一种基于多特征输入时序模型的锂离子电池健康状态估计方法、系统、设备及介质

本发明属于电池管理，特别涉及一种基于多特征输入时序模型的锂离子电池健康状态估计方法、系统、设备及介质。

背景技术：

1、随着日益增加的减排需求，发展节能与新能源汽车是国际共识，也是中国的战略性新兴产业，锂离子电池由于具有高能量密度和长循环使用寿命而被广泛应用于电动汽车，但是，锂离子电池的存储能力与快速充放电能力均会随着老化而不断下降，而健康状态(state ofhealth,soh)是一种评价电池老化程度的指标。定义为当前容量与额定容量的比值，认为当锂离子电池的容量达到初始容量的80％时即不能满足日常需求。由于估计soh至关重要，当前有很多学者深入研究，估计方法大致分为基于模型的和基于数据驱动的方法。由于锂离子电池内部反映复杂，且具有较强的非线性和时变性，使得难以运用模型实现精准估计，因而当前数据驱动法较为流行。锂离子电池容量退化数据本质上作为一个具有长期依赖性的时间序列，可以运用时间序列模型进行深入研究。时序模型有传统的自回归模型(auto regressive，ar)，移动平均模型(moving average，ma)，自回归移动平均模型(autoregressive integrated moving model，arima)模型等。随着深度学习技术的成熟，基于神经网络的循环神经网络(recurrentneural network，rnn)，具有外源输入的非线性自回归模型，长短期记忆神经网络(long short term memory networks，lstm)等也被逐渐关注用于锂离子电池的估计。

2、有很多相关文献运用时序模型来研究锂离子电池的退化过程。张吉宣在文献‘锂离子电池剩余寿命预测方法研究’中提出一种armima和正则化粒子滤波的融合算法，该算法首先根据锂离子电池的经验退化模型建立状态方程，其次将arima长期预测的输出值作为观测值，构建融合状态方程，通过正则化粒子滤波迭代更新电池容量，从而实现两种算法的融合并预测电池的剩余使用寿命。该算法提高了剩余寿命的精度以及可靠性，克服了粒子滤波过度依赖电池经验退化模型以及对不同数据适应性差的问题。

3、文献‘state ofhealth estimation for lithium-ionbatterybased onthecoupling-loop nonlinear autoregressive with exogenous inputs neural network’的作者提出一种有外生输入的耦合非线性自回归神经网络模型预测锂离子电池的健康状态，运用主成分分析法提取特征，贝叶斯正则化算法学习神经网络权重，解决学习算法收敛速度慢和易陷入局部最优的问题，从而提高神经网络泛化能力。

4、文献‘adaptive sliding window lstm nn based rul prediction forlithium-ionbatteries integrating ltsa feature reconstruction’的作者提出一种自适应滑动窗口的lstm方法对锂离子电池的剩余使用寿命进行估计。通过局部切空间对齐的方法提取间接指标从而替代容量，利用lstm可以学习长期依赖性的特点，通过自适应滑动窗口捕捉局部波动。该方法改善了传统的lstm缺乏捕捉局部区域变化的缺点，提高了局部再生预测的准确性。

5、对锂离子电池进行soh预测涉及两个关键因素，除了预测方法外，还有健康特征(health factor，hf)的提取。特征将显著影响锂离子电池退化的估计性能，其中提取方法主要有直接法和间接法。直接法主要是从电压、电流和温度曲线上提取，不需要复杂的计算。文献‘remaining useful life prediction of–lithiumbatteries basedonprincipal component analysis and improved gaussian process regression’提取恒流充电阶段的电流曲线的时间积分，整个充电阶段的电流曲线的时间积分，放电电压降到最低的时刻以及放电温度曲线对时间的积分这四个特征通过主成分分析降维作为特征。

6、使用最多的还是间接法，如增量容量分析(incremental capacityanalysis，ica)、差分电压分析(differential voltage analysis，dva)和差分热伏安法(differential thermal voltammetry,dtv)。文献‘voltage-temperature healthfeature extraction to improve prognostics and health management oflithium-ionbatteries’从改进的差分电压曲线中提取特征，通过将差分电压线性化，得到斜率与截距作为hf，进一步估计电池soh。虽然通过间接法提取特征可以实现精确的估计，但是在提取时需要有完整充放电的曲线，这在实际运用中往往复杂且不太现实。

7、从上述文献可以看出，时序模型可以用来估计锂离子电池的soh和预测剩余寿命，但仅仅采用传统的时序模型以及单一的lstm模型难以实现精确的估计，同时也存在运用间接法提取的指标在实际估计中难以采用的问题。

技术实现思路

1、为了克服上述现有技术的缺点，本发明的目的在于提出了一种基于多特征输入时序模型的锂离子电池健康状态估计方法、系统、设备及介质，运用直接法提取多个简单指标，联合粒子群优化算法(particle swarm optimization,pso)和lstm网络，在可操作性强以及模型简单的情况下，实现对锂离子电池soh的精确估计。

2、为了实现上述目的，本发明所采用的技术方案是：

3、一种基于多特征输入时序模型的锂离子电池健康状态估计方法，包括：

4、步骤1：从锂电子电池的电流电压温度曲线提取恒流充电时间、恒压充电时间以及从充电开始到表面温度达到最高这一过程的表面温度变化率三个特征；

5、步骤2：对步骤1提取的三个特征进行数据预处理；

6、步骤3：根据步骤2预处理后的数据，对特征序列和soh序列划分训练集和测试集；

7、步骤4：根据步骤3中划分的训练集训练pso-lstm模型；

8、步骤5：根据步骤4训练的pso-lstm模型，输入测试集的特征值，实现对soh的估计，并使用平均绝对误差mae和均方根误差rmse作为评估指标来量化锂离子电池soh的预测结果。

