【技術實現步驟摘要】
本專利技術屬于電池，具體涉及基于可擴展循環神經網絡的鋰電池健康診斷方法及系統。
技術介紹
1、交通電動化的可持續發展需要整合高能效和零污染的電動汽車。電動汽車的一個主要問題是它們的性能在很大程度上取決于能源存儲系統的壽命、安全性和成本。由于高功率密度、長壽命和低自放電率等優點，鋰離子電池已成為最受歡迎的能源存儲設備。然而，由于不可逆的副反應導致的活性鋰含量損失，電池性能將在反復的充放電操作中下降。電池性能的退化可以通過狀態健康和剩余使用壽命來評估，這兩個指標是電池系統預測與健康管理中最關鍵的指標。然而，復雜的退化機制、不可預測的動態應力因素以及退化現象的復雜路徑依賴性對準確估計和預測提出了重大挑戰。因此，電池管理系統必須準確執行預測與健康管理功能，并使用可測量變量(如電壓、電流和溫度)來避免安全風險并延長電池壽命。
2、目前實現準確的健康狀態估計和剩余使用壽命預測的方法基本上可以分為三類，即經驗方法、基于模型的方法和數據驅動方法。
3、經驗方法：這些方法旨在建立一種開環經驗模型，描述外部應力因素(電壓、電流、溫度、放電深度等)與內部老化行為(容量減少和電阻增加)之間的關系，并使用復雜的實驗電池測試。這些模型可以進一步分為兩個子類別，即化學退化模型和機械退化模型。化學模型基于電池使用過程中副反應的電化學機制來描述電池老化行為，在建立一個良好校準的模型之后，可以直接計算電池的電池健康狀態。顯然，這些模型可以提供關于電池退化的物理解釋，并且易于實施。然而，當操作條件與測試矩陣不同時，會觀察到顯著的健康狀態估計誤
4、基于模型的方法：電池容量和內阻是電池管理中的兩個重要參數。因此，基于模型的方法首先將電池健康狀態視為一個未知參數。然后，根據等效電路模型或電化學模型設計一個自適應在線估計器。該方法的優勢在于它們的閉環設計以及對未知外部干擾的高度魯棒性。然而，它們的性能高度依賴于電池模型的準確性、魯棒性和可靠性。等效電路模型和電化學模型是兩種最流行的電池模型。每種模型都有自己的優點和挑戰。例如，等效電路模型簡單易實施，這種計算效率高的特性使它們適合在線電池健康狀態估計，但實現高精度仍然是一個挑戰。電化學模型由一組偏微分方程組成，可以提供關于電池退化的內部信息，但受到高計算復雜性的困擾。盡管在開發更準確、更快速的模型方面取得了進展，但可識別性問題、模型不匹配和未知干擾為這些基于模型的方案帶來了挑戰。
5、數據驅動的方法：為了消除健康狀態估計算法對電池模型的依賴，已經開發了大量的數據驅動方法，利用機器學習算法的模型無關性和高靈活性。這些數據驅動算法建立了電池運行數據與健康狀態之間的非線性映射模型。一個用于電池健康狀態估計的機器學習的三階段是：健康指標選擇的特征工程、使用實驗數據的離線訓練、以及使用訓練模型的在線估計。根據健康指標類型或機器學習算法，數據驅動方法可以分為幾類。現有的用于電池健康狀態估計的健康因子可以進一步分為三個子類：可測量變量，基于信號處理和統計指標。基于可測量變量的健康因子直接使用從電池管理系統傳感器收集的數據，直接將電池的歷史電壓、電壓和電流作為輸入。基于信號處理的健康因子是通過在電池運行數據上應用信號處理算法提取。統計指標的健康因子是從電池數據的統計特性中提取的。盡管在開發健壯和高相關性的健康因子方面取得了進展，但健康因子的可用性仍然是電池健康狀態估計的主要挑戰。大多數現有研究專注于在電池恒定電流和恒定電壓充電過程中提取健康因子，因為電池恒定電流和恒定電壓充電協議得到了廣泛的應用。然而，隨著快速充電策略的快速發展，充電協議變得越來越復雜。在這種情況下，隨機和高度動態的快速充電輪廓可能使得現有方法無法工作。
技術實現思路
1、為了解決帶有不確定性指標的鋰電池健康狀態和剩余使用壽命預測的問題，本專利技術提出了基于可擴展循環神經網絡的鋰電池健康診斷方法及系統，是一種可擴展的深度循環神經網絡，且能夠適應于多樣的快充工況，包括神經網絡結構構建與數據驅動方法的實現兩個部分，能夠對快充工況下的電池數據進行有效的特征提取，并得到較高精度的健康狀態估計和剩余使用壽命估計結果。
2、為實現上述目的，本專利技術提供了如下方案：
3、基于可擴展循環神經網絡的鋰電池健康診斷方法，包括以下步驟：
4、對快充階段切換段附近電壓片段數據進行小波分解，得到待選取電池老化特征；
5、對所述待選取電池老化特征進行相關度分析，得到老化特征序列；
6、組合長短期記憶神經網絡與高斯過程回歸層，形成可擴展深度循環神經網絡模型；
7、將所述老化特征序列輸入通過訓練的所述可擴展深度循環神經網絡模型，得到鋰電池健康狀態估計和剩余使用壽命估計結果。
