基于深度学习的锂离子电池组健康状态预测方法

技术领域

本发明涉及锂离子电池状态预测技术领域，特别涉及基于深度学习的锂离子电池组健康状态预测方法。

背景技术

锂离子电池以其高比能量，长循环寿命，较宽的工作温度范围等特性广泛用于电动汽车、混合动力船舶、无人机等设备的能源动力系统。由于单体锂离子电池电压较低，在动力供应过程中需要以电池组的方式进行能源供应，因此在实际使用中，成百上千的电池通过各种复合连接方式，以及各种成包成组方法组成复杂的能源供应系统。从单体电池到组合连接电池组再到复杂电池包最后形成完整的能源动力系统，是一个典型的多层级系统。

另一方面，在锂离子电池组的实际使用过程中，由于电池间存在极强的相依作用，再加上电池初始差异和环境应力影响，电池组的一致性很难保持。在相依作用下，这种不一致性将愈发加重电池组的非均衡效应，使得电池间的退化过程和特征参数相互耦合复杂多变，相互的关联关系动态变化，难以准确预知。

发明内容

针对上述问题，本发明提出基于深度学习的锂离子电池组健康状态预测方法，以解决现有技术中存在的技术问题，能够按照试验—特征提取—相关性分析—特征降维—节点退化数据预测—节点状态分布预测—系统健康状态预测的流程，完整地进行了相应的分析工作，实现了对锂离子电池组健康状态的准确预知。

为实现上述目的，本发明提供了如下方案：本发明提供基于深度学习的锂离子电池组健康状态预测方法，包括以下步骤：

S1、提取锂离子电池组的放电特征参数，并对所述放电特征参数进行相关性分析；

S2、根据所述相关性分析的结果获取原始特征数据集，并对所述原始特征数据集进行特征降维，获得降维特征集；

S3、根据循环间放电容量的关联关系获取锂离子电池组循环间放电情况的时序性，并基于所述锂离子电池组循环间放电情况的时序性构建节点退化数据预测模型；

S4、将所述降维特征集输入所述节点退化数据预测模型中，获取所述锂离子电池组的节点退化预测数据；

S5、将所述节点退化预测数据转化为节点状态分布预测数据，并基于所述节点状态分布预测数据获取锂离子电池组健康状态预测结果。

优选地，所述S1中的放电特征参数包括放电电流、放电电压、放电温度、放电容量数据。

优选地，所述S1中的相关性分析的过程为：对所述放电特征参数进行均值、中位数、方差计算，完成统计分析，并根据所述统计分析的结果进行相关可视化操作，完成相关性分析。

优选地，所述S2中原始特征数据集的获取过程为：量化所述相关性分析的结果，获取所述放电特征参数的相关系数矩阵，并根据所述相关系数矩阵去除相关系数小于0.1的所述放电特征参数，获取原始特征数据集。

优选地，所述S2中特征降维的过程包括以下步骤：

S2.1、对所述原始特征数据集进行网格化处理，获得网格特征矩阵；

S2.2、基于所述网格特征矩阵构建卷积神经网络模型，并对所述卷积神经网络模型进行模型优化训练；

S2.3、基于所述模型优化训练后的所述卷积神经网络模型获取降维特征参数，完成特征降维。

优选地，所述S3中节点退化数据预测模型的构建包括以下步骤：

S3.1、获取所述锂离子电池组的循环退化数据集，并基于所述循环退化数据集获取模型数据集；

S3.2、构建所述节点退化数据预测模型；

S3.3、基于所述模型数据集对所述节点退化数据预测模型进行参数优化训练，完成节点退化数据预测模型的构建。

优选地，所述S5中锂离子电池组健康状态预测结果的获取过程包括以下步骤：

S5.1、对所述节点退化预测数据进行离散化处理，完成对所述锂离子电池组退化过程的多状态划分；

S5.2、构建贝叶斯神经网络混合模型；

S5.3、基于所述贝叶斯神经网络混合模型获取节点状态分布预测数据，根据所述节点状态分布预测数据获取锂离子电池组健康状态预测结果。

本发明公开了以下技术效果：

本发明利用多层级系统预测建模方法，通过电池充放电的多特征参数，建立电池组系统贝叶斯网络模型，并按照特征提取—相关性分析—特征降维—节点状态分布预测—系统健康状态预测的流程，完整地进行了相应的分析工作，实现了对锂离子电池组健康状态的准确预知。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的方法流程图；

