【技术实现步骤摘要】
本专利技术涉及锂电池剩余使用寿命预测，更具体的说是涉及一种基于ssa-vmd-cnn-gru组合神经网络的锂电池剩余使用寿命预测方法及装置。
技术介绍
1、锂电池作为一种重要的新能源技术，以其高能量密度、稳定的电压输出及较高的能量转换效率在现代社会中具有广泛的应用。然而，随着锂电池使用次数的增加，其本身会发生一系列的物理化学反应，造成电池内阻增大、放电电压下降与剩余容量降低，这将会影响电力系统的稳定性，减少电力系统的能源储备，严重时甚至会危及人身安全。因此需要实时监测锂电池状态，对电池剩余使用寿命(remaining useful life，rul)做到精准预测，保障锂电池能够安全稳定地运行。
2、当前对蓄电池剩余使用寿命预测常见的算法有支持向量机(svm)、循环神经网络(recurrent neural network,rnn)算法、卷积神经网络-门控循环单元(convolutionalneural network-gated recurrent unit,cnn-gru)网络等，这些算法模型可以通过对锂电池的多个特征进行学习和分析，预测出电池的剩余使用寿命。但是这些算法各有缺点，支持向量机算法的预测精度不高；循环神经网络算法很容易出现消失或爆炸，从而影响预测结果；卷积门控递归单元算法不能有效消除锂电池容量衰退过程中会存在容量回升与随机噪声现象对预测结果的影响。
3、因此，针对上述预测锂电池寿命所采用的单一模型精度低、抗干扰能量差的问题，成为同行从业人员亟需解决的问题。
技术
1、有鉴于此，本专利技术提供了一种基于组合神经网络的锂电池剩余使用寿命预测方法及装置，可解决上述单一模型对锂电池寿命预测精度低、抗干扰能力差的问题。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、第一方面，本专利技术实施例提供基于组合神经网络的锂电池剩余使用寿命预测方法，包括以下步骤：
4、s1、将待预测锂电池在预设时长内的容量数据转换为变分问题，设定采用变分模态分解算法进行转换分解；将所述容量数据进行特征归一化和矩阵处理，再采用麻雀搜索算法实现对所述变分模态分解算法的惩罚因子α与模态数k进行优化；
5、s2、利用优化后得到的惩罚因子α与模态数k作为变分模态分解算法的带宽参数对所述容量数据进行分解为k个不同频率的模态分量；
6、s3、将所述k个不同频率的模态分量输入预训练后的cnn-gru组合神经网络中，输出k个锂电池容量预测结果；
7、s4、将所述k个锂电池容量预测结果进行反归一化与叠加重构处理，获得最终的预测结果。
8、进一步地，将所述容量数据进行特征归一化和矩阵处理，包括：
9、将所述容量数据进行min-max归一化或z-score归一化处理；
10、将归一化后的数据进行去除异常值、填充缺失值和数据平滑去噪处理。
11、进一步地，所述步骤s3中cnn神经网络结构，包括：2个卷积层与2个池化层，卷积核的数量分别为16和32，卷积步长为1，卷积方式选用same卷积，激活函数使用relu函数。
12、进一步地，所述步骤s3中cnn-gru组合神经网络的推理过程包括：
13、将经过优化变分模态分解算法分解后的k个不同频率的模态分量，输入cnn神经网络；进行2次卷积，再进行valid最大池化，得到k个锂电池容量退化数据的基于时间序列的一维特征向量；
14、将k个一维特征向量输入gru循环神经网络，输出k个锂电池容量预测结果。
15、第二方面，本专利技术实施例还提供基于组合神经网络的锂电池剩余使用寿命预测装置，包括：
16、优化模块，用于将待预测锂电池在预设时长内的容量数据转换为变分问题，设定采用变分模态分解算法进行转换分解；将所述容量数据进行特征归一化和矩阵处理，再采用麻雀搜索算法实现对所述变分模态分解算法的惩罚因子α与模态数k进行优化；
17、分解模块，用于利用优化后得到的惩罚因子α与模态数k作为变分模态分解算法的带宽参数对所述容量数据进行分解为k个不同频率的模态分量；
18、网络处理模块，用于将所述k个不同频率的模态分量输入预训练后的cnn-gru组合神经网络中，输出k个锂电池容量预测结果；
19、处理预测模块，用于将所述k个锂电池容量预测结果进行反归一化与叠加重构处理，获得最终的预测结果。
20、第三方面，本专利技术实施例再提供一种计算机设备，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；
21、存储器，用于存放计算机程序；
22、处理器，用于执行存储器上所存放的程序时，能够实现如第一方面中任一项所述的基于组合神经网络的锂电池剩余使用寿命预测方法。
23、第四方面，本专利技术实施例又提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如第一方面中任一项所述的基于组合神经网络的锂电池剩余使用寿命预测方法。
24、经由上述的技术方案可知，与现有技术相比：
25、在锂电池寿命预测过程中，该方法通过麻雀搜索算法(sparrow searchalgorithm,ssa)对变分模态分解(variational mode decomposition,vmd)的带宽参数α与k进行寻优，有效避免了人为设置因素对α与k的影响；通过优化后的vmd将锂电池的容量数据分解为k个模态分量，再分别利用cnn-gru组合神经网络进行训练与预测，有效地改善了容量回升与噪声现象对预测结果的影响，能更好地预测锂电池容量退化趋势，与单一模型相比具有更高的精度。
本文档来自技高网...【技术保护点】
1.基于组合神经网络的锂电池剩余使用寿命预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于组合神经网络的锂电池剩余使用寿命预测方法，其特征在于，将所述容量数据进行特征归一化和矩阵处理，包括：
3.根据权利要求1所述的基于组合神经网络的锂电池剩余使用寿命预测方法，其特征在于，所述步骤S3中CNN神经网络结构，包括：2个卷积层与2个池化层，卷积核的数量分别为16和32，卷积步长为1，卷积方式选用same卷积，激活函数使用relu函数。
4.根据权利要求1所述的基于组合神经网络的锂电池剩余使用寿命预测方法，其特征在于，所述步骤S3中CNN-GRU组合神经网络的推理过程包括：
5.基于组合神经网络的锂电池剩余使用寿命预测装置，其特征在于，包括：
6.一种计算机设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所
...【技术特征摘要】
1.基于组合神经网络的锂电池剩余使用寿命预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于组合神经网络的锂电池剩余使用寿命预测方法，其特征在于，将所述容量数据进行特征归一化和矩阵处理，包括：
3.根据权利要求1所述的基于组合神经网络的锂电池剩余使用寿命预测方法，其特征在于，所述步骤s3中cnn神经网络结构，包括：2个卷积层与2个池化层，卷积核的数量分别为16和32，卷积步长为1，卷积方式选用same卷积，激活函数使用relu函数。
4.根据权利要求1所述的基于组合神经网络的锂电池剩余使...
【专利技术属性】
技术研发人员：张亮，龚泽民，张安安，李茜，杨威，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：
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。