基于數(shù)據(jù)擴(kuò)展的鋰離子電池早期壽命在線預(yù)測(cè)

摘" 要： 準(zhǔn)確的鋰離子電池早期剩余使用壽命預(yù)測(cè)可以確保用戶在早期階段對(duì)鋰離子電池進(jìn)行監(jiān)控，從而為用戶提供早期規(guī)劃。已有的研究方法在訓(xùn)練樣本時(shí)存在數(shù)據(jù)利用不充分的問題，因此提出一種充分利用離線電池的歷史數(shù)據(jù)對(duì)在線早期數(shù)據(jù)進(jìn)行擴(kuò)展，從而實(shí)現(xiàn)對(duì)電池使用壽命早期預(yù)測(cè)的方法。離線建模階段，使用高斯過程回歸（GPR）模型將離線電池所有循環(huán)的數(shù)據(jù)進(jìn)行訓(xùn)練，建立鋰離子電池健康特征隨循環(huán)次數(shù)變化的時(shí)序關(guān)系模型。在線預(yù)測(cè)階段，使用高斯過程回歸模型經(jīng)由前100個(gè)周期數(shù)據(jù)擴(kuò)展得到后期健康特征，之后將生成的后期特征融合到早期特征中，形成最終的全生命周期特征。最后通過預(yù)訓(xùn)練的一維卷積神經(jīng)網(wǎng)絡(luò)?長(zhǎng)短期記憶模型進(jìn)行早期預(yù)測(cè)。在公開的夏威夷NMC?18650電池退化數(shù)據(jù)集中的測(cè)試結(jié)果顯示，早期預(yù)測(cè)相對(duì)誤差小于1.2%，證明了該方法的有效性。

關(guān)鍵詞： 鋰離子電池； 剩余使用壽命預(yù)測(cè)； 早期預(yù)測(cè)； 數(shù)據(jù)擴(kuò)展； 高斯過程回歸； CNN?LSTM

中圖分類號(hào)： TN86?34" " " " " " " " " " " " " " " 文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " " " "文章編號(hào)： 1004?373X（2024）10?0171?06

Online prediction of early life of lithium?ion batteries based on data extension

Abstract： Accurate early remaining useful life （RUL） prediction of Lithium?ion batteries can ensure that Lithium?ion batteries are monitored at an early stage， thus providing users with early planning. The existing research methods have the problem of insufficient data utilization when training samples. Therefore， a method is proposed to fully utilize the historical data of offline batteries， expand online early data， and achieve early prediction of battery service life. In the offline modeling stage， data from all cycles of an offline battery are trained by means of Gaussian process regression （GPR） model to construct the time?series relationship model of lithium?ion battery health features with the number of cycles. In the online prediction stage， a GPR model is used to expand the data from the first 100 cycles to obtain later health features， which are then fused into the early features to form the final full lifecycle features. The early prediction is conducted by means of the pretrained 1 dimension convolutional neural network?long short?term memory model. The testing results in the publicly available Hawaii NMC?18650 battery degradation datasets show that the relative error of early prediction is less than 1.2%， proving the effectiveness of the proposed method.

Keywords： Lithium ion batteries; RUL prediction; early prediction; data extension; GPR; CNN?LSTM

0" 引" 言

在能源危機(jī)和環(huán)境污染的背景下，鋰離子電池因具有高能量密度、長(zhǎng)循環(huán)壽命的優(yōu)異特點(diǎn)而日益受到關(guān)注。剩余使用壽命（RUL）是表征電池老化狀態(tài)的一個(gè)重要參數(shù)，通常是指電池性能下降到故障閾值之前剩余的充放電次數(shù)[1]。在早期階段準(zhǔn)確預(yù)測(cè)鋰電池的RUL，可以幫助用戶在關(guān)鍵應(yīng)用中及早發(fā)現(xiàn)問題并采取適當(dāng)?shù)男袆?dòng)。

