(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 202011216878.0
(22)申请日 2020.11.04
(71)申请人 上海海事大学
地址 201306 上海市浦东新区南汇新城镇
海港大道1550号
(72)发明人 王冉 石如玉 胡雄 顾邦平
周雁翔 后麒麟
(51)Int.Cl.
G06N 3/08(2006.01)
G06N 3/04(2006.01)
G01R 31/392(2019.01)
G01R 31/367(2019.01)
(54)发明名称
(57)摘要
本发明公开了一种基于变分模态分解(VMD)
与集成深度模型的锂电池剩余寿命预测方法。将
电池可放电容量作为衡量电池剩余寿命的性能
度分解，深层次挖掘电容数据不同尺度背后的隐
含信息；然后针对不同模态分量特性分别选取长
短期记忆神经网络(LSTM)和多层感知机(MLP)两
种子学习器进行训练，并基于并行式框架将各子
学习器的结果集成，预测出锂电池的剩余使用寿
命。该方法可以有效感知电池容量中的再生和波
动特性，在对锂电池剩余使用寿命预测时具有较
高的预测精度和泛化能力。权利要求书2页 说明书6页 附图6页CN 112348185 A 2021.02.09
C N 112348185
A
1.基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法，其特征在于：包括如下步骤：
步骤1、数据预处理：筛选出锂电池放电过程中的容量衰减数据和对应的循环寿命作为锂电池剩余寿命预测数据，以1,…,t时刻的锂电池容量数据为训练集，t+1时刻后的锂电池容量数据为预测数据集，其中t表示的是当前时刻；
步骤2、原始信号变分模态分解(VMD)：对训练集和测试集的锂电池容量衰减数据进行变分模态分解，分解为包括本征模态分量(IMF1,…,IMF N)和残余分量(r(t))的多个模态分量，将其作为锂电池容量数据在不同尺度下的特征，其中残余分量表示电池整体退化趋势，本征模态分量表示电池容量再生和随机波动的特性；
步骤3、构建子学习器长短期记忆神经网络(LSTM)：由于本征模态分量反映容量再生和随机波动信息，呈现一定周期性，因此选用长短期记忆神经网络模型对本征模态分量进行训练，将分解得到的多个训练集数据的本征模态分量分别输入多个长短期记忆网络模型单独进行训练，构建多个LSTM子学习器；
步骤4、构建子学习器多层感知机(MLP)：由于残余分量反映电池整体退化趋势，呈现出单调性和平稳性，因此选用多层感知机对残余分量进行训练，将分解得到的训练集数据的残余分量输入多层感知机进行模型的训练，构建MLP子学习器；
步骤5、子学习器集成：将分解得到的预测集数据的本征模态分量和残余分量分别输入训练好的LSTM子学习器和MLP子学习器，基于并行式集成方法，把各子学习器预测结果集
成，从而输出t+1时刻的锂电池寿命预测结果根据判断电池健康状态是否达到电池寿命终止(EOL)条件，即预测结果达到锂电池额定容量的80％，若未到达到条件，则重复步骤3-5完成下一时刻寿命预测并判定锂电池健康状况。
2.根据权利要求1所述的锂电池剩余寿命预测方法，其特征在于：所述的步骤2原始信号变分模态分解包括如下步骤：
步骤21、初始化IMF分量和中心频率：将锂电池容量衰减数据C分解出k个IMF分量，将各IMF分量及其中心频率作为初始化值；
步骤22、更新IMF分量和中心频率：根据傅里叶变换定理对IMF分量和中心频率进行更新；
步骤23、更新拉格朗日乘子；
步骤24、迭代停止判定：设定ε＞0作为判别精度，若残差小于判别精度，则停止迭代，否则重复步骤22-步骤24。
3.根据权利要求1所述的锂电池剩余寿命预测方法，其特征在于：所述的步骤3构建子学习器长短期记忆神经网络包括如下步骤：
步骤31、计算隐藏层输出值：若在当前时刻，假设网络模型的输入由当前时刻的输入(变分模态分解后的模态向量)及前一时刻隐藏层的输出值两部分组成，计算得出当前时刻隐藏层输出值，重复此操作直至所有输入都读取完成；
步骤32、暂时记忆状态信息：在更新记忆单元之前，会先产生暂时记忆单元，由当前时刻的输入以及前一时刻的隐藏层状态值得出暂时记忆状态信息，从而进一步更新状态；
步骤33、计算输入门状态值：输入门决定了当前时刻网络的输入有多少保存到输入单
元，因此对于此刻数据输入，输入门会有限度地存储关键信息至此输入门单元；
步骤34、计算遗忘门状态值；遗忘门决定了上一时刻的单元状态有多少保留到当前时刻；
步骤35、计算目前记忆单元状态值；
步骤36、计算输出门状态值：获得此时状态值结果；
步骤37、单元记忆输出。
4.根据权利要求1所述的锂电池剩余寿命预测方法，其特征在于：所述的步骤4构建子学习器多层感知机包括如下步骤：
步骤41、MLP前向传播：初始化多个权重矩阵，以及偏差系数，计算输出层输出；
步骤42、MLP反向传播：寻出最恰当的线性系数矩阵和偏倚向量，采用梯度下降求最优解，不断迭代更新，从而具有优秀非线性拟合性能。
一种基于变分模态分解与集成深度模型的锂电池剩余寿命预
测方法
技术领域
[0001]本发明涉及锂电池剩余寿命预测技术领域，具体为一种基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法。
技术背景
[0002]锂电池因其具有能量密度高、质量轻、放电稳定、价格便宜等诸多优点而被广泛使用。然而，随着锂电池使用过程中充放电循环次数的增加，电极材料发生腐蚀、内部隔膜逐渐老化、高低温环境和复杂使用工况等因素，导致电池可使用锂离子活性降低，容量与功率衰退，从而对电池剩余寿命产生影响，使用寿命逐渐缩短，直接导致用电设备功能无法满足要求，甚至会引发设备故障，威胁到人员生命安全。因此，为了提高用电设备的可靠性与安全性，锂电池剩余寿命预测至关重要。