图2为本发明实施例的电池组试验平台示意图；

图3为本发明实施例的并串联电池组结构示意图；

图4为本发明实施例的循环剖面示意图；其中，(a)为放电第5循环；(b)为放电第295循环；

图5为本发明实施例的特征降维示意图；

图6为本发明实施例的整合节点状态概率分布预测曲线；

图7为本发明实施例的电池组系统贝叶斯网络模型；

图8为本发明实施例的锂离子电池组系统状态预测结果。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图1所示，本实施例提供基于深度学习的锂离子电池组健康状态预测方法，包括以下步骤：

S1、提取锂离子电池组的放电特征参数，并对放电特征参数进行相关性分析。

其中，放电特征参数包括放电电流、放电电压、放电温度、放电容量数据。相关性分析的过程为：对放电特征参数进行均值、中位数、方差计算，完成统计分析，并根据统计分析的结果进行相关可视化操作，完成相关性分析。

S2、根据相关性分析的结果获取原始特征数据集，并通过卷积神经网络对原始特征数据集进行特征降维，获得降维特征集。

其中，原始特征数据集的获取过程为：量化相关性分析的结果，获取放电特征参数的相关系数矩阵，并根据相关系数矩阵去除相关系数小于0.1的放电特征参数，获取原始特征数据集。

特征降维的过程包括以下步骤：

S2.1、对原始特征数据集进行网格化处理，获得网格特征矩阵；

S2.2、基于网格特征矩阵构建卷积神经网络模型，并对卷积神经网络模型进行模型优化训练；

S2.3、基于模型优化训练后的卷积神经网络模型获取降维特征参数，完成特征降维。

S3、根据循环间放电容量的关联关系获取锂离子电池组循环间放电情况的时序性，并基于锂离子电池组循环间放电情况的时序性构建节点退化数据预测模型。

节点退化数据预测模型的构建包括以下步骤：

S3.1、获取锂离子电池组的循环退化数据集，并基于循环退化数据集获取模型数据集；

S3.2、构建节点退化数据预测模型；

S3.3、基于模型数据集对节点退化数据预测模型进行参数优化训练，完成节点退化数据预测模型的构建。

S4、将降维特征集输入节点退化数据预测模型中，获取锂离子电池组的节点退化预测数据。

S5、将节点退化预测数据转化为节点状态分布预测数据，并基于节点状态分布预测数据获取锂离子电池组健康状态预测结果。

S5.1、对节点退化预测数据进行离散化处理，完成对锂离子电池组退化过程的多状态划分；

S5.2、基于深度学习以及程序实现框架构建贝叶斯神经网络混合模型；

S5.3、基于贝叶斯神经网络混合模型获取节点状态分布预测数据，根据节点状态分布预测数据获取锂离子电池组健康状态预测结果。

在本实施例的锂离子电池组循环退化试验中，受试电池采用商用ICR18650锂离子电池，四节电池以先并联后串联的方式组成电池组，电池组循环退化试验平台和测试系统示意如图2所示。并串联电池组结构示意如图3所示，其中Cell_1、Cell_2、Cell_3、Cell_4为单体电池编号。

为评估预测电池组的健康状态，退化试验主要从电池组的各个放电特征参数进行性能评估，相应的测量参数包括电池组及内部单体电池的放电电流、放电电压、放电温度等特征参数，同时测量电池组总体的循环放电容量作为电池组的健康状态指标。对退化数据向状态分布的转化内容部分，针对的对象均为Cell_1，Cell_2组成的并联模块整合节点(后面简称为并联模块)。

