[发明专利]一种锂电池剩余使用寿命预测方法及系统

说明书

本发明属于锂电池技术领域，提供了一种锂电池剩余使用寿命预测方法及系统。该方法包括，根据锂电池的历史电池容量值，得到每个电池容量值对应的电压、电流和温度数据的特征矩阵；考虑电压、电流和温度数据的权重值以及不同特征类型对电池容量值的影响，结合电池容量值对应的电压、电流和温度数据的特征矩阵，得到不同注意力机制对应的测量数据特征矩阵、特征类型矩阵和测量数据与特征类型融合矩阵；将测量数据特征矩阵、特征类型矩阵和测量数据与特征类型融合矩阵进行拼接，得到锂电池的预测剩余寿命。

技术领域

本发明属于锂电池技术领域，尤其涉及一种锂电池剩余使用寿命预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

锂电池由于其稳定性、安全性和环境友好性而被广泛应用于电动汽车、航空航天、移动设备等领域。锂电池的重复充放电虽然给设备的运行带来了方便，但随着锂离子电池充放电周期的增加，其容量会减小，安全性也会变差。如果锂电池在容量衰减到一定程度前不更换，将对设备造成不可预知的影响，甚至引发安全事故。因此，预测锂电池的剩余使用寿命是十分必要的。

受机器学习在各个领域的优异性能的启发，许多基于卷积神经网络(CNN) 和递归神经网络(RNN)的模型被应用于锂电池剩余使用寿命(Remaining Useful Life，RUL)预测。CNN将每个充放电数据作为一个独立的特征向量，忽略了特征中的关键信息。RNN可以利用时间序列信息，但往往会带来梯度爆炸或消失的问题。长短时记忆单元(LSTM)是对RNN的一种优化，可以解决上述问题。基于LSTM的方法通常将前一个预测值作为下一个预测的特征数据，由于这种迭代方式积累了预测误差，后期的电池容量预测将变得越来越不准确。虽然上述方法可以对锂离子电池的RUL做出合理的预测，但对于复杂的电池容量曲线，尤其是在电池充放电周期较长的情况下，其预测精度可以进一步提高。

发明内容

为了充分利用锂电池的关键特征信息，消除上述LSTM预测方法的影响，本发明提出了一种锂电池剩余使用寿命预测方法及系统。具体地说，该方法将每一种测量数据和每一种特征形成特征矩阵，通过混合注意力机制对特征加权，重点关注对高预测准确率有利的特征。同时，本发明只使用测量数据作为锂电池特征，消除了预测累计误差的影响。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供一种锂电池剩余使用寿命预测方法。

一种锂电池剩余使用寿命预测方法，包括：

根据锂电池的历史电池容量值，得到每个电池容量值对应的电压、电流和温度数据的特征矩阵；

考虑电压、电流和温度数据的权重值以及不同特征类型对电池容量值的影响，结合电池容量值对应的电压、电流和温度数据的特征矩阵，得到不同注意力机制对应的测量数据特征矩阵、特征类型矩阵和测量数据与特征类型融合矩阵；将测量数据特征矩阵、特征类型矩阵和测量数据与特征类型融合矩阵进行拼接，得到锂电池的预测剩余寿命。

进一步的，在获取锂电池的历史电池容量值后包括，获取每个电池容量值对应的电压、电流和温度数据；并对每个电池容量值对应的电压、电流和温度数据进行预处理，提取电池容量值对应的电压、电流和温度数据的特征矩阵。

进一步的，所述预处理包括：获取每个电池容量值对应的电压数据矩阵、电流数据矩阵以及温度数据矩阵的行向量，然后分别提取电压行向量、电流行向量以及温度数据行向量中的能量特征、波动指数特征、偏度指数特征和峰度指数特征。

进一步的，采用电压行向量、电流行向量以及温度数据行向量中的线性回归特征、能量特征、波动指数特征、偏度指数特征和峰度指数特征中的至少两种，预测锂电池的剩余寿命。

进一步的，所述预处理包括：对每个电池容量值对应的电压、电流和温度数据进行归一化处理。