一种基于稀疏鲁棒宽度学习网络的电池循环寿命预测方法技术

本发明专利技术公开了一种基于稀疏鲁棒宽度学习网络的电池循环寿命预测方法，应用于电池剩余寿命领城，包括：获取不同快速充电策略下的电池数据，并利用特征函数进行特征提取，将特征数据按预设比例分为训练集和测试集；将训练集随机映射到特征空间，生成特征节点层，并利用非线性激活函数得到增强节点层；将特征节点层和增强节点层结合的变换特征作为宽度学习网络的输入，利用基于￡1范数的损失函数优化计算输出权重，建立稀疏鲁棒宽度学习网络模型；将测试集输入稀疏鲁棒宽度学习网络模型预测电池循环寿命。本发明专利技术有效解决了因电池存在许多降解模式以及与细胞内热和机械异质性的耦合等发生的非线性变化而造成的预测精度低、时间晚和应用范围小等问题。间晚和应用范围小等问题。间晚和应用范围小等问题。

【技术实现步骤摘要】
一种基于稀疏鲁棒宽度学习网络的电池循环寿命预测方法


[0001]本专利技术涉及预测电池剩余寿命领城，特别涉及一种基于稀疏鲁棒宽度学习网络的电池循环寿命预测方法。

技术介绍

[0002]近年来，锂离子电池的研究和应用都得到了快速的发展，锂电池现已广泛应用于现实生活并成为生活中不可缺少的一部分，每个人的家庭中都会有几块锂电池，如手机、笔记本和电动汽车等电子设备当中都不缺锂电池的身影。然而，一个不可避免的问题是电池在使用过程中材质会不断老化使得电池性能不断下降，最后使用新电池替换或丢弃。另外关于电池性能的退化是非线性的无法直接计算获得，所以需要在早期对其进行预测来确保有足够的时间更换有故障的电池，避免造成不必要的事故。但是由于电池不同的老化机制、显著的设备变异性和动态操作策略等原因使得提前对电池循环寿命预测十分复杂，特别是在某些特定的策略下(例如，快速充电)让电池的寿命预测变得更加困难。
[0003]而目前已存的预测技术无法有效解决了因电池存在许多降解模式以及其与细胞内热和机械异质性的耦合等发生的非线性变化而造成的预测精度低、时间晚和应用范围本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于稀疏鲁棒宽度学习网络的电池循环寿命预测方法，其特征在于，包括：步骤(1)：获取不同快速充电策略下的电池数据，并利用特征函数进行特征提取，将特征数据按预设比例分为训练集和测试集；步骤(2)：将所述训练集随机映射到特征空间，生成特征节点层，并利用非线性激活函数得到增强节点层；将所述特征节点层和所述增强节点层结合得到的变换特征作为宽度学习网络的输入，利用基于￡1范数的损失函数优化计算输出权重，建立稀疏鲁棒宽度学习网络模型；步骤(3)：将所述测试集输入所述稀疏鲁棒宽度学习网络模型预测电池循环寿命。2.根据权利要求1所述的一种基于稀疏鲁棒宽度学习网络的电池循环寿命预测方法，其特征在于，步骤(1)中，不同快速充电策略，如下式：C1(Q1)
‑
C2；其中，C1和C2分别为第一个恒流和第二个恒流的大小；Q1为电流切换时的荷电状态。3.根据权利要求1所述的一种基于稀疏鲁棒宽度学习网络的电池循环寿命预测方法，其特征在于，步骤(1)中，所述特征函数为helpGetFeatures函数。4.根据权利要求1所述的一种基于稀疏鲁棒宽度学习网络的电池循环寿命预测方法，其特征在于，步骤(2)中，将所述训练集随机映射到特征空间，生成特征节点层，具体为：基于所述训练集X，利用随机生成的N
w
个经稀疏自编码器微调的权重W
ei
和偏置项β
ei
使用特征映射φ
i
映射到特征空间中，第i个特征空间，如下：则所述特征节点层5.根据权利要求1所述的一种基于稀疏鲁棒宽度学习网络的电池循环寿命预测方法，其特征在于，步骤(2)中，基于特征节点层，利用非线性激活函数得到增强节点层，具体为：在所述增强节点层传入所述特征节点层利用随机生成的m个权重W
hj
和偏置项β
hj
通过非线性激活函数ξ
j
＝tanh(.)得到m组增强节点H，第j组增强节点，如下：则所述增强节点层H
m
＝[H1，H2，
…
，H
m
]。6.根据权利要求1所述的一种基于稀疏鲁棒宽度学习网络的电池循环寿命预测方法，其特征在于，步骤(2)中，将所述特征节点层和所述增强节点层结合得到的变换特征作为宽度学习网络的输入，利用基于￡1范数的损失函数优化计算输出权重，具体为：min
w
||...

【专利技术属性】
技术研发人员：金军委，周松博，李聪，耿昀，李艳婷，王佳琪，樊超，于登秀，萧扬，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：