一种储能电池剩余寿命预测方法、装置和电子设备

技术领域

本申请涉及锂离子电池健康状态检测技术领域，特别地，涉及一种储能电池剩余寿命预测方法、装置和电子设备。

背景技术

储能电池寿命预测是目前电池领域的热门研究方向之一。随着电池的快速发展，对其健康状态的预测研究也在不断深入。准确判断其健康状态有助于预测电池的整体寿命，完善充放电策略，以避免电池滥用。目前，大多数研究常使用电池老化的表征参数来定义健康状态，如容量、内阻等。由于电池具有非线性、时变、不确定性等特点，其时序特征难以提取，同时时序预测的机器学习方法大多基于循环结构网络，如RNN和LSTM。该类模型虽然相比其他确定性和传统统计学模型能够更好地解决序列预测问题，但由于其对时序信息进行顺序提取并不断向后传递，容易出现梯度消失和梯度爆炸问题，致使模型难以训练或无法训练，严重影响预测准确率，而Transformer模型虽然能实现长时间序列预测，但其存在计算复杂度高等问题，因此其寿命预测具有一定难度，同样会影响预测准确率。

发明内容

针对上述技术问题，本申请一方面提供了一种储能电池剩余寿命预测方法，以解决现有储能电池剩余寿命预测准确率低的技术问题。

本申请采用的技术方案如下：

一种储能电池剩余寿命预测方法，具体包括步骤：

S1：对储能电池中存在缺失、异常和重复的电池容量数据进行预处理，将提取的数据分为训练集和测试集；采用基于混沌理论的改进的相空间重构法对电池容量数据一维时间序列转化为二维混沌序列，学习并提取二维混沌序列中的有效非线性信息；

S2：引入混沌映射对SSA算法的相关参数进行初始化调整，其次，为了提高种群的多样性，增强对周围空间的搜索，引入对数螺旋策略对对SSA算法进行改进提高种群的多样性，增强对周围空间的搜索；最后，引入自适应步长策略对SSA算法进行改进，更好地控制算法的开发和探索能力，增强算法的收敛速度；

S3：基于MSSA算法对informer网络模型中关键参数进行寻优，将重构后的电池容量数据的训练集输入到informer网络模型中，以训练预测模型，其中，MSSA算法寻找informer模型中encoder序列维度、decoder序列维度、head数量、encoder层数、decoder层数、learning rate、batch size的最优解，初始化informer模型参数，构建informer网络模型，输出电池容量预测值；

S4：将重构后的电池容量数据的测试集输入到训练好的预测模型中，获得电池容量的预测值。

进一步地，步骤S1中，采用基于混沌理论的改进的相空间重构法对电池容量数据一维时间序列转化为二维混沌序列，学习并提取二维混沌序列中的有效非线性信息，具体步骤为：

S101、设定单变量混沌时间序列：

s＝{s

式中：N为时间长度；s

假设单变量混沌时间序列，坐标重构法需要2个重要参数，延迟时间τ和嵌入维数d，将时刻i之后每τ个时刻的序列值插入到当前向量中，直到组成一个d维向量，该向量就为重构改进的相空间的第i时刻对应的状态向量x

x

式中：m＝N-(d-1)τ，m为重构改进的相空间的所有状态数目，最后得到了重构后的改进的相空间：

X＝(x

S102、采用互信息法选取延迟时间τ：

其中，P(x

当系统为线性时间关系时，选取R

现有的自相关法对于混沌时间序列，其自相关函数定义：

当自相关函数的值R(τ)下降到初始值R(0)的(1－1/e)倍时，所对应的τ为合适的延迟时间值，但自相关法选择下降系数(1－1/e)倍具备一定的主观性，需要根据具体情况自行调整，同时不能推广到高维上进行研究，另外自相关法仅能提取时间序列的线性相关性。总结自相关法的不足后，本实施例提出判断系统非线性关系的方法：互信息法，互信息法能有效解决非线性关系的系统，但却不能简便高效的解决线性关系的时间序列，为此本实施例提出上述改进的相空间重构法，从而简便高效的解决线性关系的时间序列问题；

S103、采用改进的Cao氏法选取嵌入维数d，Cao氏法对虚假最近邻法的改进，其优点是只需要参数延迟时间τ，在重构改进的相空间中，计算每两对状态点的欧氏距离，即：

