CN113884937A - 基于分解集成策略的锂离子电池剩余寿命预测方法及系统 - Google Patents

Abstract

本发明涉及一种基于分解集成策略的锂离子电池剩余寿命预测方法，包括获取原始电池退化过程的传感信号并将其分解为多模态下的分量序列；将分量序列整理成训练集和测试集；利用分量序列的训练集对神经网络模型进行训练，获得训练好的分量序列的子网络模型；利用测试集对相应的子网络模型进行测试，获得各个子网络模型的预测值，基于子网络模型的预测值获得最终的电池容量预测结果；基于最终的电池容量预测结果获得电池剩余使用寿命。本发明能够解决锂离子电池寿命预测中存在的非线性、非平稳、多模态、多噪声特性导致单一尺度输入下单一数据驱动方法的预测精度低、泛化性能差等问题，为锂离子电池剩余寿命预测提供一种新的理论指导方法和实现途径。

Description

基于分解集成策略的锂离子电池剩余寿命预测方法及系统

技术领域

本发明涉及目标检测技术领域，尤其是指一种基于分解集成策略的锂离子电池剩余寿命预测方法及系统。

背景技术

电池的剩余寿命一般定义为：在特定工况条件下，电池的运行状态衰减到设定的失效阈值所经历的充放电循环次数，其中，电池的容量状态是最为常用的阈值指标。当电池循环容量衰减至初始容量值的70％-80％时，认为电池到达寿命终点。因而，电池剩余寿命预测就是对已有的电池退化过程数据进行分析和建模，利用相关算法模型预测出其在正常状态下的寿命终点，进而预测电池的剩余循环使用次数。在锂离子电池剩余寿命预测领域，现有的剩余寿命预测方法主要分为基于模型的方法、基于数据驱动的方法、基于融合的方法。

目前基于模型的方法主要有电化学模型、等效电路模型以及经验退化模型。其中电化学模型基于电池的内部机理建立，但当运行条件(如温度，功率)发生变化时，很难求解所需的复杂耦合非线性偏微分方程，因而受限于建模过程的复杂性；等效电路模型能够近似表达电池的动态和静态特性，但是模型的建立依赖阻抗数据，在实际测量中难以获取；最常用的经验退化模型是基于电池容量的双指数模型，它通常与先进的滤波方法结合来进行剩余寿命预测，然而，经验退化模型仅能近似表达电池退化过程，预测精度不够高，且预测性能受限于相结合的滤波方法。

目前基于数据驱动的剩余寿命预测方法主要包括机器学习类和深度学习类方法。机器学习类方法包括Box-Cox变换、支持向量机(Support Vector Machine,SVM)、相关向量机(Relevance Vector Machine,RVM)、多层感知机(MultiLayer Perceptron,MLP)等，深度学习类方法包括卷积神经网络(Convolutional Neural Network,CNN)，循环神经网络(Recurrent Neural Network,RNN)等。这些方法能够自适应地从电池退化数据中学习到深层退化特征，无需了解复杂的电池退化机理，避免了模型自身准确性对预测精度的影响，但以上方法大多为单一预测模型，存在泛化性不强、精度不高等问题，其中，卷积神经网络的性能依赖于卷积核的设置，且随着层数的加深，网络训练会变得更加困难，同时容易过拟合；当电池数据噪声较多或数据量较小时，循环神经网络通常会出现欠拟合现象，而实际电池使用过程中存在的容量再生现象会导致容量衰减过程频繁波动，基于循环神经网络的预测方法容易失效，且工况条件不同带来的随机干扰也会造成电池工作状态波动起伏，最终使得电池退化过程在多种模态和噪声的共同作用下呈现出明显的非线性与非平稳性。此外，由于神经网络的非线性本质，神经网络模型的一个主要缺点是输出尺度对输入尺度变化不敏感，影响模型泛化性能，而电池退化过程中存在的容量再生和随机波动因素使得退化序列的尺度不断以非周期性的方式变化，这会显著降低神经网络模型的预测精度。因而，如果直接使用原始退化数据进行序列建模，会使得电池剩余寿命预测更为困难。

目前基于融合的方法主要分为不同模型、不同数据驱动方法以及模型与数据驱动方法的融合。然而，大多数融合方法为浅层模型，特征学习能力有限，存在长期寿命预测精度不高的问题。此外，现有方法大多数都是在单一尺度下基于原始电池退化数据直接进行建模，没有对数据中存在的非线性、非平稳、多模态、多噪声特性进行特定处理，少数研究仅对原始数据进行简单去噪，没有充分消除电池退化过程中复杂特性对电池剩余寿命预测的影响。

