[发明专利]基于分解集成策略的锂离子电池剩余寿命预测方法及系统

权利要求书

1.一种基于分解集成策略的锂离子电池剩余寿命预测方法，其特征在于，包括以下步骤：

S1：获取原始电池退化过程的传感信号，将所述传感信号分解为多模态下的分量序列,包括：

S11：将分解过程等价于求解约束变分问题：

式中，f(t)为电池退化信号，{u_k}为信号分解后的N个本征模态函数集合，{ω_k}为各分量中心频率集合，*表示卷积操作，δ(t)为单位脉冲函数；

S12：将约束变分问题(1)、(2)转化为非约束变分问题：

式中，λ为拉格朗日乘子，α为惩罚因子；

S13：对式(3)采用交替方向乘子算法迭代更新ω_k,u_k,λ，直到判定条件达到收敛阈值ε：

式中，u_k为信号分解后的第k个本征模态分量，ω_k为第k个分量的中心频率，i为用于计数的下标，n为迭代轮次，τ为步长因子；

S2：将各个分量序列整理成训练集和测试集，包括：

S21：对各个分量序列u_i进行划分如下：

u_i＝[u_i(1),...,u_i(K),u_i(K+1),...,u_i(L)],i＝1,...,N, (12)

其中，K和L分别是各分量序列的训练样本长度和序列长度；

S22：定义滑窗嵌入维数为d，则任意滑窗向量可描述为：

S23：假设向量为滑窗向量切比雪夫距离上的最近邻，p＝1,...,K-d,p≠j，定义变量R_d(j,p)为：

式中，和为滑窗嵌入维数为d+1时的重构向量；

S24：基于式(14)定义变量E(d)为：

S25：当滑窗嵌入维数由d变化为d+1时，定义变量E1(d)为：

S26：当d从1增加至K-1时，由式(17)计算变量E1的大小，基于所述变量E1的值确定最优滑窗嵌入维数；

S27：基于所述最优滑窗嵌入维数构建训练集：

式中，为训练样本，其中u_i(d+j)为相应的预测标签值；

S3：利用各个分量序列的训练集对神经网络模型进行训练，获得训练好的各个分量序列的子网络模型，神经网络模型选择自回归时间卷积循环神经网络ATCRNN，其包含两部分，分别是由时间卷积层、循环记忆层、全连接层组成的非线性部分和由自回归模型组成的线性部分；

时间卷积层采用两层的融合型时间卷积网络HTCN来处理时序数据，HTCN在时间维度进行卷积操作，并采用因果卷积的设定保证输出与输入之间的时间因果关系，并通过序列补偿使输出与输入长度一致；卷积核使用扩张卷积的方式，通过扩张因子实现可变采样间隔，其中扩张因子按照层级以2的指数倍增长，进而逐层增大卷积网络的感受野，每层卷积核在时间轴的移动，实现短期到长期时序信息的逐层提取；最后，利用残差学习的思想在输入与输出之间加入恒等映射构成完整的残差单元，时间卷积层的计算过程如下：

o¹＝max(0,g¹), (20)

O¹＝zero-padding(o¹), (21)

o²＝max(0,W²*O¹+b²), (22)

O²＝zero-padding(o²), (23)

O＝max(0,O²+U), (24)

式中W¹和b¹分别为第一层卷积核的权重矩阵和偏置向量，g¹是与卷积核的卷积运算结果，“*”表示卷积操作，max(·)表示整流线性单元函数ReLU，zero-padding(·)表示补零填充操作，q¹为第一层的卷积核个数，s¹为卷积核滑动步长，c¹为卷积核大小，e¹为扩张因子，第一层为2⁰，W²和b²分别为第二层卷积核的权重矩阵和偏置向量，q²为第二层的卷积核个数，s²为卷积核滑动步长，c²为卷积核大小，e²为扩张因子，第二层为2¹，为最终的输出，为经过1×1卷积映射后的结果；

循环记忆层采用三层的扩张门控循环神经网络DGRU进行时序关系处理，DGRU单元包括t时刻第l-1层的输入t-e^l时刻第l层的输入隐藏状态t时刻第l层的输出隐藏状态重置门更新门以及一个候选隐藏状态循环记忆层的计算公式如下：

e^l＝2^l-1, (29)

式中σ(·)为sigmoid激活函数；tanh(·)为双曲正切激活函数；⊙表示Hadamard积；分别为重置门的权重矩阵和偏置向量；分别为更新门的权重矩阵和偏置向量；分别为候选隐藏状态的权重矩阵和偏置向量；l表示层级1,2,3，e^l为扩张因子2⁰,2¹,2²，每一层含有h^l个隐藏单元，当l＝1时，经过三层的DGRU-RNN计算后，得到最终的输出结果

全连接层对循环记忆层的输出结果进行计算，得到非线性神经网络部分的预测结果：

式中W^D,b^D分别为全连接层对应的权重向量和偏置值，“·”表示点积，表示在时刻t的输出值；

在ATCRNN网络中，将深度神经网络作为非线性部分主体，自回归模型作为线性部分表达，定义自回归模型输出为自回归系数为和b^L，自回归阶次为p，为t时刻滑窗向量的值，则自回归模型的输出计算为：

最终ATCRNN网络的输出预测值通过整合线性部分与非线性部分的输出值得到：

式中，表示ATCRNN网络在时刻t的输出预测值；

S4：利用各个分量序列的测试集对相应的子网络模型进行测试，获得各个子网络模型的预测值，基于各个子网络模型的预测值获得最终的电池容量预测结果；

S5：基于最终的电池容量预测结果获得电池剩余使用寿命。