[發(fā)明專利]一種基于變分模態(tài)分解與集成深度模型的鋰電池剩余壽命預測方法

在審

• 申請?zhí)枺?/td>: 202011216878.0
• 申請日: 2020-11-04
• 公開（公告）號: CN112348185A
• 公開（公告）日: 2021-02-09
• 發(fā)明（設計）人: 王冉;石如玉;胡雄;顧邦平;周雁翔;后麒麟
• 申請（專利權）人: 上海海事大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04;G01R31/392;G01R31/367
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種基于變分模態(tài)分解(VMD)與集成深度模型的鋰電池剩余壽命預測方法。將電池可放電容量作為衡量電池剩余壽命的性能指標，首先運用VMD對可放電容量數(shù)據(jù)進行多尺度分解，深層次挖掘電容數(shù)據(jù)不同尺度背后的隱含信息；然后針對不同模態(tài)分量特性分別選取長短期記憶神經(jīng)網(wǎng)絡(LSTM)和多層感知機(MLP)兩種子學習器進行訓練，并基于并行式框架將各子學習器的結果集成，預測出鋰電池的剩余使用壽命。該方法可以有效感知電池容量中的再生和波動特性，在對鋰電池剩余使用壽命預測時具有較高的預測精度和泛化能力。

技術領域

本發(fā)明涉及鋰電池剩余壽命預測技術領域，具體為一種基于變分模態(tài)分解與集成深度模型的鋰電池剩余壽命預測方法。

技術背景

鋰電池因其具有能量密度高、質(zhì)量輕、放電穩(wěn)定、價格便宜等諸多優(yōu)點而被廣泛使用。然而，隨著鋰電池使用過程中充放電循環(huán)次數(shù)的增加，電極材料發(fā)生腐蝕、內(nèi)部隔膜逐漸老化、高低溫環(huán)境和復雜使用工況等因素，導致電池可使用鋰離子活性降低，容量與功率衰退，從而對電池剩余壽命產(chǎn)生影響，使用壽命逐漸縮短，直接導致用電設備功能無法滿足要求，甚至會引發(fā)設備故障，威脅到人員生命安全。因此，為了提高用電設備的可靠性與安全性，鋰電池剩余壽命預測至關重要。

鋰電池老化過程非常繁雜，諸多內(nèi)外因素互相作用，彼此耦合，具有典型的非線性、不確定性特點，例如鋰電池在擱置一段時間后，其可用容量會輕微回升，即出現(xiàn)容量再生現(xiàn)象。因此，實際工作狀態(tài)下的鋰電池性能退化數(shù)據(jù)不僅包含整體性能退化信息，同時包括因電池擱置引起的容量再生分量以及隨環(huán)境因素變化的波動量，導致電池性能退化過程呈現(xiàn)非線性和時變性，給鋰電池壽命預測帶來較大困難。在單一尺度下提取鋰電池原始容量數(shù)據(jù)的退化特征信息，沒有充分考慮鋰電池性能退化過程中所產(chǎn)生的容量局部再生現(xiàn)象引起的容量數(shù)據(jù)的非平穩(wěn)問題，為了在鋰電池壽命預測時降低數(shù)據(jù)的復雜性和不穩(wěn)定性，常使用經(jīng)驗模態(tài)分解和小波分解等方法對復雜的電池容量退化數(shù)據(jù)進行分解，但是經(jīng)驗模態(tài)分解方法存在的模態(tài)混疊現(xiàn)象嚴重、對噪聲敏感等問題，小波分解方法存在的小波基選取困難等問題都未得到很好的解決。

深度學習由于具有強大的泛化能力以及能夠自適應地從數(shù)據(jù)中提取特征等優(yōu)點，近年來被廣泛應用在鋰電池剩余壽命預測領域。然而，現(xiàn)有的基于深度學習方法的鋰電池壽命預測方法多采用單一的預測模型，難以準確描述復雜的鋰電池性能退化過程，導致模型的泛化性能較差，壽命預測精度較低，預測不穩(wěn)定等問題。

為了解決上述問題，本發(fā)明提出一種基于變分模態(tài)多尺度分解(VMD)與集成深度模型的鋰電池剩余壽命預測方法。

發(fā)明內(nèi)容

為了解決單一尺度中存在的沒有充分考慮鋰電池性能退化過程中所產(chǎn)生的容量局部再生現(xiàn)象引起的容量數(shù)據(jù)的非平穩(wěn)問題、單一預測模型中存在的泛化能力差，預測不穩(wěn)定等問題，本發(fā)明提出一種基于變分模態(tài)分解與集成深度模型的鋰電池剩余壽命預測方法。

一種基于變分模態(tài)分解與集成深度模型的鋰電池剩余壽命預測方法，其特征在于：包括如下步驟：

步驟1、數(shù)據(jù)預處理：篩選出鋰電池放電過程中的容量衰減數(shù)據(jù)和對應的循環(huán)壽命作為鋰電池剩余壽命預測數(shù)據(jù)，以1,…,t時刻的鋰電池容量數(shù)據(jù)為訓練集，t+1時刻后的鋰電池容量數(shù)據(jù)為預測數(shù)據(jù)集，其中t表示的是當前時刻；

步驟2、原始信號變分模態(tài)分解：對訓練集和測試集的鋰電池容量衰減數(shù)據(jù)進行變分模態(tài)分解，分解為包括本征模態(tài)分量(IMF₁,…,IMF_N)和殘余分量r(t)的多個模態(tài)分量，將其作為鋰電池容量數(shù)據(jù)在不同尺度下的特征，其中殘余分量表示電池整體退化趨勢，本征模態(tài)分量表示電池容量再生和隨機波動的特性；

步驟3、構建長短期記憶神經(jīng)網(wǎng)絡(LSTM)子學習器：由于本征模態(tài)分量反映容量再生和隨機波動信息，呈現(xiàn)一定周期性，因此選用長短期記憶神經(jīng)網(wǎng)絡模型對本征模態(tài)分量進行訓練，將分解得到的多個訓練集數(shù)據(jù)的本征模態(tài)分量分別輸入多個長短期記憶網(wǎng)絡模型單獨進行訓練，構建多個LSTM子學習器；