综上所述，在锂离子电池剩余寿命预测领域，现有的剩余寿命预测方法普遍存在因非线性、非平稳、多模态及多噪声特性导致单一尺度输入下单一数据驱动方法预测精度低、泛化性差及鲁棒性弱等问题。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术存在的问题，提出一种基于分解集成策略的锂离子电池剩余寿命预测方法，能够解决锂离子电池寿命预测中存在的非线性、非平稳、多模态、多噪声特性导致单一尺度输入下单一数据驱动方法的预测精度低、泛化性能差等问题，为锂离子电池剩余寿命预测提供了一种新的理论指导方法和实现途径。

为解决上述技术问题，本发明提供一种基于分解集成策略的锂离子电池剩余寿命预测方法，包括以下步骤：

S1：获取原始电池退化过程的传感信号，将所述传感信号分解为多模态下的分量序列；

S2：将各个分量序列整理成训练集和测试集；

S3：利用各个分量序列的训练集对神经网络模型进行训练，获得训练好的各个分量序列的子网络模型；

S4：利用各个分量序列的测试集对相应的子网络模型进行测试，获得各个子网络模型的预测值，基于各个子网络模型的预测值获得最终的电池容量预测结果；

S5：基于最终的电池容量预测结果获得电池剩余使用寿命。

在本发明的一个实施例中，将所述传感信号分解为多模态下的分量序列的方法包括：

S11：将分解过程等价于求解约束变分问题：

式中，f(t)为电池退化信号，{u_k}为信号分解后的N个本征模态函数集合，{ω_k}为各分量中心频率集合，*表示卷积操作，δ(t)为单位脉冲函数；

S12：将约束变分问题(1)、(2)转化为非约束变分问题：

式中，λ为拉格朗日乘子，α为惩罚因子；

S13：对式(3)采用交替方向乘子算法迭代更新ω_k,u_k,λ，直到判定条件达到收敛阈值ε：

式中，u_k为信号分解后的第k个本征模态分量，ω_k为第k个分量的中心频率，λ为拉格朗日乘子，α为惩罚因子，ε为收敛阈值，i为用于计数的下标，n为迭代轮次，τ为步长因子。

在本发明的一个实施例中，将各个分量序列整理成训练集的方法包括：

S21：对各个分量序列u_i进行划分如下：

u_i＝[u_i(1),...,u_i(K),u_i(K+1),...,u_i(L)],i＝1,...,N, (12)

其中，K和L分别是各分量序列的训练样本长度和序列长度；

S22：定义滑窗嵌入维数为d，则任意滑窗向量

可描述为：

S23：假设向量

为向量

切比雪夫距离上的最近邻，p＝1,...,K-d,p≠j，定义变量R_d(j,p)为：

式中，

和

为滑窗嵌入维数为d+1时的重构向量；

S24：基于式(14)定义变量E(d)为：

S25：当滑窗嵌入维数由d变化为d+1时，定义变量E1(d)为：

S26：当d从1增加至K-1时，由式(17)计算变量E1的大小，基于所述变量E1的值确定最优滑窗嵌入维数；

S27：基于所述最优滑窗嵌入维数构建训练集：

式中，

为训练样本，其中

为输入滑窗向量，u_i(d+j)为相应的预测标签值。

在本发明的一个实施例中，基于各个子网络模型的预测值获得最终的电池容量预测结果的方法包括：

将各个子网络模型的预测值进行累加求和，获得最终的电池容量预测结果。

在本发明的一个实施例中，基于最终的电池容量预测结果获得电池剩余使用寿命的方法包括：

基于最终的电池容量预测结果获得其电池容量达到寿命终点阈值时的循环周期，基于所述循环周期获得电池剩余使用寿命。

此外，本发明还提供一种基于分解集成策略的锂离子电池剩余寿命预测系统，包括：

数据获取模块，所述数据获取模块用于获取原始电池退化过程的传感信号，将所述传感信号分解为多模态下的分量序列；

数据整理模块，所述数据整理模块用于将各个分量序列整理成训练集和测试集；

神经网络训练模块，所述神经网络训练模块用于利用各个分量序列的训练集对神经网络模型进行训练，获得训练好的各个分量序列的子网络模型；

电池容量预测模块，所述电池容量预测模块用于利用各个分量序列的测试集对相应的子网络模型进行测试，获得各个子网络模型的预测值，基于各个子网络模型的预测值获得最终的电池容量预测结果；

