一种电池寿命预测方法、预测系统及计算机设备

useful life prediction of lithium-ion batteries[j].ieee access,2022,10:19621-19628.)提出一种基于transformer神经网络的电池寿命预测方法。首先，对电池的容量数据进行处理，利用去噪声自动编码器(dae)生成新的容量序列。然后，将重建后的序列输入transformer网络，并且将去噪声部分与预测部分的损失函数合并，减少了模型的训练和预测时间，并且在电池数据集上获得了不错的寿命预测效果。但该方法仅仅使用容量序列数据，缺少电池循环测试中的电压、电流和温度等特征的输入，预测结果误差较大。
[0008]
yang z等人(yang z,wang y,kong c.remaining useful life prediction of lithium-ion batteries based on a mixture of ensemble empirical mode decomposition and gwo-svr model[j].ieee transactions on instrumentation and measurement,2021,70:1-11.)提出了一种基于集成经验模态分解(eemd)、灰狼优化(gwo)和支持向量回归(gwo-svr)的方法，建立了一种新的锂电池寿命预测模型。首先，利用eemd分解电池容量时间序列，得到容量再生分量和全局退化趋势。然后，使用灰狼优化算法对支持向量回归的内核参数进行寻优，获得模型的最优参数。最后，将eemd分解得到的分量输入svr模型中进行回归得到寿命的预测结果。该方法使用eemd进行模态分解，容易造成本征模态函数(imf)对齐问题，从而导致分解效果不佳，并且在全局退化趋势的预测中仅考虑eemd分解得到的容量退化趋势(res)，并未考虑电池其他特征数据对容量衰减的影响。
[0009]
现有技术中，在电池数据处理中首先采用emd和eemd的分解方法，但这些方法仍存在的缺陷是：基于经验模态分解(emd)得到的本征模态函数(imf)会存在模态混叠现象，频率相近的分量会混合到一起，导致imf的时频分布混乱；基于集成经验模态分解(eemd)虽然可以有效抑制模态混叠现象的发生，但对每个信号添加的噪声在分解时可能会产生不同数量的imf，使得平均时没法对齐imf分量，且噪声的幅值和迭代次数由人为设置，设置不当可能无法减少模态混叠现象。因此，现有技术采用的emd存在模态混叠问题，eemd虽在模态混叠上有改善，但又衍生出imf数量无法对齐求平均值的问题，这会导致分解效果不佳甚至分解失败。
[0010]
现有技术中，在预测模型的设计中采用传统的深度学习网络，循环神经网络(rnn)，卷积神经网络(cnn)，长短期记忆(lstm)网络等方法在计算效率、长期预测预测性能上仍有缺陷。此外，网络模型通常需要大量真实数据进行网络训练才能得到一个精确的结果，然而实际应用中获取大量的真实数据往往十分困难且耗时，使用短期数据得到的寿命预测结果不准确。因此，现有技术在样本数据较少的情况下执行长期预测任务表现较差，模型不够精准。


技术实现要素：

[0011]
鉴于此，有必要针对现有技术中存在的缺陷提供一种寿命预测精度高的电池寿命预测方法、预测系统及计算机设备。
[0012]
为解决上述问题，本技术采用下述技术方案：
[0013]
本技术目的之一提供了一种电池寿命预测方法，包括下述步骤：
[0014]
获取电池的充放电数据；
[0015]
对所述充放电数据进行处理获取本征模态函数imf和全局下降趋势res；
[0016]
根据所述本征模态函数imf预测imf序列；
[0017]
根据所述全局下降趋势res预测res序列；
[0018]
根据所述imf序列和所述res序列获取所述电池的寿命曲线。
[0019]
在其中一些实施例中，在获取电池的充放电数据的步骤中，具体包括下述步骤：对电池进行充放电实验以获取所述充放电数据，所述充放电数据包括电池的电压、电流、温度和容量数据。
[0020]
在其中一些实施例中，所述充放电实验包括恒流充电阶段、恒压充电阶段和放电阶段。
[0021]
在其中一些实施例中，在对所述充放电数据进行处理获取本征模态函数imf和全局下降趋势res的步骤中，具体包括下述步骤：
[0022]
根据所述充放电数据，得到电池容量-循环数的时间序列曲线；
[0023]
将所述时间序列曲线作为ceemdan的输入信号，使用ceemdan算法进行信号分解，获取本征模态函数imf和全局下降趋势res。
[0024]
在其中一些实施例中，在根据所述本征模态函数imf预测imf序列的步骤中，具体包括下述步骤：
[0025]
将所述本征模态函数imf作为transformer网络的输入，每一个本征模态函数imf对应一个transformer网络，利用所述本征模态函数imf对序列的前20％～30％数据训练模型，对剩余70％～80％序列进行预测。
[0026]
