【CN110188920A】一种锂电池剩余寿命预测方法【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910341857.2(22)申请日 2019.04.26(71)申请人 华中科技大学地址 430074 湖北省武汉市洪山区珞喻路1037号(72)发明人 袁烨 马贵君 程骋 张永 周倍同 (74)专利代理机构 华中科技大学专利中心 42201代理人 曹葆青 李智(51)Int.Cl.G06Q 10/04(2012.01)G01R 31/367(2019.01)G01R 31/392(2019.01)G06N 3/04(2006.01)G06N 3/08(2006.01)
(54)发明名称一种锂电池剩余寿命预测方法(57)摘要本发明公开了一种锂电池剩余寿命预测方法，包括：采集锂电池多个充放电循环的电容量，并进行归一化；对归一化后的多个电容量进行窗口划分，得到训练数据集；将所述训练数据集输入包括卷积神经网络和长短记忆循环神经网络的退化状态模型进行训练；将所述训练数据集最后一个窗口数据输入到训练好的退化状态模型中进行滑动预测，直至预测的电容量达到容量退化阈值点；根据预测的容量值对应的滑动循环次数预测待测锂电池的剩余寿命。本发明融合卷积神经网络的特征提取能力和长短记忆循环神经网络的时间序列预测能力，有效的对锂电池的退化特征进行提取和预测，提高了预测精度。且使用假最邻近法自动对退化指标进行窗口大小的确定，
提高了计算效率。
权利要求书2页 说明书8页 附图3页CN 110188920 A2019.08.30
CN 110188920
A1.一种锂电池剩余寿命预测方法，其特征在于，包括：(1)采集锂电池多个充放电循环的电容量，并对采集的多个电容量进行归一化；(2)对归一化后的多个电容量进行窗口划分，并将每个窗口内的电容量和每个窗口的下一个电容量作为训练数据集；(3)将所述训练数据集输入包括卷积神经网络和长短记忆循环神经网络的退化状态模型进行训练，得到用于预测锂电池寿命的退化状态模型；(4)将所述训练数据集最后一个窗口数据输入到训练好的退化状态模型中进行滑动预测，得到预测的电容量；(5)判断预测的电容量是否达到容量退化阈值点；若是，则直接进入步骤(6)；若否，则返回执行步骤(4)；(6)根据预测的容量值对应的滑动循环次数预测待测锂电池的剩余寿命。2.根据权利要求1所述的一种锂电池剩余寿命预测方法，其特征在于，步骤(1)中所述归一化具体为：采集的所有电容量除以第一个充放电循环的电容量。3.根据权利要求2所述的一种锂电池剩余寿命预测方法，其特征在于，步骤(2)中所述根据采集的多个电容量确定滑动窗口大小，具体包括：(2.1)归一化的k个电容量表示为Xtrain＝[x(1),x(2),...,x(k)]，定义一个大小为d的窗口，第i个窗口内向量为：(2.2)遍历寻找与第i个窗口内向量欧几里得距离最小的第p个窗口内向量其欧几里得距离表示为：
(2.3)当窗口大小从d增加到d+1时，第i个窗口内向量与第p个窗口内向量欧几里得距离为：(2.4)利用判断准则判断所述第p个窗口内向量是否是所述第i个窗口内向量的假最邻近向量；其中RT为设定阈值；(2.5)计算所有滑动窗口内假最邻近向量的百分比；(2.6)滑动窗口大小d从1到k-1不断增加，重复步骤(2.3)-(2.5)，将假最邻近向量的百分比最接近0时的d值作为最佳滑动窗口大小。4.根据权利要求3所述的一种锂电池剩余寿命预测方法，其特征在于，步骤(2.4)中所述设定阈值RT≥10。5.根据权利要求3所述的一种锂电池剩余寿命预测方法，其特征在于，步骤(2.4)中所
述判断准则还包括：权 利 要 求 书1/2页
2CN 110188920 A
【CN109856559A】一种锂电池循环寿命的预测方法【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910153648.5(22)申请日 2019.02.28(71)申请人 武汉理工大学地址 430070 湖北省武汉市洪山区珞狮路122号(72)发明人 甘小燕 窦雅盛 武鸿辉 余俊锋 (74)专利代理机构 湖北武汉永嘉专利代理有限公司 42102代理人 王丹(51)Int.Cl.G01R 31/389(2019.01)G01R 31/387(2019.01)G01R 31/382(2019.01)