8、優選的，小波分解是將一個離散序列進行多次離散小波變換，每次離散小波變換將數據片段分解為近似分量和細節分量，并多次對得到的近似分量進行離散小波變換，對快充階段切換段附近電壓片段數據進行小波分解的方法包括：
9、
10、其中，x(t)為待分解的離散序列，j、k為放縮參數和平移參數，ψ(·)為小波函數，上標*為共軛函數標志，t為數據的時間序列號。
11、優選的，對所述待選取電池老化特征進行相關度分析的方法包括：
12、對多個待選取電池老化特征，通過皮爾森相關度系數進行選擇，得到老化特征序列；
13、其中，皮爾森相關度系數的表達式：
14、式中，x為待選取的健康狀態特征序列，y為數據中對應的健康狀態值，上標短橫代表序列的均值，xi為待選取的健康狀態序列的第i元素，yi為對應的健康狀態值序列的第i元素。
15、優選的，高斯過程回歸層的核結構利用稀疏來實現高斯過程回歸算法的可擴展性，具體過程為：
16、高斯過程回歸層的核結構利用的稀疏方法是引入誘導點，得到回歸子集近似核函數：
17、
18、式中uj、ua、ub為引入的誘導點里面的元素，其中uj為與待與xi作核函數計算的誘導點，ua、ub為離xi最近的兩個誘導點，有ua<xi<ub，wi為xi到ua、ub的相對距離的函數線性插值權重；
19、引入的誘導點是等間距分布的，通過線性插值或者三次方插值進一步化簡核函數：
20、ku，u為誘導點序列由核函數產生的協方差矩陣，式中，w為網絡權重；
21、通過利用誘導點等間距使核矩陣滿足toeplitz結構或者kronecker結構，實現了高斯過程回歸的可擴展性。
22、優選的，對可擴展深度循環神經網絡模型進行訓練的方法包括：利用半隨機異步梯度下降算法進行梯度下降，使用負對數邊際似然函數作為損失函數。
23、優選的，利用半隨機異步梯度下降算法進行梯度下降的方法包括：
24、s1：收集標簽化的訓練數據，即電池老化特征x和對應的健康狀態或者剩余使用壽命；
25、s2：初始化高斯過程層參數θ和神經網絡層權本文檔來自技高網...
【技術保護點】
1.基于可擴展循環神經網絡的鋰電池健康診斷方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于可擴展循環神經網絡的鋰電池健康診斷方法，其特征在于，小波分解是將一個離散序列進行多次離散小波變換，每次離散小波變換將數據片段分解為近似分量和細節分量，并多次對得到的近似分量進行離散小波變換，對快充階段切換段附近電壓片段數據進行小波分解的方法包括：
3.根據權利要求1所述的基于可擴展循環神經網絡的鋰電池健康診斷方法，其特征在于，對所述待選取電池老化特征進行相關度分析的方法包括：
4.根據權利要求1所述的基于可擴展循環神經網絡的鋰電池健康診斷方法，其特征在于，高斯過程回歸層的核結構利用稀疏來實現高斯過程回歸算法的可擴展性，具體過程為：
5.根據權利要求1所述的基于可擴展循環神經網絡的鋰電池健康診斷方法，其特征在于，對可擴展深度循環神經網絡模型進行訓練的方法包括：利用半隨機異步梯度下降算法進行梯度下降，使用負對數邊際似然函數作為損失函數。
6.根據權利要求5所述的基于可擴展循環神經網絡的鋰電池健康診斷方法，其特征在于，利用半
7.根據權利要求1所述的基于可擴展循環神經網絡的鋰電池健康診斷方法，其特征在于，將所述老化特征序列輸入通過訓練的所述可擴展深度循環神經網絡模型，得到鋰電池健康狀態估計和剩余使用壽命估計結果的方法包括：
8.基于可擴展循環神經網絡的鋰電池健康診斷系統，其特征在于，包括：待選取特征獲得模塊、特征序列獲得模塊、模型構建模塊和估計模塊；
...【技術特征摘要】
1.基于可擴展循環神經網絡的鋰電池健康診斷方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于可擴展循環神經網絡的鋰電池健康診斷方法，其特征在于，小波分解是將一個離散序列進行多次離散小波變換，每次離散小波變換將數據片段分解為近似分量和細節分量，并多次對得到的近似分量進行離散小波變換，對快充階段切換段附近電壓片段數據進行小波分解的方法包括：
3.根據權利要求1所述的基于可擴展循環神經網絡的鋰電池健康診斷方法，其特征在于，對所述待選取電池老化特征進行相關度分析的方法包括：
4.根據權利要求1所述的基于可擴展循環神經網絡的鋰電池健康診斷方法，其特征在于，高斯過程回歸層的核結構利用稀疏來實現高斯過程回歸算法的可擴展性，具體過程為：
5.根據...
【專利技術屬性】
技術研發人員：董廣忠，陳浩楠，沈富康，樓云江，王夷飛，張明明，
申請(專利權)人：哈爾濱工業大學深圳哈爾濱工業大學深圳科技創新研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。