基于數(shù)據(jù)驅(qū)動(dòng)的方法由于無需深入理解鋰電池的機(jī)理，逐漸成為電池RUL早期預(yù)測(cè)領(lǐng)域內(nèi)的主流[2]?，F(xiàn)階段，大多數(shù)鋰電池早期RUL預(yù)測(cè)研究都集中在只使用早期循環(huán)的數(shù)據(jù)上。例如，Zhou等人利用少量數(shù)據(jù)（前30%），將循環(huán)壽命預(yù)測(cè)與遷移學(xué)習(xí)技術(shù)相結(jié)合，實(shí)現(xiàn)早期老化軌跡預(yù)測(cè)[3]。Guo等人使用前200次循環(huán)的早期數(shù)據(jù)，從源域中選擇相似的電池，增加了早期預(yù)測(cè)的準(zhǔn)確性[4]。Hsu等人利用前100次循環(huán)的數(shù)據(jù)，使用深度學(xué)習(xí)（DNN）模型在早期階段預(yù)測(cè)了電池的壽命[5]。Fei等人在前100次循環(huán)內(nèi)使用機(jī)器學(xué)習(xí)特征和手工特征相結(jié)合的方法，提高了早期電池壽命預(yù)測(cè)結(jié)果的準(zhǔn)確率[6]。

高斯過程回歸（GPR）模型可在得到輸出參數(shù)的同時(shí)獲得預(yù)測(cè)的置信區(qū)間，給調(diào)用者提供更多參考資料。例如，Shi等人利用GPR對(duì)容量退化過程中再生現(xiàn)象引起的局部波動(dòng)進(jìn)行了預(yù)測(cè)[7]。Pang等人建立了ICA?GPR的預(yù)測(cè)框架，并說明了預(yù)測(cè)結(jié)果的不確定性[8]。Ma等人利用GPR算法對(duì)鋰離子電池的RUL進(jìn)行個(gè)性化估計(jì)，提高了早期預(yù)測(cè)精度[9]。Che等人考慮電池組容量估計(jì)的不一致性，利用GPR在早期階段預(yù)測(cè)了電池組未來的退化模式[10]。

除了上文提到的數(shù)據(jù)驅(qū)動(dòng)方法外，深度學(xué)習(xí)也是電池RUL預(yù)測(cè)的一個(gè)可行方法。卷積神經(jīng)網(wǎng)絡(luò)（CNN）具有提取數(shù)據(jù)特征的優(yōu)點(diǎn)，可以避免因?yàn)樘卣鞯牟豢尚旁斐深A(yù)測(cè)精度降低。李遠(yuǎn)博等人使用一種帶有注意力機(jī)制的CNN網(wǎng)絡(luò)對(duì)多特征進(jìn)行處理，以提高電池預(yù)測(cè)的有效性和魯棒性[11]。此外，長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）可以有效地預(yù)測(cè)時(shí)間序列，與CNN結(jié)合能更好地跟蹤電池的長(zhǎng)期退化過程。Zhao等人用鋰離子電池容量數(shù)據(jù)增強(qiáng)映射產(chǎn)生節(jié)點(diǎn)，構(gòu)造了BLS?LSTM網(wǎng)絡(luò)，利用公開的數(shù)據(jù)集給出鋰離子電池RUL的早期預(yù)測(cè)結(jié)果[12]。葉震等人提出一種結(jié)合通道注意力機(jī)制和雙向長(zhǎng)短期記憶（BiLSTM）網(wǎng)絡(luò)的方法，對(duì)鋰離子電池RUL進(jìn)行了早期預(yù)測(cè)和研究[13]。Sun等人利用CNN學(xué)習(xí)電池電壓的局部特征相關(guān)性，并與LSTM相結(jié)合提高了預(yù)測(cè)精度[14]。

