本發(fā)明屬于鋰離子電池，尤其涉及一種基于tso-tcn的鋰離子電池rul預測方法。

背景技術：

1、由于全球能源危機和氣候變化，電動汽車、固定式儲能系統(tǒng)等新能源產(chǎn)業(yè)近年來取得了快速發(fā)展。鋰離子電池作為一種能量載體，由于其能量和功率密度高、循環(huán)壽命長等優(yōu)點，已被廣泛應用于這些領域。然而，隨著時間的推移，電池不可避免地會發(fā)生老化，包括容量降低、阻抗增加和功率下降。當它們惡化到一定程度時，很難滿足新能源系統(tǒng)的充放電要求，甚至會引發(fā)一些安全問題。因此，預測鋰離子電池的rul至關重要，這也是電池管理系統(tǒng)的一項重要功能。

2、目前，鋰離子電池rul預測主要分為基于模型的方法和數(shù)據(jù)驅(qū)動的方法。

3、1、基于模型的方法例如如下專利技術：

4、cn109633474a公開了一種鋰離子電池剩余壽命預測方法，通過運用粒子濾波算法獲得電池模型的狀態(tài)參數(shù)變化數(shù)據(jù)，將數(shù)據(jù)導入指數(shù)平滑預測模型(es)得到狀態(tài)參數(shù)預測值，再帶入觀測方程得到容量的觀測預測值，最后將觀測預測值反饋給粒子濾波對電池剩余壽命(rul)進行預測。

5、cn115510612a公開了一種鋰離子電池剩余使用壽命預測方法，其包括如下步驟：分別提取每個電池充電過程中的v、i和t數(shù)據(jù)，處理成兩個子網(wǎng)所需的矩陣形狀；將數(shù)據(jù)輸入到afsc子網(wǎng)，為每一張充電特征譜圖中的每一個元素都自適應地賦予了一個權重；第三步：將數(shù)據(jù)輸入convlstm子網(wǎng)中，得到特征譜圖融合20種循環(huán)狀態(tài)的隱藏信息；兩個子網(wǎng)的貢獻通過兩個多層感知器進行融合，提供高準確度的壽命早期預測值，并指導預測器進行rul預測；壽命預測器保持緘默，直至百分比剩余使用壽命到閾值，預測器被激活進行剩余使用壽命的預測。

6、在基于模型的方法中，電池實際應用中外部環(huán)境條件的變化是不可預測的，而且模型中涉及眾多電池內(nèi)部參數(shù)，很難建立更準確的模型。

7、2、基于數(shù)據(jù)驅(qū)動的方法例如如下專利技術：

8、cn117825965a公開一種鋰離子電池的狀態(tài)預測方法，其從充放電循環(huán)中提取鋰離子電池的運行參數(shù)，包括電壓、電流、溫度、充放電時長以及容量，然后基于運行參數(shù)確定指定特征，并進行歸一化處理，基于歸一化處理后的特征，通過第一預測模塊確定當前充放電循環(huán)后的鋰離子電池的最大可用容量，進而確定鋰離子電池的健康狀態(tài)，并基于最大可用容量及歸一化處理后的特征，通過第二預測模塊確定鋰離子電池的剩余壽命。該狀態(tài)預測方法可以有效地提高鋰離子電池狀態(tài)預測的效率及精度。

9、cn117406100a公開了一種鋰離子電池剩余壽命預測方法和系統(tǒng)，方法包括獲取與獲取鋰離子電池容量的衰減數(shù)據(jù)，并輸入改進的神經(jīng)網(wǎng)絡框架，通過所述神經(jīng)網(wǎng)絡框架預測鋰離子電池的剩余壽命；其中，所述改進的神經(jīng)網(wǎng)絡框架包括編碼器、解碼器和深度神經(jīng)網(wǎng)絡dnn，所述編碼器包括時間卷積網(wǎng)絡tcn，并引入特征注意力機制，編碼器用于根據(jù)鋰離子電池容量的衰減數(shù)據(jù)提取電池容量再生特征；所述解碼器包括門控循環(huán)單元gru，并引入時間注意力機制，解碼器用于根據(jù)編碼器得到的電池容量再生特征得到電池容量衰減特征；所述深度神經(jīng)網(wǎng)絡dnn用于根據(jù)對解碼器得到的電池容量衰減特征對鋰離子電池的剩余壽命進行預測。

10、在基于數(shù)據(jù)驅(qū)動的方法中，所提取的健康指標無法很好地表征電池容量損失機理，對新條件的適應性較差。

11、由上述可知，現(xiàn)有的基于模型的方法和數(shù)據(jù)驅(qū)動的方法雖然能夠?qū)崿F(xiàn)對鋰離子電池rul的預測，但是預測精度均較差，因此如何提高鋰離子電池rul預測精度成為了鋰離子電池領域技術人員亟待解決的一個難題。