(54)发明名称一种锂电池循环寿命的预测方法(57)摘要本发明提供一种锂电池循环寿命的预测方法，将锂电池进行不同循环次数的充放电性能测试以及HPPC性能测试，记录不同循环次数的充放电过程中电压和容量；根据HPPC测试数据中锂电池电压的变化，计算在不同SOC下的充电和放电方向的内阻，计算每个循环次数下的根据不同SOC下拟合的平均值，即均值内阻；在不同循环次数下，将均值内阻与SOC进行拟合，寻找出相应的规律，得到在不同循环次数下的均值内阻；根据均值内阻与循环次数的测试数据进行拟合计算，对电池的循环寿命进行预测。本发明经过短期的循环测试即可快速预测电池循环寿命，极大地降
低了常规测试所产生的时间和资源浪费。
权利要求书1页 说明书5页 附图2页CN 109856559 A2019.06.07
CN 109856559
A1.一种锂电池循环寿命的预测方法，其特征在于：它包括以下步骤：S1、将锂电池进行不同循环次数的充放电性能测试以及HPPC性能测试，记录不同循环次数的充放电过程中电压和容量；S2、根据HPPC测试数据中锂电池电压的变化，计算在不同SOC下的充电和放电方向的内阻，计算每个循环次数下的根据不同SOC下拟合的平均值，即均值内阻；在不同循环次数下，将均值内阻与SOC进行拟合，寻找出相应的规律，得到在不同循环次数下的均值内阻；S3、根据均值内阻与循环次数的测试数据进行拟合计算，对电池的循环寿命进行预测；1)根据均值内阻以及相应的容量保持率进行拟合得到均值内阻-容量保持率函数关系式；2)根据电池循环次数以及相应的均值内阻进行拟合得到循环次数-均值内阻函数关系式；3)根据1)和2)的函数关系式，计算电池某一容量保持率时对应的电池循环次数。2.根据权利要求1所述的锂电池循环寿命的预测方法，其特征在于：所述的S1在进行测试时，循环次数为0-1000次，且停止循环测试后的电池处于放电状态。3.根据权利要求1所述的锂电池循环寿命的预测方法，其特征在于：所述的S1在充放电性能测试时，充电电流为1/3C，充电截止电压为4.2V，充电截止电流设为0.13A，放电截止电压设为2.5V，恒流放电电流为0.5C、1C、2C或3C中的一个，C为电池充放电电流大小的比率。4.根据权利要求1所述的锂电池循环寿命的预测方法，其特征在于：所述的S1在HPPC性能测试时，按照以下步骤进行：1)在一定温度下以C的一定倍率恒流放电；2)恒流放电后，电池进行搁置1min以上；3)搁置完成后，再以以C的一定倍率恒流充电；4)充电结束后，再进行搁置1min以上；5)以以C的一定倍率恒流放电，使电池SOC下降；将电池搁置15min以上；6)从1)开始重复循环上述步骤，循环次数设置为大于或等于20次；循环结束后，测试完成。5.根据权利要求4所述的锂电池循环寿命的预测方法，其特征在于：所述的一定温度为-20℃-60℃。6.根据权利要求4所述的锂电池循环寿命的预测方法，其特征在于：所述的以C的一定倍率为0.5C、1C、2C或3C。7.根据权利要求1所述的锂电池循环寿命的预测方法，其特征在于：所述的均值内阻-容量保持率函数关系式为：y＝-236.12x2+11.74x+0.8567其中，x表示均值内阻，y表示容量保持率。8.根据权利要求7所述的锂电池循环寿命的预测方法，其特征在于：所述的循环次数-均值内阻函数关系式为：x＝0.0718z+27.763其中，z表示电池循环次数，
【CN110555226A】基于EMD和MLP的磷酸铁锂电池剩余寿命预测方法【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910266767.1(22)申请日 2019.04.03(71)申请人 太原理工大学地址 030024 山西省太原市迎泽西大街79号(72)发明人 陈泽华 乔建澍 陈凯华 刘忆恩 刘晓峰 (74)专利代理机构 太原晋科知识产权代理事务所(特殊普通合伙) 14110代理人 任林芳(51)Int.Cl.G06F 17/50(2006.01)
