一种基于LSTM的实际运营储能锂电容量预测方法

一种基于lstm的实际运营储能锂电容量预测方法
技术领域
1.本发明涉及电池容量预测技术领域，尤其是指一种基于lstm(long short time memory，长短时记忆网络)的实际运营储能锂电容量预测方法。


背景技术：

2.近年来，储能电站越来越普及，大致有如下几个原因：一、储能电站可调节电网峰谷，有利于降低电网最大负荷；二、储能电站可使用电动汽车退役电池，因此电动汽车的发展也助推了储能电站；三、风电站、光电站发电侧的配套储能电站可以有效缓解其不稳定性和间歇性。
3.锂离子电池在使用过程中会逐渐老化，表现为容量下降内阻上升。电池老化带来的容量衰减是非线性的，很难预测。而准确预测锂离子电池容量，提前获知寿命信息，及时更换和维护电池，对避免危险事故的发生、降低运行成本等具有重要意义。
4.目前，关于锂离子电池容量预测的研究越来越多。总结来说，容量预测可分为两个部分，原始数据的选取和构建容量预测模型。
5.原始数据的选取是指对电池历史运行数据的选取，包括容量、电压、温度、内阻等基础信息，或更高阶的eis(电化学阻抗谱)、ic曲线(容量增量曲线)、dv(差分电压)曲线等。
6.构建容量预测模型是指根据原始数据和容量的对应关系构建模型。模型的形式可以分为经验公式模型、数理模型和数据驱动模型三种。
7.专利cn115407210a公开了一种基于电池容量预测模型的锂离子电池容量预测方法，其在选取特征方面只使用了容量这一信息，不能准确反映电池老化。在构建模型方面只构建了7个经验公式，但经验公式只能是经验公式，在有限的数据上可以自圆其说，却难以扩展到更多电池。
8.专利cn115166561a公开了一种基于cnn-gru组合神经网络的锂电池寿命预测方法，其在选取特征方面只选取了4个特征(恒流充电时间间隔、恒压充电时间间隔、放电温度峰值时间及循环次数)，特征太少，不能准确反映电池老化。其在构建模型方面虽然用到了cnn-gru组合神经网络，但并没有将特征和容量分开考虑。同时，使用所需数据多，实际使用所用的循环数据，约占总循环数的36％。违背了使用尽可能少的数据预测尽可能多信息的原则。
9.综上所述，现有的电池容量预测方法选取特征简单，未充分反映电池老化信息；同时，构造的模型可解释性差，使用起来所需的数据多。


