一种基于相关性分析与VMD-LSTM的锂离子电池剩余使用寿命预测方法

技术领域

本发明涉及锂离子电池容量检测技术领域，尤其是指一种基于相关性分析与VMD-LSTM的锂离子电池剩余寿命预测方法。

背景技术

锂电池拥有能量密度高、自放电率低、循环寿命长、工作温度范围广、无污染等特性，被广泛应用于计算工程、物流、航空航天电动汽车、电子设备等智能制造领域。锂电池退化将引起的电池失效会导致电池寿命缩短，甚至发生严重事故。RUL(Remaining UsefulLife，剩余使用寿命)通常定义为：在实时工作条件下，电池的实时容量衰减到额定容量的70％，所经历的循环周期。通常认为当电池容量下降至额定容量70％，电池即达到使用寿命终点。因此，锂离子电池RUL的高精确率是对锂电池保护的重要举措之一，具有重要意义。

由于锂离子电池容量直接测量方法需要深入到电池内部，会对电池内部结构造成损坏，因此对于锂离子电池RUL往往需要间接性预测。目前，通过大量研究发现锂离子电池的放电功率、恒流充电时间、恒流充电阶段电池端的电压、放电时平均温度等参数变化趋势与电池容量的退化趋势相关性较大，可作为RUL预测的HI(Health Indicator，健康因子)。HI解决了容量难以在线获取的困难，但仍存在以下不足之处：1.部分锂离子电池HI由于与电池容量相关性不高，易导致对电池容量衰减的表达能力参差不齐。2.现研究的信号分解方法产生的模态分量过多易导致模态重复或产生额外的噪声。

综上所述，在锂离子电池RUL预测领域中，现有的方法存在因非线性、多模态、多噪声等特性导致锂离子电池RUL预测精度低、泛化性差及鲁棒性弱等问题。

发明内容

本发明针对上述技术背景中存在的问题，提出了一种基于相关性分析与VMD-LSTM的锂离子电池RUL预测方法，对锂离子电池的特征参数进行与容量间的相关性分析，得出特征参数与容量之间的相关系数，选取相关性最强的特征参数作为预测锂离子电池RUL的HI。因此，选取出的HI可以代表锂离子电池的RUL,进而间接预测RUL,克服了现有HI品质较低问题，同时利用VMD(Variational Mode Decomposition,变模态分解)对选取出的HI进行信号分解，将其分解为全局衰减、局部再生和其他噪声三种分量，并将这三种分量作为HI进行RUL预测，有效避免了变量信息重叠，且分解过程具有较强的鲁棒性。对分解出的模态分量分别经LSTM(Long Short Term Memory，长短时记忆网络)进行RUL预测，最后对各模态分量的预测结果进行累加以实现锂离子电池RUL的精准预测。

本发明所采用的技术方案包括以下步骤：

步骤1，由于锂离子电池放电功率、恒流充电时间、放电平均温度、放电截至电压以及恒流充电时间与恒压充电时间的比值与电池容量具有较强相关性，可以作为预测锂离子电池RUL的HI。对锂离子电池的特征参数进行与容量间的相关性分析，得出特征参数与容量之间的相关系数，选取相关性最强的特征参数作为预测锂离子电池RUL的HI。

步骤2，考虑到锂离子电池容量退化趋势可以分为全局衰减、局部再生和其他噪声3个部分。因此采用VMD对选取出的HI进行多尺度分解得到3组模态分量.

