[发明专利]面向多元锂离子电池数据的全生命周期演化趋势预测方法

权利要求书

1.一种面向多元锂离子电池数据的全生命周期演化趋势预测方法，其特征在于，所述方法包括以下步骤：

S1：针对产业链采集的锂离子电池数据集，基于相邻样本数为6的KNN优化算法和调整平滑参数的Vondrak滤波算法实现缺失值填补和序列平滑降噪的预处理操作，并根据训练、评估、测试比率为6:2:2进行集合划分；

S2：根据经预处理操作的锂离子电池数据集TD，利用特征再抽象算法，基于最小绝对偏差和非局部季节滤波改进RobustSTL算法，并基于时序数据的加法概念模型对辨识性特征进行低耦合的属性分解获得低阶特征分量；

S3：基于低阶特征分量，设置噪音剔除评价指标和关联强度评估算法分别判定低阶特征分量的白噪声高频占比以及Seasonality分量、Trend分量与数据曲线的关联强度，实现锂离子电池的属性降维和关联增强的特征提取；

S4：基于属性降维和关联增强的特征提取，利用矩阵点积运算构建时间戳强约束的时序预测训练集合；

S5：基于时序预测训练集合，利用基于自注意加权算法的LSTM底层逻辑设计LBTSA深度模型，通过深度模型的链接权重和学习参数实现网络建模，根据集合划分设置机理属性和强约束时间戳作为深度模型的控制输入，获取当前时刻的SOH状态和未来时间区间的SOH状态估计值，实现锂离子电池的全生命周期演化趋势的预测。

2.根据权利要求1所述的面向多元锂离子电池数据的全生命周期演化趋势预测方法，其特征在于，所述S1中利用KNN优化算法，根据欧氏距离确定距离缺失样本点接近的6个样本，并通过计算6个样本观测点的加权平均值估计缺失数据。

3.根据权利要求2所述的面向多元锂离子电池数据的全生命周期演化趋势预测方法，其特征在于，所述S1中Vondrak滤波算法Q公式为

其中，F为逼真拟合度，λ为正常值，S为粗糙光滑度，n为数据规模，i为数据规模取值，p_i为观测点的数值权重，y_i为观测数值，为观测值的平均值，Δ为差分符号，Δ³为三阶差分；

设定无量纲正数ε为

将无量纲正数ε定义为平滑因子，在观测数据的绝对逼真和绝对拟合之间起到平滑作用。

4.根据权利要求3所述的面向多元锂离子电池数据的全生命周期演化趋势预测方法，其特征在于，所述S2中改进的RobustSTL算法通过设置内循环与外循环实现鲁棒局部加权回归的权重调节、趋势拟合及周期分量的系统运算，使经改进的RobustSTL算法分解的特征分量对异常波动和趋势突变具有强的鲁棒性；

所述改进的RobustSTL算法包括基于白噪音平滑的Residual更新阶段，基于序列差分的Trend分解阶段和基于领域覆盖的Seasonality分解阶段。

5.根据权利要求4所述的面向多元锂离子电池数据的全生命周期演化趋势预测方法，其特征在于，所述基于白噪音平滑的Residual更新阶段包括以下公式：

根据序列加法概念模型将Residual分量描述为

Residual_i＝a_i+n_i

其中，Residual_i为由白噪声n_i、尖峰a_i或低谷构成的残差集合；

利用双边滤波算法剔除不稳定因素以保证Residual分量和Trend分量的稳健性，所述双边滤波算法公式如下：

其中，TD_i'为去噪样本，J为长度为2H+1的滤波窗口，为时刻i的观测点邻接区间为j的滤波权重；

其中，σ为无量纲的归一化相关参数，e为指数函数，和为算法预设的平滑度控制参数，TD_j为邻接区间为j的观测值，TD_i为时刻i的观测值；

则更新后的一阶Residual分量为

其中，Residual′_i为更新后的一阶Residual分量，为趋势Trend_i中白噪音的错误或干扰因素。