[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

说明书

本发明公开了一种基于变分模态分解(VMD)与集成深度模型的锂电池剩余寿命预测方法。将电池可放电容量作为衡量电池剩余寿命的性能指标，首先运用VMD对可放电容量数据进行多尺度分解，深层次挖掘电容数据不同尺度背后的隐含信息；然后针对不同模态分量特性分别选取长短期记忆神经网络(LSTM)和多层感知机(MLP)两种子学习器进行训练，并基于并行式框架将各子学习器的结果集成，预测出锂电池的剩余使用寿命。该方法可以有效感知电池容量中的再生和波动特性，在对锂电池剩余使用寿命预测时具有较高的预测精度和泛化能力。

技术领域

本发明涉及锂电池剩余寿命预测技术领域，具体为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。

技术背景

锂电池因其具有能量密度高、质量轻、放电稳定、价格便宜等诸多优点而被广泛使用。然而，随着锂电池使用过程中充放电循环次数的增加，电极材料发生腐蚀、内部隔膜逐渐老化、高低温环境和复杂使用工况等因素，导致电池可使用锂离子活性降低，容量与功率衰退，从而对电池剩余寿命产生影响，使用寿命逐渐缩短，直接导致用电设备功能无法满足要求，甚至会引发设备故障，威胁到人员生命安全。因此，为了提高用电设备的可靠性与安全性，锂电池剩余寿命预测至关重要。

锂电池老化过程非常繁杂，诸多内外因素互相作用，彼此耦合，具有典型的非线性、不确定性特点，例如锂电池在搁置一段时间后，其可用容量会轻微回升，即出现容量再生现象。因此，实际工作状态下的锂电池性能退化数据不仅包含整体性能退化信息，同时包括因电池搁置引起的容量再生分量以及随环境因素变化的波动量，导致电池性能退化过程呈现非线性和时变性，给锂电池寿命预测带来较大困难。在单一尺度下提取锂电池原始容量数据的退化特征信息，没有充分考虑锂电池性能退化过程中所产生的容量局部再生现象引起的容量数据的非平稳问题，为了在锂电池寿命预测时降低数据的复杂性和不稳定性，常使用经验模态分解和小波分解等方法对复杂的电池容量退化数据进行分解，但是经验模态分解方法存在的模态混叠现象严重、对噪声敏感等问题，小波分解方法存在的小波基选取困难等问题都未得到很好的解决。

深度学习由于具有强大的泛化能力以及能够自适应地从数据中提取特征等优点，近年来被广泛应用在锂电池剩余寿命预测领域。然而，现有的基于深度学习方法的锂电池寿命预测方法多采用单一的预测模型，难以准确描述复杂的锂电池性能退化过程，导致模型的泛化性能较差，寿命预测精度较低，预测不稳定等问题。

为了解决上述问题，本发明提出一种基于变分模态多尺度分解(VMD)与集成深度模型的锂电池剩余寿命预测方法。

发明内容

为了解决单一尺度中存在的没有充分考虑锂电池性能退化过程中所产生的容量局部再生现象引起的容量数据的非平稳问题、单一预测模型中存在的泛化能力差，预测不稳定等问题，本发明提出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。

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，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：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、构建长短期记忆神经网络(LSTM)子学习器：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；