基于长短时记忆LSTM和粒子滤波PF的锂离子电池剩余使用寿
命预测方法
技术领域
[0001] 本
发明属于电动
汽车锂离子电池技术领域，更为具体地，是涉及基于LSTM 和PF的锂离子电池剩余使用寿命预测方法。
背景技术
[0002] 随着人们环保意识不断增强，新
能源电动汽车受到了用户青睐。锂离子电池因其安全性好、比
能量大、充放电效率高等诸多优势被广泛应用于新能源电动汽车，但锂离子电池性能退化是不可避免的，而性能退化易引起新能源电动汽车系统故障甚至是灾难性事故。因此，寻找一种准确可靠的锂离子电池剩余使用寿命预测方法，准确预测锂离子电池剩余使用寿命，及时更换故障或寿命终结电池，对避免和
预防事故发生意义重大。
[0003] 锂离子电池剩余使用寿命是指从当前充放电周期到锂离子电池失效时(通常认为锂离子电池容量为初始额定容量的70％时)所经历的循环次数。目前存在很多锂离子电池剩余使用寿命预测方法，主要有基于模型的方法和基于数据驱动的方法。基于模型的方法由于其建立准确模型较难，难以准确预测锂离子电池剩余使用寿命。基于数据驱动的方法如相关向量机、
支持向量机等无法有效处理序列数据的长依赖性，不适于锂离子电池剩余使用寿命预测。
[0004] 目前大多数研究以电池容量、
电阻等参数为锂离子电池健康指数预测锂离子电池剩余使用寿命，但此类参数在电池运行过程中难以直接测量。少数研究以等压降时间间隔等易测量参数独立或共同作为锂离子电池健康指数导致健康指数不足或冗余，影响预测准确性。粒子滤波
算法可以有效
跟踪预测非线性系统并且能够有效预测锂离子电池剩余使用寿命，但该方法在预测阶段无观测值导致状态无法更新，预测准确性低且预测准确性过分依赖模型准确性。长短时记忆神经网络能够有效处理序列数据长依赖性，目前广泛应用于锂离子电池剩余使用寿命预测中，但在预测阶段缺失容量测量值，使用预测值作为模型输入导致预测准确性降低。
发明内容
[0005] 本发明的目的在于基于LSTM和PF的锂离子电池剩余使用寿命预测方法，以提高锂离子电池剩余使用寿命预测准确性。针对常用作锂离子电池健康指数的电池容量、电阻等参数在锂离子电池运行过程中难以测量问题，此发明利用 Spearman相关性分析从锂离子电池
电压、
电流和
温度中提取锂离子电池性能退化特征参数。利用改进主成分分析方法融合特征参数代替容量作为锂离子电池健康指数，充分表征锂离子电池性能退化特征且不含冗余信息同时在主成分分析过程中去除了噪音数据。本发明构建基于长短时记忆LSTM神经网络的锂离子电池容量模型，表征锂离子电池性能退化趋势。针对粒子滤波
预测模型在预测阶段无测量值导致状态无法更新，预测准确性低问题，本发明以LSTM预测模型得到的容量预测值为观测值，利用粒子滤波算法
迭代更新容量预测值，比较容量预测值和失效
阈值从而预测锂离子电池剩余使用寿命，提高预测准确性。具体技术方案如下：
[0006] 基于LSTM和PF的锂离子电池剩余使用寿命预测方法，包括以下步骤：
[0007] 步骤1，利用Spearman相关性分析提取锂离子电池性能退化特征参数：从锂离子电池电压、电流和温度中提取特征参数，并利用Spearman相关性分析确定能够表征锂离子电池性能退化的特征参数；
[0008] 步骤2，利用改进主成分分析法构建健康指数HI：对主成分分析法进行改进，在消除量纲及数量级差异时保留特征参数信息差异性，利用改进主成分分析法融合特征参数代替容量作为锂离子电池健康指数；
[0009] 步骤3，基于长短时记忆LSTM神经网络和粒子滤波PF预测锂离子电池剩余使用寿命：训练LSTM预测模型预测锂离子电池容量，以双指数容量退化模型为PF预测模型状态转移方程，以LSTM预测模型得到的容量预测值作为观测值，在粒子滤波算法的每一次迭代中更新调整锂离子电池容量预测值，比较锂离子电池容量预测值与锂离子电池容量失效阈值CapEOL，预测锂离子电池剩余使用寿命。
[0010] 进一步，所述利用Spearman相关性分析提取锂离子电池性能退化特征参数包括放电平台期时长DST、放电平台期电压变化率DVT、放电最高温度出现时间 DTMT及恒流充电时间CST。
[0011] 进一步，所述利用改进主成分分析法构建健康指数HI包括以下步骤：
[0012] 步骤2.1，构建锂离子电池性能退化特征参数矩阵P*，如式2.1：
[0013]
[0014] 其中n为样本数， 分别为第i个循环放电平台期时长、放电平台期电压变化率、放电最高温度出现时间及恒流充电时间；
[0015] 步骤2.2，改进主成分分析法标准化过程，在消除量纲及数量级差异时保留特征参数信息差异性，改进的标准化方法如式2.2所示：
