[发明专利]一种基于ARMA和Elman神经网络联合建模的电池健康状态评估方法

权利要求书

1.一种基于ARMA和Elman神经网络联合建模的电池健康状态评估方法，其特征在于：基于自回归移动平均(ARMA)模型和Elman神经网络建立融合模型，应用经验模态分解对电池循环次数与剩余容量的实验数据进行处理，对分解得到的本征模态函数IMF分量和残余分量分别进行建模，最后叠加融合模型，生成估计的SOH序列，实现对电池健康状态的准确预测；

具体实施方法如下：

步骤S1：采集锂离子电池的老化测试实验数据，生成时间序列C(t)；

步骤S2：利用经验模态分解(EMD)对时间序列C(t)进行筛选处理，分解得到若干本征模态函数分量IMF₁、IMF₂……IMF_n和残余分量，分别记为X₁(t)、X₂(t)……X_n(t)和R₀(t)；

步骤S3：基于ARMA对分解得到的X_i(t)分量进行建模；

步骤S4：基于Elman模型处理残余分量R₀；

步骤S5：叠加融合处理后的时间序列分量和残余分量，得到锂离子电池的SOH预测数据。

2.根据权利要求1所述的基于ARMA和Elman神经网络联合建模的电池健康状态评估方法，其特征在于：S2中应用经验模态分解(EMD)对时间序列C(t)进行筛选处理，其步骤如下：

步骤S21：找出C(t)的局部极大值和极小值，分别采用三次样条差值得到上包络曲线U(t)和下包络曲线L(t)，计算上下包络均值M(t)＝[U(t)+L(t)]/2；

步骤S22：计算C(t)与M(t)的差值D(t)＝C(t)–M(t)；

步骤S32：判断D(t)是否满足IMF条件，如果满足，则得到IMF分量X_i(t)＝D(t)；

步骤S33：若不满足IMF条件的话，将D(t)作为新的C(t)序列，重复S21至S33的步骤，继续筛选，直至提取完所有IMF为止；

步骤S34：筛选完成后，留下只包含不超过两个极值的序列，记为残余分量R₀。

3.根据权利要求1所述的基ARMA和Elman神经网络联合建模的电池健康状态评估方法，其特征在于：S3中对X_i(t)分量进行ARMA建模，其步骤如下：

步骤S31：利用单位根检验(ADF)判断X_i(t)是否平稳；

步骤S32：如果不平稳，则对X_i(t)进行处理，构建差分序列函数dX_i(t)＝X_i(t)-X_i(t-1)；

步骤S33：重复步骤S32，直至分量为平稳时间序列；

步骤S34：对平稳时间序列建模，应用AIC信息准则法决定ARMA模型的阶数；

步骤S35：ARMA模型建立后对各个时间序列分量进行结果预测。

4.根据权利要求1所述的基于ARMA和Elman神经网络联合建模的电池健康状态评估方法，其特征在于：S4中对残余函数分量R₀，采用Elman神经网络建模，其步骤如下：

步骤S41：将R₀归一处理后作为Elman的输入变量，构建训练样本；

步骤S42：将训练样本导入Elman神经网络中进行训练，对残余分量进行训练；

步骤S43：训练后得到Elman神经网络的输出分量确定残余分量预测结果。