[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

说明书

本发明公开了一种电池寿命预测方法、系统、电子装置及存储介质，方法包括：获取电池容量的历史数据；对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；将主成分分量数据、次要成分分量数据输入预先训练的长短期记忆神经网络；接收长短期记忆神经网络的输出结果，并对输出结果进行处理，得到电池容量的衰减序列；判断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，并将历史数据及预测结果输入长短期记忆神经网络以进行反向训练，能够实现泛化、长期且有效的预测电池寿命。

技术领域

本发明涉及电池技术领域，尤其涉及一种电池寿命预测方法、系统、电子装置及存储介质。

背景技术

随着新能源技术的发展，锂离子电池在许多重要的领域中得到了广泛的应用，然而，锂离子电池仍面临许多挑战，其中之一就是性能退化。性能退化涉及的因素较多，例如阳极、电解液、阴极的许多化学副反应在受到影响时，均会导致电池的性能退化，而电池的容量局部再生、自充电现象、用户使用习惯、环境温度、道路振动等因素下，都可能使得电池容量衰减，从而对电池的寿命产生影响。

因此，对于电池剩余寿命进行预测，可以确保电池管理系统的可靠运行及维护具有重要的意义。

然而现有的电池寿命预测方法，没有将造成电池容量衰减的多种因素的影响分离，或仅能实现短期范围内的预测，或仅能预测特定电池的寿命，因此不能实现泛化、长期且有效的预测。

发明内容

本发明的主要目的在于提供一种电池寿命预测方法、系统、电子装置及存储介质，能够实现泛化、长期且有效的预测电池寿命。

为实现上述目的，本发明第一方面提供一种电池寿命预测方法，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。