在其中一些实施例中，在根据所述全局下降趋势res预测res序列的步骤中，将所述充放电数据和所述全局下降趋势res作为深度神经网络的输入，设置输入层，输出层的特征数，取前20％～30％数据训练，进行res的预测。
[0027]
在其中一些实施例中，在根据所述imf序列和所述res序列获取所述电池的寿命曲线的步骤中，具体包括下述步骤：
[0028]
将所得预测的imf序列和res序列求和，得到电池剩余70％～80％周期的容量数据，用容量数据除以标称容量即可求得电池健康状态，即得到寿命曲线。
[0029]
本技术目的之二，提供了一种电池寿命预测系统，包括：
[0030]
数据采集模块，用于获取电池的充放电数据；
[0031]
数据处理模块，用于对所述充放电数据进行处理获取本征模态函数imf和全局下降趋势res；
[0032]
第一预测模块，用于根据所述本征模态函数imf预测imf序列；
[0033]
第二预测模块，用于根据所述全局下降趋势res预测res序列；
[0034]
输出模块，用于根据所述imf序列和所述res序列获取所述电池的寿命曲线。
[0035]
本技术目的之二，提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现所述的方法。
[0036]
本技术采用上述技术方案，其有益效果如下：
[0037]
本技术提供的电池寿命预测方法、预测系统及计算机设备，获取电池的充放电数据；对所述充放电数据进行处理获取本征模态函数imf和全局下降趋势res；根据所述本征模态函数imf预测imf序列；根据所述全局下降趋势res预测res序列；根据所述imf序列和所述res序列获取所述电池的寿命曲线，上述电池寿命预测方法及预测系统解决emd和eemd分
解误差较大及在获取长期真实数据困难的情况下，使用短期数据得到电池寿命预测结果较差的问题，达到提高寿命预测的精度，提高数据样本的利用的目的。
附图说明
[0038]
为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面所描述的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0039]
图1为本技术实施例1提供的电池寿命预测方法的步骤流程图。
[0040]
图2为本技术实施例1提供的imf预测流程图。
[0041]
图3为本技术实施例1提供的根据所述全局下降趋势res预测res序列的流程示意图。
[0042]
图4为申请本实施例2提供的提供电池寿命预测系统的结构示意图。
[0043]
图5为本技术实施例3提供的计算机设备结构示意图。
具体实施方式
[0044]
下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
[0045]
在本技术的描述中，需要理解的是，术语“上”、“下”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。
[0046]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0047]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。
[0048]
实施例1
[0049]
请参阅图1，为本实施例1提供的一种电池寿命预测方法的步骤流程图，包括下述步骤s110至步骤s150，以下详细说明各个步骤的实现方式。
[0050]
步骤s110：获取电池的充放电数据。
[0051]
在其中一些实施例中，在获取电池的充放电数据的步骤中，具体包括下述步骤：对电池进行充放电实验以获取所述充放电数据，所述充放电数据包括电池的电压、电流、温度和容量数据。
[0052]
在本实施例中，锂电池的充放电测试一般采用恒流-恒压充电、恒流放电模式，在实验中记录该过程的测试时间、充电倍率、温度、电阻、电压和电流等数据，通过分析该过程中数据的变化来表征电池的容量、库仑效率、充放电平台以及电池内部参数变化等电化学
性能参数。
[0053]
例如：当对18650电池进行寿命预测模型创建时，采用18650电池进行充放电实验，测试仪器为蓝电电池测试仪。首先，将18650测试电池安装在测试仪器的待测电池夹上；然后，打开测试系统监控界面，找到待测电池的通道，点击“启动”进行参数设置：静置15min；以1c倍率电流进行恒流充电至4.2v，恒压充电直至电流为0.05c，充电完毕；静置5min；以1c恒流放电至电压为3.0v；进行阻抗测试；设置电池测试的循环次数，并打开电池的安全保护功能，循环次数到达设置值时，测试结束，保存并导出电池数据。
[0054]
可以理解，电池寿命退化趋势与其工作条件密不可分，将电池循环中的电压、电流、温度数据加入深度神经网络的输入中，能够更加精准的进行小样本情况下的全局寿命退化趋势预测。
[0055]
步骤s120：对所述充放电数据进行处理获取本征模态函数imf和全局下降趋势res。
[0056]