技术实现要素：

10.为此，本发明所要解决的技术问题在于提供一种适用范围广、预测准确率高的基于lstm的实际运营储能锂电容量预测方法。
11.为解决上述技术问题，本发明提供了一种基于lstm的实际运营储能锂电容量预测方法，其包括以下步骤：
12.s1、提取充电特征，计算充电特征与电池衰减的person相关系数，根据相关性大小选取充电特征作为目标特征；
13.s2、将当前时刻的目标特征输入特征预测lstm模型，预测下一时刻的目标特征；
14.s3、将预测的下一时刻的目标特征输入容量预测lstm模型，预测下一时刻电池公共电压区间的容量。
15.在本发明的一个实施例中，所述特征预测lstm模型包括依次连接的第一序列输入层、第一lstm层、第一全连接层和第一回归输出层。
16.在本发明的一个实施例中，所述容量预测lstm模型包括依次连接的第二序列输入层、第二lstm层、第二全连接层、丢弃层、第三全连接层和第二回归输出层。
17.在本发明的一个实施例中，所述目标特征包括充电次数、总充电量、充电时长、平均电流、平均温度、充电过程温升、充电起始电压、充电结束电压、a/b峰电压、a/b峰ic值、a谷电压、a谷ic值、ic曲线b峰附近0.003v下(b峰电压左侧0.003v到右侧0.003v)的面积。
18.在本发明的一个实施例中，所述电池公共电压区间为3.3v-3.4v。
19.在本发明的一个实施例中，还包括以下步骤：
20.s4、根据预测的下一时刻电池公共电压区间的容量观察电池完整容量的衰减。
21.本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述方法的步骤。
22.本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。
23.本发明还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任一项所述的方法。
24.本发明还提供了一种基于lstm的实际运营储能锂电容量预测系统，其包括：
25.特征计算模块，用于提取充电特征，计算充电特征与电池衰减的person相关系数，根据相关性大小选取充电特征作为目标特征；
26.特征预测lstm模型，用于接收将当前时刻的目标特征，并预测下一时刻的目标特征；
27.容量预测lstm模型，用于接收预测的下一时刻的目标特征，并预测下一时刻电池公共电压区间的容量。
28.本发明的上述技术方案相比现有技术具有以下优点：
29.本发明基于lstm的实际运营储能锂电容量预测方法将特征预测lstm模型和容量预测lstm模型相结合，实现了特征和容量的联合预测，提高了预测准确率。同时，使用公共电压区间容量代替电池完整容量，拓展了预测方法的适用范围。
30.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
31.为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合
附图，对本发明作进一步详细的说明，其中
32.图1是电池的soc-ocv曲线；
33.图2是本发明实施例中基于lstm的实际运营储能锂电容量预测方法的流程图；
34.图3是电池的ic曲线；
35.图4是本发明实施例中基于lstm的实际运营储能锂电容量预测方法的技术路线图；
36.图5是本发明实施例中15枚电池在150次循环后的真实值和预测值。
具体实施方式
37.下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
38.实施例一
39.由于储能电站的放电依据需求侧决定，极不稳定。而充电是由系统设定，工况较为平稳，因此本发明使用充电数据用于观察和预测电池衰减。
40.此外，由于储能电站中的电池串联工作，不同电池的电流相同而电压不同。为了统一，本发明选取公共电压部分的容量作为预测目标。
41.假设一电池的完整容量应为2.5v-3.65v部分放电容量。为了论证选取的公共电压容量可用于观察和预测电池衰减，测量出该电池的soc-ocv曲线(见图1)，由比例关系(公式1)，我们就能以小见大，根据公共电压区间容量观察电池完整容量的衰减。
42.δsoc /100％ ＝c
part
/c
full
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
43.其中，δsoc为荷电状态变化量，c
part
为选取的公共电压部分容量，c
full
为电池的完整容量。
44.进一步地，本实施例中选取3.3-3.4v部分作为公共电压区间(根据公共电压容量占比、电池充电特性选取)。
45.由公式(1)和图1，可以计算出本实施例中3.3-3.4v容量占完整容量的55.5％。以下所称容量如无特指，均表示3.3-3.4v容量。
46.基于此，参照图2所示，本实施例公开了一种基于lstm的实际运营储能锂电容量预测方法，其包括以下步骤：
47.步骤s1、提取充电特征，计算充电特征与电池衰减的person相关系数，根据相关性大小选取充电特征作为目标特征；
48.具体地，以ic曲线各峰谷坐标为主(如图3)，以电池循环次数、充电过程平均温度、电流、总充电容量为辅(依据运营电站所具有的传感器决定)。其中，ic曲线是由电池的q-v曲线求导得到，它将变化缓慢的电压平台转化成明显的峰，被广泛应用于电池老化分析。
49.具体地，经person相关性计算，最终得到15个与电池衰减较为相关的特征作为目标特征，包括充电次数、总充电量、充电时长、平均电流、平均温度、充电过程温升、充电起始电压、充电结束电压、a/b峰电压、a/b峰ic值、a谷电压、a谷ic值、ic曲线b峰附近0.003v下的面积。
50.步骤s2、将当前时刻的目标特征输入特征预测lstm模型，预测下一时刻的目标特征；
51.具体地，所述特征预测lstm模型包括依次连接的第一序列输入层、第一lstm层、第一全连接层和第一回归输出层。通过第一序列输入层输入特征数据，第一lstm层用于学习时间序列和序列数据之间的相关性，第一全连接层将上一层学习到的特征进行整合，输出指定长度的数据，第一回归输出层用于计算回归任务的半均方误差损失，从而评估预测效果。
52.步骤s3、将预测的下一时刻的目标特征输入容量预测lstm模型，预测下一时刻电池公共电压区间的容量。
53.具体地，所述容量预测lstm模型包括依次连接的第二序列输入层、第二lstm层、第二全连接层、丢弃层、第三全连接层和第二回归输出层。容量预测lstm模型与特征预测lstm模型的区别在于：用第二全连接层、丢弃层和第三全连接层替代第一全连接层，其中，丢弃层的作用是有效避免过拟合。因为容量预测lstm模型中lstm层中的神经元数量更多，神经元越多，学习到的信息越多，也更可能过拟合，所以，增加一个丢弃层以抑制过拟合的发生。
54.参照图4，是本发明实施例中基于lstm的实际运营储能锂电容量预测方法的技术路线图。其中，bat是battery的缩写(1～n表示电池编号)；α为特征向量(下标表示循环的次数)，向量大小为1*15；c为容量(下标表示循环的次数)。
55.进一步地，本发明中基于lstm的实际运营储能锂电容量预测方法还包括以下步骤：
56.s4、根据预测的下一时刻电池公共电压区间的容量观察电池完整容量的衰减。
57.为了验证本发明基于lstm的实际运营储能锂电容量预测方法的有效性，将本发明中的两个lstm模型由软件matlab实现，运行在7代i5，gtx1050配置的笔记本电脑上。
58.实现了对15枚电池在150次循环后的容量预测。平均相对误差为5.35％，相当于每个步长预测仅产生0.036％的容量误差偏移。效果良好。与直接预测容量的单lstm方法相比(平均相对误差25.8％)，本发明“双lstm模型方法”大幅提高了预测准度。预测效果参照图5。
59.本发明基于lstm的实际运营储能锂电容量预测方法将特征预测lstm模型和容量预测lstm模型相结合，实现了特征和容量的联合预测，提高了预测准确率。同时，使用公共电压区间容量代替电池完整容量，拓展了预测方法的适用范围。
60.实施例二
61.本实施例公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中所述方法的步骤。
62.实施例三
63.本实施例公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例一中所述方法的步骤。
64.实施例四
65.本实施例公开了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行实施例一中所述的方法。
66.实施例五
67.本实施例公开了一种基于lstm的实际运营储能锂电容量预测系统，其包括：
68.特征计算模块，用于提取充电特征，计算充电特征与电池衰减的person相关系数，根据相关性大小选取充电特征作为目标特征；
69.特征预测lstm模型，用于接收将当前时刻的目标特征，并预测下一时刻的目标特征；
70.容量预测lstm模型，用于接收预测的下一时刻的目标特征，并预测下一时刻电池公共电压区间的容量。
71.本发明实施例中的基于lstm的实际运营储能锂电容量预测系统用于实现前述的基于lstm的实际运营储能锂电容量预测方法，因此该系统的具体实施方式可见前文中的基于lstm的实际运营储能锂电容量预测方法的实施例部分，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。
72.另外，由于本实施例的基于lstm的实际运营储能锂电容量预测系统用于实现前述的基于lstm的实际运营储能锂电容量预测方法，因此其作用与上述方法的作用相对应，这里不再赘述。
73.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
74.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
75.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
76.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
77.显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

