[发明专利]一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法

权利要求书

1.一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法，其特征在于，该电动汽车动力锂电剩余寿命预测方法包括以下步骤：

S1、获取历史数据库中的锂电性能数据，并生成数据集；

S2、对数据集的锂电性能数据进行预处理；

S3、将处理后的锂电性能数据输入深度网络模型进行训练，利用深度网络模型提取特征并通过前向传播的方式不断对特征进行深度挖掘，并建立网络体系结构；

S4、在网络体系结构中通过adam反向传播训练建立动力锂离子电池的特性基本退化机理和等效模型；

S5、依据预设的评判指标对特性基本退化机理和等效模型进行测试；

所述将处理后的锂电性能数据输入深度网络模型进行训练，利用深度网络模型提取特征并通过前向传播的方式不断对特征进行深度挖掘，并建立网络体系结构包括以下步骤：

所述获取历史数据库中的锂电性能数据，并生成数据集包括以下步骤：

S11、通过动力锂电全生命周期溯源与监控云平台对电池进行观测，记录锂电性能数据，并生成数据集；

S12、将数据集导入监控云平台，并建立数据文件夹；

所述对数据集的锂电性能数据进行预处理包括以下步骤：

S21、使用LocalLoadDate函数加载锂电性能数据；

S22、以表的形式加载文本文件；

S23、利用VarNames函数向表中添加变量名；

S24、从原始数据选出id信号；

S25、利用unique函数去除id信号，并将去除后锂电性能数据返回数组nID；

S26、返回数组nID数元素个数为不重复id数，且每个id代表一个锂电池；

S27、将锂电池两个胞元属性名分为x和y，将x代表剩余寿命，y代表特征；

S28、利用stackedplot函数绘制堆叠图，令每组数据拥有共同的x轴，y轴数据随x改变而改变；

S29、利用proghosability函数对失效时条件指标进行可变性测量，并输入特征值输出为预测值预测性，去除可预测性等于零的特性；

S210、将训练预测器归一化，使其均值和单位方差为零；

S211、响应限制阈值，将阈值以上的y值改变为阈值大小；

S212、为填充准备数据，打包所需的输入数据；

S31、根据隐藏层与输出层计算锂电池性能数据特征大小；S32、利用动力锂电样本数据对计算机进行训练，得到不同剩余寿命的特征模型；

所述利用动力锂电样本数据对计算机进行训练，得到不同剩余寿命的特征模型包括以下步骤：

S321、输入数据为上述步骤S28的堆叠图，通过卷积层的计算得到输出矩阵；

S322、引入池化层的电池正火层，压缩数据的大小，将卷积层计算后输出的矩阵减小，并降低输出值的数量；

S323、引入激活层，加强特征，并利用relu函数对池化层输出进行非线性映射；

S324、引入连接积层，通过将激活层输出的矩阵拆分为一列数组并进行盆节，将该数组与特征模型进行比对，根据相似度进行预测样本特征模型，并判断出剩余寿命；

S325、通过回归层regressionLayer计算方差损失。

2.根据权利要求1所述的一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法，其特征在于，所述数据文件夹包括17列数字文本文件；

其中，每一列为不同变量，每一行为生命周期内的性能数据，第一列为单元号，第二列为时间点，其余列为电池状态属性。

3.根据权利要求2所述的一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法，其特征在于，所述根据隐藏层与输出层计算锂电池性能数据特征大小包括以下步骤：

S311、设置隐藏层大小，numHiddenUnits＝100；

S312、设置输出层大小，numResponses＝1；

S313、根据隐藏层与输出层输出的数据，计算锂电池的特征大小。