在其中一些实施例中，在对所述充放电数据进行处理获取本征模态函数imf和全局下降趋势res的步骤中，具体包括下述步骤：根据所述充放电数据，得到电池容量-循环数的时间序列曲线；将所述时间序列曲线作为ceemdan的输入信号，使用ceemdan算法进行信号分解，获取本征模态函数imf和全局下降趋势res。
[0057]
可以理解，从电池的充放电测试中提取出每个循环的电压、电流、温度、时间、阻抗和电池容量数据，将容量数据作为时间序列信号进行ceemdan分解，将其余数据存储，作为后续rnn网络的输入。
[0058]
在本实施例中，使用ceemdan对容量序列数据进行信号分解的主要步骤如下：
[0059]
①
将高斯白噪声加入到原始输入信号y(t)中，对信号进行emd分解，得到第一阶本征模态分量c1：
[0060][0061]
其中，设ei()为经过emd分解后得到的第i个本征模态分量，ceemdan分解得到的第i个本征模态分量为ci(t)，vj为满足标准正态分布的高斯白噪声信号，j＝1，2，3
…
，n为加入白噪声的次数，ε为高斯白噪声的权值系数，y(t)为待分解信号。
[0062]
②
对产生的n个模态分量进行平均，得到ceemdan分解的第1个本征模态分量：
[0063][0064]
③
计算去除第一个模态分量后的差r1(t)：
[0065]
r1(t)＝y(t)-c1(t)
[0066]
④
在r1(t)中加入正负高斯白噪声得到新信号，将新信号进行emd分解，得到第一阶模态分量d1，由此得到ceemdan分解的第2个本征模态分量：
[0067][0068]
⑤
计算去除第二个模态分量后的差r2(t)：
[0069]
r2(t)＝r1(t)-c2(t)
[0070]
⑥
重复上述步骤，直到获得的残差信号为单调函数，不能继续分解，算法结束。
[0071]
可以理解，本实施例使用自适应噪声完全集合经验模态分解(cddmdan)进行信号处理，添加白噪声有效解决emd中的模态混叠问题，并且由于添加的噪声是emd分解后的imf分量使得重构信号中的噪声更小，可以有效提升运行速度，同时也解决了了eemd中imf难以对齐平均的问题，分解得到的imf和res信号更加准确。
[0072]
步骤s130：根据所述本征模态函数imf预测imf序列。
[0073]
在其中一些实施例中，在根据所述本征模态函数imf预测imf序列的步骤中，具体包括下述步骤：
[0074]
将所述本征模态函数imf作为transformer网络的输入，每一个本征模态函数imf对应一个transformer网络，利用所述本征模态函数imf对序列的前20％～30％数据训练模型，对剩余70％～80％序列进行预测。
[0075]
本实施例使用transformer网络编码层进行imf的预测，能够完成很好的长期预测任务，仅仅使用生命周期的前20％～30％的imf数据就能够准确预测出剩余周期的imf变化曲线。
[0076]
请参阅图2，为本实施例提供的imf预测流程图，具体如下：
[0077]
首先，将20％～30％周期的容量数据归一化并映射成一个高维度的向量x。利用正弦余弦函数对向量进行位置编码标记，将位置信息与向量求和得到具有位置信息的新的表示向量x，具体公式为：
[0078]
pe(t,2k)＝sin(t/10000
2k/m
)，pe(t,2k+1)＝cos(t/10000
2k/m
)
[0079]
其中：t为时间，m为位置编码的维度(与第一步向量x维度相同)，x即为transformer网络的输入。编码层中包含多头注意力层，每一个注意力层由自注意力层和前馈神经网络组成。将数据输入到自注意力层中用于捕获数据之间的相似性，输入矩阵x后，使用线性变换矩阵wq，wk，wv与x相乘得到query，key，value三种矩阵并进行相似性计算，计算公式如下：
[0080][0081]
其中：dk为q矩阵和k矩阵的列数(维度)，公式中计算q和k矩阵的向量内积，为了防止内积过大，因此除以将所得内积使用softmax函数进行归一化并与value矩阵相乘即可得到自注意力的输出矩阵y。
[0082]
然后，把自注意力层的输出矩阵y输入前馈神经网络层，该网络包含两个全连接层，第一层使用relu作为激活函数，第二层为线性层不使用激活函数，得到输出矩阵z，而后使用一个全连接层映射为输出结果，表示如下：
[0083]
z＝ffn(y)＝relu(yw1+b1)w2+b2[0084]
output＝f(woz+bo)
[0085]
其中w1，b1为relu激活函数的权重和偏差，w2，b2为线性层的权重和偏差，wo，bo为最终输出层的权重和偏差，output为输出结果。
[0086]
最后，训练集和测试集，进行模型训练，使用均方误差(rmse)进行模型性能测试，
并使用模型进行imf序列的预测。
[0087]
可以理解，本实施例使用transformer网络中编码层的注意力机制进行imf的预测，相对于经典transformer的编码-解码结构，节省时间成本，突破了循环神经网络(rnn)不能并行计算的限制，同时比rnn的长时依赖性更好；相比于长短期记忆(lstm)网络，计算复杂度更低，耗时短，效率高；相比于卷积神经网络(cnn)，可以进行全局任意两个数据操作，不受卷积层数的限制。
