[发明专利]锂电池剩余寿命预测方法

摘要

锂电池剩余寿命预测方法，涉及一种锂离子电池循环寿命预测技术，为了解决现有锂电池剩余寿命预测方法依赖精确的物理模型或复杂的信号处理技术，需要昂贵的投入，或现有方法基于浅层结构，这会限制故障预测的性能并且容易遭受维数灾难的问题。获得依据充放电周期的锂电池容量退化数据集，对数据进行预处理，构建DBN和RVM的融合模型，训练DBN模型和RVM模型，采用训练结束的DBN和RVM的融合模型预测锂电池剩余寿命。本发明适用于预测锂电池剩余寿命。

主权项

1.锂电池剩余寿命预测方法，其特征在于，该方法包括以下步骤：步骤一、获得依据充放电周期的锂电池容量退化数据集，对数据归一化为[0,1]区间内，并将数据集划分为两个数据集，分别为训练数据集和测试数据集；在开始预测的点SP之前的数据用于训练，为训练数据，SP之后的数据用于测试，为测试数据；步骤二、构建DBN和RVM的融合模型，即构建一个深度置信网络DBN模型和一个相关向量机RVM模型；步骤三、训练DBN模型和RVM模型；使用训练集训练DBN模型，RVM模型的输入是DBN模型提取出的特征数据；步骤四、训练的DBN和RVM的融合模型一步一步地回归，直到DBN和RVM的融合模型预测输出的电池容量达到电池容量的失效门限值为止，得到预测的剩余寿命RUL，对预测的RUL与实际的RUL作比较，如果预测的精度满足要求，则训练结束，并执行步骤五，否则，调整DBN模型和RVM模型的参数并返回步骤三；步骤五、将测试数据输入训练结束的DBN和RVM的融合模型，得到预测的RUL，完成锂电池剩余寿命的预测；步骤三中训练DBN模型的具体过程为：采用一个双层非监督预训练模型来完全提取从低层到高层的特征数据，该特征数据作为RVM模型的输入，然后利用反向传播算法来全局监督微调DBN参数，从而最小化DBN的训练输出与训练标签的偏差；为一个训练实例，xt‑nτ,xt‑(n‑1)τ,…xt‑2τ,xt‑τ表示训练数据中的一组数据，为该组训练数据对应的训练输出，x_t为该组训练数据对应的训练标签，将训练标签x_t和训练输出做对比得到DBN模型预测的精度，根据训练标签x_t和训练输出的偏差调整DBN模型的参数从而优化DBN模型；步骤三中训练RVM模型的具体过程为：调整RVM模型的参数，通过最小化RVM的训练输出和训练标签的偏差训练RVM模型。