【技术实现步骤摘要】
一种锂离子电池剩余有效寿命预测方法及装置
本专利技术涉及锂离子电池健康状态估计及剩余有效寿命预测领域，特别是涉及一种改进的自适应噪声完备经验模态分解ICEEMDAN与长短期记忆网络LSTM联合的锂离子电池剩余使用寿命预测方法及装置。
技术介绍
锂离子电池剩余有效寿命预测技术一般分为机理建模和数据驱动两种路径。其中，机理建模是从锂离子电池的电化学机理分析锂离子电池运行机制，建立了一个基于物理的经验模型来描述锂离子的退化轨迹，模型通常是一组代数微分方程或经验方程，这种方法建立的模型为特定设计，不具有泛化能力且在实际应用中很难建立精确的电池模型。数据驱动是使用统计理论或机器学习技术直接从锂离子电池退化数据中得出预测模型，不构建特定的基于物理的模型，因此它更加的灵活方便；通常基于统计分析的方法主要有ARIMA(AutoregressiveIntegratedMovingAverage)、GM(GreyModel)和WP(WienerProcess)，他们可以有效处理小样本的不确定性问题，但是较难描述电池退化数据的非线性特征；而机器学...
【技术保护点】
1.一种锂离子电池剩余有效寿命预测方法，其特征在于，包括以下步骤：/nS1、获取锂离子电池容量退化数据集，提取失效阈值EOL，利用ICEEMDAN将容量序列分解为若干个高频本征模函数IMF分量和一个低频残差RES分量；/nS2、将所述高频本征模函数IMF分量和所述低频残差RES分量分别输入长短期记忆神经网络预测模型LSTM进行预测，得到所述IMF和所述RES的预测结果；/nS3、将所述高频本征模函数IMF分量和所述预测结果进行重构，得到电池剩余使用寿命RUL预测结果；/nS4、使用所述长短期记忆神经网络模型LSTM，对不可见电池老化数据集进行预测。/n
【技术特征摘要】
1.一种锂离子电池剩余有效寿命预测方法，其特征在于，包括以下步骤：
S1、获取锂离子电池容量退化数据集，提取失效阈值EOL，利用ICEEMDAN将容量序列分解为若干个高频本征模函数IMF分量和一个低频残差RES分量；
S2、将所述高频本征模函数IMF分量和所述低频残差RES分量分别输入长短期记忆神经网络预测模型LSTM进行预测，得到所述IMF和所述RES的预测结果；
S3、将所述高频本征模函数IMF分量和所述预测结果进行重构，得到电池剩余使用寿命RUL预测结果；
S4、使用所述长短期记忆神经网络模型LSTM，对不可见电池老化数据集进行预测。
2.根据权利要求1所述的锂离子电池剩余有效寿命预测方法，其特征在于，所述步骤S1中，ICEEMDAN对容量序列进行分解的步骤包括：
S1.1、对原始电池容量退化数据集x添加高斯白噪声，得到第一组序列：
式中，ε0为信噪比系数的倒数与标准差的乘积，w(i)表示一组零均值、单位方差的高斯白噪声，i＝1,2,...,I为添加白噪声的数目，Ej(·)为对给定信号通过EMD求得第j个模态的算子；
S1.2、通过计算得到第一组序列的残差r1，计算第一个模态分量定义为原始序列与第一个残差项r1之差；对r1添加高斯白噪声，获得第二组序列，计算第二个残差r2；计算第二个模态分量为两个残差项之差；
S1.3、计算第k个残差序列：
其中，i＝1,2,...,I为添加白噪声的数目，M(·)为对当前序列求其局部均值的算子，即序列上下包络线的均值；计算第k个模态分量；
重复所述步骤S1.3，直到所述模态分量得到的值为零，即序列不可再分；定义最后一个序列为残差项RES，则所述原始序列表示为：
3.根据权利要求1所述的锂离子电池剩余有效寿命预测方法，其特征在于，所述步骤S2中长短期记忆神经网络预测模型LSTM的预测过程为：
S2.1、将所述锂离子电池容量退化数据集经过ICEEMDAN分解得到的各模态分量分为训练集与测试集，所述训练集为预测模型的输入量，在时刻t，定义xt为LSTM单元的输入，ht-1为LSTM单元在上一时刻的输出，ct为记忆单元的值，ht为输出，计算候选记忆单元ct的值为：
其中Wc为权重矩阵，bc为偏差；
S2.2、计算输入门的值it和遗忘门的值ft和记忆单元的值ct，所述记忆单元的更新取决于上一细胞和候选细胞的状态值，并受所述输入门和遗忘门的控制；
S2.3、计算输出单元的值ot，所述输出门用于控制记忆细胞状态值的输出，计算LSTM单元的输出ht；计算t时刻的预测输出yt，对每...
【专利技术属性】
技术研发人员：王瀛洲，张树德，王建国，刘汉民，辛红伟，田云峰，梁延东，郑宇清，徐源，
申请(专利权)人：东北电力大学，国网新源张家口风光储示范电站有限公司，
类型：发明
国别省市：吉林;22
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。