[发明专利]一种基于多神经网络耦合的电动叉车锂电池剩余寿命预测方法

权利要求书

1.一种基于多神经网络耦合的电动叉车锂电池剩余寿命预测方法，其特征是，包括以下步骤：

S1：建立基于长短时记忆神经网络的开路电压预测模型，采用RMSprop算法和dropout正则化方法对网络进行优化，从而预测锂电池在放电循环中的开路电压值V_OC；

S11：设定输入神经元个数为N_I1，设定神经隐藏层层数为L_H1和隐藏层神经元个数N_H1，利用滑移窗口建立输入参数与输出参数之间的关系映射，设滑移窗口长度为L，设训练数据长度为M，则训练时建立输入V_input到输出分别为V_output的映射关系，如式(1)所示：

其中，V_input中的每一行对应一个输入样本，长度为L；

S12：利用S11训练得到的模型对开路电压V_OC采用如下方法进行预测，输入与输出如式(2)所示：

其中，V_OC中的每一行对应一次预测的输入样本，每次预测得到一个开路电压预测值利用得到的预测值对下一次预测的输入样本序列进行更新，即将预测值加入到输入样本序列的末尾，并删掉输入样本序列的第一个数据，从而完成窗口的滑移操作，得到全部的开路电压预测值

S2：把预测结果按顺序划分成多个放电循环，统计每个放电循环中从初始电压至最小电压间的开路电压样本个数N_S，利用采样时间T_S相同，得到每个放电循环中放电至最小电压的时间T_min；

S3：建立基于人工神经网络的容量预测模型，以预测锂电池容量C，从而得到锂电池剩余寿命预测值RUL；

S31：设定输入神经元个数为N_I2，设定神经隐藏层层数为L_H2和隐藏层神经元个数N_H2，建立从放电循环中放电至最小电压的时间T_min至锂电池容量C的映射关系；

S32：隐藏层各神经元计算过程如式(17)所示：

H_T＝σ(W_HTT_min+b_H)； (17)

H_T表示隐藏层计算函数，其中W_HT和b_H为该函数输入值的权值矩阵和偏置参数矩阵；迭代20次后结束训练，保存模型；将预测得到的每个放电循环中放电至最小电压的时间T_min输入模型，得到容量预测结果；

S33：定义锂电池寿命终止点EOL为容量C_j等于额定容量C₀的70％时所对应的循环数j；定义并计算锂电池剩余寿命RUL，如式(18)所示：

RUL＝UL-EOL； (18)

其中，UL为当前锂电池已运行的循环数，EOL为锂电池的寿命终止点。

2.根据权利要求1所述的一种基于多神经网络耦合的电动叉车锂电池剩余寿命预测方法，其特征是，所述S2的具体步骤如下：

S21：把预测结果按顺序划分成多个放电循环的方法是：

若时刻T_j使得式(15)成立：

则T_j(j＝0，1，2，…，n；T₀＝1)为第j个循环的终止时刻，第j个循环的开路电压序列为

S22：统计每个放电循环中从初始电压至最小电压间的开路电压样本个数N_S，利用采样时间T_S相同，得到每个放电循环中放电至最小电压的时间T_min，如式(16)所示：

T_min＝N_S×T_S (16)。