技术特征：
1.一种基于lstm的实际运营储能锂电容量预测方法，其特征在于，包括以下步骤：s1、提取充电特征，计算充电特征与电池衰减的person相关系数，根据相关性大小选取充电特征作为目标特征；s2、将当前时刻的目标特征输入特征预测lstm模型，预测下一时刻的目标特征；s3、将预测的下一时刻的目标特征输入容量预测lstm模型，预测下一时刻电池公共电压区间的容量。2.根据权利要求1所述的基于lstm的实际运营储能锂电容量预测方法，其特征在于，所述特征预测lstm模型包括依次连接的第一序列输入层、第一lstm层、第一全连接层和第一回归输出层。3.根据权利要求1所述的基于lstm的实际运营储能锂电容量预测方法，其特征在于，所述容量预测lstm模型包括依次连接的第二序列输入层、第二lstm层、第二全连接层、丢弃层、第三全连接层和第二回归输出层。4.根据权利要求1所述的基于lstm的实际运营储能锂电容量预测方法，其特征在于，所述目标特征包括充电次数、总充电量、充电时长、平均电流、平均温度、充电过程温升、充电起始电压、充电结束电压、a/b峰电压、a/b峰ic值、a谷电压、a谷ic值、ic曲线b峰附近0.003v下的面积。5.根据权利要求1所述的基于lstm的实际运营储能锂电容量预测方法，其特征在于，所述电池公共电压区间为3.3v-3.4v。6.根据权利要求1所述的基于lstm的实际运营储能锂电容量预测方法，其特征在于，还包括以下步骤：s4、根据预测的下一时刻电池公共电压区间的容量观察电池完整容量的衰减。7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到6任一项所述方法的步骤。8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到6任一项所述方法的步骤。9.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到6任一项所述的方法。10.一种基于lstm的实际运营储能锂电容量预测系统，其特征在于，包括：特征计算模块，用于提取充电特征，计算充电特征与电池衰减的person相关系数，根据相关性大小选取充电特征作为目标特征；特征预测lstm模型，用于接收将当前时刻的目标特征，并预测下一时刻的目标特征；容量预测lstm模型，用于接收预测的下一时刻的目标特征，并预测下一时刻电池公共电压区间的容量。

技术总结
本发明涉及一种基于LSTM的实际运营储能锂电容量预测方法。包括以下步骤：S1、提取充电特征，计算充电特征与电池衰减的Person相关系数，根据相关性大小选取充电特征作为目标特征；S2、将当前时刻的目标特征输入特征预测LSTM模型，预测下一时刻的目标特征；S3、将预测的下一时刻的目标特征输入容量预测LSTM模型，预测下一时刻电池公共电压区间的容量。本发明基于LSTM的实际运营储能锂电容量预测方法将特征预测LSTM模型和容量预测LSTM模型相结合，实现了特征和容量的联合预测，提高了预测准确率。同时，使用公共电压区间容量代替电池完整容量，拓展了预测方法的适用范围。拓展了预测方法的适用范围。拓展了预测方法的适用范围。


技术研发人员：邓业林 陈祖航 许明辉 柏玉兰 丁康
受保护的技术使用者：苏州大学
技术研发日：2023.01.12
技术公布日：2023/7/21