[发明专利]一种基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法

权利要求书

1.基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法，其特征在于：包括如下步骤：

步骤1、数据预处理：筛选出锂电池放电过程中的容量衰减数据和对应的循环寿命作为锂电池剩余寿命预测数据，以1,…,t时刻的锂电池容量数据为训练集，t+1时刻后的锂电池容量数据为预测数据集，其中t表示的是当前时刻；

步骤2、原始信号变分模态分解(VMD)：对训练集和测试集的锂电池容量衰减数据进行变分模态分解，分解为包括本征模态分量(IMF₁,…,IMF_N)和残余分量(r(t))的多个模态分量，将其作为锂电池容量数据在不同尺度下的特征，其中残余分量表示电池整体退化趋势，本征模态分量表示电池容量再生和随机波动的特性；

步骤3、构建子学习器长短期记忆神经网络(LSTM)：由于本征模态分量反映容量再生和随机波动信息，呈现一定周期性，因此选用长短期记忆神经网络模型对本征模态分量进行训练，将分解得到的多个训练集数据的本征模态分量分别输入多个长短期记忆网络模型单独进行训练，构建多个LSTM子学习器；

步骤4、构建子学习器多层感知机(MLP)：由于残余分量反映电池整体退化趋势，呈现出单调性和平稳性，因此选用多层感知机对残余分量进行训练，将分解得到的训练集数据的残余分量输入多层感知机进行模型的训练，构建MLP子学习器；

步骤5、子学习器集成：将分解得到的预测集数据的本征模态分量和残余分量分别输入训练好的LSTM子学习器和MLP子学习器，基于并行式集成方法，把各子学习器预测结果集成，从而输出t+1时刻的锂电池寿命预测结果根据判断电池健康状态是否达到电池寿命终止(EOL)条件，即预测结果达到锂电池额定容量的80％，若未到达到条件，则重复步骤3-5完成下一时刻寿命预测并判定锂电池健康状况。

2.根据权利要求1所述的锂电池剩余寿命预测方法，其特征在于：所述的步骤2原始信号变分模态分解包括如下步骤：

步骤21、初始化IMF分量和中心频率：将锂电池容量衰减数据C分解出k个IMF分量，将各IMF分量及其中心频率作为初始化值；

步骤22、更新IMF分量和中心频率：根据傅里叶变换定理对IMF分量和中心频率进行更新；

步骤23、更新拉格朗日乘子；

步骤24、迭代停止判定：设定ε＞0作为判别精度，若残差小于判别精度，则停止迭代，否则重复步骤22-步骤24。

3.根据权利要求1所述的锂电池剩余寿命预测方法，其特征在于：所述的步骤3构建子学习器长短期记忆神经网络包括如下步骤：

步骤31、计算隐藏层输出值：若在当前时刻，假设网络模型的输入由当前时刻的输入(变分模态分解后的模态向量)及前一时刻隐藏层的输出值两部分组成，计算得出当前时刻隐藏层输出值，重复此操作直至所有输入都读取完成；

步骤32、暂时记忆状态信息：在更新记忆单元之前，会先产生暂时记忆单元，由当前时刻的输入以及前一时刻的隐藏层状态值得出暂时记忆状态信息，从而进一步更新状态；

步骤33、计算输入门状态值：输入门决定了当前时刻网络的输入有多少保存到输入单元，因此对于此刻数据输入，输入门会有限度地存储关键信息至此输入门单元；

步骤34、计算遗忘门状态值；遗忘门决定了上一时刻的单元状态有多少保留到当前时刻；

步骤35、计算目前记忆单元状态值；

步骤36、计算输出门状态值：获得此时状态值结果；

步骤37、单元记忆输出。

4.根据权利要求1所述的锂电池剩余寿命预测方法，其特征在于：所述的步骤4构建子学习器多层感知机包括如下步骤：

步骤41、MLP前向传播：初始化多个权重矩阵，以及偏差系数，计算输出层输出；

步骤42、MLP反向传播：寻出最恰当的线性系数矩阵和偏倚向量，采用梯度下降求最优解，不断迭代更新，从而具有优秀非线性拟合性能。