R

将x

R'

但采用Cao氏法易受序列量纲影响，且变量间的相关性干扰会影响计算结果，因此本实施例对Cao氏法进行改进，提出改进的Cao氏法：

每两对状态点的距离，即：

其中，μ

将x

改进的Cao氏法中，直接用D

距离度量选择无穷范数，定义：

式中：E(d)的值为总体的虚假近邻情况，当嵌入维数从d变化到d+1时，E(d)的变化情况，定义：

如果时间序列是具有混沌性的，那么E

进一步地，所述步骤S2具体包括步骤：

S201：引入混沌映射对SSA算法的相关参数进行初始化调整，通过混沌的特性将变量映射到混沌变量空间的取值区间内，最后将解线性地转化到优化变量空间，其中，在生成初始种群时采用Circle混沌映射，其定义为：

其中：mod为取余函数；

S202：引入对数螺旋策略对对SSA算法进行改进，引入对数螺旋搜索模型来解决数学模型描述如下：

l＝2(1-1/iter

式中：a为决定螺旋形状的常数，取值为1，l为从1线性递减到-1的参数，X

其中，其中，X

S203：引入自适应步长策略对SSA算法进行改进，提出了自适应步长更新公式：

K＝(2rand-1)×(1-t/iter

式中，

进一步地，所述informer网络模型包括编码器和解码器组成，通过电池循环容量的趋势实现储能电池剩余寿命预测，具体包括步骤：

S301：将重构后的电池容量数据作为informer网络模型的输入，使用位置编码(局部时间戳和全局时间戳)标记数据局部和全局前后时间位置关系，充分挖掘数据的时间相关性；

S302：利用informer网络模型的多头注意力机制将注意力聚焦于退化趋势更明显的数据特征上，获取数据的长时依赖关系，其中，解码器输入由两部分组成：其中一部分为编码器输出的关于容量数据的隐含中间特征数据，另一部分需将待预测容量数据在输入时使用0进行占位，并添加掩盖机制防止每个位置关注未来时间点容量信息；

S303：将数据连接到多头注意力机制，进而连接一个全连接层输出储能电池容量数据，从而实现储能电池剩余寿命预测。

进一步地，所述步骤S4还包括步骤：

通过平均绝对百分比误差(MAPE)、均方根误差(RMSE)、平均绝对误差(MAE)以验证预测模型的性能。

进一步地，所述平均绝对百分比误差(MAPE)计算方式为：

所述均方根误差(RMSE)计算方式为：

所述平均绝对误差(MAE)计算方式为：

其中，n为样本数，y

进一步地，所述步骤S4还包括步骤：

使用NASA和马里兰数据集进行对比，验证模型的普适性。

本申请另一方面还提供了一种储能电池剩余寿命预测装置，具体包括：

信息提取模块，用于对储能电池中存在缺失、异常和重复的电池容量数据进行预处理，将提取的数据分为训练集和测试集；采用基于混沌理论的改进的相空间重构法对电池容量数据一维时间序列转化为二维混沌序列，学习并提取二维混沌序列中的有效非线性信息；

参数调整模块，用于引入混沌映射对SSA算法的相关参数进行初始化调整，其次，为了提高种群的多样性，增强对周围空间的搜索，引入对数螺旋策略对对SSA算法进行改进提高种群的多样性，增强对周围空间的搜索；最后，引入自适应步长策略对SSA算法进行改进，更好地控制算法的开发和探索能力，增强算法的收敛速度；

模型训练模块，用于基于MSSA算法对informer网络模型中关键参数进行寻优，将重构后的电池容量数据的训练集输入到informer网络模型中，以训练预测模型，其中，MSSA算法寻找informer网络模型中encoder序列维度、decoder序列维度、head数量、encoder层数、decoder层数、learning rate、batch size的最优解，初始化informer网络模型参数，构建informer网络模型，输出电池容量预测值；

