一种电池寿命预测方法、预测系统及计算机设备技术方案

本申请提供的电池寿命预测方法、预测系统及计算机设备，获取电池的充放电数据；对所述充放电数据进行处理获取本征模态函数IMF和全局下降趋势RES；根据所述本征模态函数IMF预测IMF序列；根据所述全局下降趋势RES预测RES序列；根据所述IMF序列和所述RES序列获取所述电池的寿命曲线，上述电池寿命预测方法及预测系统解决EMD和EEMD分解误差较大及在获取长期真实数据困难的情况下，使用短期数据得到电池寿命预测结果较差的问题，达到提高寿命预测的精度，提高数据样本的利用的目的。提高数据样本的利用的目的。提高数据样本的利用的目的。

【技术实现步骤摘要】
Useful Life Prediction of Lithium
‑
Ion Batteries[J].IEEE Access,2022,10:19621
‑
19628.)提出一种基于Transformer神经网络的电池寿命预测方法。首先，对电池的容量数据进行处理，利用去噪声自动编码器(DAE)生成新的容量序列。然后，将重建后的序列输入Transformer网络，并且将去噪声部分与预测部分的损失函数合并，减少了模型的训练和预测时间，并且在电池数据集上获得了不错的寿命预测效果。但该方法仅仅使用容量序列数据，缺少电池循环测试中的电压、电流和温度等特征的输入，预测结果误差较大。
[0008]Yang Z等人(Yang Z,Wang Y,Kong C.Remaining useful life prediction of lithium
‑
ion batteries based on a mixture of ensemble empirical mode decomposition and GWO
‑
SVR model[J].IEEE Transactions on Instrumentation and Measurement,2021,70:1
‑
11.)提出了一种基于集成经验模态分解(EEMD)、灰狼优化(GWO)和支持向量回归(GWO
‑
SVR)的方法，建立了一种新的锂电池寿命预测模型。首先，利用EEMD分解电池容量时间序列，得到容量再生分量和全局退化趋势。然后，使用灰狼优化算法对支持向量回归的内核参数进行寻优，获得模型的最优参数。最后，将EEMD分解得到的分量输入SVR模型中进行回归得到寿命的预测结果。该方法使用EEMD进行模态分解，容易造成本征模态函数(IMF)对齐问题，从而导致分解效果不佳，并且在全局退化趋势的预测中仅考虑EEMD分解得到的容量退化趋势(RES)，并未考虑电池其他特征数据对容量衰减的影响。
[0009]现有技术中，在电池数据处理中首先采用EMD和EEMD的分解方法，但这些方法仍存在的缺陷是：基于经验模态分解(EMD)得到的本征模态函数(IMF)会存在模态混叠现象，频率相近的分量会混合到一起，导致IMF的时频分布混乱；基于集成经验模态分解(EEMD)虽然可以有效抑制模态混叠现象的发生，但对每个信号添加的噪声在分解时可能会产生不同数量的IMF，使得平均时没法对齐IMF分量，且噪声的幅值和迭代次数由人为设置，设置不当可能无法减少模态混叠现象。因此，现有技术采用的EMD存在模态混叠问题，EEMD虽在模态混叠上有改善，但又衍生出IMF数量无法对齐求平均值的问题，这会导致分解效果不佳甚至分解失败。
[0010]现有技术中，在预测模型的设计中采用传统的深度学习网络，循环神经网络(RNN)，卷积神经网络(CNN)，长短期记忆(LSTM)网络等方法在计算效率、长期预测预测性能上仍有缺陷。此外，网络模型通常需要大量真实数据进行网络训练才能得到一个精确的结果，然而实际应用中获取大量的真实数据往往十分困难且耗时，使用短期数据得到的寿命预测结果不准确。因此，现有技术在样本数据较少的情况下执行长期预测任务表现较差，模型不够精准。

