[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

说明书

本发明公开了一种基于VMD与BP神经网络的锂电池剩余寿命预测方法，属于锂电池寿命预测技术领域，包括以下步骤：提取锂电池的电池容量数据，将数据分成训练集与测试集；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；对BP神经网络进行初始化设置，将分解后训练集的锂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，训练得到预测模型；利用测试集进行测试，并验证预测模型的准确性。本发明的基于VMD与BP神经网络的锂电池剩余寿命预测方法，能够有效的预测电池SOH，有较好预测效率和预测精度，有效的判断其未来的工作能力，及时发现问题，避免不必要的麻烦和损失。

技术领域：

本发明涉及锂电池寿命预测技术领域，尤其涉及一种基于VMD与BP神经网络的锂电池剩余寿命预测方法。

背景技术：

锂离子电池是一种能量密度大、输出电压高、循环性能优越的绿色电池，被广泛应用于航空航天、国防军事等领域，是诸多领域重要的支撑环节，因此对于锂离子电池进行健康管理显得尤为重要。随着电池使用时间的增加，会导致电池容量出现逐渐衰退的情况，因此可利用锂电池的容量表征锂电池的退化特性，并基于此对剩余寿命(RUL)进行预测。目前，锂离子电池剩余寿命预测方法主要有基于模型的预测方法和基于数据驱动的预测方法。基于模型的预测方法按锂电池内部的结构特性，建立表征退化的模型，但由于电池内部结构复杂模型难以建立；基于数据驱动的预测方法不依赖于电池内部结构，采用机器学习的方法对电池退化特征参数的性能退化规律进行挖掘，实现RUL。常见的基于数据驱动的预测方法包括神经网络、支持向量机、相关向量机、高斯过程回归等。其中，大部分算法有以下弊端：1、不具有非线性映射能力，不适用于求解内部机制复杂的问题；2、自适应能力差，难以自动提取输出、输出数据之间的“合理规则”，并自适应的将学习内容记忆于网络的权值中；3、难以对未见过的模式或由噪声污染的模式进行正确的分类；4、在系统收到局部损伤时可能无法正常进行工作。

锂离子电池的容量衰退是一个非线性退化过程，直接利用非线性退化信号进行建模预测精度低。因此基于信号分解和预测模型的方法被用于提高预测精度。常用信号分解方法包括经验模态分解、集合经验模态分解、局部均值分解等，但经验模态分解等信号分解方法存在端点效应与模态混叠问题，鲁棒性交叉，且分解之后的分量个数较多，不便于后续的信号重构。

针对锂离子电池的容量衰退是一个非线性退化过程，剩余寿命精确预测困难的问题，本发明提出一种基于VMD和BP神经网络的锂离子电池剩余寿命预测方法。

发明内容：

为了弥补现有技术问题的不足，本发明的目的是提供一种基于VMD与BP神经网络的锂电池剩余寿命预测方法，可以有效解决锂离子电池剩余寿命精确预测困难的问题。

一种基于VMD与BP神经网络的锂电池剩余寿命预测方法，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，将分解后的训练集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：将分解后测试集的锂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。

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；