[发明专利]一种锂电池健康状态预测方法

权利要求书

1.一种锂电池健康状态预测方法，其特征在于，所述预测方法包括：

采集所述锂电池的电池容量数据，生成时间序列S(n)；

利用自适应白噪声的完整集成经验模态分解方法将所述时间序列S(n)分解为一个残余量Res和四个本征模态函数分量IMF₁、IMF₂、IMF₃、IMF₄；

构建时域卷积网络TCN，并使用所述时域卷积网络TCN对所述本征模态函数IMF₁建模；

构建门控循环单元GRU，并使用所述门控循环单元GRU对所述本征模态函数IMF₂、IMF₃、IMF₄和所述残余量Res建模；

将经过所述时域卷积网络TCN重构后的所述本征模态函数IMF₁模型和经过所述门控循环单元GRU重构后的所述本征模态函数IMF₂、IMF₃、IMF₄和所述残余量Res模型进行叠加，获取所述锂电池健康状态的预测值。

2.如权利要求1所述的一种锂电池健康状态预测方法，其特征在于，所述时域卷积网络TCN包括：所述时域卷积网络TCN的输入层，一个卷积层，第一残差模块，第二残差模块，第三残差模块，第四残差模块，第五残差模块，一个Lambda层和全连接层；所述残差模块由结构相同的双层结构构成，每层均包括：随机辍学，权重归一化，激活函数和膨胀因果卷积。

3.如权利要求2所述的一种锂电池健康状态预测方法，其特征在于，所述残差模块还包括卷积模块，用于确保所述残差模块的输入和输出具有相同宽度。

4.如权利要求1所述的一种锂电池健康状态预测方法，其特征在于，所述门控循环单元GRU包括：所述门控循环单元GRU的输入层，第一门控循环单元GRU网络，第二门控循环单元GRU网络，第一随机辍学，第二随机辍学和一个全连接层。

5.如权利要求1所述的一种锂电池健康状态预测方法，其特征在于，所述构建时域卷积网络TCN和所述构建门控循环单元GRU还包括对所述时域卷积网络TCN和所述门控循环单元GRU的训练和测试：

滑动窗口构建训练样本；

设置隐含神经元个数；

选择训练基础参数设置；

训练结束并保存网络；

测试数据对上述网络进行测试，当精度达到要求时获取所述时域卷积网络TCN和所述门控循环单元GRU的电池健康状态预测；当精度未达到要求时重新进行训练。