模型测试模块，用于将重构后的电池容量数据的测试集输入到训练好的预测模型中，获得电池容量的预测值。

本申请另一方面还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述储能电池剩余寿命预测方法的步骤。

本申请另一方面还提供了一种存储介质，所述存储介质包括存储的程序，在所述程序运行时控制所述存储介质所在的设备执行所述的储能电池剩余寿命预测方法的步骤。

相比现有技术，本申请具有以下有益效果：

本申请运用基于混沌理论的改进的相空间重构法，克服了储能电池在寿命预测时存在的剧烈波动，可有效提取储能电池数据特征信息。本申请将重构后的电池容量数据划分为训练集和测试集，训练集输入到MSSA-informer神经网络模型中，可实现复杂度较低的长时间序列预测，最后利用测试集验证寿命预测模型的准确性，可有效提高储能电池剩余寿命预测的准确率。

除了上面所描述的目的、特征和优点之外，本申请还有其它的目的、特征和优点。下面将参照附图，对本申请作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请优选实施例提供的一种储能电池剩余寿命预测方法流程示意图；

图2为本发明的informer网络模型结构示意图；

图3为本发明NASA充放电循环容量示意图；

图4是本申请优选实施例的储能电池剩余寿命预测装置模块示意图；

图5是本申请优选实施例的电子设备实体示意框图；

图6是本申请优选实施例的计算机设备的内部结构图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

参照图1，本申请的优选实施例提供了一种储能电池剩余寿命预测方法，具体包括步骤：

S1：对储能电池中存在缺失、异常和重复的电池容量数据进行预处理，将提取的数据分为训练集和测试集；采用基于混沌理论的改进的相空间重构法对电池容量数据一维时间序列转化为二维混沌序列，学习并提取二维混沌序列中的有效非线性信息；

S2：引入混沌映射对SSA算法的相关参数进行初始化调整，其次，为了提高种群的多样性，增强对周围空间的搜索，引入对数螺旋策略对对SSA算法进行改进提高种群的多样性，增强对周围空间的搜索；最后，引入自适应步长策略对SSA算法进行改进，更好地控制算法的开发和探索能力，增强算法的收敛速度；

S3：基于MSSA算法对informer网络模型中关键参数进行寻优，将重构后的电池容量数据的训练集输入到informer网络模型中，以训练预测模型，其中，MSSA算法寻找informer模型中encoder序列维度、decoder序列维度、head数量、encoder层数、decoder层数、learning rate、batch size的最优解，初始化informer模型参数，构建informer网络模型，输出电池容量预测值；

S4：将重构后的电池容量数据的测试集输入到训练好的预测模型中，获得电池容量的预测值。

优选地，步骤S1中，采用基于混沌理论的改进的相空间重构法对电池容量数据一维时间序列转化为二维混沌序列，学习并提取二维混沌序列中的有效非线性信息，具体步骤为：

S101、设定单变量混沌时间序列：

s＝{s

式中：N为时间长度；s

假设单变量混沌时间序列，坐标重构法需要2个重要参数，延迟时间τ和嵌入维数d，将时刻i之后每τ个时刻的序列值插入到当前向量中，直到组成一个d维向量，该向量就为重构改进的相空间的第i时刻对应的状态向量x

x

式中：m＝N-(d-1)τ，m为重构改进的相空间的所有状态数目，最后得到了重构后的改进的相空间：

X＝(x

S102、采用互信息法选取延迟时间τ：

其中，P(x

当系统为线性时间关系时，选取R

现有的自相关法对于混沌时间序列，其自相关函数定义：

当自相关函数的值R(τ)下降到初始值R(0)的(1－1/e)倍时，所对应的τ为合适的延迟时间值，但自相关法选择下降系数(1－1/e)倍具备一定的主观性，需要根据具体情况自行调整，同时不能推广到高维上进行研究，另外自相关法仅能提取时间序列的线性相关性。总结自相关法的不足后，本实施例提出判断系统非线性关系的方法：互信息法，互信息法能有效解决非线性关系的系统，但却不能简便高效的解决线性关系的时间序列，为此本实施例提出上述改进的相空间重构法，从而简便高效的解决线性关系的时间序列问题；

S103、采用改进的Cao氏法选取嵌入维数d，Cao氏法对虚假最近邻法的改进，其优点是只需要参数延迟时间τ，在重构改进的相空间中，计算每两对状态点的欧氏距离，即：

R

将x

R'