[0003]锂电池老化过程非常繁杂，诸多内外因素互相作用，彼此耦合，具有典型的非线性、不确定性特点，例如锂电池在搁置一段时间后，其可用容量会轻微回升，即出现容量再生现象。因此，实际工作状态下的锂电池性能退化数据不仅包含整体性能退化信息，同时包括因电池搁置引起的容量再生分量以及随环境因素变化的波动量，导致电池性能退化过程呈现非线性和时变性，给锂电池寿命预测带来较大困难。在单一尺度下提取锂电池原始容量数据的退化特征信息，没有充分考虑锂电池性能退化过程中所产生的容量局部再生现象引起的容量数据的非平稳问题，为了在锂电池寿命预测时降低数据的复杂性和不稳定性，常使用经验模态分解和小波分解等方法对复杂的电池容量退化数据进行分解，但是经验模态分解方法存在的模态混叠现象严重、对噪声敏感等问题，小波分解方法存在的小波基选取困难等问题都未得到很好的解决。
[0004]深度学习由于具有强大的泛化能力以及能够自适应地从数据中提取特征等优点，近年来被广泛应用在锂电池剩余寿命预测领域。然而，现有的基于深度学习方法的锂电池寿命预测方法多采用单一的预测模型，难以准确描述复杂的锂电池性能退化过程，导致模型的泛化性能较差，寿命预测精度较低，预测不稳定等问题。
[0005]为了解决上述问题，本发明提出一种基于变分模态多尺度分解(VMD)与集成深度模型的锂电池剩余寿命预测方法。
发明内容
[0006]为了解决单一尺度中存在的没有充分考虑锂电池性能退化过程中所产生的容量局部再生现象引起的容量数据的非平稳问题、单一预测模型中存在的泛化能力差，预测不稳定等问题，本发明提出一种基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法。
[0007]一种基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法，其特征在于：包括如下步骤：
[0008]步骤1、数据预处理：筛选出锂电池放电过程中的容量衰减数据和对应的循环寿命作为锂电池剩余寿命预测数据，以1,…,t时刻的锂电池容量数据为训练集，t+1时刻后的锂电池容量数据为预测数据集，其中t表示的是当前时刻；
[0009]步骤2、原始信号变分模态分解：对训练集和测试集的锂电池容量衰减数据进行变分模态分解，分解为包括本征模态分量(IMF1,…,IMF N)和残余分量r(t)的多个模态分量，将其作为锂电池容量数据在不同尺度下的特征，其中残余分量表示电池整体退化趋势，本征模态分量表示电池容量再生和随机波动的特性；
[0010]步骤3、构建长短期记忆神经网络(LSTM)子学习器：由于本征模态分量反映容量再生和随机波动信息，呈现一定周期性，因此选用长短期记忆神经网络模型对本征模态分量进行训练，将分解得到的多个训练集数据的本征模态分量分别输入多个长短期记忆网络模型单独进行训练，构建多个LSTM子学习器；
[0011]步骤4、构建多层感知机(MLP)子学习器：由于残余分量反映电池整体退化趋势，呈现出单调性和平稳性，因此选用多层感知机对残余分量进行训练，将分解得到的训练集数据的残余分量输入多层感知机进行模型的训练，构建MLP子学习器；
[0012]步骤5、子学习器集成：将分解得到的预测集数据的本征模态分量和残余分量分别输入训练好的LSTM子学习器和MLP子学习器，基于并行式集成方法，把各子学习器预测结果集成，从而输出t+1时刻的锂电池寿命预测结果根据判断锂电池健康状态是否达到电池寿命终止(EOL)条件，即预测结果是否达到锂电池额定容量的80％，若未到达到EOL条件，则重复步骤3-5的过程完成下一时刻寿命预测并判定锂电池健康状况，若达到EOL条件，则停止预测。
[0013]进一步，所述的一种基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法，其特征在于：所述的步骤2原始信号变分模态分解包括如下步骤：
[0014]步骤21、初始化IMF分量和中心频率：将锂电池容量衰减数据C分解出k个IMF分量，将各IMF分量及其中心频率作为初始化值；
[0015]步骤22、更新IMF分量和中心频率：根据傅里叶变换定理对IMF分量和中心频率进行更新；
[0016]步骤23、更新拉格朗日乘子；
[0017]步骤24、迭代停止判定：设定ε＞0作为判别精度，若残差小于判别精度，则停止迭代，否则重复步骤22-24的过程直至停止迭代。
[0018]进一步，所述的一种基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法，其特征在于：所述的步骤3构建子学习器LSTM包括如下步骤：
[0019]步骤31、计算隐藏层输出值：当前时刻网络模型的输入由当前时刻的输入(VMD分解后的模态向量)及前一时刻隐藏层的输出值两部分组成，计算得出当前时刻隐藏层输出值，重复此操作直至所有输入都读取完成；
[0020]步骤32、暂时记忆状态信息：在更新记忆单元之前，会先产生暂时记忆单元，由当前时刻的输入以及前一时刻的隐藏层状态值得出暂时记忆状态信息，从而进一步更新状态；
[0021]步骤33、计算输入门状态值：输入门决定了当前时刻网络的输入保存到输入单元的数量，因此对于此刻数据输入，输入门会有限度地存储关键信息至此输入门单元；
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议