[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

说明书

本发明公开了一种数据不完备场景下的动力锂电池剩余寿命预测方法。首先，针对不完备数据问题，提出了生成式对抗神经网络的数据填充方法，以抵消由于数据不完备导致的预测误差。在此基础上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，提出了一种堆叠去噪自编码器‑克里金SDAE‑Kriging的高级建模方法来预测具有填充数据的动力锂电池剩余使用寿命。最后，与现有的一些方法进行了比较，结果表明本发明提出的方法具有更好的预测精度。此外针对不同的缺失率建立了不同的剩余使用寿命预测模型，也发现对于不同的缺失数据集，本发明提出的方法同样具有可靠的填补效果和稳定的预测结果。

技术领域

本发明涉及新能源汽车领域，具体涉及一种动力锂电池剩余使用寿命预测方法。

背景技术

随着各个国家对节能减排和可持续发展的要求逐渐提高，电动汽车受到了市场的广泛欢迎。高能量密度、长生命周期、轻量的锂电池作为电动汽车的关键动力部件，其性能影响着电动汽车整体的使用状态。然而，由于锂电池在实际使用过程中存在容量衰减和退化现象，因此电池循环到一定次数就需要退役处理，电池过早的退役会导致不要的经济损失，而过晚的退役又会带来安全性风险，因此，对电池剩余寿命的预测显得尤为重要。

发明内容

本发明的发明目的是：为了解决在数据不完备时实现电池剩余寿命的预测问题，本发明提出了一种数据不完备场景下的动力锂电池剩余寿命预测方法。

本发明的技术方案是：一种数据不完备场景下的动力锂电池剩余寿命预测方法，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。

优选地，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，动力锂电池剩余使用寿命预测的特征因子选择过程也是数据驱动模型原始数据获取的过程。目前，有两种典型的原始数据获取方式。一种是通过传统方法将相应的电池参数定义为特征因子，如内阻、开路电压等，对应的参数是通过具体的实验得到的。另一种是直接通过机器学习从海量数据中挖掘出相关特征，第二种方法需要大量的数据，以相同的方式多次运行可能会产生不同的特征。因此，为了更好地验证数据填充和动力锂电池剩余使用寿命预测算法的性能，我们使用传统的特征因子方法来获取数据。随着电池充放电循环次数的增加，电池的一些参数会发生不可逆的变化。这些参数是我们表征动力锂电池剩余使用寿命所需的特征因素。电池特性因子是预测电池剩余使用寿命的关键指标。通常，它们是我们可以通过实验测量直接获得的参数。电池的特性因子应该与动力锂电池剩余使用寿命有一定的关系，能反映电池的实际使用情况。我们选取了四个对电池有显着影响的参数作为相应的特征因素：电池内阻、电池放电容量、温度变化速率和等压降放电时间。不完备数据的动力锂电池剩余使用寿命预测框架如图1所示。

根据权力要1所述一种数据不完备场景下的动力锂电池剩余寿命预测方法，步骤1中，使用生成式对抗神经网络对缺失数据进行填补的过程为：

(1)生成式对抗神经网络GAIN可以用来实现对缺失数据的填补，其基本结构如图2所示。其核心主要由生成式模型和判别式模型两部分组成，在生成式对抗神经网络GAIN中，生成式模型以不完备数据集X₀、标记矩阵M和噪声部分为输入，以推导出的缺失部分数据Xg为输出，如下式所示：

X_g＝Gen(X_o,M,(1-M)⊙Z)

其中Z是n维噪声矩阵，⊙表示Hadamard乘积。