但采用Cao氏法易受序列量纲影响，且变量间的相关性干扰会影响计算结果，因此本实施例对Cao氏法进行改进，提出改进的Cao氏法：

每两对状态点的距离，即：

其中，μ

将x

改进的Cao氏法中，直接用D

距离度量选择无穷范数，定义：

式中：E(d)的值为总体的虚假近邻情况，当嵌入维数从d变化到d+1时，E(d)的变化情况，定义：

如果时间序列是具有混沌性的，那么E

本申请中，SSA算法(麻雀搜寻算法)介绍如下：

麻雀觅食过程是一种发现者-跟随者模型，检测预警机制也是叠加的。麻雀中适应度好的个体为生产者，其他个体为跟随者。同时，选取种群中一定比例的个体进行检测和预警。如果发现危险，这些个体就会飞走，寻找新的位置。

生产者、追随者和守卫者根据各自的规则进行位置更新，更新规则如下：

其中，X

剩下的麻雀作为跟随者，利用下式更新跟随者位置：

其中，X

从种群中随机选择部分麻雀作为警戒者，利用下式更新警戒者位置：

其中，X

优选地，为了所述步骤S2具体包括步骤：

S201：引入混沌映射对SSA算法的相关参数进行初始化调整，通过混沌的特性将变量映射到混沌变量空间的取值区间内，最后将解线性地转化到优化变量空间，其中，在生成初始种群时采用Circle混沌映射，其定义为：

其中：mod为取余函数；

S202：引入对数螺旋策略对对SSA算法进行改进，通过实验发现，原始的SSA算法容易陷入局部最优，从而导致早熟收敛，其发现者每次迭代更新都趋近于个体最优解直线，具有较强的开发能力，但在接近最优个体的过程中失去了对附近搜索空间的探索，种群多样性降低，容易陷入局部最优，因此，我们引入对数螺旋搜索模型来解决这一问题，引入对数螺旋搜索模型来解决数学模型描述如下：

l＝2(1-1/iter

式中：a为决定螺旋形状的常数，取值为1，l为从1线性递减到-1的参数，X

其中，其中，X

S203：在SSA中，守卫者的位置更新采用了两种策略。对于适应度较差的个体，采用高斯分布生成步长。高斯分布产生较小步长的概率较高，有利于算法的全局搜索。对适应度较好的个体采用随机步长策略，但在后期迭代中仍有较大概率出现大步长，不利于算法收敛。基于以上分析，为了平衡算法的开发和探索能力，增强算法的收敛速度，针对两种策略，本实施例引入自适应步长策略对SSA算法进行改进，提出了自适应步长更新公式如下：

K＝(2rand-1)×(1-t/iter

式中，

优选地，如图2所示，所述informer网络模型包括编码器和解码器组成，通过电池循环容量的趋势实现储能电池剩余寿命预测，具体包括步骤：

S301：将重构后的电池容量数据作为informer网络模型的输入，使用位置编码(局部时间戳和全局时间戳)标记数据局部和全局前后时间位置关系，充分挖掘数据的时间相关性；

S302：利用informer网络模型的多头注意力机制将注意力聚焦于退化趋势更明显的数据特征上，获取数据的长时依赖关系，其中，解码器输入由两部分组成：其中一部分为编码器输出的关于容量数据的隐含中间特征数据，另一部分需将待预测容量数据在输入时使用0进行占位，并添加掩盖机制防止每个位置关注未来时间点容量信息；

S303：将数据连接到多头注意力机制，进而连接一个全连接层输出储能电池容量数据，从而实现储能电池剩余寿命预测。

优选地，所述步骤S4还包括步骤：

通过平均绝对百分比误差(MAPE)、均方根误差(RMSE)、平均绝对误差(MAE)以验证预测模型的性能。

进一步地，所述平均绝对百分比误差(MAPE)计算方式为：

所述均方根误差(RMSE)计算方式为：

所述平均绝对误差(MAE)计算方式为：

其中，n为样本数，y

优选地，所述步骤S4还包括步骤：

使用NASA和马里兰数据集进行对比，验证模型的普适性。

下面以5号电池容量为例对本申请做进一步的说明：

本实施例根据美国航空航天局(NASA)提供的储能电池数据(见图3)，该数据通过对电池进行充放电实验，充电实验是以1.5A的恒定电流(CC)模式进行充电，直到电池电压达到4.2V，然后以恒定电压(CV)模式继续充电，直到充电电流降至20mA。充电实验是以2A的恒定电流(CC)进行放电，直到电池5、6、7和18的电压分别降至2.7V，2.5V，2.2V和2.5V。实验终止条件是当电池达到寿命终止(EOL)标准——额定容量(从2Ahr降至1.4Ahr)下降20％，该实验记录了电池的电压、电力、阻抗和温度等数据，可用于电池的寿命预测。