步骤3，利用训练好的长短期记忆网络模型对3组模态分量进行锂离子电池RUL预测，最后将3组预测结果进行累加以实现锂离子电池RUL的精准预测。

步骤1具体按照以下步骤实施：

通过公开的数据集获得锂离子电池放电功率、恒流充电时间、放电平均温度、放电截至电压以及恒流充电时间与恒压充电时间的比值,并计算上述特征参数与容量之间的Person系数。

步骤1.1、通过计算得出恒流充电时间与容量之间的相关性最强可以作为HI间接预测锂离子电池RUL。

步骤2具体按照以下步骤实施：

步骤2.1、VMD设定原始信号f为有限个模态分量u

式(1)中δ(t)为狄克拉函数，

上述变分模型求解思路是：

1.引入二次惩罚因子α和拉格朗日算子λ(t)，将约束问题转化成非约束问题：

式(2)中，<>表示内积运算。

引入乘法算子交替方向法迭代更新u

初始化

式(5)中τ表示带宽。

迭代终止条件为

式(6)中，ε表示判别精度且大于0。

令相关性最强的HI的数据为H(t)，其VMD分解结果为

式(7)中，N为模态分量个数，考虑到电池容量退化趋势由全局衰减、局部再生和其他噪声这三部分组成，因此将N设置为3。

经VMD分解后得到主趋势数据u

步骤3具体按照以下步骤实施：

步骤3.1、将经VMD分解后得到主趋势数据u

步骤3.2、将得到的预测结果进行累加，

本发明的优点及有益效果是：

1、克服了现有HI品质较低问题，经过相关性分析后的HI能够很好的代表电池容量进行间接预测。

2、VMD对HI进行多尺度解析，将原始信号分解为三种模态分量，避免了模态分量过多易导致模态重复或产生额外的噪声。

附图说明

图1为本发明公开的一种基于相关性分析与VMD-LSTM的锂离子电池剩余寿命预测方法的流程框图示意。

图2为B5，B6，B7，B18电池容量退化曲线图。

图3为恒流充电时间与电池容量随电池循环周期变化曲线图。

图4为LSTM网络结构示意图。

具体实施方式

为了更加清晰明了的表达本发明的实现目的、实施方案和优点，下面将结合附图对本发明做进一步的解释说明，但要注意，所描述的实施过程为本发明实施总过程的一部分。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

参见图1，图1为本发明实施例的基于相关性分析与VMD-LSTM的锂离子电池剩余寿命预测方法的结构流程图，包括如下步骤：

步骤1，由于锂离子电池放电功率、恒流充电时间、放电平均温度、放电截至电压以及恒流充电时间与恒压充电时间的比值与电池容量具有较强相关性，可以作为预测锂离子电池RUL的HI。对锂离子电池的特征参数进行与容量间的相关性分析，得出特征参数与容量之间的相关系数，选取相关性最强的特征参数作为预测锂离子电池RUL的HI。

步骤1具体按照以下步骤实施：

步骤1.1、实验数据来源于美国航天局PCoE提供的公开数据集。选取其中一组在同样实验环境下采集的18650型号锂离子电池(B5,B6,B7,B18)充放电数据，电池额定容量为2A·h。

图2给出了B5，B6，B7，B18电池容量退化曲线图

通过相关性分析得出电池放电功率P、恒流充电时间L、放电平均温度T

表1 特征参数和容量相关性分析表(以B5电池为例)

步骤1.2、通过计算得出恒流充电时间与容量之间的相关性最强可以作为HI间接预测锂离子电池RUL。

图3为恒流充电时间与电池容量随电池循环周期变化曲线图。

步骤2具体按照以下步骤实施：

步骤2.1、VMD设定原始信号f为有限个模态分量u

式(1)中δ(t)为狄克拉函数，

上述变分模型求解思路是：

1.引入二次惩罚因子α和拉格朗日算子λ(t)，将约束问题转化成非约束问题：

式(2)中，<>表示内积运算。

引入乘法算子交替方向法迭代更新u

初始化

式(5)中τ表示带宽。

迭代终止条件为

式(6)中，ε表示判别精度且大于0。

令相关性最强的HI的数据为H(t)，其VMD分解结果为

式(7)中，N为模态分量个数，考虑到电池容量退化趋势由全局衰减、局部再生和其他噪声这三部分组成，因此将N设置为3。

经VMD分解后得到主趋势数据u

步骤3具体按照以下步骤实施：

步骤3.1、将经VMD分解后得到主趋势数据u

图4给出了LSTM网络结构示意图

步骤3.2、将得到的预测结果进行累加，