电池剩余寿命预测模块，所述电池剩余寿命预测模块用于基于最终的电池容量预测结果获得电池剩余使用寿命。

在本发明的一个实施例中，所述数据获取模块包括模态分解单元，所述模态分解单元用于将所述传感信号分解为多模态下的分量序列，包括：

将分解过程等价于求解约束变分问题：

式中，f(t)为电池退化信号，{u_k}为信号分解后的N个本征模态函数集合，{ω_k}为各分量中心频率集合，*表示卷积操作，δ(t)为单位脉冲函数；

将约束变分问题(1)、(2)转化为非约束变分问题：

式中，λ为拉格朗日乘子，α为惩罚因子；

对式(3)采用交替方向乘子算法迭代更新ω_k,u_k,λ，直到判定条件达到收敛阈值ε：

式中，u_k为信号分解后的第k个本征模态分量，ω_k为第k个分量的中心频率，λ为拉格朗日乘子，α为惩罚因子，ε为收敛阈值，i为用于计数的下标，n为迭代轮次，τ为步长因子。

在本发明的一个实施例中，所述数据整理模块包括训练集构建单元，所述训练集构建单元用于将各个分量序列整理成训练集，包括：

对各个分量序列u_i进行划分如下：

u_i＝[u_i(1),...,u_i(K),u_i(K+1),...,u_i(L)],i＝1,...,N, (12)

其中，K和L分别是各分量序列的训练样本长度和序列长度；

定义滑窗嵌入维数为d，则任意滑窗向量

可描述为：

假设向量

为向量

切比雪夫距离上的最近邻，p＝1,...,K-d,p≠j，定义变量R_d(j,p)为：

式中，

和

为滑窗嵌入维数为d+1时的重构向量；

基于式(14)定义变量E(d)为：

当滑窗嵌入维数由d变化为d+1时，定义变量E1(d)为：

当d从1增加至K-1时，由式(17)计算变量E1的大小，基于所述变量E1的值确定最优滑窗嵌入维数；

基于所述最优滑窗嵌入维数构建训练集：

式中，

为训练样本，其中

为输入滑窗向量，u_i(d+j)为相应的预测标签值。

在本发明的一个实施例中，所述电池容量预测模块包括预测值累加单元，所述预测值累加单元用于将各个子网络模型的预测值进行累加求和，获得最终的电池容量预测结果。

在本发明的一个实施例中，所述电池剩余寿命预测模块包括电池容量转换单元，所述电池容量转换单元用于基于最终的电池容量预测结果获得其电池容量达到寿命终点阈值时的循环周期，基于所述循环周期获得电池剩余使用寿命。

本发明的上述技术方案相比现有技术具有以下优点：

本发明首先采用变分模态分解对电池信号序列进行多尺度分解，得到多模态下的分量序列，并确定各个分量序列的滑窗来构建数据集，克服了原始数据非线性和非平稳性的影响，然后利用数据集对神经网络模型进行训练，缓解了数据噪声干扰和数据量不足时导致的RNN欠拟合现象，提高了模型在不同时间分辨率下的寿命预测能力，增强了模型的整体稳定性，预测精度更高，误差更小，泛化性能更好，鲁棒性更强，从而为工业人工智能领域中锂离子电池的剩余寿命预测提供了一种新的理论指导方法和实现途径。

附图说明

为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明。

图1是本发明基于分解集成策略的锂离子电池剩余寿命预测方法的流程示意图。

图2是本发明自回归时间卷积循环神经网络结构ATCRNN的结构示意图。

图3是本发明扩张门控循环单元结构DGRU的结构示意图。

图4是本发明基于分解集成策略的锂离子电池剩余寿命预测系统的硬件结构示意图。

图5是本发明实施例NASA PCoE电池放电容量退化曲线。

图6是本发明实施例B5电池容量序列VMD分解结果。

图7是本发明实施例B5各分量序列及原始序列的E1值变化图。

图8是本发明实施例VMD-ATCRNN方法的锂离子电池RUL预测曲线图。

其中，附图标记说明如下：10、数据获取模块；20、数据整理模块；30、神经网络训练模块；40、电池容量预测模块；50、电池剩余寿命预测模块。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

实施例一

请参阅图1和2所示，本实施例提供一种基于分解集成策略的锂离子电池剩余寿命预测方法，包括以下步骤：

S1：获取原始电池退化过程的传感信号，将所述传感信号分解为多模态下的分量序列；

S2：将各个分量序列整理成训练集和测试集；

S3：利用各个分量序列的训练集对神经网络模型进行训练，获得训练好的各个分量序列的子网络模型；

S4：利用各个分量序列的测试集对相应的子网络模型进行测试，获得各个子网络模型的预测值，基于各个子网络模型的预测值获得最终的电池容量预测结果；

S5：基于最终的电池容量预测结果获得电池剩余使用寿命。

本发明首先采用变分模态分解对电池信号序列进行多尺度分解，得到多模态下的分量序列，并确定各个分量序列的滑窗来构建数据集，克服了原始数据非线性和非平稳性的影响，然后利用数据集对神经网络模型进行训练，缓解了数据噪声干扰和数据量不足时导致的RNN欠拟合现象，提高了模型在不同时间分辨率下的寿命预测能力，增强了模型的整体稳定性，预测精度更高，误差更小，泛化性能更好，鲁棒性更强，从而为工业人工智能领域中锂离子电池的剩余寿命预测提供了一种新的理论指导方法和实现途径。

