[发明专利]基于LSTM神经网络预测锂离子电池剩余使用寿命方法

说明书

本发明公开了一种基于LSTM神经网络预测锂离子电池剩余使用寿命方法，属于锂离子电池技术领域。具体步骤如下：采用经验模态分解算法分解用于神经网络训练的电池循环充放电老化的容量衰减数据，提取其中的残差容量数据反应电池老化趋势，避免电池老化的容量再生现象对剩余使用寿命预测的影响；对提取的残差容量数据进行归一化，训练LSTM神经网络用于迭代预测每个循环电池容量。检测是否发生误差累积，若出现误差累积，采用Box‑Cox变换进行修正。比较锂离子电池容量预测值与电池寿命终止容量，获得锂离子电池剩余使用寿命。本发明能够有效预测电池剩余使用寿命，同时检测预测是否发生严重误差累积，并进行修正。

技术领域

本发明属于锂离子电池技术领域，具体涉及一种基于LSTM神经网络预测锂离子电池剩余使用寿命方法。

背景技术

锂离子电池具有能量密度高、循环寿命长、无记忆性等优点，被广泛应用于电动汽车、储能等方面。然而锂离子电池在使用过程中内部会发生复杂的物理和化学变化，其性能会退化甚至失效，存在引发重大安全事故的危险，因此研究锂离子电池剩余使用寿命具有重要的实际意义。

目前对锂离子电池剩余使用寿命的预测主要分为两个主要方向：基于模型的预测方法和数据驱动的预测方法。基于模型的预测方法通过锂离子电池充放电过程中的电化学特性和电池退化机理建立反映系统运行规律的性能退化模型。锂离子电池随着充放电循环而产生退化，其内部特征也会发生动态变化，通过电化学模型和数学模型对动态特征进行建模可以产生对电池退化情况的预测。通过电池运行过程中监测数据的变化，构造数学模型描述电池性能的退化过程，对未来电池的性能退化进行预测，最终实现对电池剩余使用寿命的预测。数据驱动的预测方法从锂离子电池充放电使用过程中的数据出发，电压、电流、容量、温度等数据在运行过程中的动态变化往往能在一定程度上反应电池性能的退化规律，通过提取数据特征和规律对电池的退化过程进行描述和预测，最终实现锂离子电池剩余使用寿命的预测。基于模型的方法在于不需要过多的数据量即可对退化模型建模，并且模型的预测较为准确，但是缺陷在于往往需要准确的物理模型对锂离子电池的退化过程进行描述，这需要加入较多的专家知识，并且模型的通用性有限，泛化效果无法确定，并且退化过程的分析需要考虑一些物理特性，预测通常存在模型参数较多、实际应用困难的缺陷，且易受噪声和环境因素干扰，难以跟踪负载动态特性，动态精度、鲁棒性和适应性较差，往往过于复杂而难以实现。数据驱动的方法相比基于模型的方法来说适用性更佳，同时不需要较为专业的知识描述。

锂离子电池的性能退化可以用多种指标来衡量，通常有容量、阻抗、电流和电压等指标，其中最能反映电池性能指标的就是电池容量，因此采用容量来预测电池剩余使用寿命更加精确和有效。通常当电池容量下降至额定容量的70％-80％时，将电池视为达到终止寿命，此时为了保证电池系统的安全性，将不再继续使用该电池供电。

容量本身的退化过程并不是单调的，随着电池充放电的不断进行，电池内的副反应增多，反应产物沉积在电极附近，引起内阻增大，导致电池的可用容量随着电池循环充放电次数的增加逐渐降低，而当电池在充放电结束后的配置阶段，电极附近的反应产物将有机会消散，从而可以增加下一个循环的可用容量，引起容量短暂的恢复，这种现象就是容量再生现象。由于容量再生现象的存在会对电池正常的退化趋势产生影响，必然会对电池剩余使用寿命的预测精度产生影响。由于LSTM神经网络是迭代预测电池容量，将单步预测值加入到输入序列，进行下一个循环的容量预测，因此会造成预测的误差累积，导致长期预测会产生较大误差，甚至无效。

发明内容

本发明针对锂离子电池剩余使用寿命预测存在误差累积的问题，提出一种基于LSTM神经网络预测锂离子电池剩余使用寿命方法，该方法能够修正误差累积问题，具有良好的预测性能。

本发明提供的基于LSTM神经网络预测锂离子电池剩余使用寿命方法，包括如下步骤：

步骤1，采用经验模态分解算法分解用于神经网络训练的电池循环充放电老化的容量衰减数据，提取其中的残差容量数据反应电池老化趋势，避免电池老化的容量再生现象对剩余使用寿命预测的影响。