[发明专利]一种电池寿命预测方法、系统、电子装置及存储介质

权利要求书

1.一种电池寿命预测方法，其特征在于，包括：

获取电池容量的历史数据；

对所述历史数据进行预处理，得到电池容量衰减的主成分分量数据及次要成分分量数据；

将所述主成分分量数据、所述次要成分分量数据输入预先训练的长短期记忆神经网络；

接收所述长短期记忆神经网络的输出结果，并对所述输出结果进行处理，得到电池容量的衰减序列；

判断所述衰减序列中的数值是否达到预先设置的电池失效阈值，以对电池剩余寿命进行预测，并将所述历史数据及所述预测结果输入长短期记忆神经网络以进行反向训练。

2.根据权利要求1所述的电池寿命预测方法，其特征在于，

对历史数据进行预处理的步骤包括：

利用集合经验模态分解的方法将电池容量的历史数据分解为至少三个分量数据，至少三个分量包括至少两个本征模态、一个余量；

利用主成分分析方法对所述本征模态及所述余量进行降维，以减少分量数据为两个，两个分量数据包括主成分分量数据及次要成分分量数据。

3.根据权利要求1所述的电池寿命预测方法，其特征在于，

所述长短期神经网络的训练方法包括：

获取电池容量的样本数据，并建立原始长短期神经网络；

对所述样本数据进行预处理，得到电池容量衰减的样本主成分分量数据及样本次要成分分量数据；

将所述样本主成分分量数据、样本次要成分分量数据输入原始长短期神经网络，进行训练。

4.根据权利要求3所述的电池寿命预测方法，其特征在于，

所述长短期神经网络的训练方法还包括：

对所述样本数据的样本主成分分量数据及样本次要成分分量数据进行稀疏化处理；

将稀疏化后的主成分分量数据及样本次要成分分量数据输入原始长短期神经网络，进行训练。

5.根据权利要求3所述的电池寿命预测方法，其特征在于，

所述长短期神经网络的训练方法还包括：

获取样本数据电池的类型，并获取与样本数据电池同类型电池容量的辅助数据；

对所述辅助数据进行预处理，得到辅助主成分分量数据；

将所述辅助主成分分量数据输入所述原始长短期神经网络，进行辅助训练，得到长短期神经网络。

6.根据权利要求5所述的电池寿命预测方法，其特征在于，

所述长短期神经网络的训练方法还包括：

所述获取N个与样本数据电池同类型电池容量的辅助数据，N为大于1的整数；

对N个所述辅助数据进行预处理，得到N个辅助主成分分量数据；

计算N个辅助主成分分量数据的平均值作为辅助序列；

将所述辅助序列输入所述原始长短期神经网络，进行辅助训练，得到长短期神经网络。

7.根据权利要求2所述的电池寿命预测方法，其特征在于，

所述主成分分析方法包含一个反变换矩阵，反变换矩阵用于对分量进行反变换；

所述输出结果包括主成分分量预测结果及次要成分预测结果；

对所述输出结果进行预测处理的步骤包括：

将所述主成分分量预测结果及所述次要成分预测结果与所述反变换矩阵相乘进行反变换；

对反变换后的所述主成分分量预测结果及所述次要成分预测结果进行叠加以得到预测的电池容量衰减序列。

8.一种电池寿命预测系统，其特征在于，包括：

历史数据获取模块，用于获取电池容量的历史数据；

预处理模块，用于对所述历史数据进行预处理，得到电池容量衰减的主成分分量数据及次要成分分量数据；

训练模块，用于预先训练长短期记忆神经网络；

输入模块，用于将所述主成分分量数据、所述次要成分分量数据输入所述训练模块训练的长短期记忆神经网络；

接收模块，用于接收所述长短期记忆神经网络的输出结果，并对所述输出结果进行预测，得到电池容量的衰减序列；

预测模块，用于判断所述衰减序列中的数值是否达到预先设置的电池失效阈值，以对电池剩余寿命进行预测。