準(zhǔn)確的容量預(yù)測(cè)有助于實(shí)現(xiàn)更可靠的電池性能判斷。然而，僅著眼于早期數(shù)據(jù)，對(duì)容量及特征序列的后期老化信息學(xué)習(xí)不夠充分，就無法進(jìn)行全面有效的預(yù)測(cè)。這種缺乏未來知識(shí)的建模方式，會(huì)導(dǎo)致退化模式識(shí)別無法有效地與容量預(yù)測(cè)相結(jié)合，魯棒性較差。因此，為了解決研究數(shù)據(jù)利用不充分的問題，將以往常用容量預(yù)測(cè)方面的GPR模型用于早期健康特征的外推過程中，增加早期可用信息，以提高預(yù)測(cè)準(zhǔn)確性。此外，為了更好地學(xué)習(xí)電池特征及退化趨勢(shì)，引入了一維CNN結(jié)構(gòu)并將其與LSTM相結(jié)合，結(jié)合兩者的優(yōu)點(diǎn)，進(jìn)一步提高預(yù)測(cè)精度和準(zhǔn)確性。

本文使用GPR模型對(duì)收集到的鋰離子電池早期健康特征進(jìn)行擴(kuò)展，生成未來的健康特征。在預(yù)測(cè)過程中，將生成的后期特征融合到早期特征中，形成全生命周期所有循環(huán)的最終特征，再通過一維CNN?LSTM模型實(shí)現(xiàn)鋰電池早期壽命預(yù)測(cè)。

本文主要?jiǎng)?chuàng)新點(diǎn)如下。

1） 提出了一種早期健康特征補(bǔ)足的方法。通過對(duì)離線電池所有數(shù)據(jù)進(jìn)行建模，將早期特征數(shù)據(jù)擴(kuò)展為全生命周期的數(shù)據(jù)，保證容量退化預(yù)測(cè)精度，解決因研究數(shù)據(jù)利用不充分導(dǎo)致早期預(yù)測(cè)精度低的問題。

2） 提出了一種基于高斯過程回歸（GPR）的早期特征數(shù)據(jù)擴(kuò)展方法。充分利用電池更多的數(shù)據(jù)，在時(shí)域上得到早期循環(huán)之外的健康特征，緩解了過擬合的問題，提高了預(yù)測(cè)準(zhǔn)確性和模型適用性。

3） 使用一維CNN?LSTM網(wǎng)絡(luò)結(jié)構(gòu)，將一維CNN和LSTM的優(yōu)勢(shì)與擴(kuò)展得到的后期特征相結(jié)合，進(jìn)行電池早期壽命預(yù)測(cè)，提高預(yù)測(cè)效率和準(zhǔn)確性。

1" 研究設(shè)計(jì)與方法論

1.1" 總體預(yù)測(cè)方法

通常，完整循環(huán)數(shù)據(jù)包含鋰電池整個(gè)壽命周期內(nèi)的退化特性，前100次循環(huán)數(shù)據(jù)包含退化的早期信息[15]。然而，從鋰離子電池早期循環(huán)片段中學(xué)習(xí)到的早期特征對(duì)于鋰電池退化特性的識(shí)別是不完整的，限制了早期預(yù)測(cè)的準(zhǔn)確性。如果能利用電池早期健康特征拓展出全壽命周期的健康特征，對(duì)提高早期預(yù)測(cè)的準(zhǔn)確性會(huì)十分有利。因此，本文提出了一種基于GPR健康數(shù)據(jù)擴(kuò)展的一維CNN?LSTM預(yù)測(cè)方法。該方法具體思路為：在進(jìn)行歷史數(shù)據(jù)訓(xùn)練的離線階段，利用離線電池的所有數(shù)據(jù)訓(xùn)練GPR模型，得到鋰電池HFs的非線性長(zhǎng)期退化特性；同時(shí)訓(xùn)練一維CNN?LSTM模型，得到長(zhǎng)循環(huán)周期下鋰離子電池HFs和容量數(shù)據(jù)之間隱藏的對(duì)應(yīng)關(guān)系。在進(jìn)行早期預(yù)測(cè)的在線階段，通過GPR模型將在線測(cè)量獲得的前100次循環(huán)數(shù)據(jù)擴(kuò)展為鋰離子電池整個(gè)生命周期數(shù)據(jù)，從而使用預(yù)先訓(xùn)練的模型對(duì)鋰離子電池RUL進(jìn)行早期預(yù)測(cè)。該方法由一維CNN?LSTM基礎(chǔ)預(yù)測(cè)模型以及GPR健康特征擴(kuò)展模型組成，預(yù)測(cè)框架如圖1所示。

