[发明专利]一种考虑老化情况下的锂离子电池电量预测方法

权利要求书

1.一种考虑老化情况下的锂离子电池电量预测方法，其特征在于，包括以下步骤：

1)采集数据：对电池进行充放电实验，使用传感器获得电池的电压、电流、温度，以及评价老化指标的数据参数内阻并记录历史充放电循环次数，使用安时积分法计算电池的每时刻电量，作为目标值，建立数据集；

2)使用经验小波分解对电池数据进行分解，将电池在放电过程中的容量再生部分与整体退化分割开，电池电量整体下降的部分是低频的，局部再生的部分是高频的；

3)使用步骤2)获得的分解数据训练CNN-GRU-ATTENTION网络，CNN捕捉输入数据之间的空间关系，GRU提取输入数据之间的时间关系，完成数据的特征捕捉；注意力机制完成权重分配，将更多注意力权重分配给关键特征并减少干扰；

4)将测试集数据按照步骤2)分解并输入到训练好的网络得到高频和低频的预测结果；

5)将预测的结果进行组合重构，得到最终的预测结果。

2.根据权利要求1所述的一种考虑老化情况下的锂离子电池电量预测方法，其特征在于：所述步骤2)中，对数据进行经验小波分解包含以下步骤：

2.1)构造经验小波函数ψi(ω)和经验尺度函数

其中w表示频率，w_i为相邻极大值点的均值，γ为常数，β(x)为辅助函数，需满足如下条件：

2.2)将序列分为j层，通过分解方程得到不同比例的低频信号A和高频信号D；

其中j是分解尺度，k和m是转换变量，h是低通滤波器，g是高通滤波器。

3.根据权利要求1所述的一种考虑老化情况下的锂离子电池电量预测方法，其特征在于：步骤3)中网络对高频和低频的数据分别进行训练；网络的第一层由CNN组成；CNN层接收与电量有关的各种参数，并建模提取特征；网络使用一维卷积提取数据的特征，通过选择卷积核的权重和窗口的宽度，提取不同的数据特征；将卷积运算应用于输入的多元时间序列，并将结果传递到下一层GRU层；从输入层前向传播到卷积层输出的向量h_cnn表示为：

h_cnn＝σ(X_k*W_cnn+b_cnn)

X_k是输入向量，W_cnn是权重的权重内核，b_cnn是偏重，σ是激活函数；

GRU是CNN层的下层，存储有关通过CNN层提取的电量预测所需特征的时间信息；CNN层的输出值将传递到门单元；GRU两个门单元分别是更新门和重置门；GRU的存储单元会随着每个门单元的激活而更新其状态，每个门单元的激活被控制为介于0和1之间的连续值；GRU存储单元的隐藏状态h_t每t步更新一次；更新门r用于控制前一时刻的状态信息保留到当前状态中的程度，更新门的值越大说明前一时刻的状态信息保留的越多；重置门z控制前一时刻的状态信息有多少被写入到当前的候选状态上，重置门越小，前一状态的信息保留的越少；前向传播公式为：

r_t＝σ(W_r·[h_t-1,x_t])

z_t＝σ(W_z·[h_t-1,x_t])

其中W_r表示更新门的权重矩阵，W_z表示重置门的权重矩阵，W_h^表示状态更新时的权重矩阵；h_t表示t时刻隐藏状态，表示t时刻的候选状态；

注意力层完成权重分配，先将上层输入进行转置，再对每一维进行softmax，得到每一维的注意力权重，最后合并成单独特征的注意力权重；最后全连接层进一步进行数据的缩放转换，提高模型的处理非线性数据的能力。

4.根据权利要求1所述的一种考虑老化情况下的锂离子电池电量预测方法，其特征在于：步骤5)中将预测的结果进行组合重构，使其恢复到原始的空间尺度；重建方程描述为：

其中，其中j是分解尺度，k和m是转换变量，h*和g*分别是低通滤波器和高通滤波器的反函数。