在步骤S1中，将所述传感信号分解为多模态下的分量序列的方法包括：

S11：将分解过程等价于求解约束变分问题：

式中，f(t)为电池退化信号，{u_k}为信号分解后的N个本征模态函数集合，{ω_k}为各分量中心频率集合，*表示卷积操作，δ(t)为单位脉冲函数；

S12：将约束变分问题(1)、(2)转化为非约束变分问题：

式中，λ为拉格朗日乘子，α为惩罚因子；

S13：对式(3)采用交替方向乘子算法迭代更新ω_k,u_k,λ，直到判定条件达到收敛阈值ε：

式中，u_k为信号分解后的第k个本征模态分量，ω_k为第k个分量的中心频率，λ为拉格朗日乘子，α为惩罚因子，ε为收敛阈值，i为用于计数的下标，n为迭代轮次，τ为步长因子。

其中，在步骤S13中，变分模态分解(VMD)具体实现步骤如下：

S13.1：初始化

λ¹,n为0，设置α,ε,τ参数值；

S13.2：赋值n＝n+1，执行外循环；

S13.3：赋值k＝1:N，执行N次内循环，当ω≥0时更新u_k,ω_k,

S13.4：当ω≥0时，外循环更新λ，τ为步长因子,

S13.5：重复步骤S13.2-S13.4，当

时，终止外循环，得到N个分量{u_k}。

针对含有从初始状态到失效状态过程的电池容量数据，用X表示整个过程时间序列：

其中L为原始数据的长度，对电池容量退化数据X进行变分模态分解(VMD)，得到包含细节分量和趋势分量的容量数据多尺度表达：

VMD(X)＝{u₁,…,u_N-1,u_N}, (9)

u_i＝{u_i(1),u_i(2),...,u_i(L)},i＝1,...,N, (10)

trend＝u_N, (11)

其中趋势分量trend反映电池的整体退化模式，细节分量u_i表征电池的局部波动模态。

在步骤S2中，将各个分量序列整理成训练集的方法包括：

S21：对各个分量序列u_i进行划分如下：

u_i＝[u_i(1),...,u_i(K),u_i(K+1),...,u_i(L)],i＝1,...,N, (12)

其中，K和L分别是各分量序列的训练样本长度和序列长度；

S22：定义滑窗嵌入维数为d，则任意滑窗向量

可描述为：

S23：假设向量

为向量

切比雪夫距离上的最近邻，p＝1,...,K-d,p≠j，定义变量R_d(j,p)为：

式中，

和

为滑窗嵌入维数为d+1时的重构向量；

S24：基于式(14)定义变量E(d)为：

S25：当滑窗嵌入维数由d变化为d+1时，定义变量E1(d)为：

S26：当d从1增加至K-1时，由式(17)计算变量E1的大小，基于所述变量E1的值确定最优滑窗嵌入维数，具体的，随着嵌入维数d的增大，E1的值逐渐趋于饱和值1，则最优嵌入维数为对应E1值最接近1的整数值；

S27：基于所述最优滑窗嵌入维数构建训练集：

式中，

为训练样本，其中

为输入滑窗向量，u_i(d+j)为相应的预测标签值。

在训练集构造完成后，通过相同的滑窗预测方式确定测试集，训练集和测试集分别用于神经网络模型的训练和电池剩余寿命预测。

在步骤S3中，上述神经网络模型可以选择自回归时间卷积循环神经网络ATCRNN，其主要包含两部分，分别是由时间卷积层、循环记忆层、全连接层组成的非线性部分和由自回归模型组成的线性部分，其总体网络结构如图2所示。

上述时间卷积层采用一种两层的融合型时间卷积网络HTCN来处理时序数据，如图2中的卷积层结构所示。HTCN在时间维度进行卷积操作，并采用因果卷积的设定，保证输出与输入之间的时间因果关系，并通过适当的序列补偿使输出与输入长度一致。卷积核使用扩张卷积的方式，通过扩张因子实现可变采样间隔，其中扩张因子按照层级以2的指数倍增长，进而逐层增大卷积网络的感受野。每层卷积核在时间轴的移动，实现短期到长期时序信息的逐层提取。最后，利用残差学习的思想，在输入与输出之间加入恒等映射，构成完整的残差单元，保证网络的整体稳定性。时间卷积层的具体计算过程如下：

o¹＝max(0,g¹), (20)

O¹＝zero-padding(o¹), (21)

o²＝max(0,W²*O¹+b²), (22)

O²＝zero-padding(o²), (23)

O＝max(0,O²+U), (24)

