[发明专利]一种锂离子电池剩余有效寿命预测方法及装置

说明书

本发明提供了一种锂离子电池剩余有效寿命预测方法及装置，该方法包括：获取锂离子电池容量退化实验数据集，提取失效阈值EOL，利用ICEEMDAN将容量序列分解为若干个高频本征模函数IMF分量和一个低频残差RES分量；将IMF分量和RES分量分别输入LSTM模型进行预测，得到IMF和RES的预测结果；将IMF分量和预测结果进行重构，得到电池剩余使用寿命RUL预测结果；使用LSTM模型对不可见电池老化数据集进行预测；该装置包括数据采集模块、数据处理模块、数据分解模块、预测模块，本发明对实现锂离子电池的寿命预测，进而实现其全生命周期管理具有重要意义。

技术领域

本发明涉及锂离子电池健康状态估计及剩余有效寿命预测领域，特别是涉及一种改进的自适应噪声完备经验模态分解ICEEMDAN与长短期记忆网络LSTM联合的锂离子电池剩余使用寿命预测方法及装置。

背景技术

锂离子电池剩余有效寿命预测技术一般分为机理建模和数据驱动两种路径。其中，机理建模是从锂离子电池的电化学机理分析锂离子电池运行机制，建立了一个基于物理的经验模型来描述锂离子的退化轨迹，模型通常是一组代数微分方程或经验方程，这种方法建立的模型为特定设计，不具有泛化能力且在实际应用中很难建立精确的电池模型。数据驱动是使用统计理论或机器学习技术直接从锂离子电池退化数据中得出预测模型，不构建特定的基于物理的模型，因此它更加的灵活方便；通常基于统计分析的方法主要有ARIMA(Autoregressive Integrated Moving Average)、GM(Grey Model)和WP(WienerProcess)，他们可以有效处理小样本的不确定性问题，但是较难描述电池退化数据的非线性特征；而机器学习的方法如NB(Naive Bayes Model)、RVM(Relevance Vector Machine)、ANN(Artificial Neural Networks)等通常需要大量的高质量样本数据，对于只有少量数据的离线预测性能不佳。

发明内容

本发明的目的是通过实现对非线性、非平稳原始数据的特征提取及应用机器学习预测模型来综合提高预测性能，该方法不仅很好地适用于锂离子电池剩余有效寿命的在线预测，对于只含有少量原始数据的离线预测任务也有出色的表现。

为实现上述目的，本发明提供了如下方案：

一种锂离子电池剩余有效寿命预测方法，包括以下步骤：

S1、获取锂离子电池容量退化数据集，提取失效阈值EOL，利用ICEEMDAN将容量序列分解为若干个高频本征模函数IMF分量和一个低频残差RES分量；

S2、将所述高频本征模函数IMF分量和所述低频残差RES分量分别输入长短期记忆神经网络预测模型LSTM进行预测，得到所述IMF和所述RES的预测结果；

S3、将所述高频本征模函数IMF分量和所述预测结果进行重构，得到电池剩余使用寿命RUL预测结果；

S4、使用所述长短期记忆神经网络模型LSTM，对不可见电池老化数据集进行预测。

优选地，所述步骤S1中，ICEEMDAN对容量序列进行分解的步骤包括：

S1.1、对原始电池容量退化数据集x添加高斯白噪声，得到第一组序列：

式中，ε₀为信噪比系数的倒数与标准差的乘积，w⁽ⁱ⁾表示一组零均值、单位方差的高斯白噪声，i＝1,2,...,I为添加白噪声的数目，E_j(·)为对给定信号通过EMD求得第j个模态的算子；

S1.2、通过计算得到第一组序列的残差r₁，计算第一个模态分量定义为原始序列与第一个残差项r₁之差；对r₁添加高斯白噪声，获得第二组序列，计算第二个残差r₂；计算第二个模态分量为两个残差项之差；