[发明专利]基于量子同化与数据填充的异常退化锂电池容量预测方法

说明书

本发明提供一种基于量子同化与数据填充的异常退化锂电池容量预测方法，其包括：将锂电池原始数据集划分为训练集和测试集；对训练集锂电池数据进行量子同化处理；记录训练集中每个数据点的退化增量和对应的势能信息，形成一个退化增量抽样库；对于待预测电池，根据当前循环的信息在抽样库中按照一定的规则抽样产生当前循环的退化增量，生成新样本；将新样本填充到训练集中，得到适应异常样本的锂电池容量预测模型；对测试集锂电池的后续容量退化情况进行预测。本发明能够利用已有的锂电池数据信息，外推获得额外信息，生成能够涵盖异常电池后续可能的退化轨迹的新样本，由此来填充训练集并训练神经网络模型，提升模型对异常电池的预测准确度。

技术领域

本发明涉及锂电池健康检测技术领域，特别涉及一种基于量子同化与数据 填充的异常退化锂电池容量预测方法。

背景技术

锂电池因其具有循环寿命长，能量密度高，使用成本低，清洁稳定等独特 优势，已被广泛应用于消费电子、电动汽车及航空航天等领域，并展现出了极 为突出的优势。但是，由于复杂的电化学体系、多样的失效机理以及生产制造 的差异，一批锂电池常常具有较大的分散性，也难免可能会出现个别退化速率 明显快于大多数电池的异常电池。尽管在实际生产中，异常电池的占比可能会 很小，但是一旦这些电池流入市场，就可能会导致无法满足用户要求甚至造成 潜在的安全风险。因此，对异常电池进行准确的容量预测并对其是否仍然可用 进行评估是锂电池安全使用中被关切的问题之一。

在实际应用中，尤其是在新产品的研发过程中，通常只有一小部分电池会 被测试，锂电池厂商收集到的数据可能只包含很少甚至不包含异常电池，对于 异常电池信息的匮乏使得传统方法很难针对异常电池进行准确可靠的预测。

当前针对锂电池容量预测的方法主要分为基于模型的方法和数据驱动的 方法两类。

基于模型的方法使用数学模型来刻画锂电池退化过程的长期依赖关系，通 过研究锂电池充放电循环过程中的退化机理和电化学特性建立起反映电池性 能退化规律的模型，但是该方法也存在一定的缺陷，比如需要充分的专业知识 来构建准确的物理模型，拟合出的模型泛化效果也可能较差，无法应用到别的 数据上，模型参数较多，较为复杂，鲁棒性差等，实际应用起来较为困难。

而数据驱动的方法从锂电池充放电循环过程中的历史数据出发，通过采用 特定的学习算法，从锂电池的容量、内阻、电压等数据中提取出能反应锂电池 性能退化状态的关键特征，并训练这些特征与电池的退化状态的回归关系，从 而建立起能刻画和描述电池退化过程的模型，实现电池容量的预测，但是数据 驱动的方法要求测试集数据与训练集数据同分布，也就是测试集与训练集应具 有相似的分布或趋势，而对于相对异常的退化轨迹，由于训练集中缺乏类似轨 迹，导致模型难以刻画异常电池的退化规律，所以传统数据驱动方法对于异常 电池可能无法给出准确而可靠的预测结果，故上述两类主要方法对于异常电池 的容量预测都存在较大的局限和不足，为此，本申请给出基于量子同化与数据填充的异常退化锂电池容量预测方法，以此进行异常退化锂电池容量退化情况 的预测。

发明内容

为了克服现有技术的缺陷，本发明提供了一种基于量子同化与数据填充的 异常退化锂电池容量预测方法，该方法基于量子同化算法深入挖掘锂电池退化 数据的内在特征，构造出一个包含丰富信息的量子场势能面，为数据填充提供 了一个优良的特征空间，由此便可以在特征空间上外推生成一些能够涵盖异常 退化轨迹的可靠的新样本，将这些生成出的样本填充到训练集中，并利用填充 后的训练集训练机器学习模型，从而建立起适应异常电池的容量预测模型。本 发明的方法在只拥有正常电池数据的情形下，便能够充分挖掘已有数据的信息， 并在已有信息的基础上外推异常电池的信息，使模型获得对异常电池的适应性， 相比常规数据驱动方法能够得到更为准确可靠的预测效果。

本发明提供一种基于量子同化与数据填充的异常退化锂电池容量预测方 法，其包括以下步骤：

S1、将锂电池原始数据集划分为训练集和测试集，所述训练集锂电池数据 为正常退化锂电池数据，而测试集数据则存放待预测的异常退化锂电池数据；