并联模块循环退化试验数据集共包含320个循环的放电数据，特征参数包括并联模块和并联模块内部单体电池各个循环的充放电电流、充放电电压、充放电温度，以及并联模块整体的放电容量数据，并联模块的循环剖面示意图如图4所示。

在实验中并联模块在放电阶段相依性质体现尤为明显，并且随着循环退化的进行电池组的放电特征差异明显，非均衡影响明显加强，放电特征能反映电池组当前的放电性能，能够很好的作为电池组健康状态的输入参数，并且放电容量是反应电池组健康状态的主要指标。在此基础上对并联模块循环剖面的放电阶段进行截取，分析放电阶段各特征之间以及与系统整体健康状态变化的相关性质。

各特征参数随着退化状态的进行也发生明显改变：随着循环退化过程的进行，电流参数的波动性明显增加，电池间的不一致性也明显加强，不一致性的影响也从放电结束阶段蔓延到整个放电过程；对于电压参数，由于并联结构的特性，退化前期和后期变化不明显，能初步看出随着电池退化波动性的增强，需要进一步分析其与并联模块状态的相关性；温度参数也发生显著变化，首先温度均值显著提高，其次不一致性明显加强，两节电池的差异性增大。另一方面，从各个放电特征的剖面图也可以看出，电池健康状态的改变在特征参数的变化上的体现也具有一定的位置特性，例如从电流和温度数据来看，电池的退化过程主要从放电末期向前扩散，实现对于这类特征信息的捕捉，将对特征降维的效果带来提升，这也是卷积神经网络中卷积核的主要作用之一。

并且放电参数的统计特征也能有效反映电池组的健康状态，例如温度的均值能反应电池内阻的变化趋势，电流电压的方差能反映电池放电的稳定性，对上述测得的多个并联模块放电特征参数进行统计分析，计算各参数的均值、中位数、方差，并进行相关可视化操作。

各统计参数与并联模块的退化过程存在较强的相关性质，为了量化相关关系，计算特征参数相关系数矩阵，根据相关矩阵，将相关系数小于0.1的特征予以剔除，将剩下的特征与之前的放电电流、放电电压、放电温度作为原始特征集输入，如表1和表2所示。

表1

表2

进一步分析相关系数矩阵可以看出，特征参数对并联模块健康状态基本都有较高的相关性说明提取出的电池充放电特征能够用来进行电池组健康状态的预测，但与此同时也存在温度中位数、电压方差值等相关性较小的参数(<0.1)，同时也发现多特征参数之间存在着较强的相关性质，如果直接输入模型会造成权重偏移，降低模型预测精度，带来多特征数据的重叠问题，因此需要进一步进行特征降维工作。

为了得到质量更高的输入特征以提高模型预测准确率，对于上述得到的原始特征数据集，基于特征降维方法，利用卷积神经网络对锂离子电池组放电特征进行特征降维，如图5所示。

为了对模型特征降维的结果进行分析评价，对并联模块健康状态进行多状态划分，并以健康、退化、失效作为预测标签，Adam算法作为优化算法进行模型参数的优化训练。

针对多特征降维效果的评价，本实施例从降维特征可视化和模型分类性能两个方面对特征降维结果进行评价分析。将降维结果前三个降维主成分进行可视化处理。原始的多特征数据经过卷积神经网络，特征之间进行非线性组合得到降维特征参数。类比于主成分分析，对于可视化结果，图像中的三个坐标轴代表降维特征结果的前三个主成分维度，每个图像代表电池组的一个循环过程，曲线的变化趋势代表并联模块在当前放电循环过程中降维特征的变化情况。