[0088]
步骤s140：根据所述全局下降趋势res预测res序列。
[0089]
在其中一些实施例中，在根据所述全局下降趋势res预测res序列的步骤中，将所述充放电数据和所述全局下降趋势res作为深度神经网络的输入，设置输入层，输出层的特征数，取前20％～30％数据训练，进行res的预测。
[0090]
请参阅图3，为本技术实施例提供的根据所述全局下降趋势res预测res序列的流程示意图，在本实施例中，dnn主要用于全局容量退化趋势res的预测。深度神经网络(dnn)其结构总共分为三层：输入层，隐含层，输出层。
[0091]
步骤s11：从充放电数据中提取出电池充放电的电压、电流、温度数据和ceemdan分解后的容量退化趋势res；
[0092]
步骤s12：将所得四组数据作为输入，网络隐含层设置为8层，每层256个神经元，输出为电池容量；
[0093]
步骤s13：取30％周期的数据进行模型训练，10％周期的数据作为测试集，进行模型训练并测试，同样使用rmse来评估网络性能，利用网格搜索法寻找学习率、隐含层数量、每层神经元个数、训练次数、权重衰减的最优结果；
[0094]
步骤s14：下载并保存模型，用训练的模型进行预测得到容量全局退化趋势。
[0095]
可以理解，在res的预测中，将电池的电压、电流、温度加入模型输入中，可以提高小样本数据情况下退化趋势的预测精度。
[0096]
步骤s150：根据所述imf序列和所述res序列获取所述电池的寿命曲线。
[0097]
在其中一些实施例中，在根据所述imf序列和所述res序列获取所述电池的寿命曲线的步骤中，具体包括下述步骤：将所得预测的imf序列和res序列求和，得到电池剩余70％～80％周期的容量数据，用容量数据除以标称容量即可求得电池健康状态，即得到寿命曲线。
[0098]
本技术提供的电池寿命预测方法，获取电池的充放电数据；对所述充放电数据进行处理获取本征模态函数imf和全局下降趋势res；根据所述本征模态函数imf预测imf序列；根据所述全局下降趋势res预测res序列；根据所述imf序列和所述res序列获取所述电池的寿命曲线，上述电池寿命预测方法，解决emd和eemd分解误差较大及在获取长期真实数据困难的情况下，使用短期数据得到电池寿命预测结果较差的问题，达到提高寿命预测的精度，提高数据样本的利用的目的。
[0099]
实施例2
[0100]
请参阅图4，为本实施例提供的提供电池寿命预测系统，包括：数据采集模块110，用于获取电池的充放电数据；数据处理模块120，用于对所述充放电数据进行处理获取本征模态函数imf和全局下降趋势res；第一预测模块130，用于根据所述本征模态函数imf预测imf序列；第二预测模块140，用于根据所述全局下降趋势res预测res序列；输出模块150，用
于根据所述imf序列和所述res序列获取所述电池的寿命曲线。
[0101]
本实施例2提供的预测系统，其详细的工作方式，可以参见上述实施例，这里不再赘述。
[0102]
本技术提供的电池寿命预测系统，获取电池的充放电数据；对所述充放电数据进行处理获取本征模态函数imf和全局下降趋势res；根据所述本征模态函数imf预测imf序列；根据所述全局下降趋势res预测res序列；根据所述imf序列和所述res序列获取所述电池的寿命曲线，上述电池寿命预测方法，解决emd和eemd分解误差较大及在获取长期真实数据困难的情况下，使用短期数据得到电池寿命预测结果较差的问题，达到提高寿命预测的精度，提高数据样本的利用的目的。
[0103]
实施例3
[0104]
请参阅图5为本技术实施例的计算机设备结构示意图。该计算机设备50包括处理器51、与处理器51耦接的存储器52。
[0105]
存储器52存储有用于实现上述电池寿命预测方法的程序指令。
[0106]
处理器51用于执行存储器52存储的程序指令以实现所述的电池寿命预测方法。
[0107]
其中，处理器51还可以称为cpu(central processing unit，中央处理单元)。处理器51可能是一种集成电路芯片，具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0108]
本技术上述实施例提供的预测方法经过仿真测试证明了其可行性：使用nasa的电池测试数据集，在b0005号电池上使用前40循环的数据取得了rmse：0.02431的效果，并且在剩余循环次数预测上，绝对误差ae为2个循环。
[0109]
可以理解，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0110]
以上仅为本技术的较佳实施例而已，仅具体描述了本技术的技术原理，这些描述只是为了解释本技术的原理，不能以任何方式解释为对本技术保护范围的限制。基于此处解释，凡在本技术的精神和原则之内所作的任何修改、等同替换和改进，及本领域的技术人员不需要付出创造性的劳动即可联想到本技术的其他具体实施方式，均应包含在本技术的保护范围之内。