式中

表示滑窗输入，W¹和b¹分别为第一层卷积核的权重矩阵和偏置向量，g¹是输入

与卷积核的卷积运算结果，“*”表示卷积操作，max(·)表示整流线性单元函数ReLU，zero-padding(·)表示补零填充操作，

q¹为第一层的卷积核个数，s¹为卷积核滑动步长，c¹为卷积核大小，e¹为扩张因子(第一层为2⁰)，

W²和b²分别为第二层卷积核的权重矩阵和偏置向量，

q²为第二层的卷积核个数，s²为卷积核滑动步长，c²为卷积核大小，e²为扩张因子(第二层为2¹)，

为最终的输出，

为输入

经过1×1卷积映射后的结果。

上述循环记忆层采用三层的扩张门控循环神经网络DGRU进行时序关系处理，DGRU单元结构如图3所示。DGRU单元包括t时刻第l-1层的输入

t-e^l时刻第l层的输入隐藏状态

t时刻第l层的输出隐藏状态

重置门

更新门

以及一个候选隐藏状态

其中，重置门

用来丢弃与预测无关的输入历史信息；更新门

实现候选信息的自适应选择，用于更新隐藏状态；层级扩张使得不同的循环层关注于不同的时间分辨率关系。这种结构设计使得DGRU能够应对RNN中的梯度消失和梯度爆炸问题，学习到时序间不同时间尺度下的依赖关系，记忆长时信息。循环记忆层的具体计算公式如下：

e^l＝2^l-1, (29)

式中σ(·)为sigmoid激活函数；tanh(·)为双曲正切激活函数；⊙表示Hadamard积(按元素乘法)；

分别为重置门

的权重矩阵和偏置向量；

分别为更新门

的权重矩阵和偏置向量；

分别为候选隐藏状态

的权重矩阵和偏置向量。l表示层级(1,2,3)，e^l为扩张因子(2⁰,2¹,2²)，每一层含有h^l个隐藏单元，当l＝1时，

经过三层的DGRU-RNN计算后，得到最终的输出结果

上述全连接层通过对循环记忆层的输出结果进行计算，得到非线性神经网络部分的预测结果：

式中W^D,b^D分别为全连接层对应的权重向量和偏置值，“·”表示点积，

表示在时刻t的输出值。

如图2中结构所示，ATCRNN网络的非线性部分关注于序列的全局变化模式，而线性部分关注于序列的局部缩放问题。在ATCRNN网络中，将深度神经网络作为非线性部分主体，自回归模型(AutoRegressive,AR)作为线性部分表达。定义自回归模型输出为

自回归系数为

和b^L，自回归阶次为p，

为t时刻向量

的值，则自回归模型的输出计算为：

最终ATCRNN网络的输出预测值通过整合线性部分与非线性部分的输出值得到：

式中，

表示ATCRNN网络在时刻t的输出预测值。

还有，定义均方误差损失函数(Mean Squared Error,MSE)用于深度网络模型ATCRNN训练过程的优化：

其中

为第d+j个循环周期的预测值，u_i(d+j)为真值。在训练过程中，选择自适应矩估计(Adaptive moment estimation,Adam)算法反向传播更新模型参数，当模型损失达到预定义的收敛阈值后停止训练。

在步骤S4中，在变分模态分解过程中，原始序列与各个分量序列满足式(2)条件，即原始序列等于各个分量序列之和。因而在完成各个分量序列子网络模型训练后，将各个分量序列的测试集输入相对应的训练完成的子网络模型，采用并行累加求和的集成方法，将各个子网络模型的预测值进行加合，得到最终的电池容量预测结果：

IMF_i(t)＝ATCRNN_i(u_i),i＝1,...,N-1, (34)

Trend(t)＝ATCRNN(trend), (35)

在步骤S5中，根据电池的剩余使用寿命RUL定义，当电池状态处于某个特定循环周期时，用于RUL预测的起点容量值称为监测终点阈值EOM，此时对应的循环周期记为T_EOM；寿命终点阈值EOL对应电池失效时的容量值，T_EOL代表当容量达到EOL阈值时的循环周期，因此电池RUL可具体计算为：

RUL＝T_EOL-T_EOM. (37)

式中，T_EOL代表当容量达到EOL阈值时的循环周期。

本发明提出的基于分解集成策略的锂离子电池剩余寿命预测方法解决了锂离子电池寿命预测中存在的非线性、非平稳、多模态、多噪声特性导致单一尺度输入下单一数据驱动方法的预测精度低、泛化性能差等问题，为锂离子电池剩余寿命预测提供了一种新的理论指导方法和实现途径。