9、所述步骤1中，提取的三个特征具体为：

10、f1：恒流充电时间

11、f1(k)＝{t(k)|min(t(k)),s.t.i(t(k))≤1.5a}  (1)

12、其中，t(k)表示恒流充电结束所需要的时间，i(t(k))表示在恒流充电结束时的电流值，k为锂离子电池的循环次数且k＝1,2,…,n；

13、f2：恒压充电时间

14、f2(k)＝{tend(k)-t(k)|min(t(k)),s.t.v(t(k))≥4.2v}  (2)

15、其中，tend(k)表示充电结束所需的时间，v(t(k))表示在恒流充电结束时的电压值；

16、f3：从充电开始到表面温度达到最高这一过程的表面温度变化率

17、

18、其中，tmax(k)为充电过程中达到的最高表面温度，tinit(k)为初始时刻锂离子电池的表面温度，tmax(k)为达到最高表面温度时所需要的时间，tinit(k)为初始时刻。

19、所述步骤2中，数据预处理的具体过程为：

20、步骤2.1：消除噪声，采用移动平均法平滑数据，根据时间序列逐项推移，依次计算包含一定项数的序列平均值以反映长期趋势；

21、步骤2.2：数据标准化，以特征序列为输入序列，soh序列为输出序列，消除量纲，对输入和输出序列进行最大最小归一化处理，表达式如下：

22、

23、其中：xi表示特征序列或健康状态序列；

24、步骤2.3：相关性分析，计算锂离子电池经过平滑处理后的三个健康特征与健康状态序列的皮尔逊相关系数，计算如式(5)；

25、

26、所述步骤3中，将特征序列和soh序列的60％-80％循环作为训练集，剩余循环作为测试集。

27、所述步骤4中，训练pso-lstm模型的具体过程为：

28、步骤4.1，初始化相关参数，其中pso算法的参数包括：粒子种群大小n、空间维度d、迭代次数t、粒子的初始位置x和初始速度v；

29、其中，粒子代表一种基于多特征输入时序模型的训练集每一个可能产生的解，种群代表一种基于多特征输入时序模型的训练集一组随机解；

30、步骤4.2，形成粒子，训练集中特征序列和soh序列作为lstm模型的输入，调整lstm参数，粒子中包含的参数是lstm层神经元个数和学习率；

31、步骤4.3，确定粒子适应度函数，以均方误差为适应度函数，根据粒子初始位置计算初始适应度，确定初始个体和全局最优位置；

32、步骤4.4，更新粒子位置和速度，根据新位置计算新的适应度，更新个体最优和全局最优位置；

33、步骤4.5，终止迭代，达到最大迭代次数或者最小适应度函数，输出预测值，否则继续迭代步骤4.4。

34、所述步骤5中，预测结果的具体计算如下：

35、

36、

37、其中，sohk和分别表示第k个循环的实际健康状态和估计的健康状态，n是样本数。

38、一种基于多特征输入时序模型的锂离子电池健康状态估计系统，包括：

39、特征提取模块：：从锂电子电池电流电压温度曲线提取恒流充电时间、恒压充电时间、从充电开始到表面温度达到最高这一过程的表面温度变化率三个特征，根据提取的三个特征来衡量锂离子电池的退化情况；

40、数据预处理模块：对特征提取模块提取的三个特征，进行消除噪声、数据标准化、相关性分析处理；

41、划分训练集和测试集模块：将特征序列和soh序列的60％-80％循环作为训练集，剩余循环作为测试集；

42、训练pso-lstm模型模块：根据划分的训练集训练pso-lstm模型；

43、soh估计模块：输入测试集的特征值，实现对soh的估计，使用平均绝对误差mae和均方根误差rmse作为评估指标来量化锂离子电池soh的预测结果。

44、一种基于多特征输入时序模型的锂离子电池健康状态估计设备，包括：

45、存储器：用于存储实现一种基于多特征输入时序模型的锂离子电池健康状态估计方法的计算机程序；

46、处理器：用于执行所述计算机程序时实现一种基于多特征输入时序模型的锂离子电池健康状态估计方法。

47、一种基于多特征输入时序模型的锂离子电池健康状态估计介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够实现一种基于多特征输入时序模型的锂离子电池健康状态估计方法。

48、相对于现有技术，本发明的有益效果在于：

49、(1)本发明提取了多个特征表征锂离子电池退化，并且所提特征易于获得，如对于第一个特征，只需要记录恒流充电开始和结束时刻，并不需要每一时刻的充电数据，相比于对完整充放电曲线进行变化提取特征，本发明在提取特征时更为简单，可操作性强。

50、(2)本发明联合粒子群优化算法(particle swarm optimization,pso)和lstm算法，实现了lstm超参数的确定，避免运用历史经验而是运用优化算法确定超参数，进一步提高了锂离子电池的soh预测精度。

51、(3)本发明通过建立一种新的多指标pso-lstm模型，从而能够对锂离子电池的soh进行实时估计，因此可以有效估计容量并为下一步更换电池等策略提供依据。

52、(4)本发明通过对数据预处理，显著消除噪声数据，提高所提特征和健康状态的相关性，提高指标相关性和预测精度的效果。

53、综上所述，本发明运用直接法提取多个简单指标，联合粒子群pso和lstm算法，在可操作性强以及模型简单的情况下实现对锂离子电池soh的精确估计。