技術實現(xiàn)思路

1、針對現(xiàn)有技術存在的不足，本發(fā)明所要解決的技術問題是，提供一種避免獲取復雜的電化學模型參數(shù)，既能夠有效降低計算復雜度，又能提高rul預測精度的基于tso-tcn的鋰離子電池rul預測方法。

2、為解決上述技術問題，本發(fā)明所采取的技術方案是：一種基于tso-tcn的鋰離子電池rul預測方法，包括如下步驟：

3、步驟一：在分析電池容量損失機理的基礎上，根據(jù)電池正負極的平衡電勢，建立簡化電化學模型；

4、步驟二：采集鋰離子電池在恒流充電過程中不同時刻的電壓和電流，采樣間隔時間為1秒，利用粒子群等優(yōu)化算法對所述鋰離子電池的恒流充電曲線進行擬合，從擬合過程中分別提取健康指標；

5、步驟三：構建包含健康指標與電池實際容量的數(shù)據(jù)集，按照時間順序劃分訓練集和測試集用于rul預測；

6、步驟四：在所述的訓練集上，采用tso算法對tcn模型參數(shù)進行優(yōu)化，找到最佳的參數(shù)組合，得到tso-tcn預測模型；

7、步驟五：根據(jù)訓練得到的tso-tcn預測模型預測電池rul，獲得準確的預測值。

8、上述的基于tso-tcn的鋰離子電池rul預測方法，所述步驟一中，建立簡化電化學模型的具體過程如下：

9、

10、其中，up和un分別是正極和負極的平衡電勢，il是電池恒流充電電流，rohm代表內(nèi)阻，qp和qn分別表示正極容量和負極容量，socp,0和socn,0分別表示正極和負極的充電初始嵌鋰率。

11、上述的基于tso-tcn的鋰離子電池rul預測方法，所述步驟二中，從擬合過程中分別提取健康指標為負極容量、歐姆內(nèi)阻和負極初始嵌鋰率。

12、上述的基于tso-tcn的鋰離子電池rul預測方法，所述步驟四中，得到tso-tcn預測模型的具體過程如下：

13、(1)、確定適應度函數(shù)，公式如下：

14、

15、其中，yi和分別是第i次循環(huán)的真實剩余使用壽命值和預測的剩余使用壽命值，n代表樣本個數(shù)；

16、(2)、設定待優(yōu)化參數(shù)的初始范圍，例如卷積核大小、卷積核數(shù)量、正則化參數(shù)等，然后進行初始化種群，公式如下：

17、y＝lb+rand×(ub-lb)

18、其中，lb和ub分別是搜索區(qū)域的下限和上限；rand是均勻分布的隨機數(shù)；

19、(3)、對參數(shù)進行搜索更新，隨機數(shù)r1用于平衡tso算法的搜索(r1≥0.5)和開發(fā)(r1<0.5)，公式如下：

20、

21、其中，t和c1是隨機系數(shù)；yl是搜索代理的位置；yl*是最佳位置；l是迭代次數(shù)；

22、(4)、判斷是否達到最大迭代次數(shù)，若達到最大迭代次數(shù)，則輸出最優(yōu)參數(shù)至tcn模型，否則繼續(xù)循環(huán)。

23、上述的基于tso-tcn的鋰離子電池rul預測方法，所述步驟三中，采用歸一化操作消除不同因子的量綱對預測精度的影響，其具體過程如下：

24、

25、其中，μ和σ分別代表數(shù)據(jù)集中變量x的均值和標準差。

26、本發(fā)明基于數(shù)據(jù)驅(qū)動的uuv模型預測控制方法的優(yōu)點是：本發(fā)明從恒流充電曲線中提取鋰離子電池的多維健康指標，然后采用基于tso-tcn的方法，對鋰離子電池rul進行預測。根據(jù)一個搜索更新的公式就可以更新最優(yōu)解的位置，并在tso算法的搜索和開發(fā)之間取得平衡。因此，該算法在優(yōu)化過程中沒有計算負擔。在訓練rul預測模型時，通過利用全局搜索可以確定更好的超參數(shù)組合，從而提高了模型的預測能力。該方法將簡化的電化學模型和數(shù)據(jù)驅(qū)動方法相結(jié)合，避免了獲取復雜的電化學模型參數(shù)，既降低了計算復雜度，又提高了rul預測精度，從而適用于實際工程應用的需要。