首页 > 资讯 > 一种自动识别电池健康特征的电池剩余寿命预测方法

一种自动识别电池健康特征的电池剩余寿命预测方法

泰然健康网
2025-07-15 16:17

本发明属于锂离子电池剩余使用寿命预测，涉及一种锂离子电池健康特征提取以及锂离子电池剩余使用寿命预测方法。

背景技术：

1、随着锂离子电池的能量密度、功率密度逐渐提升，在便携电子设备、电动汽车以及大规模储能系统中得到了广泛的应用其安全性能与剩余使用寿命预测变得愈发重要。但其性能会随使用时间增长而逐渐衰减。准确的剩余使用寿命(rul)预测有助于制定合理的电池充放电计划、及时提醒用户更换或修复电池、降低潜在的安全风险。

2、当前，对于锂电池剩余使用寿命的预测主要有以下三种：第一类锂电池剩余使用寿命预测依赖物理模型，但因电池技术发展快、结构复杂，难以建立通用数学模型。第二类方法通过等效电路和电化学模型监测电池状态，需大量实验调优。第三类数据驱动方法，利用机器学习分析历史数据，灵活预测锂电池寿命，不依赖物理模型，目前已被广泛应用到锂电池剩余使用寿命的预测中。

3、然而，目前基于数据驱动的rul预测方法仍存在一些不足。数据驱动模型需要更多的计算资源和效率来处理大量的数据和复杂的模型结构，并且该模型更容易受到健康特征的冗余影响，大多模型的超参数选择也是一个难题。专利(cn118261046a)公开了一种基于ngo-bilstm的锂电池剩余寿命预测方法，该方法通过提取锂离子电池剩余使用寿命退化特征参数，使用北方苍鹰算法(ngo)迭代搜索双向长短期记忆神经网络(bilstm)最优参数并保存构建ngo-bilstm模型，具有误差小、预测精度高的优点，但模型的退化健康特征需要人为手动选择，模型的泛化能力差。专利(cn118211474a)公开了一种基于mpso-lssvm算法的电池寿命预测方法,首先根提取电池循环放电过程中的电压、电流、剩余容量及内阻参数的时间序列数据生成样本数据集，将数据集划分为测试集和训练集；基于训练集建立锂离子电池剩余使用寿命预测模型，并联合mpso算法和lssvm算法对锂离子电池剩余使用寿命预测模型进行迭代优化以获取最优解。该方法对数据处理采用了安时积分法以获取能量指标评估锂离子电池的剩余使用寿命，减小电池寿命预测误差，提高预测精度，优化计算过程，但是需要完整的电池数据，本发明采用自监督重构与半监督容量预测的方式良好的解决了数据不足的问题。

技术实现思路

1、本发明解决的问题是在于提供一种自动识别电池健康特征的电池剩余寿命预测方法，该方法解决了以下几个问题：

2、(1)电池健康特征需要人为手动提取导致电池剩余使用寿命预测准确率不高的问题；

3、(2)需要大量的完整电池循环数据才能使用数据驱动的方法进行锂电池的剩余使用寿命预测的问题；

4、(3)电池剩余使用寿命预测模型的泛化能力差的问题。

5、为解决上述问题，本发明采用了以下技术方案，其步骤如下：

6、s1:获取锂离子电池数据集中老化循环充放电过程中的电池电压、电池电流数据；

7、s2:对电池数据集中的异常值或缺失值进行线性插值处理，并使用min-max进行标准化处理；

8、s3：在健康特征自动提取器里对健康特征进行自动提取，其步骤如下：

9、(1)输入标准化后的充放电电压、电流数据，通过电池特征编码模型对输入的电压和电流数据进行处理，提取出数据的中间特征；

10、(2)使用已得到的全部中间特征，送入重构任务模块进行训练，得到重构的电池数据，将重构的电池数据送入到重构损失误差模型，计算得到重构损失误差，以重构损失误差、全部中间特征作为输入，经过特征选择器1，得到数据特征1，即标准化后的电池充放电电压和电流数据的压缩特征；

11、(3)将带有容量标签的中间特征送入容量预测模块，得到预测的容量，将预测的容量送入到容量预测损失误差模型，计算得到容量预测损失误差，以容量预测损失误差、带有容量标签的中间特征作为输入，经过特征选择器2，得到数据特征2，即与容量变化相关的数据特征；

12、(4)将重构损失误差模型与容量预测损失误差模型加权组合构成健康特征融合函数，将已得到的数据特征1和数据特征2输入到健康特征融合函数，得到健康特征误差，判断健康特征是否小于误差指标，验证健康特征是否达到提取要求，若不满足要求则重复步骤(1)到步骤(3)，若满足要求则输出健康特征；

13、s4：在健康特征筛选器里对健康特征进行筛选，每个特征进行shap值的计算，分析各特征在预测过程中的重要性，分别得到重要健康特征与非重要健康特征，保留重要性高的健康特征，组成重要健康特征数据集，对于非重要健康特征构成的非重要健康特征数据集进行丢弃，然后，将重要健康特征数据集按照一定的比例分为训练集数据和测试集数据；

