块电池构成的电池数据构造成输入矩阵送入多输入多输出长短期记忆网络模型(manytomanylstm模型)进行训练。将第21块电池作为被预测电池，以预测第300-400步，第500-600步，第700-800步的电池容量为例，分别将前300步，500步，700步历史预测结果作为输入以及历史实际电池容量数据作为标签送入非线性自回归神经网络模型(narnn模型)进行训练，分别得到第300步，500步，700步的非线性自回归神经网络模型(narnn模型)，最终分别将第300-400步，第500-600步，第700-800步经过多输入多输出长短期记忆网络模型(manytomanylstm模型)处理的预测结果送入非线性自回归神经网络模型进行预测，得到健康状态参数soh的值及其变化结果。两种模型的设定误差都为1×10-6，训练次数都为100次。最终获得的锂电池的健康状态参数soh与实际经过仪器测试获得的锂电池的健康状态参数soh如图3所示，均方误差如表1所示：表1第300-400步第500-600步第700-800步mse5.97×10-74.74×10-73.61×10-6对比例1：步骤1：数据采集：在充放电周期内，测试并收集多块同种锂电池的放电端电压、电流、温度数据和实际电池容量数据，构成了电池数据；步骤2：对采集到的每一块电池数据进行预处理，并连接构造成多电池数据融合的输入矩阵；步骤3：将输入矩阵划分成训练集和测试集的两部分，将训练集送入多输入多输出长短期记忆网络模型(manytomanylstm模型)进行训练，再通过测试集调整得到模型参数；步骤4：被预测电池每次充放电一次后，将被预测电池的已知电池数据进行预处理，将预处理后的电池数据送入多输入多输出长短期记忆网络模型进行一次锂电池soh预测，输出获得预测电池容量，进而公式转换获得最终健康状态参数soh；收集21块由arbin′slbt电池测试装置测量的apr18650m1a电池数据，以前20块电池构成的电池数据构造成输入矩阵送入多输入多输出长短期记忆网络模型(manytomanylstm模型)进行训练。设定误差大小为1×10-6，训练次数为100次。将第21块电池作为被预测电池，以预测第300-400步，第500-600步，第700-800步的电池容量为例，最终获得的锂电池的健康状态参数soh与实际经过仪器测试获得的锂电池的健康状态参数soh如图3所示，均方误差如表2所示：表2第300-400步第500-600步第700-800步mse4.01×10-61.21×10-61.52×10-5对比例2：步骤1：数据采集：在充放电周期内，测试并收集多块同种锂电池的放电端电压、电流、温度数据和实际电池容量数据，构成了电池数据；步骤2：对采集到的每一块电池数据进行预处理，并连接构造成多电池数据融合的输入矩阵；步骤3：将输入矩阵划分成训练集和测试集的两部分，将训练集送入非线性自回归神经网络模型(narnn模型)进行训练，再通过测试集调整得到模型参数；步骤4：被预测电池每次充放电一次后，将被预测电池的已知电池数据进行预处理，将预处理后的电池数据送入非线性自回归神经网络模型(narnn模型)进行一次锂电池soh预测，输出获得预测电池容量，进而公式转换获得最终健康状态参数soh；收集21块由arbin′slbt电池测试装置测量的apr18650m1a电池数据，以前20块电池构成的电池数据构造成输入矩阵送入非线性自回归神经网络模型(narnn模型)。设定误差大小为1×10-6，训练次数为100次。将第21块电池作为被预测电池，以预测第300-400步，第500-600步，第700-800步的电池容量为例，最终获得的锂电池的健康状态参数soh与实际经过仪器测试获得的锂电池的健康状态参数soh如图3所示，均方误差如表3所示：表3第300-400步第500-600步第700-800步mse1.51×10-61.87×10-63.65×10-5通过本发明提出的方法与其他两种传统的预测方法进行对比，可以看到本发明提出的方法能够大幅度提升预测精度，其均方误差(mse)比其他两个对比例小了一个数量级，从图3也可看出，在长期预测情况下，其他两种方法偏离真实值更多。当前第1页12