本发明专利的实施案例使用来自锂离子电池数据进行测试和性能对比。电池数据采集自NASA 18650电池故障预测实验台，实验过程将额定容量为2Ah的电池分为4组展开实验，编号为：B5、B6、B7、B18。电池在室温下运行于3种不同的工作模式：充电、放电和阻抗模式，首先以1.5A恒流状态充电，直到电压达到4.2V，然后以恒压状态继续充电，直到充电电流降至20mA。在放电阶段，电池以2A的恒定电流放电，直到电池电压分别降至2.7V、2.5V、2.2V和2.5V。重复上述充放电过程直到锂离子电池容量达到失效阈值，即额定容量的70％(1.4Ah)。表1为各电池工况条件参数，图5给出了锂离子电池放电容量退化过程曲线。

表1NASA PCoE电池工况条件设置

实施案例采用四种常用的评价指标来定量评估电池剩余寿命预测方法的预测性能。四种评价指标分别为均方根误差(Root Mean Square Error,RMSE)、平均绝对误差(Mean Absolute Error,MAE)、平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)、绝对误差(Absolute Error,AE)，计算公式分别如下：

AE＝|RUL_r-RUL_p|,

其中RUL_r,RUL_p分别表示电池的实际RUL和模型预测RUL，X(t),

分别表示测试集的实际电池容量和模型预测电池容量。对于这些指标，RMSE，MAE，MAPE，AE越小，模型预测性能越好。

首先将实施案例的锂离子电池容量数据进行VMD多尺度分解。以电池B5为例，设定分解序列个数N为5，惩罚因子α为2000，收敛容限ε为10^-6，步长因子τ为0.001。将原始序列分解为频率由高到低的若干细节分量I MF1-IMF4和趋势分量Trend，最终的VMD分解结果如图6所示。

完成VMD序列分解后，对分解得到的多尺度序列划分数据集、计算E1值确定预测滑窗。在实施案例中，设置电池B5，B6，B7，B18的EOM阈值为额定容量的80％，电池B5，B6，B18的EOL阈值为额定容量的70％，B7为71％，得到各组电池的阈值设置如表2所示。

表2NASA PCoE电池阈值参数设置

并由EOM划分训练和测试集。以电池B5为例，共有168组数据，取前74组为训练集，后94组为测试集，根据式(17)计算E1值的变化情况。B5各分量序列及原始序列的E1计算结果如图7所示，然后由CM算法确定预测滑窗大小，各电池原始序列及分量序列的滑窗大小设置如表3所示，最后根据式(18)完成滑窗训练集和测试集的划分。

表3NASA PCoE电池原始序列及分量序列滑窗大小设置

完成前述步骤后，使用滑窗训练集训练各分量序列的ATCRNN子网络模型，ATCRNN网络模型参数设置如表4所示。

表4ATCRNN网络参数设置

子模型训练完成后，将各分量序列的测试集输入训练好的ATCRNN网络，由式(36)得到最终的电池容量预测值，再由式(37)得到锂离子电池的剩余寿命预测结果。图8给出了VMD-ATCRNN方法的锂离子电池RUL预测曲线，表5给出了VMD-ATCRNN方法的锂离子电池RUL预测结果。

表5VMD-ATCRNN方法的锂离子电池RUL预测结果

最后，实施案例将本专利提出的VMD-ATCRNN方法与现有的BCT-RVM，AUKF-GASVR，HA-FOSELM，CNN-LSTM共四种方法进行了性能对比，表7给出了五种方法的电池剩余寿命预测性能对比结果。

表6不同方法对比结果

结果对比与分析：

从图5和表1可以看出，随着循环周期的增加，电池退化容量不仅具有明显的单调下降趋势，而且因为充电或放电过程停止后的长时间休止，电池内部的离子浓度由于扩散效应趋于平衡，电压相应升高，一些随机循环周期中发生容量再生现象，即在一个相对平稳的阶段，容量突然上升，在电池B6和B18中尤为明显。此外，不同电池工况条件带来的随机干扰造成电池退化容量波动起伏，上述多种因素使得电池容量退化过程呈现出显著的非线性与非平稳性。

从图6可以看出，与原始序列相比，趋势分量有效构建出了整体退化模式，能明显反映出电池容量的整体单调递减趋势，并显著减小了容量再生和随机波动的影响，趋势特征更为平滑；细节分量则有效表征出电池退化过程中各种不同频率的局部波动模态的非周期非平稳变化特征；变分模态分解能够有效分离原始序列中的多种模态，实现多尺度建模。

从图7可知，由于容量再生和随机波动因素的存在，原始电池容量数据中含有较多噪声干扰，若嵌入维数选取不当，极易造成信息损失，进而影响模型的预测精度，而通过本专利方法采用的VMD分解算法和CM算法，根据最优嵌入维数即可确定滑窗大小，有效地缓解了这一问题带来的影响。

