[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

说明书

本发明提供一种基于LSTM神经网络和迁移学习的锂电池剩余寿命预测方法，包括以下步骤：步骤1：数据获取及数据预处理；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；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。本发明能够通过迁移网络模型结构和参数，减少网络训练时间，提高效率。

技术领域

本发明属于锂离子电池技术领域，具体涉及一种基于LSTM网络和迁移学习的电池寿命预测方法。

背景技术

锂离子电池因其寿命长，充电快，能量高，体积小，无污染等特点，被广泛应用于各种电子设备、汽车能源和航空航天方面。在实际的应用过程中，锂离子电池的容量会随着充放电循环次数的增加而下降，性能逐渐退化，产生电池寿命失效问题可能会导致安全事故，因此电池的寿命预测显得尤为重要。锂离子电池剩余寿命研究可以归纳为两大类：基于模型预测和基于数据驱动预测。基于数据驱动的RUL预测研究方法较多，其中包括：人工神经网络、支持向量机、高斯过程回归、相关向量机，AR模型等。基于数据驱动的方法避免了对锂电池内部复杂机理的化学反应过程的研究，直接从电池数据中挖掘能够表征电池退化性能的特征。

LSTM是循环神经网络RNN的变体，RNN适用于处理时间序列，但在训练过程中它的反向误差会随着层数的增加传递，误差值越来越小，出现梯度消失和梯度爆炸问题，只适用于处理短时间序列。LSTM具有解决梯度消失和梯度爆炸问题的良好能力，可以学习更加长期的时间序列。

发明内容

本发明的目的在于提供一种基于LSTM神经网络和迁移学习的锂离子电池剩余寿命预测方法。目的在于预测电池的剩余使用寿命，在不了解电池内部构造机理和化学反应情况下，通过记录锂离子电池在充放电过程的各类参数的数据变化，建立源域电池LSTM网络模型来预测电池的剩余使用寿命，同时用建立好的模型迁移到目标域锂电池上，预测剩余使用寿命。

本发明的技术方案：

一种基于LSTM神经网络和迁移学习的锂离子电池剩余寿命预测方法，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：