(54)发明名称基于EMD和MLP的磷酸铁锂电池剩余寿命预测方法(57)摘要本发明公开了一种基于EMD和MLP的磷酸铁锂电池剩余寿命预测方法，运用经验模态分解先对可放电容量进行多尺度分解，然后将分解后的信息作为深度学习算法的输入，训练出模型，最后对电池的寿命进行预测。通过本发明，能够有效的预测电池SOH，有较好预测效率和预测精度，有效的判断其未来的工作能力，及时发现问题，
避免不必要的麻烦和损失。
权利要求书2页 说明书5页 附图4页CN 110555226 A2019.12.10
CN 110555226
A1.一种基于EMD和MLP的磷酸铁锂电池剩余寿命预测方法，其特征在于：步骤一：提取磷酸铁锂电池的电池容量数据，将数据分成两组，一组为训练集，另一组为测试集；步骤二：对磷酸铁锂电池的电池容量数据进行经验模态分解，分解为一系列本征模函数，作为电池容量数据在不同尺度下的特征，其中不同尺度下的特征至少包括全局衰减趋势、容量再生数据及局部波动的信息特征；步骤三：对深度神经网络的参数进行设置，将分解后的磷酸铁锂电池容量数据在不同尺度下的特征作为深度神经网络的输入，训练得到预测模型；步骤四：利用测试集进行测试，并验证预测模型的准确性。2.根据权利要求1所述的基于EMD和MLP的磷酸铁锂电池剩余寿命预测方法，其特征在于：对磷酸铁锂电池的电池容量数据进行经验模态分解的步骤包括：第一步：以磷酸铁锂电池的电池容量数据构建序列x(t)，找出序列x(t)的所有极值点；第二步：用插值法对极小值点形成下包络xl(t)，对极大值形成上包络xu(t)；第三步：计算下包络上包络的平均值：m(t)＝[xl(t)+xu(t)]/2 (1)第四步：提取本征模函数：h(t)＝x(t)-m(t) (2)第五步：判断终止条件是否满足，如果满足输出x(t)和rn(t)结束经验模态分解，否则，执行第六步；
基于深度学习的锂电池剩余寿命预测方法研究
哈尔滨工业大学工学硕士学位论文
- I - 摘 要 锂离子电池凭借清洁、稳定等独特优势已经被广泛应用于了各个领域，同时对锂电池的预测和健康管理也成为必要性工作。随着充放电过程的进行，锂离子电池的性能不断地退化，剩余使用寿命（Remaining Useful Life，RUL）不断缩短。因此，预测锂电池的RUL成为了评估健康状态的重要方法。 目前已有的锂电池RUL的预测方法包括基于模型的方法和数据驱动的方法。基于模型的方法往往需要对锂电池的性能退化过程有详细的了解以建立退化模型，而建立的模型通常较为复杂且泛化性能有限。数据驱动的方法则通过历史数据来进行RUL预测，而不需要对具体退化过程有深入的了解。本文从数据驱动的预测方法出发，根据电池运行过程的历史数据通过以深度学习为核心的方法对锂电池的RUL预测进行研究，主要的研究工作如下： 首先，提出了一种基于长短时记忆（Long-Short Term Memory，LSTM）结构的神经网络模型对锂电池的容量序列进行预测以实现RUL的预测。通过LSTM结构拟合锂电池容量的退化趋势，提取容量序列中体现的退化特性，对未来容量变化做出预测以确定RUL的终止周期。实验结果证明了预测模型在容量序列预测中的有效性，为之后研究内容提供了模型基础。 其次，通过Dropout在神经网络结构中的应用建立了RUL预测的概率分布模型。介绍了Dropout通常意义上作为一种避免过拟合的手段加入到神经网络结构中之外，作为近似贝叶斯神经网络的方法描述模型不确定性的作用。并通过蒙特卡罗Dropout方法建立了RUL预测的近似概率分布模型。 最后，在单序列容量预测基础上，提出了基于相似序列的多序列预测方法。由于同种电池的性能退化过程具有很高的相似性，在预测模型中加入了待测序列的相似序列辅助预测。实验表明，基于相似序列的预测提升了预测模型预测的稳定性和对突变现象的反应能力。 关键词：锂离子电池；剩余使用寿命；深度学习；模型不确定性 哈尔滨工业大学工学硕士学位论文
