[发明专利]一种基于深度学习的锂离子电池寿命迁移预测方法

说明书

本发明提出一种新的锂离子电池寿命迁移预测方法：首先，建立同温度同倍率不同配方电池的容量退化数据库；其次，确定好目标电池后，通过相似性度量选择出与目标电池容量退化规律相似的电池；最后，基于深度学习方法开展跨配方电池寿命迁移预测，实现目标电池的剩余循环寿命预测。同时，考虑经济性目标和电池寿命退化的不可逆转性，优化设计电池循环寿命试验，节省电池试验设计。该方法能够针对锂离子电池实现准确的剩余寿命预测，大幅度地减少研发阶段寿命试验的试验时间和试验量，缩短新产品研发周期，降低研发阶段费用，有效提高了系统的可靠性和安全性。

技术领域

本发明涉及锂电池健康管理的技术领域，具体涉及一种基于深度学习的锂离子电池寿命迁移预测方法。

背景技术

锂离子电池目前是广泛应用于军事电子产品、航空电子器件、电动汽车以及各种便携式电子装置(例如笔记本电脑、数码相机、平板电脑、手机等)的主要储能器件，由于其质量轻、放电率低及寿命长的特点，锂离子电池已基本取代了镍镉电池、镍氢电池。与此同时，由于目前对于气候环境变化的关注和新能源开发的迫切性，锂离子电动汽车得到了快速发展，众多汽车厂商和研究机构都致力于开发能够代替传统石油的新能源汽车，例如德国大众、美国特斯拉、中国比亚迪等汽车公司纷纷投入大量资金和人力资源开发纯动力、混合动力等新能源汽车的车载锂离子电池。因此，锂离子电池的性能是其整体电子系统可靠性的关键因素，其失效可能会造成系统故障甚至是致命灾难。

锂离子的寿命退化客观的存在于其整个生命周期，其寿命问题主要指影响其放电能力的正负极活性材料的物化结构性质、粘结剂对涂层的粘结强度、隔膜的质量等在循环充放电过程中的逐渐劣化。意外的电池寿命终结往往会导致整体系统的失效，因此针对电池开展退化预测和分析能够提供及时有效的维修措施和电池更换决策，对提高系统可靠性，预防灾难性事故发生具有重要的意义。故障预测及健康管理(PHM)，借助物理模型、智能模型等手段，基于设备的敏感参数信息，对设备进行健康状态评估和故障预测，并利用其结果作出维修决策，实现健康管理。PHM对降低设备运维保障成本，提升设备的可靠性和安全性，延长设备寿命等具有重要价值。针对锂离子电池的PHM研究主要聚焦于两个关键技术点，分别为容量和工作电压的预测。其容量常被用于定义剩余使用寿命(RUL)，它随着充放电循环次数增加而不断下降，到达一定阈值时则判定该电池失效，因此，大部分研究借助容量退化趋势来开展电池RUL的预测研究。

发明内容

本发明的目的是提供一种基于深度学习的锂离子电池寿命迁移预测方法，用于在没有新电池寿命资料的情况下，对不同配方的新电池进行寿命预测。

本发明针对一个目标电池，首先利用相似性度量方法在同温度、同倍率和不同配方的电池中为其选择一个容量退化趋势最相似的电池作为参考电池，采用平均欧氏距离(AED)作为相似性的衡量标准。其次，利用参考电池的容量退化数据作为训练数据，目标电池的少量退化数据作为测试数据，利用深度学习方法学习数据的高阶特征，得到能够表达数据间本质共同特征的基向量，以挖掘到不同电池数据间的深层关联关系，进而实现在训练数据和测试数据不同的情况下电池的寿命预测。试验表明，该方法在不同配方电池间的迁移预测能够得到很好的效果，同时该方法可以有效共享已知电池的退化信息，有效解决了电池退化不可逆问题带来的试验消耗和浪费，为电池循环寿命试验提供了很好的经济性思路，因此，本发明具有非常好的应用价值和工程前景。

一般来说，本发明的基于深度学习的锂离子电池寿命迁移预测的基本思想是：

(1)数据预处理：为了保证跨配方预测的数据尺度一致性，首先对原始数据进行标准化预处理。确定本次研究中电池的失效阈值，并对其容量数据和剩余循环寿命进行归一化处理，得到模型输入数据和对应的剩余寿命标签；

(2)相似度计算：确定测试数据的长度，以该长度为准计算目标电池和同温度同倍率不同配方的其他电池的平均欧氏距离，作为其相似度量值，并从大量电池中选出与目标电池容量退化趋势相似度最高的电池，作为最终的参考电池；