【技术实现步骤摘要】
一种基于长短期记忆网络的锂电池剩余寿命预测方法
本专利技术涉及锂电池剩余寿命预测
，具体为一种基于长短期记忆网络的锂电池剩余寿命预测方法。
技术介绍
锂电池作为当前最热门的动力能源，具有诸多优点：比能量高、工作电压高、温度范围宽、自放电率低、循环寿命长和安全性好等等。但是随着锂电池充放电循环的不断累加，锂电池的寿命会发生震荡式衰减。在当前社会生活大量使用锂电池的情况下，一旦有所不慎，就会造成安全事故，因此能否对锂电池的剩余寿命(RUL)进行有效预测就显得至关重要了。一般将对锂电池RUL的预测方法分为两大类。一是物理或化学方法，通过对电池内部的电路或电化学反应等进行建模来预测锂电池RUL，但由于锂电池内部的电路及相关电化学反应十分复杂，建模过程十分困难且容易出错。二是基于数据驱动的方法，这种方法不需要熟知相关专业知识，只需要对电池运行过程中产生的电压时间序列数据进行分析即可建立锂电池寿命衰减模型来预测锂电池RUL。但由于锂电池运行过程中产生的电压时间序列数据含有一定噪音，通常较难将之与锂电池寿命进行有效关联。
【技术保护点】
1.一种基于长短期记忆网络的锂电池剩余寿命预测方法，其特征在于，包括如下步骤：/n1)特征提取：/n监测锂电池的运行过程，从中提取出锂电池充放电过程的电压变化时间序列数据，并按照相等电压差的原则对充放电过程中的电压时间序列数据进行处理来生成特征；/n2)建立模型训练并预测：/n基于LSTM算法建立模型，并将从电池运行数据中提取到的充放电过程的相等电压差时间序列数据作为模型的输入特征，对模型进行训练，然后将训练后的模型用于锂电池RUL预测。/n
【技术特征摘要】
1.一种基于长短期记忆网络的锂电池剩余寿命预测方法，其特征在于，包括如下步骤：
1)特征提取：
监测锂电池的运行过程，从中提取出锂电池充放电过程的电压变化时间序列数据，并按照相等电压差的原则对充放电过程中的电压时间序列数据进行处理来生成特征；
2)建立模型训练并预测：
基于LSTM算法建立模型，并将从电池运行数据中提取到的充放电过程的相等电压差时间序列数据作为模型的输入特征，对模型进行训练，然后将训练后的模型用于锂电池RUL预测。
2.根据权利要求1所述的一种基于长短期记忆网络的锂电池剩余寿命预测方法，其特征在于，所述步骤1)具体做法是分别选择多组相等电压差的充放电时间序列数据(V1,V2)，将多组数据进行合并得到多组相等电压差充放电时间序列特征。
3.根据权利要求1所述的一种基于长短期记忆网络的锂电池剩余寿命预测方法，其特征在于，所述步骤2)具体做法是将之前提取到的多组相等电压差充放电时间序列特征进行数据处理，由于所选定的特征数据的数量级和量纲与锂电池剩余容量的数量级和量纲相差较大，因此需要对所提取的特征数据进行标准化处理，便于模型进行处理和运算，具体公式如下所示：
其中，x'是经标准化处理后的数据，x是未经标准化处理的原数据，μ是数据的均值，σ是数据的标准差；
然后依托LSTM算法建立模型：
it＝σ(Wi·[ht-1,xt]+bi)(2)
ft＝σ(Wf·[ht-1,xt]+bf)(3)
ot＝σ(Wo·[ht-1,xt]+bo)(4)
ct＝ftct-1+ittanh(Wc·[ht-1,xt]+bc)(5)
ht＝ottanh(ct)(6)
其中，it、ft、ot、ct、ht和xt分别表示t时刻的LSTM网络的输入门、遗忘门、输出门、细...
【专利技术属性】
技术研发人员：马正阳，程钏，徐凡，娄维尧，杨克允，沈伟健，林韩波，刘明威，蔡姚杰，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。