【CN110109028A】一种动力电池剩余寿命间接预测方法【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910294756.4(22)申请日 2019.04.12(71)申请人 江苏大学地址 212013 江苏省镇江市京口区学府路301号(72)发明人 何志刚 魏涛 盘朝奉 周洪剑 李尧太 (51)Int.Cl.G01R 31/392(2019.01)G01R 31/367(2019.01)G01R 31/385(2019.01)G01R 31/389(2019.01)
(54)发明名称一种动力电池剩余寿命间接预测方法(57)摘要本发明公开了一种动力电池剩余寿命间接预测方法，以等充电压升时间、等放电压降时间为特征健康因子，构建健康特征因子与循环次数的时间序列，利用经验模态分解解耦全局退化和局部波动，将粒子滤波和多项式回归联合来预测电池剩余寿命，粒子滤波用来追踪局部波动现象，多项式回归用来拟合全局退化趋势。实验结果表明：本方法预测结果与来自美国宇航局艾姆斯卓越预测中心的锂电池循环寿命实验数据误差在4％之内，
具有很好的精确性和实用性。
权利要求书1页 说明书6页 附图7页CN 110109028 A2019.08.09
CN 110109028
A1.一种动力电池剩余寿命间接预测方法，其特征在于，包括如下步骤：步骤(1)，对动力电池进行充放电循环寿命测试，得到充放电过程电压曲线；步骤(2)，对单次动力电池充放电的电压曲线进行特征提取，构建两类时间序列；步骤(3)，采用经验模态分解方法对两类时间序列分解分成不同尺度的特征模态函数和一个主元函数；步骤(4)，特征模态函数采用粒子滤波PF跟踪预测，主元函数采用多项式回归PR拟合全局退化趋势；步骤(5)，将所有的特征模态函数预测序列和主元函数预测序列相加，得到电池特征健康因子总体预测序列，再将电池寿命终止时对应循环次数与总体预测序列预测值对应的循环次数作差，得到电池的剩余使用寿命。2.如权利要求1所述的动力电池剩余寿命间接预测方法，其特征在于，所述特征提取的特征健康因子为动力电池等充电压升时间CT和等放电压降时间DT，构建健康特征因子与循环次数的时间序列。3.如权利要求2所述的动力电池剩余寿命间接预测方法，其特征在于，所述充电压升范围为3.5V-4V，放电电压压降范围为4V-3.5V。4.如权利要求1所述的动力电池剩余寿命间接预测方法，其特征在于，特征模态函数采用粒子滤波跟踪预测的过程包括初始化、更新、重采样、预测。5.如权利要求1所述的动力电池剩余寿命间接预测方法，其特征在于，所述多项式回归选用一元多项式回归模型，通过最小二乘法求解回归模型参数，最终得到多项式回归曲线。6.如权利要求1或2所述的动力电池剩余寿命间接预测方法，其特征在于，所述电池特征健康因子总体预测序列采用的公式为：电池剩余使用寿命
锂电池剩余寿命的ELM间接预测方法
锂电池剩余寿命的ELM间接预测方法
摘要：锂离子电池因其容量高、安全性好、环保等优点被广泛应用于各行各业，如电子通讯、航空航天等。但锂离子电池在使用一段时间后往往会变质，这对设备和仪器非常不利。因此，预测锂离子电池的使用寿命非常重要。
关键词：锂电池；间接预测；剩余寿命特征参数；极限学习机(ELM)
针对锂电池直接预测剩余使用寿命难及预测结果不准确等问题，提出利用锂电池循环充放电监测参数构建间接寿命特征参数的方法。应用一阶偏相关系数分析法验证间接寿命特征参数与直接参数间的相关性，选择等压降放电时间作为锂电池间接寿命特征参数，构建基于ELM的等压降放电时间与实际容量的关系模型和等压降放电时间预测模型，实现锂电池的ＲUL预测。基于NASA锂电池数据集预测并评估锂电池的ＲUL，并且与ELM直接预测方法和高斯过程回归间接预测方法相比较，本方法能够有效的预测锂电池的ＲUL，预测结果的误差范围为5%左右，具备较好的锂电池ＲUL预测精度。
一、概述
