[发明专利]数据不完备场景下的动力锂电池剩余寿命预测方法

权利要求书

1.一种数据不完备场景下的动力锂电池剩余寿命预测方法，其特征在于，包括以下步骤：

步骤1：选取电池内阻、电池放电容量、温度变化速率和等压降放电时间作为特征因子，然后使用生成式对抗神经网络对缺失数据进行填补；

步骤2：采用堆叠去噪自编码器进行数据特征处理，通过克里金方法进行数据拟合，最终采用堆叠去噪自编码-克里金进行剩余寿命预测。

2.根据权利要求1所述的一种数据不完备场景下的动力锂电池剩余寿命预测方法，其特征在于步骤1中：

(1)选取电池内阻、电池放电容量、温度变化速率和等压降放电时间作为特征因子；

(2)使用生成式对抗神经网络对缺失数据进行填补，生成式对抗神经网络是通过生成式模型和判别式模型的对抗达到最优填充，其目标函数可以定义为：

其中，α是权重系数，M、D、X、X_c分别为不同状态的数据矩阵，N是模型的总数量，k是N的计数单元，是交叉熵损失项，是生成器预测损失项，是重构损失项，交叉熵损失项、生成器预测损失项、重构损失项的具体计算如下：

其中，A和B是两个普通的矩阵。

3.根据权利要求1所述的数据不完备场景下的动力锂电池剩余寿命预测方法，其特征在于：步骤2采用采用堆叠去噪自编码-克里金方法进行剩余寿命预测，具体步骤如下：

(1)采用堆叠去噪自编码器进行数据特征处理，对于填充数据通过引入噪声和校正来进一步抵消填充数据的差异，然后将其导入堆叠去噪自编码器，通过下式对其进行编码和解码：

y＝f_θ(x)＝s(Wx+b)

z＝g_θ'(y)＝s'(W'y+b')

其中，W和W'是权重矩阵，b和b’是偏置系数，s和s’是激活函数，θ和θ'是编码和解码映射参数，可由下式反复训练得到：

其中，L是重构误差；

(2)将处理后的数据导入克里金模型进行训练，进而对动力锂电池进行剩余使用寿命预测，电池特征因子和剩余使用寿命之间的关系由下式表示：

f(x)＝u(β,x)+z(x)

其中，μ(β,x)是模型的确定性部分也称为确定性漂移，一般用多项式表示，实现模型的全局逼近，z(x)是随机分布误差，用于实现过程的局部偏差逼近，μ(β,x)和z(x)可通过下式计算：

u(β,x)＝β₁u₁(x)+β₂u₂(x)+…+β_iu_i(x)

cov[z(x_i),z(x_j)]＝σR[R(c,x_i,x_j)]

其中，β₁、β₂……β_i是多项式系数，u_i(x)为多项式函数，R是以c为参数的相关函数，σ是样本的标准差，x_i和x_j分别表示样本点里不同的两个样本点；

通过无偏差条件分析和拉格朗日乘子法计算，最终预测模型可表式为：

其中，是剩余使用寿命的预测值，是剩余使用寿命预测多项式系数，r(x)^T是训练集电池特征参数的影响因子，x是电池特征因子，y是剩余使用寿命训练集；

堆叠去噪自编码器可以有效避免数据过拟合，结合预测精度更高的克里金方法，可以有效实现动力锂电池剩余使用寿命更高精度的预测。