[发明专利]一种基于VMD与BP神经网络的锂电池剩余寿命预测方法

权利要求书

1.一种基于VMD与BP神经网络的锂电池剩余寿命预测方法，其特征在于：包括以下步骤：

S1：提取锂电池的电池容量数据，将数据分成两组，一组为训练集，另一组为测试集；

S2：对训练集与测试集的电池容量数据进行变分模态分解，分解为一系列IMF函数，作为电池容量数据在不同尺度下的特征，其中不同尺度下的特征至少包括全局衰减趋势、容量再生数据及局部波动的信息特征；

S3：对BP神经网络进行初始化设置，将分解后训练集的电池容量数据在不同尺度下的特征作为BP神经网络的输入，训练得到锂电池剩余寿命的预测模型；

S4：将分解后测试集的电池容量数据在不同尺度下的特征输入到锂电池剩余寿命的预测模型中，获得预测锂电池剩余寿命，并评估BP神经网络的完成度。

2.根据权利要求1所述基于VMD与BP神经网络的锂电池剩余寿命预测方法，其特征在于：所述对训练集与测试集的电池容量数据进行变分模态分解，具体步骤包括：

S201：采用希尔伯特变换得到子信号u_m的解析信号；

S202：对估计的中心频率w_m采用指数修正；

S203：通过高斯平滑，获得解调信号的每段带宽，若f分解成m个IMF，构造出受约束的变分模型：

∑_mu_m＝f

式中：u_m＝{u₁，u₂，u₃……}是模态分量的集合，w_m＝{w₁,w₂,w₃……}是中心频率的集合；

S204：引入惩罚因子α，构造增广拉格朗日函数，求得变分模型的最优解，也即各个IMF分量：

S205：将拉格朗日函数从时域变换到频域，求极值，得到模态分量u_m和中心频率w_m的频域表达式；

S206：采用交替方向乘子算法得到约束变分模型的最优解。

3.根据权利要求2所述基于VMD与BP神经网络的锂电池剩余寿命预测方法，其特征在于：所述VMD的参数设置为：惩罚因子α＝4000，分解层数k＝10。

4.根据权利要求1所述基于VMD与BP神经网络的锂电池剩余寿命预测方法，其特征在于：所述BP神经网络包括输入层、输出层与隐含层，所述BP神经网络初始化的具体步骤为：

根据输入向量x_j、输入层和隐含层间的连接权值ω_ij以及隐含层阈值a_j计算隐含层输出H_j，计算公式如下：

式中：f为隐含层激励函数，计算公式为：

l为隐含层节点数，计算公式为：

l＝log₂n

n为输入层节点数。

5.根据权利要求4所述基于VMD与BP神经网络的锂电池剩余寿命预测方法，其特征在于：所述BP神经网络的输出层输出由隐含层输出H_j、连接权值ω_jk和阈值b_k计算得出，计算公式为：

6.根据权利要求1所述基于VMD与BP神经网络的锂电池剩余寿命预测方法，其特征在于：所述BP神经网络的参数设置为：迭代次数epo＝100，学习率lr＝0.1，训练目标goal＝0.00004。

7.根据权利要求1所述基于VMD与BP神经网络的锂电池剩余寿命预测方法，其特征在于：所述BP神经网络的完成度评估采用绝对误差AE作为判断模型性能的标准。

8.根据权利要求7所述基于VMD与BP神经网络的锂电池剩余寿命预测方法，其特征在于：所述AE表示实际锂电池剩余寿命与预测锂电池剩余寿命之间的差值，表示预测锂电池剩余寿命的准确性，计算公式为：

AE＝|T-P|

其中，T为代表真实的剩余容量值，P为预测的剩余容量值。