[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

说明书

本发明涉及一种基于分解集成策略的锂离子电池剩余寿命预测方法，包括获取原始电池退化过程的传感信号并将其分解为多模态下的分量序列；将分量序列整理成训练集和测试集；利用分量序列的训练集对神经网络模型进行训练，获得训练好的分量序列的子网络模型；利用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，基于子网络模型的预测值获得最终的电池容量预测结果；基于最终的电池容量预测结果获得电池剩余使用寿命。本发明能够解决锂离子电池寿命预测中存在的非线性、非平稳、多模态、多噪声特性导致单一尺度输入下单一数据驱动方法的预测精度低、泛化性能差等问题，为锂离子电池剩余寿命预测提供一种新的理论指导方法和实现途径。

技术领域

本发明涉及目标检测技术领域，尤其是指一种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。

背景技术

电池的剩余寿命一般定义为：在特定工况条件下，电池的运行状态衰减到设定的失效阈值所经历的充放电循环次数，其中，电池的容量状态是最为常用的阈值指标。当电池循环容量衰减至初始容量值的70％-80％时，认为电池到达寿命终点。因而，电池剩余寿命预测就是对已有的电池退化过程数据进行分析和建模，利用相关算法模型预测出其在正常状态下的寿命终点，进而预测电池的剩余循环使用次数。在锂离子电池剩余寿命预测领域，现有的剩余寿命预测方法主要分为基于模型的方法、基于数据驱动的方法、基于融合的方法。

目前基于模型的方法主要有电化学模型、等效电路模型以及经验退化模型。其中电化学模型基于电池的内部机理建立，但当运行条件(如温度，功率)发生变化时，很难求解所需的复杂耦合非线性偏微分方程，因而受限于建模过程的复杂性；等效电路模型能够近似表达电池的动态和静态特性，但是模型的建立依赖阻抗数据，在实际测量中难以获取；最常用的经验退化模型是基于电池容量的双指数模型，它通常与先进的滤波方法结合来进行剩余寿命预测，然而，经验退化模型仅能近似表达电池退化过程，预测精度不够高，且预测性能受限于相结合的滤波方法。

目前基于数据驱动的剩余寿命预测方法主要包括机器学习类和深度学习类方法。机器学习类方法包括Box-Cox变换、支持向量机(Support Vector Machine,SVM)、相关向量机(Relevance Vector Machine,RVM)、多层感知机(MultiLayer Perceptron,MLP)等，深度学习类方法包括卷积神经网络(Convolutional Neural Network,CNN)，循环神经网络(Recurrent Neural Network,RNN)等。这些方法能够自适应地从电池退化数据中学习到深层退化特征，无需了解复杂的电池退化机理，避免了模型自身准确性对预测精度的影响，但以上方法大多为单一预测模型，存在泛化性不强、精度不高等问题，其中，卷积神经网络的性能依赖于卷积核的设置，且随着层数的加深，网络训练会变得更加困难，同时容易过拟合；当电池数据噪声较多或数据量较小时，循环神经网络通常会出现欠拟合现象，而实际电池使用过程中存在的容量再生现象会导致容量衰减过程频繁波动，基于循环神经网络的预测方法容易失效，且工况条件不同带来的随机干扰也会造成电池工作状态波动起伏，最终使得电池退化过程在多种模态和噪声的共同作用下呈现出明显的非线性与非平稳性。此外，由于神经网络的非线性本质，神经网络模型的一个主要缺点是输出尺度对输入尺度变化不敏感，影响模型泛化性能，而电池退化过程中存在的容量再生和随机波动因素使得退化序列的尺度不断以非周期性的方式变化，这会显著降低神经网络模型的预测精度。因而，如果直接使用原始退化数据进行序列建模，会使得电池剩余寿命预测更为困难。

目前基于融合的方法主要分为不同模型、不同数据驱动方法以及模型与数据驱动方法的融合。然而，大多数融合方法为浅层模型，特征学习能力有限，存在长期寿命预测精度不高的问题。此外，现有方法大多数都是在单一尺度下基于原始电池退化数据直接进行建模，没有对数据中存在的非线性、非平稳、多模态、多噪声特性进行特定处理，少数研究仅对原始数据进行简单去噪，没有充分消除电池退化过程中复杂特性对电池剩余寿命预测的影响。