1.2" 一維CNN?LSTM預(yù)測(cè)模型

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是通過模擬人類視覺而產(chǎn)生的算法，由輸入層、卷積層、池化層、全連接層、輸出層等組成，其中卷積層與池化層是CNN的核心層，最具有代表性。一維CNN結(jié)構(gòu)具有更好的動(dòng)態(tài)跟蹤和提取時(shí)間序列特征的能力，可以快速提取特征，以揭示潛在隱藏信息[16]。因此，一維CNN可以捕獲電池特征數(shù)據(jù)的深層特征，并將其用作LSTM神經(jīng)網(wǎng)絡(luò)的輸入層。

卷積層的具體運(yùn)算公式如下：

[nli=f（Wli?Nl-1+bli）arcsinθ] （1）

池化層的具體運(yùn)算公式如下：

式中：[Wli]為[l]層中第[i]個(gè)卷積核權(quán)重矩陣；[Nl-1]為第[l-1]層輸出；[nli]為第[l]層的第[i]個(gè)特征；[bli]為偏置項(xiàng)；[nli（k）]為在池化核內(nèi)的元素；[ml+1i（j）]為池化處理后的元素；[Dj]為第[j]個(gè)池化核覆蓋的區(qū)域。本文選擇ReLU作為卷積層的激活函數(shù)。

LSTM作為一種特殊的RNN結(jié)構(gòu)，具有三種特殊的邏輯門結(jié)構(gòu)，即遺忘門、更新門和輸出門，在時(shí)間序列預(yù)測(cè)領(lǐng)域有很好的應(yīng)用[17]。這種結(jié)構(gòu)設(shè)計(jì)使得由LSTM單元組成的網(wǎng)絡(luò)具有長(zhǎng)時(shí)間存儲(chǔ)能力，具體運(yùn)算如下：

式中：[m（t）]和[h（t）]分別是輸入和輸出；[C（t）]是狀態(tài)信息；[f（t）]、[i（t）]和[o（t）]分別是遺忘門、輸入門和輸出門；[W]和[b]分別是權(quán)重和偏差；[σ]和[tanh]是激活函數(shù)。本文將兩個(gè)模型（一維CNN和LSTM）結(jié)合起來，使它們之間的優(yōu)勢(shì)互補(bǔ)，既可以快速、充分地提取特征和潛在信息，又可以學(xué)習(xí)數(shù)據(jù)的長(zhǎng)期相關(guān)性。

1.3" GPR特征擴(kuò)展模型

早期預(yù)測(cè)只是從鋰離子電池系統(tǒng)中獲取部分早期數(shù)據(jù)，無法很好地適應(yīng)建立的基礎(chǔ)預(yù)測(cè)模型。因此，本文考慮引入GPR模型作為鋰電池早期循環(huán)數(shù)據(jù)擴(kuò)充的一種手段，以便更好地適應(yīng)預(yù)測(cè)模型。在此基礎(chǔ)上，使用兩階段健康特征擴(kuò)展方法來對(duì)鋰離子電池RUL進(jìn)行早期預(yù)測(cè)。第一階段，通過識(shí)別鋰電池的歷史特征數(shù)據(jù)，確定鋰電池平均函數(shù)和協(xié)方差函數(shù)；第二階段，在線提取鋰電池早期的特征數(shù)據(jù)，并將其與歷史特征數(shù)據(jù)曲線進(jìn)行比較。最后，將通過識(shí)別獲得的歷史退化數(shù)據(jù)作為GPR模型的自變量進(jìn)行回歸分析，獲得擴(kuò)展后的全生命周期數(shù)據(jù)。出于不同的目的，可以使用特定的早期數(shù)據(jù)構(gòu)建特定的HFs，以便于后續(xù)容量預(yù)測(cè)，流程如圖2所示。

