[发明专利]一种基于多神经网络耦合的电动叉车锂电池剩余寿命预测方法

说明书

本发明是为了克服现有技术预测锂电池剩余寿命时，计算复杂耗时长，预测精度低的问题，提供一种基于多神经网络耦合的电动叉车锂电池剩余寿命预测方法，提高了预测计算精度，减少了预测模型训练时间，包括以下步骤：建立基于长短时记忆神经网络的开路电压预测模型，采用RMSprop算法和dropout正则化方法对网络进行优化，从而预测锂电池在放电循环中的开路电压值V_OC；把预测结果按顺序划分成多个放电循环，统计每个放电循环中从初始电压至最小电压间的开路电压样本个数N_S，利用采样时间T_S相同，得到每个放电循环中放电至最小电压的时间T_min；建立基于人工神经网络的容量预测模型，以预测锂电池容量C，从而得到锂电池剩余寿命预测值RUL。

技术领域

本发明涉及电池技术领域，尤其是涉及一种基于多神经网络耦合的电池剩余寿命预测方法。

背景技术

锂电池的能量密度高、循环寿命长、放电平台高，可为多种工程机械提供可靠的动力源。目前电动叉车多采用锂电池作为其动力源，锂电池在不断充放电的情况下，其电化学性能会逐渐下降，容量慢慢出现衰减，在达到最大寿命后锂电池性能衰减速度加快，发热量增加，安全性降低，容易引起设备运行不稳定造成经济的损失，严重的甚至会引发安全事故。因此，锂电池需要及时进行维护和更换，而剩余寿命预测方法利用能够提前给出电池容量的衰减情况，从而可以提前制定出合理的维护方案，从而保证电动叉车的稳定运行。剩余寿命预测是指在已知部分容量衰减数据的情况下，去预测电池在达到寿命终止前仍能运行的循环数。

传统的剩余寿命预测方法是基于模型的方法，该方法基于电池失效原理和电化学反应建立模型，并对电池寿命衰减情况进行预测，该方法的缺点是计算复杂，精度低。

发明内容

本发明是为了克服现有技术预测锂电池剩余寿命时，计算复杂耗时长，预测精度低的问题，提供一种基于多神经网络耦合的电动叉车锂电池剩余寿命预测方法，提高了预测计算精度，减少了预测模型训练时间。

为了实现上述目的，本发明采用以下技术方案，包括以下步骤：

S1：建立基于长短时记忆神经网络的开路电压预测模型，采用RMSprop算法和dropout正则化方法对网络进行优化，从而预测锂电池在放电循环中的开路电压值V_OC；

S2：把预测结果按顺序划分成多个放电循环，统计每个放电循环中从初始电压至最小电压间的开路电压样本个数N_S，利用采样时间T_S相同，得到每个放电循环中放电至最小电压的时间T_min；

S3：建立基于人工神经网络的容量预测模型，以预测锂电池容量C，从而得到锂电池剩余寿命预测值RUL。

通过结合长短时记忆神经网络和人工神经网络建立电动叉车锂电池剩余寿命预测模型，充分利用了长短时记忆神经网络对非线性数据的拟合能力和预测能力，利用了人工神经网络结构简洁的优点，又利用RMSprop算法和dropout正则化方法对预测模型进行优化，提高模型计算精度，减少模型训练时间。

作为优选，所述S1的具体步骤如下：

S11：设定输入神经元个数为N_I1，设定神经隐藏层层数为L_H1和隐藏层神经元个数N_H1，利用滑移窗口建立输入参数与输出参数之间的关系映射，设滑移窗口长度为L，设训练数据长度为M，则训练时建立输入V_input到输出分别为V_output的映射关系，如式(1)所示：

其中，V_input中的每一行对应一个输入样本，长度为L；