[发明专利]一种基于强化学习的动力电池制造能力在线预测方法

说明书

本发明公开了一种基于强化学习的动力电池制造能力在线预测方法，属于动力电池制造预测领域。所述方法通过提出新的组合预测模型形式对于不同预测方法的预测值进行合理切分组合，其次相对于传统的神经网络往往采用经验数据设定隐含层的层数，难以做到对电池制造能力预测模型的最佳适配，本申请利用强化学习构建循环神经网络和长短时记忆网络模型的隐含层学习环境，求解网络模型隐含层的最优层数，降低隐含层的预测偏差；进而构建组合模型的权重学习环境，经过迭代训练后得到最优权重，最终构造动力电池制造能力组合预测模型，进一步提高了针对动力电池制造能力预测的预测精度和可靠性。

技术领域

本发明涉及一种基于强化学习的动力电池制造能力在线预测方法，属于动力电池制造预测领域。

背景技术

近年来，锂离子电池作为镍氢和铅酸电池的升级产品，具备高能量密度、高倍率、高安全性等特点，已成为当下技术研究和产业化的重点。同时电池制造技术从作坊式生产发展到自动化和今日的智能化，产业规模不断扩大，中国已经成为全球最大的锂离子电池生产地和消费地。

电池的制造工艺流程是高度复杂的系统，电池制造周期存在不确定性，比如锂电池的生产工艺主要包括混料、涂布、辊压、分切、叠片、焊接、注液、化成、老化、装配等；每种型号的电池每个工艺流程所需的时间具有不确定性，那么对于企业来说如果可以对电池制造过程所需时间进行预测，可以帮助企业合理安排制造周期，最大程度的提升经济效益。因此，研究电池制造能力预测方法，对于提高电池制造效率，提升企业收益具有重要的现实意义。

已有的预测模型大多针对股票、短时交通流等对象，这些对象将来某一时刻的值通常和当前值存在一定的关系，因而现有的预测模型可以对其进行准确的预测；但是已有的这些预测模型却无法对电池制造能力进行准确的预测，主要是因为电池生产过程中当前时刻的生产能力和将来某一时刻的生产能力并不存在线型关系，而且不同型号的电池同一工艺流程所需的生产时间是不同的，各工艺流程之间也不具有参考性，因而导致采用现有的预测模型对电池制造能力进行分析和预测时存在较大的偏差。

发明内容

为了实现对于电池制造能力的准确预测，以帮助企业合理安排制造周期，提高经济效益，本发明提供了一种基于强化学习的动力电池制造能力在线预测方法，所述方法在进行电池制造能力在线预测时，首先定义了新的组合预测形式，其次利用强化学习获取循环神经网络模型和长短时记忆网络模型最优隐含层，进而利用强化学习获取组合预测模型最优权重，最后得到一种基于强化学习的动力电池制造能力组合预测模型，实现了电池制造能力在线准确预测。

一种基于强化学习的动力电池制造能力在线预测方法，所述方法包括：

采用m种单一预测模型分别对未来长度为N的时间内的动力电池制造能力进行预测，获得各个单一预测模型的一次预测结果；

根据各个单一预测模型的一次预测结果，基于强化学习对各单一预测模型进行优化；

利用优化后的各单一预测模型分别对未来长度为N的时间内的动力电池制造能力进行再次预测，获得各个单一预测模型的二次预测结果；

根据各个单一预测模型的二次预测结果，采用强化学习对长度为N的时间进行分割，以确定各单一预测模型的最佳权重，从而确定组合预测模型的表达式：

其中，w_i是第i种单一预测模型的权重，N_i是第i种单一预测模型的分界点，f_ij表示第i种单一预测模型的第j个预测向量值，表示对数值a向下取整；

w_i满足：

根据各单一预测模型的最佳权重确定后的组合预测模型的表达式得到动力电池制造能力预测值。