1.4" 早期預(yù)測(cè)流程

鋰電池的早期RUL預(yù)測(cè)模型就是將基礎(chǔ)預(yù)測(cè)模型和早期健康特征（HFs）擴(kuò)展模型結(jié)合在一起，先提取本文所使用的HFs，然后通過GPR擴(kuò)展出HFs的完整生命周期序列，隨后將該序列輸入基本預(yù)測(cè)模型，預(yù)測(cè)出擴(kuò)展后序列的電池容量，最后結(jié)合失效閾值計(jì)算出剩余使用壽命。這種方法總的來說不必等到測(cè)出特征數(shù)據(jù)才能預(yù)測(cè)當(dāng)前階段的RUL，而實(shí)際上電池已經(jīng)歷了后面完整的放電周期，只是將這個(gè)“當(dāng)前階段”提前到鋰離子電池放電循環(huán)前100次循環(huán)的數(shù)據(jù)，即本文所研究的早期預(yù)測(cè)目標(biāo)。本文方法的主要流程如圖1所示，可分為以下3個(gè)步驟。

1） 數(shù)據(jù)（電壓、電流和充電/放電時(shí)間等數(shù)據(jù)）處理及提取。對(duì)收集到的數(shù)據(jù)進(jìn)行歸一化后，提取相應(yīng)的健康特征擴(kuò)展指標(biāo)并進(jìn)行相關(guān)性分析，保證特征的可用性。

2） 基于GPR的早期健康特征擴(kuò)充。將步驟1）提取的兩個(gè)健康特征分別作為模型的標(biāo)簽，使用離線電池進(jìn)行訓(xùn)練，構(gòu)建基于GPR的外推模型。將訓(xùn)練集記為[{x，y}]，其中[x=[t1，t2，…，ti]T]，[y=[HF1，HF2，][…，HFi]T]，[i]為循環(huán)數(shù)；測(cè)試集記為[{x*，y*}]，其中[x*=[ti+1，ti+2，…，tn]T，y*=[HFi+1，HFi+2，…，HFn]T]。預(yù)測(cè)部分以[x*]作為輸入，得到特征擴(kuò)展結(jié)果[y*]。

3） 對(duì)未來容量退化進(jìn)行預(yù)測(cè)。本文選擇兩個(gè)健康特征進(jìn)行擴(kuò)展，表示為HF1和HF2，則[Fi=（HF1i，HF2i）]，輸入特征序列為[X={F1，F(xiàn)2，…，F(xiàn)m}]，其中[i]表示循環(huán)數(shù)。設(shè)[r]為滑動(dòng)窗口大小，將目標(biāo)電池的特征數(shù)據(jù)[[Fm-r+1，F(xiàn)m-r+2，…，F(xiàn)m]]輸入到CNN?LSTM模型中，得到第[m+1]個(gè)周期預(yù)測(cè)值[Fm+1]。輸入窗口使用預(yù)測(cè)值更新，并輸入到一維CNN?LSTM模型。以此類推，將輸入數(shù)據(jù)迭代更新為預(yù)測(cè)值進(jìn)行預(yù)測(cè)，當(dāng)預(yù)測(cè)容量下降到故障閾值時(shí)，RUL預(yù)測(cè)過程結(jié)束。

2" 實(shí)驗(yàn)和評(píng)估

2.1" 數(shù)據(jù)集信息及健康特征提取

在這項(xiàng)工作中，電池老化數(shù)據(jù)來自夏威夷自然能源研究所[18]，用于驗(yàn)證所提出的鋰離子電池早期壽命預(yù)測(cè)方法的準(zhǔn)確性。該組鋰電池按照時(shí)間序列被命名為“HNEI_18650_NMC_LCO_25C_0?100_0.5/1.5C_”，在本文中挑選其中的10塊電池，并按照順序命名為“HNEI_”。這些電池額定容量為2.8 A·h，上限截止電壓為4.5 V，下限截止電壓為2.6 V。此批次電池采用加速退化的測(cè)試方式，先使用0.5C恒流（CC）模式達(dá)到3.4 V后，轉(zhuǎn)為恒壓（CV）充電模式至充電電流接近于0；然后以相同的1.5C放電至3 V。所有電池的測(cè)試均在25 ℃下進(jìn)行，在規(guī)定的電池下限和上限之間進(jìn)行循環(huán)。