[0016]
[0017] 其中 为第j个特征参数的均值，xij为第i个循环第j个特征参数 的标准化值 (i＝1,2,…,n,j＝1,2,3,4)，标准化性能退化特征参数矩阵P如式2.3：
[0018]
[0019] 其中DSTi,DVTi,DTMTi,CSTi(i＝1,2,…,n)分别为第i个循环放电平台期时长、放电平台期电压变化率、放电最高温度出现时间及恒流充电时间的标准化值；
[0020] 步骤2.3，计算标准化特征参数矩阵P的协方差矩阵COVp：
[0021]
[0022] 其中n为样本数，PT为矩阵P的转置矩阵；
[0023] 步骤2.4，计算协方差矩阵COVp的特征值并按降序排序，排序后特征值为λ1,λ2,λ3,λ4，各特征值对应标准
特征向量为V1,V2,V3,V4；
[0024] 步骤2.5，计算排序后各特征值对应贡献率和累积贡献率，如式2.5、2.6所示：
[0025]
[0026]
[0027] 其中λi(i＝1,2,3,4)为第i个特征值，Ci为特征值λi的贡献率，CSi为特征值λi的累积贡献率；
[0028] 步骤2.6，以累积贡献率CSi大于等于90％为依据确定主成分，计算得分矩阵作为锂离子电池健康指数，如式2.7所示：
[0029]
[0030] 其中m为主成分个数，Vj为主成分对应标准特征向量，HI*为锂离子电池健康指数。
[0031] 进一步，基于长短时记忆LSTM神经网络和粒子滤波PF预测锂离子电池剩余使用寿命包括以下步骤：
[0032] 步骤3.1，归一化健康指数并利用多项式拟合方法获取归一化健康指数HI 与容量Cap映射关系；
[0033] 步骤3.2，以前T个循环健康指数为
训练数据，T为预测起点，其余数据为测试数据，以 为输入， 为输出构造训练数据集，其中 为第 i个循环健康指数真实值，i＝t-k,…,t，k为LSTM预测模型输入参数个数；
[0034] 步骤3.3，利用训练数据训练LSTM预测模型，如式3.1所示：
[0035]
[0036] 其中Xt为预测模型输入, 为健康指数预测值，进一步使用RMSprop
优化算法加快模型训练速度，并加入L2正则化项避免模型过拟合问题；
[0037] 步骤3.4，从预测起点T开始利用LSTM预测模型预测锂离子电池健康指数，并根据归一化健康指数和容量映射关系获取容量预测值，其中预测阶段模型输入 Xt如式3.2所示：
[0038]
[0039] 其中w为输入参数真实值数， 为第i个循环健康指数预测值， 为健康指数真实值；
[0040] 步骤3.5，利用双指数容量退化模型构建
状态空间模型如式3.3所示：
[0041]
[0042] 其中Cap(k)为第k个循环的容量，k为循环次数，p1,p2,p3,p4为双指数容量退化模型参数，v1,v2,v3,v4,v5为噪音；
[0043] 步骤3.6，利用粒子滤波算法跟踪确定式3.3所示双指数容量退化模型参数 p1,p2,p3,p4，具体步骤为：
[0044] a.初始化算法相关参数：粒子数N、过程噪声、测量噪声、状态初值；
[0045] b.粒子初始化：根据状态初值初始化粒子，粒子权重均为
[0046] c.重要性
采样：根据如式3.3的状态转移方程计算当前时刻粒子值；
[0047] d.粒子权重：以训练数据集的容量值为观测值，计算各个粒子的权重并归一化；
[0048] e.重采样：根据粒子权重进行重采样；
[0049] f.重复步骤c-e，直至循环次数为预测起点T；
[0050] g.输出双指数容量退化模型参数p1,p2,p3,p4；
[0051] 步骤3.7，以式3.3为状态转移方程，LSTM预测模型得到的容量预测值为观测值，利用粒子滤波算法迭代更新容量预测值。
[0052] 本发明有益成果
[0053] 本发明应用于新能源电动汽车锂离子电池技术领域，利用锂离子电池运行过程中可直接测量参数有效预测锂离子电池剩余使用寿命，对锂离子电池健康管理具有重要意义。针对常用作锂离子电池健康指数的容量、电阻等参数在锂离子电池实际运行过程中难以测量问题，本发明利用Spearman相关性分析从锂离子电池电压、电流和温度中提取锂离子电池性能退化特征参数，利用改进主成分分析法融合特征参数作为锂离子电池健康指数，充分表征锂离子电池性能退化特征且不含冗余信息同时在主成分分析过程中去除了噪音数据。本发明使用能够有效表达序列数据长依赖性的长短时记忆LSTM神经网络作为锂离子电池容量预测模型，表征锂离子电池性能退化趋势，以LSTM预测模型得到的容量预测值作为观测值，利用粒子滤波算法迭代更新容量预测值，比较容量预测值与失效阈值从而预测锂离子电池剩余使用寿命，提高预测准确性。