从图8和表5可以得出，基于VMD-ATCRNN方法的分解集成预测模型的电池退化容量估计值与实际电池退化容量高度一致，估计误差小，剩余寿命预测精度高，可以准确预测出电池容量的退化过程，并对容量再生和随机波动有较好的鲁棒性和适应力，表明本发明专利所提方法能够对锂离子电池的剩余寿命进行准确预测。

从表6可知，本发明专利提出的方法在不同电池数据集上的综合表现均优于对比的方法，VMD-ATCRNN模型通过不同构件的优缺点互补，得到的预测误差最低、精度最高、泛化性最好，表明该方法能够针对不同退化序列的特点自适应地学习到相应的动态变化模式，提高了锂离子电池寿命预测的准确性和适用性。

实施例二

下面对本发明实施例二公开的一种基于分解集成策略的锂离子电池剩余寿命预测系统进行介绍，下文描述的一种基于分解集成策略的锂离子电池剩余寿命预测系统与上文描述的一种基于分解集成策略的锂离子电池剩余寿命预测方法可相互对应参照。

请参阅图4所示，本发明实施例二公开了一种基于分解集成策略的锂离子电池剩余寿命预测系统，包括：

数据获取模块10，所述数据获取模块10用于获取原始电池退化过程的传感信号，将所述传感信号分解为多模态下的分量序列；

数据整理模块20，所述数据整理模块20用于将各个分量序列整理成训练集和测试集；

神经网络训练模块30，所述神经网络训练模块30用于利用各个分量序列的训练集对神经网络模型进行训练，获得训练好的各个分量序列的子网络模型；

电池容量预测模块40，所述电池容量预测模块40用于利用各个分量序列的测试集对相应的子网络模型进行测试，获得各个子网络模型的预测值，基于各个子网络模型的预测值获得最终的电池容量预测结果；

电池剩余寿命预测模块50，所述电池剩余寿命预测模块50用于基于最终的电池容量预测结果获得电池剩余使用寿命。

本实施例的基于分解集成策略的锂离子电池剩余寿命预测系统用于实现前述的基于分解集成策略的锂离子电池剩余寿命预测方法，因此该系统的具体实施方式可见前文中的基于分解集成策略的锂离子电池剩余寿命预测方法的实施例部分，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。

另外，由于本实施例的基于分解集成策略的锂离子电池剩余寿命预测系统用于实现前述的基于分解集成策略的锂离子电池剩余寿命预测方法，因此其作用与上述方法的作用相对应，这里不再赘述。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种基于分解集成策略的锂离子电池剩余寿命预测方法，其特征在于，包括以下步骤：

S1：获取原始电池退化过程的传感信号，将所述传感信号分解为多模态下的分量序列；

S2：将各个分量序列整理成训练集和测试集；

S3：利用各个分量序列的训练集对神经网络模型进行训练，获得训练好的各个分量序列的子网络模型；

S4：利用各个分量序列的测试集对相应的子网络模型进行测试，获得各个子网络模型的预测值，基于各个子网络模型的预测值获得最终的电池容量预测结果；

S5：基于最终的电池容量预测结果获得电池剩余使用寿命。

2.根据权利要求1所述的基于分解集成策略的锂离子电池剩余寿命预测方法，其特征在于，将所述传感信号分解为多模态下的分量序列的方法包括：

S11：将分解过程等价于求解约束变分问题：

式中，f(t)为电池退化信号，{u_k}为信号分解后的N个本征模态函数集合，{ω_k}为各分量中心频率集合，*表示卷积操作，δ(t)为单位脉冲函数；

S12：将约束变分问题(1)、(2)转化为非约束变分问题：

式中，λ为拉格朗日乘子，α为惩罚因子；

S13：对式(3)采用交替方向乘子算法迭代更新ω_k,u_k,λ，直到判定条件达到收敛阈值ε：

式中，u_k为信号分解后的第k个本征模态分量，ω_k为第k个分量的中心频率，λ为拉格朗日乘子，α为惩罚因子，ε为收敛阈值，i为用于计数的下标，n为迭代轮次，τ为步长因子。

3.根据权利要求1所述的基于分解集成策略的锂离子电池剩余寿命预测方法，其特征在于，将各个分量序列整理成训练集的方法包括：

S21：对各个分量序列u_i进行划分如下：

u_i＝[u_i(1),...,u_i(K),u_i(K+1),...,u_i(L)],i＝1,...,N, (12)