14、s5：使用训练集数据输入到bilstm模型进行训练得到锂电池rul训练预测值；

15、s6：将测试集数据输入bilstm网络估计模型验证模型精度是否到达设计要求，若不满足要求则重新进行网络模型的构建，若满足要求则可以将电池数据输入预测模型中，实现锂电池rul的准确预测；

16、在步骤s1中获取锂电池数据集电池的历史循环充放电数据，按时间间隔提取充放电电压值和电流值，并选取锂电池容量作为衡量电池健康寿命的关键指标。

17、在步骤s2中首先识别并处理异常值和缺失值，对于每个异常值或缺失值，计算其前后已知值的线性关系，确定合适的填充值；然后使用min-max标准化对健康特征数据集进行标准化处理，计算公式为式中，xi为健康特征数据，yi为标准化后的数据，max(x)和min(x)为对应健康特征数据的每行最大值和最小值。

18、在步骤s3中所述的采用健康特征自动提取器提取反映电池容量退化的健康特征包括以下步骤：

19、(1)从电池老化数据集中按时间间隔记录每次循环的充放电电压和电流数据，构建时间序列数据集为[v充,v放]和[i充,i放],其中v充、v放表示在时间步t时刻的充放电电压，i充、i放表示在时间步t时刻的充放电电流；

20、(2)在电池特征编码模型中，对构建好的时间序列数据集进行位置编码以保留时间序列顺序，对每个时间步生成查询(q)、键(k)和值(v)向量，通过计算查询与键的点积并使用softmax归一化，得到注意力权重，再利用该权重对值向量加权求和生成注意力头输出，使用多头注意力机制拼接各头的输出并线性变换得到最终输出；

21、(3)将多头注意力的输出输入到前馈神经网络(ffn)中，通过relu激活函数生成中间特征表示z'；

22、(4)将全部中间特征z'输入到重构任务模块，对输入数据进行重构，利用这些特征重构出原始的充放电电压和电流数据，使用mse计算重构电池数据与输入的电池充放电电压和电流数据之间的误差，即重构误差，公式为：其中，xi为充放电电压和电流数据，为重构后的数据，并通过特征选择器1，输出数据特征1，即标准化后的电池充放电电压和电流数据的压缩特征；

23、(5)将带有容量标签的中间特征z'1输入到容量预测模块，得到预测的容量将预测的容量送入到容量预测损失误差模型计算误差，使用mse计算预测容量与真实容量之间的误差，即容量预测误差，公式为：其中，ci为真实容量值，为模型的预测容量值，并通过特征选择器2，输出数据特征2，即与容量变化相关的数据特征；

24、(6)将重构损失误差模型与容量预测损失误差模型加权组合构成健康特征融合函数，其中健康特征融合函数为：losstotal＝α·lossreconstruction+β·losscapacity，式中，α和β分别为调整重构任务和容量预测模块权重的超参数，使用已得到的数据特征1和数据特征2一起输入到健康特征融合函数，经过大量训练，不断优化健康特征融合函数，使健康特征融合函数的值达到最小，最终，提取出带有电池老化状态相关的健康因子z。

25、在步骤s4中使用shap分析，评估每个特征对电池剩余寿命预测结果的影响程度，其具体步骤为：计算每个特征的shap值，对于输入健康特征z和电池容量c，shap值φi的计算公式：其中，s为不含zi的特征子集，n为特征的总数，c(s∪{zi})表示加入特征zi后对模型预测结果贡献的变化；根据公式计算生成shap值图，当shap值为正时，表示该特征对预测值有正向贡献，反之有负向贡献；根据shap分析结果，保留对预测结果有显著影响的重要特征数据，按照一定的比例划分为训练集数据和测试集数据。

26、在步骤s5中，bilstm由前向lstm和后向lstm组成，每个lstm单元包括遗忘门、输入门和输出门，用于选择性保留和更新信息。bilstm的具体过程为：第一步在前向lstm的序列起始位置开始输入，利用遗忘门ft＝σ(wf·[ht-1,xt]+bf)决定需要丢掉的旧信息，输入门it＝σ(wi·[ht-1,xt]+bi)选择性地更新信息，并通过生成候选状态，结合前一时刻状态ct-1计算更新后的单元状态ct。输出门ot＝σ(wo·[ht-1,xt]+bo)用于生成当前的隐藏状态ht＝ot*tanh(ct)；第二步是后向lstm从序列末端开始，逆向输入，过程与前向lstm类似；第三步是将前向和后向lstm的输出进行拼接，得到最终的bilstm的输出。

27、在步骤s6中，在步骤s6中，选取平均绝对误差(mae)、均方根误差(rmse)、平均绝对百分误差(mape)作为评价指标对电池的rul预测精度进行评价，以此判断是否满足预期结果，具体公式为：式中，n为实验估计次数，yn为rul实际值，为rul估计值。