附图说明
[0054] 图1为本发明提供的基于LSTM和PF的锂离子电池剩余使用寿命预测方法总体流程示意图；
[0055] 图2为归一化锂离子电池健康指数和锂离子电池容量关系图；
[0056] 图3为锂离子电池剩余使用寿命预测结果图。
具体实施方式
[0057] 下面以表1所示NASA公开数据集中B0005号锂离子电池运行数据为例，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。
[0058] 表1 B0005锂离子电池
[0059] 恒流充电电流/A 充电截止电压/V 放电电流/A 放电截止电压/V 额定容量/Ah1.5 4.2 2.0 2.7 2.0
[0060] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0061] 如图1所示，根据本发明的实施例，基于LSTM和PF的锂离子电池剩余使用寿命预测方法包括三个基本步骤：提取锂离子电池性能退化特征参数；利用改进主成分分析法构建健康指数；基于长短时记忆LSTM神经网络和粒子滤波PF 预测锂离子电池剩余使用寿命。
[0062] 一、提取锂离子电池性能退化特征参数
[0063] 因常用作锂离子电池健康指数的电池容量、电阻等参数在锂离子电池运行过程中难以测量，因此本发明利用Spearman相关性分析从锂离子电池运行过程中可直接测量的电压、电流和温度中提取锂离子电池性能退化特征参数，包含放电平台期时长DST、放电平台期电压变化率DVT、放电最高温度出现时间DTMT以及恒流充电时间CST。特征参数和放电容量Cap之间以及特征参数之间的 Spearman相关系数如表2所示。
[0064] 表2特征参数和放电容量Spearman相关系数
[0065] Cap DST DVT DTMT CST
Cap 1 0.995671 0.996170 0.999522 0.993173
DST 0.995671 1 0.996389 0.995804 0.990124
DVT 0.996170 0.996389 1 0.997220 0.992654
DTMT 0.999522 0.995804 0.997220 1 0.993722
CST 0.993173 0.990124 0.992654 0.993722 1
[0066] 二、利用改进主成分分析方法构建健康指数
[0067] 根据锂离子电池特征参数与电池容量间以及特征参数间的Spearman相关系数可以看出特征参数能够有效表征锂离子电池性能退化趋势，但特征参数之间存在大量冗余信息，因此利用改进主成分分析方法融合特征参数作为锂离子电池健康指数，充分表征锂离子电池性能退化状态且不含冗余信息。
[0068] 本实施例中，利用改进主成分分析方法构建健康指数包括以下步骤：
[0069] 步骤1，构建锂离子电池性能退化特征参数矩阵P*，如式2.1：
[0070]
[0071] 其中n为样本数， 分别为第i个循环放电平台期时长、放电平台期电压变化率、放电最高温度出现时间及恒流充电时间；
[0072] 步骤2，改进主成分分析法标准化过程，在消除量纲及数量级差异时保留特征参数信息差异性，改进的标准化方法如式2.2所示：
[0073]
[0074] 其中 为第j个特征参数的均值，xij为第i个循环第j个特征参数 的标准化值 (i＝1,2,…,n,j＝1,2,3,4)，标准化性能退化特征参数矩阵P如式2.3：
[0075]
[0076] 其中DSTi,DVTi,DTMTi,CSTi(i＝1,2,…,n)分别为第i个循环放电平台期时长、放电平台期电压变化率、放电最高温度出现时间及恒流充电时间的标准化值；
[0077] 步骤3，计算标准化特征参数矩阵P的协方差矩阵COVp，如式2.4所示：
[0078]
[0079] 其中n表示样本数，PT表示矩阵P的转置矩阵；
[0080] 步骤4，计算协方差矩阵COVp的特征值并按降序排序，排序后的特征值为λ1,λ2,λ3,λ4，各特征值对应标准特征向量为V1,V2,V3,V4；
[0081] 步骤5，计算排序后各特征值对应贡献率和累积贡献率，如式2.5、2.6所示：
[0082]
[0083]
[0084] 其中λi(i＝1,2,3,4)为第i个特征值，Ci为特征值λi的贡献率，CSi为特征值λi的累积贡献率；
[0085] 步骤6，以累积贡献率CSi大于等于90％为依据确定主成分，计算得分矩阵作为锂离子电池健康指数，如式2.7所示：
[0086]
