[发明专利]一种基于LSTM网络和迁移学习的锂电池寿命预测方法

权利要求书

1.一种基于LSTM神经网络和迁移学习的锂电池剩余寿命预测方法，其特征在于，包括以下步骤：

步骤1：数据获取及数据预处理，获取锂离子电池特征数据，包括源域数据和目标域数据；

步骤2：将数据按比例划分为训练集和测试集；

步骤3：搭建源域LSTM神经网络模型，将源域数据训练集输入神经网络进行训练，将测试集的数据输入神经网络进行测试，采用平均绝对误差、均方根误差作为预测结果的评价指标，当模型对测试集进行测试所达到的效果不理想时，需调整网络模型的参数直到测试效果理想，保存训练好的网络模型架构和网络参数；

步骤4：利用最大均值差异对源域和目标域的数据差异进行衡量，得到源域与目标域的分布距离；

步骤5：根据最大均值差异对源域网络模型进行调整，得到目标领域网络模型，将源域网络模型参数进行迁移，将目标域数据输入模型进行剩余寿命预测；

所述步骤1的具体方法为：

步骤1.1：通过对电池进行充放电循环获得电池监测特征数据和电池容量数据，首先确定电池的额定容量，充放电截止电压这些标称参数，对电池进行充放电循环，采用标准的恒流恒压充电协议，充电过程：锂离子电池以0.5C充电速率进行恒流充电，电池的电压随着充电时间的增加缓慢上升，当电池电压到达充电截止电压时，电池进入恒压充电阶段，在此阶段，电压恒定保持在截止电压，充电电流会随时间逐渐减小，直到小于某一微小电流时，电池停止充电；放电过程：电池以恒定电流放电，电压逐渐下降，当电压下降到放电截止电压时，停止放电，这视为电池的一个充放电循环，随着充放电循环次数的增加，电池容量逐渐减小，当一个充放电循环里锂离子电池的充放电容量小于额定容量的80％时，则认为电池失效，从电池初始状态到电池失效的循环次数即为电池的充放电寿命，记录在每一个充放电循环过程中电流、电压的特征数据和电池容量数据；

步骤1.2：对数据异常点进行处理：在进行充放电循环过程中会因为环境和操作问题导致记录的电池数据异常，这些数据点是不合理的，若不进行处理会导致后续结果出现偏差，处理异常点的基本思路是：通过箱线图分析，即大于或小于箱型图设定的上下界的数值即为异常值，然后对识别出的异常值用其上下邻居点的平均值进行修正；

步骤1.3：衡量电池特征数据和电池容量的相关性，通过皮尔逊相关系数度量特征与电池容量的相关程度，摒弃与容量相关程度低的特征，使网络的训练数据更加有效，可以提高预测的准确性，其公式为：

X、Y分别为电池特征和容量两列数组；μ_X和μ_Y分别为其对应的平均值；

步骤1.4：将数据转换成时间序列，确定滑动时间窗长度L对数据进行重构，若当前循环索引为c，将c+L索引内的电池特征和容量值作为网络的输入值，将索引为c+L+1时的容量值作为label，形成一个时间序列窗口，而后此窗口每向后滚动一个循环，形成一个新的时间序列窗口，直到此窗口滚动到最后的时间点；

步骤1.5：对数据进行归一化，由于输入参数的种类不相同，数值差异较大，应对这类问题的主要解决策略为将输入参数数据进行归一化处理，最常采用对数据进行归一化方法是min-max标准化，也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0,1]之间，其公式为：

X_max为单列特征数据的最大值，X_min为单列特征数据的最小值；

所述步骤3中利用源域数据训练基于LSTM的电池剩余寿命预测神经网络的具体方法为：

步骤2.1：搭建基于LSTM长短时记忆神经网络的电池剩余寿命神经网络模型，确定神经网络的输入层、隐藏层和输出层，输入层的神经元个数对应输入参数特征，并初始化网络权重，隐藏层包括LSTM神经网络单元、dropout层、全连接层和激活层，输出层为神经网络预测的容量值，LSTM的内部结构由遗忘门、输入门、输出门三部分组成，输入有三个：当前时刻网络的输入x_t、上一时刻LSTM的输出值h_t-1以及上一时刻的单元状态C_t-1，LSTM的输出有两个：当前时刻LSTM输出值h_t和当前时刻的单元状态C_t，三个门的计算公式分别如下：

遗忘门：f_t＝σ(W_f[h_t-1,x_t]+b_f)＝σ(W_fhh_t-1+W_fxx_t+b_f)(3)

该门决定了上一时刻的单元状态C_t-1有多少保留到当前时刻C_t，公式中σ是指Sigmoid函数，W_f是遗忘门的权重矩阵，b_f是偏置项，

输入门：i_t＝σ(W_i[h_t-1,x_t]+b_i)＝σ(W_ihh_t-1+W_ixx_t+b_i)(4)

该门决定了当前时刻网络的输入x_t有多少保留到单元状态C_t，输入门分为两部分，一部分是找到输入x_t中需要保留的状态，由公式(4)和公式(5)描述，另一部分是更新C_t的状态，由公式(6)描述，W_i是输入门的权重矩阵，b_i是偏置项

输出门：

O_t＝σ(W_o[h_t-1,x_t]+b_o)＝σ(W_ohh_t-1+W_oxx_t+b_o)(7)

h_t＝O_t*tanh(C_t) (8)

该门控制单元状态C_t有多少输出到LSTM的当前输出值h_t，W_o是输入门的权重矩阵，b_o是偏置项，

步骤2.2：将训练数据集输入基于LSTM长短时记忆神经网络的电池剩余寿命预测模型进行训练，以均方误差损失函数最小化为优化目标，采用RMSprop优化器来更新调整模型参数，减少预测误差，并利用测试集进行测试，得到理想的预测模型，保存效果理想的网络模型架构和网络参数，采用平均绝对百分比误差MAPE、均方误差MSE作为预测结果的评价指标，

其中y_i为真实值，为预测值。

2.根据权利要求1所述的一种基于LSTM神经网络和迁移学习的锂电池剩余寿命预测方法，其特征在于，所述步骤5中，根据最大均值差异MMD对源域网络模型进行调整的方法具体为，如果最大均值差异MMD低于设定的阈值，说明源域和目标领域数据分布相近，网络结构和参数不需要调整；如果最大均值差异MMD高于设定的阈值，则需要对网络的结构和参数进行微调得到最终的目标域的预测网络模型。