技术实现思路

[0011]鉴于此，有必要针对现有技术中存在的缺陷提供一种寿命预测精度高的电池寿命预测方法、预测系统及计算机设备。
[0012]为解决上述问题，本申请采用下述技术方案：
[0013]本申请目的之一提供了一种电池寿命预测方法，包括下述步骤：
[0014]获取电池的充放电数据；
[0015]对所述充放电数据进行处理获取本征模态函数IMF和全局下降趋势RES；
[0016]根据所述本征模态函数IMF预测IMF序列；
[0017]根据所述全局下降趋势RES预测RES序列；
[0018]根据所述IMF序列和所述RES序列获取所述电池的寿命曲线。
[0019]在其中一些实施例中，在获取电池的充放电数据的步骤中，具体包括下述步骤：对电池进行充放电实验以获取所述充放电数据，所述充放电数据包括电池的电压、电流、温度和容量数据。
[0020]在其中一些实施例中，所述充放电实验包括恒流充电阶段、恒压充电阶段和放电阶段。
[0021]在其中一些实施例中，在对所述充放电数据进行处理获取本征模态函数IMF和全局下降趋势RES的步骤中，具体包括下述步骤：
[0022]根据所述充放电数据，得到电池容量
‑
循环数的时间序列曲线；
[0023]将所述时间序列曲线作为CEEMDAN的输入信号，使用CEEMDAN算法进行信号分解，获取本征模态函数IMF和全局下降趋势RES。
[0024]在其中一些实施例中，在根据所述本征模态函数IMF预测IMF序列的步骤中，具体包括下述步骤：
[0025]将所述本征模态函数IMF作为Transformer网络的输入，每一个本征模态函数IMF对应一个Transformer网络，利用所述本征模态函数IMF对序列的前20％～30％数据训练模型，对剩余70％～80％序列进行预测。
[0026]在其中一些实施例中，在根据所述全局下降趋势RES预测RES序列的步骤中，将所述充放电数据和所述全局下降趋势RES作为深度神经网络的输入，设置输入层，输出层的特征数，取前20％～30％数据训练，进行RES的预测。
[0027]在其中一些实施例中，在根据所述IMF序列和所述RES序列获取所述电池的寿命曲线的步骤中，具体包括下述步骤：
[0028]将所得预测的IMF序列和RES序列求和，得到电池剩余70％～80％周期的容量数据，用容量数据除以标称容量即可求得电池健康状态，即得到寿命曲线。
[0029]本申请目的之二，提供了一种电池寿命预测系统，包括：
[0030]数据采集模块，用于获取电池的充放电数据；
[0031]数据处理模块，用于对所述充放电数据进行处理获取本征模态函数IMF和全局下降趋势RES；
[0032]第一预测模块，用于根据所述本征模态函数IMF预测IMF序列；
[0033]第二预测模块，用于根据所述全局下降趋势RES预测RES序列；
[0034]输出模块，用于根据所述IMF序列和所述RES序列获取所述电池的寿命曲线。
[0035]本申请目的之二，提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现所述的方法。
[0036]本申请采用上述技术方案，其有益效果如下：
[0037]本申请提供的电池寿命预测方法、预测系统及计算机设备，获取电池的充放电数据；对所述充放电数据进行处理获取本征模态函数IMF和全局下降趋势RES；根据所述本征模态函数IMF预测IMF序列；根据所述全局下降趋势RES预测RES序列；根据所述IMF序列和所述RES本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电池寿命预测方法，其特征在于，包括下述步骤：获取电池的充放电数据；对所述充放电数据进行处理获取本征模态函数IMF和全局下降趋势RES；根据所述本征模态函数IMF预测IMF序列；根据所述全局下降趋势RES预测RES序列；根据所述IMF序列和所述RES序列获取所述电池的寿命曲线。2.如权利要求1所述的电池寿命预测方法，其特征在于，在获取电池的充放电数据的步骤中，具体包括下述步骤：对电池进行充放电实验以获取所述充放电数据，所述充放电数据包括电池的电压、电流、温度和容量数据。3.如权利要求2所述的电池寿命预测方法，其特征在于，所述充放电实验包括恒流充电阶段、恒压充电阶段和放电阶段。4.如权利要求1所述的电池寿命预测方法，其特征在于，在对所述充放电数据进行处理获取本征模态函数IMF和全局下降趋势RES的步骤中，具体包括下述步骤：根据所述充放电数据，得到电池容量
‑
循环数的时间序列曲线；将所述时间序列曲线作为CEEMDAN的输入信号，使用CEEMDAN算法进行信号分解，获取本征模态函数IMF和全局下降趋势RES。5.如权利要求1所述的电池寿命预测方法，其特征在于，在根据所述本征模态函数IMF预测IMF序列的步骤中，具体包括下述步骤：将所述本征模态函数IMF作为Transformer网络的输入，每一个本征模态函数IMF对应一个Transformer网络，利用...

【专利技术属性】
技术研发人员：徐坤，蔡宇翔，李慧云，张庆广，刘艳琳，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：