為了充分利用鋰電池充放電階段的不同特性，本文選擇恒流充電時(shí)間和放電階段等電壓時(shí)間差作為健康特征擴(kuò)展，其圖形表示如圖3所示，其中F1為恒流充電時(shí)間；F2為放電階段等電壓時(shí)間差，電壓區(qū)間為3.6～3.9 V。

2.2" 評(píng)估指標(biāo)

評(píng)價(jià)函數(shù)是判斷鋰電池預(yù)測(cè)模型好壞的重要標(biāo)準(zhǔn)。其中，平均絕對(duì)誤差（MAE）是預(yù)測(cè)結(jié)果與真實(shí)值差值的絕對(duì)值的平均值，用于評(píng)估模型對(duì)數(shù)據(jù)的預(yù)測(cè)能力；均方根誤差（RMSE）是預(yù)測(cè)結(jié)果和真實(shí)值之差的平方的平均值的平方根；相關(guān)系數(shù)（[R2]）是預(yù)測(cè)值和真實(shí)值之間的線性相關(guān)程度；絕對(duì)誤差（AE）是預(yù)測(cè)值和真實(shí)值之間差值的絕對(duì)值，通常用于評(píng)估剩余壽命（RUL）預(yù)測(cè)模型的性能。各指標(biāo)公式如下：

式中：[yi]和[yi]分別表示鋰電池的預(yù)測(cè)容量和實(shí)際容量；[RULtrue]是這些電池的實(shí)際RUL；[RULpredicted]表示所獲得的電池的預(yù)測(cè)RUL；[i]表示[n]所處的標(biāo)記；[n]表示當(dāng)鋰離子電池的容量達(dá)到故障閾值時(shí)執(zhí)行的充電/放電循環(huán)的次數(shù)。對(duì)于MAE、RMSE和AE三個(gè)指標(biāo)，值越接近0，預(yù)測(cè)效果越好；對(duì)于相關(guān)系數(shù)，該值越接近1，預(yù)測(cè)結(jié)果就越準(zhǔn)確。

2.3" 實(shí)驗(yàn)參數(shù)設(shè)置

模型是在Python 3環(huán)境下開發(fā)的。在模型訓(xùn)練中，用均方誤差來計(jì)算損失函數(shù)，在回歸問題中表現(xiàn)良好。網(wǎng)絡(luò)使用被認(rèn)為是訓(xùn)練時(shí)間序列模型最先進(jìn)的方法Adam優(yōu)化器進(jìn)行訓(xùn)練。在預(yù)先訓(xùn)練的模型中，學(xué)習(xí)率設(shè)為0.001，以保證獲得最佳模型。在訓(xùn)練過程中，dropout設(shè)置為0.1，隨機(jī)丟棄一些神經(jīng)元以避免過擬合。

本文使用的實(shí)驗(yàn)環(huán)境配置如表1所示。

3" 結(jié)果與討論

3.1" 早期壽命預(yù)測(cè)結(jié)果

在本文鋰電池早期壽命預(yù)測(cè)研究中，選擇8個(gè)同類型電池?cái)?shù)據(jù)作為訓(xùn)練集，剩余2個(gè)電池?cái)?shù)據(jù)作為測(cè)試集，測(cè)試電池的壽命終結(jié)循環(huán)分別為454和467，達(dá)到完全失效循環(huán)為1 047和1 050。為了匹配基礎(chǔ)預(yù)測(cè)模型，對(duì)早期數(shù)據(jù)進(jìn)行擴(kuò)展，使其從只有前100次循環(huán)數(shù)據(jù)擴(kuò)展為有全壽命周期的數(shù)據(jù)，以保證基礎(chǔ)模型在新電池上能夠進(jìn)行預(yù)測(cè)的有效性，進(jìn)而實(shí)現(xiàn)鋰電池早期RUL預(yù)測(cè)。