锂离子电池(简称锂电池)是一种绿色高能充电电池，因其容量高，自放电率低，安全性高，循环寿命长等优点被广泛的用于电子通讯工程、交通和航空航天等领域［。然而，锂电池在使用过程中性能的退化会影响仪器设备的正常使用，甚至会造成严重的故障事故。因此，从安全性、可靠性和经济性角度出发，实现锂电池长期安全有效的运行，避免灾难性事故的发生，对锂电池剩余使用寿命(ＲUL)的监测尤为重要。近年来，关于锂电池剩余使用寿命的预测已成为国内外的研究热点。现有的国内外锂电池ＲUL预测方法可分为两类。一是基于模型的方法，即通过建立一个数学模型来表示锂电池性能退化的过程。如，失效物理故障(PoF)建模法，卡尔曼滤波(KF)法、粒子滤波(PF)法等，由于锂电池内部电化学特性的复杂，易受温度等外界因素的干扰，精确数学或物理模型的建立较困难;二是基于数据驱动的方法，该方法利用锂电池的寿命特征参数(如容量、电流、电压、阻抗等)，并借助智能算法模型(如神经网络、支持向量机、高斯过程回归等)进行检测、分析和预测，给出锂电池的剩余寿命分布、性能退化程度或失效概率，从而为维护和系统保障提供决策信息。数据驱动方法无需深入了解锂电池内部机理，只需分析外部监测数据，以其灵活的适应性和易用性获得了较多的应用和推广。锂电池寿命特征参数分为直接参数与间接参数。直接参数是指锂电池的实际容量，即充满电的电池在一定条件下所能输出的电量，其等于放电电流对放电时间的积分。实际容量的获取通常通过监测电压、电流等参数采用安时法估算得出，存在计算累积误差等问题。间接参数是指与锂电池实际容量有较强相关的、能反映锂电池健康状况的其它参数，一般包括充放电电压、电流、温度等。现有研究中，已有将放电电压熵等压降放电时间、电解质阻抗等作为锂电池间接寿命特征参数。极限学习机(ELM)理论因其高精度、快速度、简参数等优点，在时间序列预测，电力负荷预测，函数逼近等方面迅速得到了广泛的应用。
【CN110208705A】一种锂电池剩余寿命预测方法及装置【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910385098.X(22)申请日 2019.05.09(71)申请人 赛尔网络有限公司地址 100084 北京市海淀区中关村东路1号院清华科技园8号楼B座赛尔大厦 申请人 中南大学(72)发明人 彭军 郑智勇 李恒 杨迎泽 张晓勇 程亦君 陈彬 黄志武 蒋富 刘伟荣 (74)专利代理机构 长沙市融智专利事务所(普通合伙) 43114代理人 杨萍(51)Int.Cl.G01R 31/367(2019.01)G01R 31/392(2019.01)G01R 31/371(2019.01)
(54)发明名称一种锂电池剩余寿命预测方法及装置(57)摘要本发明公开了一种锂电池剩余寿命预测方法及装置，装置包括AC-DC转换模块、DC-DC转换模块和控制板；预测方法包括以下步骤：首先使用AC-DC转换模块对锂电池进行充电；然后使用DC-DC转换模块进行放电；在放电期间，对电池的电压及电流信号进行采集，并通过串口转UDP模块、4G-LTE数传模块上传至云服务器；服务器分别根据电池的放电电流信号和电压信号求得电池的可用容量CAP及电压信号的波动指数VCFI；然后将归一化处理后的CAP和VCFI作为特征，送到训练好的基于梯度提升决策树的预测模型中，通过映射即可求得电测的预测寿命。本发明提高
了锂电池剩余使用寿命预测的精度。
权利要求书2页 说明书6页 附图2页CN 110208705 A2019.09.06
CN 110208705
A1.一种锂电池剩余寿命预测方法，其特征在于，包括如下步骤：步骤1：对锂电池先充电至完全充满；步骤2：对锂电池进行恒流模式放电，并在放电期间采集锂电池的电压和放电电流，得到放电期间锂电池的电压曲线和放电电流曲线；步骤3：从放电期间锂电池的电压曲线和放电电流曲线提取锂电池的特征；步骤4：将锂电池的特征输入到训练好的锂电池剩余寿命预测模型中，输出锂电池的剩余使用寿命。2.根据权利要求1所述的锂电池剩余寿命预测方法，其特征在于，所述步骤3中，锂电池的特征包括电池可用容量CAP和电压曲线的信号波动指数VCFI；其中，电池的可用容量CAP的计算公式为：