[0087] 其中m为主成分个数，Vj为主成分对应标准特征向量，HI*为锂离子电池健康指数。
[0088] 三、基于长短时记忆LSTM神经网络和粒子滤波PF预测锂离子电池剩余使用寿命[0089] 在本实例中，基于长短时记忆LSTM神经网络和粒子滤波PF预测锂离子电池剩余使用寿命包含以下步骤：
[0090] 步骤1，归一化健康指数并利用多项式拟合方法获取归一化健康指数HI与容量Cap映射关系，归一化健康指数和锂离子电池放电容量关系如图2所示；
[0091] 步骤2，以前90个循环健康指数为训练数据，其余数据为测试数据，以为输入， 为输出构造训练数据集，其中 为第i个循环健康指数真实值，i＝t-10,…,t；
[0092] 步骤3，使用训练数据训练LSTM预测模型，如式3.1所示：
[0093]
[0094] 其中Xt为预测模型输入， 为健康指数预测值，进一步使用RMSprop优化算法加快模型训练速度，并加入L2正则化项避免模型过拟合问题；
[0095] 步骤4，从第90个锂离子电池充放电周期开始利用LSTM预测模型预测锂离子电池健康指数，并根据归一化健康指数和容量映射关系获取容量预测值，预测阶段模型输入Xt如式3.2所示：
[0096]
[0097] 其中w为输入参数真实值数， 为第i个循环健康指数预测值， 为健康指数真实值；
[0098] 步骤5，利用双指数容量退化模型构建状态空间模型如式3.3所示：
[0099]
[0100] 其中Cap(k)为第k个循环的容量，k为循环次数，p1,p2,p3,p4为双指数容量退化模型参数，v1,v2,v3,v4,v5为噪音；
[0101] 步骤6，利用粒子滤波算法跟踪确定式3.3所示双指数容量退化模型参数 p1,p2,p3,p4，具体步骤为：
[0102] a.初始化算法相关参数：粒子数N、过程噪声、测量噪声、状态初值；
[0103] b.粒子初始化：根据状态初值初始化粒子，粒子权重均为
[0104] c.重要性采样：根据如式3.3的状态转移方程计算当前时刻粒子值；
[0105] d.粒子权重：以训练数据集的容量值为观测值，计算各个粒子的权重并归一化；
[0106] e.重采样：根据粒子权重进行重采样；
[0107] f.重复步骤c-e，直至循环次数为90；
[0108] g.输出双指数容量退化模型参数p1,p2,p3,p4；
[0109] 步骤7，以式3.3为状态转移方程，LSTM预测模型得到的容量预测值为观测值，利用粒子滤波算法迭代更新容量预测值，粒子滤波算法具体步骤与步骤6 大体一致，需要强调的是：本步骤粒子滤波算法迭代更新容量预测值中以LSTM 预测模型得到的容量预测值为观测值计算各粒子权重，重采样后计算更新容量预测值，循环结束条件为容量预测值小于等于容量失效阈值CapEOL，输出此时循环次数k，则锂离子电池剩余使用寿命预测值RUL＝k，在本实例中CapEOL设置为 1.4Ah；
[0110] 步骤8，将基于LSTM和PF的锂离子电池剩余使用寿命预测结果同LSTM 预测模型和PF预测模型的预测结果比较，如图3、表3所示，均方根误差(Root Mean Square Error,RMSE)为：
[0111]
[0112] 其中m为预测循环次数， 为第i个预测循环的容量预测值， 为第i个预测循环的容量真实值。
[0113] 表3预测结果比较
[0114] 预测起点 真实RUL 预测RUL 绝对误差 RMSE
LSTM 90 33 54 21 0.0530456
PF 90 33 15 18 0.0422868
LSTM-PF 90 33 25 8 0.0175367
[0115] 综上，本发明公开了基于LSTM和PF的锂离子电池剩余使用寿命预测方法，属于新能源电动汽车锂离子电池剩余使用寿命预测领域，具体步骤如下：(1)利用Spearman相关性分析从锂离子电池电压、电流和温度中提取锂离子电池性能退化特征参数，利用改进主成分分析法融合特征参数作为锂离子电池健康指数 (Health Index,HI)，充分表征锂离子电池性能退化特征且不含冗余信息；(2)训练基于长短时记忆(Long Short-Term Memory,LSTM)神经网络的锂离子电池容量预测模型预测锂离子电池容量，以LSTM预测模型的容量预测值作为粒子滤波(Particle Filter,PF)预测模型的观测值，在粒子滤波算法的每一步迭代过程中调整更新容量预测值，比较容量预测值和容量失效阈值从而预测锂离子电池剩余使用寿命(Remaining Useful Life,RUL)。本发明可以应用于新能源电动汽车锂离子电池剩余使用寿命预测，有效监控和预测锂离子电池性能退化过程。