在早期預(yù)測(cè)中，預(yù)測(cè)的起點(diǎn)被選為全生命周期的前100次。本文只使用鋰電池的容量序列，通過一維CNN?LSTM模型進(jìn)行鋰電池早期容量預(yù)測(cè)，結(jié)果如圖4所示。由圖可知，在僅使用容量序列的情況下，鋰電池的容量退化更近似于一條無波動(dòng)的曲線。此外，利用提取的特征，使用GPR模型進(jìn)行直接容量預(yù)測(cè)，對(duì)鋰電池容量退化軌跡的預(yù)測(cè)準(zhǔn)確性欠佳。

電池預(yù)測(cè)數(shù)據(jù)分析結(jié)果如表2所示。實(shí)驗(yàn)結(jié)果顯示，本文所提出的方法可以得到與實(shí)際容量相似的退化趨勢(shì)，即在早期預(yù)測(cè)之前，先通過GPR擴(kuò)展特征數(shù)據(jù)，鋰離子電池的容量退化特性曲線更加接近實(shí)際值。本文方法可以充分地利用鋰電池早期的更多特征和鋰電池的長(zhǎng)期退化特性，從而進(jìn)一步提高預(yù)測(cè)精度。

3.2" 不同方法的早期壽命預(yù)測(cè)結(jié)果對(duì)比

為了進(jìn)一步驗(yàn)證所提模型的RUL預(yù)測(cè)精度，將該方法與其他經(jīng)常使用的方法在同一預(yù)測(cè)起點(diǎn)處進(jìn)行預(yù)測(cè)，并對(duì)預(yù)測(cè)結(jié)果進(jìn)行比較，具體結(jié)果如表3所示。由表3可知，雖然所提出的方法取得的精度提升并不大，但仍然獲得了令人滿意的結(jié)果。更重要的是，對(duì)比其他使用深度學(xué)習(xí)進(jìn)行鋰電池早期RUL預(yù)測(cè)的方法，本文方法所花費(fèi)的時(shí)間更少，有不錯(cuò)的時(shí)間優(yōu)勢(shì)，驗(yàn)證了其在RUL早期預(yù)測(cè)中的有效性。

4" 結(jié)" 論

本文提出一種具有相似退化軌跡鋰電池的RUL早期預(yù)測(cè)方法，使用歷史數(shù)據(jù)，通過一維CNN?LSTM網(wǎng)絡(luò)建立HFs與容量之間的映射關(guān)系；基于在線得到的部分?jǐn)?shù)據(jù)，經(jīng)由GPR進(jìn)行擴(kuò)展，保證模型適用性，最終實(shí)現(xiàn)RUL預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明，只需前100次循環(huán)甚至更少的電池老化數(shù)據(jù)即可準(zhǔn)確預(yù)測(cè)鋰電池的容量和RUL。本文得到的主要結(jié)論如下。

1） 將早期特征數(shù)據(jù)擴(kuò)展為全生命周期的數(shù)據(jù)，通過這種鍵入未來知識(shí)的建模方式，可以解決因研究數(shù)據(jù)利用不充分導(dǎo)致預(yù)測(cè)精度不足的問題。所提方法可以成為鋰電池RUL早期預(yù)測(cè)的一種新方法。

2） 提出一種基于GPR模型傳遞歷史相似退化模式的健康特征擴(kuò)展方法，通過分析預(yù)測(cè)兩個(gè)不同鋰離子電池實(shí)例，驗(yàn)證了本文方法的有效性。

3） 提出一種一維CNN?LSTM神經(jīng)網(wǎng)絡(luò)，能夠充分學(xué)習(xí)鋰離子電池的長(zhǎng)期退化特性，可以作為RUL早期預(yù)測(cè)的一種可用模型。

參考文獻(xiàn)

[1] 丁德鄰，張營，左洪福.基于SSA?VMD?GRU的鋰電池剩余壽命預(yù)測(cè)方法研究[J].電子元件與材料，2023，42（9）：1071?1078.