其中，K和L分别是各分量序列的训练样本长度和序列长度；

S22：定义滑窗嵌入维数为d，则任意滑窗向量

可描述为：

S23：假设向量

为向量

切比雪夫距离上的最近邻，p＝1,...,K-d,p≠j，定义变量R_d(j,p)为：

式中，

和

为滑窗嵌入维数为d+1时的重构向量；

S24：基于式(14)定义变量E(d)为：

S25：当滑窗嵌入维数由d变化为d+1时，定义变量E1(d)为：

S26：当d从1增加至K-1时，由式(17)计算变量E1的大小，基于所述变量E1的值确定最优滑窗嵌入维数；

S27：基于所述最优滑窗嵌入维数构建训练集：

式中，

为训练样本，其中

为输入滑窗向量，u_i(d+j)为相应的预测标签值。

4.根据权利要求1所述的基于分解集成策略的锂离子电池剩余寿命预测方法，其特征在于：基于各个子网络模型的预测值获得最终的电池容量预测结果的方法包括：

将各个子网络模型的预测值进行累加求和，获得最终的电池容量预测结果。

5.根据权利要求1所述的基于分解集成策略的锂离子电池剩余寿命预测方法，其特征在于：基于最终的电池容量预测结果获得电池剩余使用寿命的方法包括：

基于最终的电池容量预测结果获得其电池容量达到寿命终点阈值时的循环周期，基于所述循环周期获得电池剩余使用寿命。

6.一种基于分解集成策略的锂离子电池剩余寿命预测系统，其特征在于，包括：

数据获取模块，所述数据获取模块用于获取原始电池退化过程的传感信号，将所述传感信号分解为多模态下的分量序列；

数据整理模块，所述数据整理模块用于将各个分量序列整理成训练集和测试集；

神经网络训练模块，所述神经网络训练模块用于利用各个分量序列的训练集对神经网络模型进行训练，获得训练好的各个分量序列的子网络模型；

电池容量预测模块，所述电池容量预测模块用于利用各个分量序列的测试集对相应的子网络模型进行测试，获得各个子网络模型的预测值，基于各个子网络模型的预测值获得最终的电池容量预测结果；

电池剩余寿命预测模块，所述电池剩余寿命预测模块用于基于最终的电池容量预测结果获得电池剩余使用寿命。

7.根据权利要求6所述的基于分解集成策略的锂离子电池剩余寿命预测系统，其特征在于：所述数据获取模块包括模态分解单元，所述模态分解单元用于将所述传感信号分解为多模态下的分量序列，包括：

将分解过程等价于求解约束变分问题：

式中，f(t)为电池退化信号，{u_k}为信号分解后的N个本征模态函数集合，{ω_k}为各分量中心频率集合，*表示卷积操作，δ(t)为单位脉冲函数；

将约束变分问题(1)、(2)转化为非约束变分问题：

式中，λ为拉格朗日乘子，α为惩罚因子；

对式(3)采用交替方向乘子算法迭代更新ω_k,u_k,λ，直到判定条件达到收敛阈值ε：

式中，u_k为信号分解后的第k个本征模态分量，ω_k为第k个分量的中心频率，λ为拉格朗日乘子，α为惩罚因子，ε为收敛阈值，i为用于计数的下标，n为迭代轮次，τ为步长因子。

8.根据权利要求6所述的基于分解集成策略的锂离子电池剩余寿命预测系统，其特征在于：所述数据整理模块包括训练集构建单元，所述训练集构建单元用于将各个分量序列整理成训练集，包括：

对各个分量序列u_i进行划分如下：

u_i＝[u_i(1),...,u_i(K),u_i(K+1),...,u_i(L)],i＝1,...,N, (12)

其中，K和L分别是各分量序列的训练样本长度和序列长度；

定义滑窗嵌入维数为d，则任意滑窗向量

可描述为：

假设向量

为向量

切比雪夫距离上的最近邻，p＝1,...,K-d,p≠j，定义变量R_d(j,p)为：

式中，

和

为滑窗嵌入维数为d+1时的重构向量；

基于式(14)定义变量E(d)为：

当滑窗嵌入维数由d变化为d+1时，定义变量E1(d)为：

当d从1增加至K-1时，由式(17)计算变量E1的大小，基于所述变量E1的值确定最优滑窗嵌入维数；

基于所述最优滑窗嵌入维数构建训练集：

式中，

为训练样本，其中

为输入滑窗向量，u_i(d+j)为相应的预测标签值。

9.根据权利要求6所述的基于分解集成策略的锂离子电池剩余寿命预测系统，其特征在于：所述电池容量预测模块包括预测值累加单元，所述预测值累加单元用于将各个子网络模型的预测值进行累加求和，获得最终的电池容量预测结果。

10.根据权利要求6所述的基于分解集成策略的锂离子电池剩余寿命预测系统，其特征在于：所述电池剩余寿命预测模块包括电池容量转换单元，所述电池容量转换单元用于基于最终的电池容量预测结果获得其电池容量达到寿命终点阈值时的循环周期，基于所述循环周期获得电池剩余使用寿命。

Images