以5号电池容量为例，提取储能电池容量数据并分为训练集和测试集，对电池容量数据以7：3的比例划分的训练集和测试集，采用基于混沌理论的改进的相空间重构法对电池容量数据一维时间序列转化为二维混沌序列，学习并提取混沌序列中有效非线性信息重构电池容量数据。

引入混沌映射对SSA的主要参数进行初始化。初始化麻雀种群数为10，迭代次数为10，初始化麻雀在生产者中的比例为0.2，寻优维度为4。引入对数螺旋策略对麻雀搜索机制进行改进，通过MSSA对informer网络模型中关键参数进行寻优，将重构后的电池容量数据的训练集输入到神经网络中，以训练预测模型。MSSA算法初始化参数后，寻找informer网络模型中encoder序列维度、decoder序列维度、head数量、encoder层数、decoder层数、learning rate、batch size的最优解分别为30、20、8、1、1、0.001、10。

初始化informer模型算法参数，以电池容量前一时刻的特征和预测时期的循环次数特征作为输入，输入序列长度(seq_len)和先验序列长度(label_len)为24和12，预测序列长度为6，输出电池容量预测值。

重构后的电池容量数据的测试集输入到训练好的预测模型中，获得预测模型的性能评估指标，平均绝对百分比误差(MAPE)为0.167865，均方根误差(RMSE)为0.129616，平均绝对误差(MAE)为0.120595。重复以上步骤，采用马里兰数据集对电池剩余寿命进行预测，并比较两数据集之间的区别，验证该算法的普适性。

本发明针对储能电池寿命预测问题，首先对电池容量进行改进的相空间重构，然后采用多方案融合的麻雀搜寻算法的麻雀算法使informer网络模型参数达到最优，将重构后的数据输入到优化后的informer网络模型中，此时训练出的预测模型实现简单、易于实现，准确度高等性能。

如图4所示，本申请另一方面还提供了一种储能电池剩余寿命预测装置，具体包括：

信息提取模块，用于对储能电池中存在缺失、异常和重复的电池容量数据进行预处理，将提取的数据分为训练集和测试集；采用基于混沌理论的改进的相空间重构法对电池容量数据一维时间序列转化为二维混沌序列，学习并提取二维混沌序列中的有效非线性信息；

参数调整模块，用于引入混沌映射对SSA算法的相关参数进行初始化调整，其次，为了提高种群的多样性，增强对周围空间的搜索，引入对数螺旋策略对对SSA算法进行改进提高种群的多样性，增强对周围空间的搜索；最后，引入自适应步长策略对SSA算法进行改进，更好地控制算法的开发和探索能力，增强算法的收敛速度；

模型训练模块，用于基于MSSA算法对informer网络模型中关键参数进行寻优，将重构后的电池容量数据的训练集输入到informer网络模型中，以训练预测模型，其中，MSSA算法寻找informer网络模型中encoder序列维度、decoder序列维度、head数量、encoder层数、decoder层数、learning rate、batch size的最优解，初始化informer网络模型参数，构建informer网络模型，输出电池容量预测值；

模型测试模块，用于将重构后的电池容量数据的测试集输入到训练好的预测模型中，获得电池容量的预测值。

上述储能电池剩余寿命预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

如图5所示，本申请的优选实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例中的储能电池剩余寿命预测方法。

如图6所示，本申请的优选实施例还提供了一种计算机设备，该计算机设备可以是终端或活体检测服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的其他计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现上述储能电池剩余寿命预测方法。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本申请的优选实施例还提供了一种存储介质，所述存储介质包括存储的程序，在所述程序运行时控制所述存储介质所在的设备执行上述实施例中的储能电池剩余寿命预测方法。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本实施例方法所述功能若以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个或者多个计算设备可读取存储介质中。基于这样的理解，本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)，磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。