[2] 吳曉丹，范波，王建祥，等.基于VMD?TCN?Attention的鋰電池壽命預(yù)測(cè)[J].電源技術(shù)，2023，47（10）：1319?1325.

[3] ZHOU Z， LIU Y， YOU M， et al. Two?stage aging trajectory prediction of LFP lithium?ion battery based on transfer learning with the cycle life prediction [J]. Green energy and intelligent transportation， 2022， 1（1）： 100008.

[4] GUO Y， WANG Y， DING P， et al. Future degradation trajectory prediction of lithium?ion battery based on a three?step similarity evaluation criterion for battery selection and transfer learning [J]. Journal of energy storage， 2023， 72： 108763.

[5] HSU C W， XIONG R， CHEN N Y， et al. Deep neural network battery life and voltage prediction by using data of one cycle only [J]. Applied energy， 2022， 306： 118134.

[6] FEI Z， ZHANG Z， YANG F， et al. Early?stage lifetime prediction for lithium?ion batteries： A deep learning framework jointly considering machine?learned and handcrafted data features [J]. Journal of energy storage， 2022， 52： 104936.

[7] SHI Q， ZHAO L， ZHANG E， et al. The future capacity prediction using a hybrid data?driven approach and aging analysis of liquid metal batteries [J]. Journal of energy storage， 2023， 67： 107637.

[8] PANG X， LIU X， JIA J， et al. A lithium?ion battery remaining useful life prediction method based on the incremental capacity analysis and Gaussian process regression [J]. Microelectronics reliability， 2021， 127： 114405.

[9] MA G， WANG Z， LIU W， et al. A two?stage integrated method for early prediction of remaining useful life of lithium?ion batteries [J]. Knowledge?based systems， 2023， 259： 110012.

[10] CHE Y， DENG Z， TANG X， et al. Lifetime and aging degradation prognostics for lithium?ion battery packs based on a cell to pack method [J]. Chinese journal of mechanical engineering， 2022， 35： 1?16.

[11] 李遠(yuǎn)博，王海瑞，葉鑫，等.基于并行CNN?Self attentionamp;LSTM的鋰電池RUL間接預(yù)測(cè)[J].化工自動(dòng)化及儀表，2023，50（4）：486?492.

[12] ZHAO S， ZHANG C， WANG Y. Lithium?ion battery capacity and remaining useful life prediction using board learning system and long short?term memory neural network [J]. Journal of energy storage， 2022， 52： 104901.

[13] 葉震，李琨，李夢(mèng)男，等.基于SE?SAE特征融合和BiLSTM的鋰電池壽命預(yù)測(cè)[J].電源技術(shù)，2023，47（6）：745?749.

[14] SUN J， REN S， SHANG Y， et al. A novel fault prediction method based on convolutional neural network and long short?term memory with correlation coefficient for lithiumion battery [J]. Energy storage， 2023， 62： 106811.

[15] SHENG H， HOU Y， BAI L， et al. Transfer state of health estimation based on cross?manifold embedding [J]. Energy storage， 2022， 47： 103555.

[16] 陳賜陽，陳德旺.基于CNN?LSTM的鋰電池剩余壽命（RUL）間接預(yù)測(cè)研究[J].電源技術(shù)，2021，45（5）：589?594.

[17] 尹皓，張勁松，封居強(qiáng).基于改進(jìn)LSTM的鋰離子電池剩余使用壽命預(yù)測(cè)方法[J].宿州學(xué)院學(xué)報(bào)，2023，38（9）：1?6.

[18] DOS REIS G， STRANGE C， YADAV M， et al. Lithiumion battery data and where to find it [J]. Energy AI， 2021， 5： 100081.