以模型预测准确率作为评价标准，模型预测结果acc如所示：

式中，m表示预测正确的样本数；n表示总的样本量。模型预测结果如表3所示。

表3

模型的预测精度结果为96.6％，具有良好的预测性能，也表示出卷积神经网络得到的降维特征能够对系统健康状态有很好的表征作用。以降维提取得到的三个主成分来表示每个循环的退化过程。随着循环退化过程的进行，并联模块的放电过程紊乱程度明显增加，从模式识别的角度来说，通过卷积神经网络降维得到的特征有效的对电池组的健康状态变化予以识别。

在上述基础上，并联模块的退化特征参数与电池组到的健康状态变化有很强的相关性，能很好的表征电池组的退化状态，因此本实施例以并联模块健康状态为对象，将降维特征作为数据输入，进一步进行电池组退化预测。以循环放电容量作为表征电池组健康状态的主要指标，因此本节主要针对电池组的循环放电容量开展建模预测工作。

考虑电池组的健康状态在时间序列维度具有连续性，循环间的放电容量存在关联关系，即电池组循环间放电情况的时序性，建立卷积神经网络和LSTM循环神经网络的混合模型，对并联模块的循环放电容量进行预测。

利用CNN+LSTM混合模型对并联模块放电容量进行预测，其中模型对于电池组的放电容量起到了较好的预测效果。以均方根误差(RMSE)、绝对误差(MAE)和R

表4

从表4结果可以看出模型对容量的预测误差能达到10mAh左右，R

其中，RMSE、MAE，和R

式中，y

在此基础上，为了能够更清晰地对深度学习模型预测的有效性给出评估，本实施例继续对所提出模型的预测精度进行进一步评估。针对模型预测的稳定性予以分析，本实施例采用箱型图进行预测精度分散情况统计。首先将原预测结果转化为相对误差计算，相对误差的计算公式如下所示：

式中，

通过箱型线分析结果，能够得出深度学习预测模型对并联模块健康状态退化量的预测结果波动性小，离群值少，性能良好。

上述实现了对电池健康状态退化过程的预测，但要实现对锂离子电池组系统状态推断，还需要将电池组的退化数据向状态分布数据进行转化，利用贝叶斯神经网络能够将退化数据转化为节点状态分布数据。

首先对电池组的退化过程进行状态划分。基于模糊理论分别将基层组件在不同时刻获取的连续数据采用模糊数进行离散化处理，即退化过程数据的多状态划分。锂离子电池容量退化数据状态划分越精细，越能准确把握其状态，然而随着状态数目的增多，计算的复杂度呈指数级别增长，对于锂离子电池组系统适合采用梯形模糊数将其连续数据划分为3状态(健康、退化、失效/normal、degraded、failure)或4状态(健康、轻微退化、严重退化、失效/normal、slight degraded、serious degraded、failure)进行研究。

按多状态划分方法将归一化后的容量数据进行离散化处理，根据电池退化过程所建的网络节点状态，综合计算复杂度与准确度，将建立的电池组系统网络的节点状态划分为3状态(健康、退化、失效/normal、degraded、failure)，得到电池组系统及单体节点多状态划分结果。

利用深度学习以及程序实现框架的特点，在建立的CNN+LSTM混合模型的基础上，定义贝叶斯神经网络层，将隐藏神经元的先验分布设置为高斯分布，替换原模型的全连接网络层，并根据健康状态划分情况设置网络模型输出维度，建立CNN+LSTM+BNN(贝叶斯神经网络)混合模型。

在状态划分的基础上，建立贝叶斯神经网络模型，整合节点的状态概率分布预测曲线如图6-8所示。根据图8可以看出，整合节点在100循环左右，节点开始由健康状态向退化状态进行转变，在240循环左右，失效状态的概率猛增，电池并联模块迅速进入退化状态。

本发明公开了以下技术效果：

本发明利用多层级系统预测建模方法，通过电池充放电的多特征参数，建立电池组系统贝叶斯网络模型，并按照特征提取—相关性分析—特征降维—节点状态分布预测—系统健康状态预测的流程，完整地进行了相应的分析工作，实现了对锂离子电池组健康状态的准确预知。

最后应说明的是：以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。