一种基于AAF和深度学习的动力电池健康状态预测方法

本发明涉及一种基于aaf和深度学习的动力电池健康状态预测方法，属于动力电池soh预测领域。

背景技术：

1、近年来，为了减少汽车尾气排放和缓解能源危机，新能源汽车尤其是电动汽车得到了迅速发展。锂离子电池作为其储能装置，发挥着十分重要的作用。随着电动汽车性能和续驶里程的提升，锂离子电池的功率和容量越来越大，其安全性和可靠性也变得愈加重要。在锂离子电池循环使用的过程中，其健康状态(state of health，soh)会逐渐退化。当电池健康状态达到阈值时，若没及时更换，将会严重影响汽车的性能和安全。因此，准确地监测电池健康状态以及电池健康状态预测具有重要意义。

2、由于锂离子电池内部化学特性复杂，基于模型的方法往往计算复杂且难以实现，并不适合许多实际的应用。而基于数据驱动的方法主要通过分析测试数据(如电压、电流、阻抗等)深度挖掘其中隐含的健康信息来对电池寿命进行预测，不需要考虑模型获取的问题，更容易实施，因而更适合实际应用。但其预测精度较大程度依赖于数据样本数量以及样本数据中所包含的历史信息，因而需要从其他方面进行改进以提升其预测精度，比如现有技术中，文献-胡天中,&余建波.(2019).基于多尺度分解和深度学习的锂电池寿命预测.浙江大学学报：工学版,53(10),13.中提出一种分别构建dbn模型和lstm模型，然后将两模型的预测结果进行集成，而且该方法中还采用了集成经验模态分解技术将soh时间序列分解成主趋势时间序列和波动时间序列，对主趋势时间序列利用dbn模型进行预测，而对波动时间序列则采用lstm模型进行预测，从而提高了预测精度。

3、然而上述方法中，虽然其利用集成经验模态分解技术将soh时间序列进行分解，并分别利用dbn模型和lstm模型进行预测然后进行集成提升了其预测精度，但由于波动时间序列中的高频数据变化剧烈，lstm模型难以挖掘其内在的数学规律，从而导致其对高频波动时间序列预测精度较低，而在高频波动时间序列预测精度较低的前提下，该方法的整体预测精度有待于进一步提高。

技术实现思路

1、为了进一步提高对于动力电池健康状态的预测精度，以帮助企业合理决策何时替换动力电池，提高经济效益，本发明提供了一种基于抗混叠低通滤波器和深度学习的动力电池健康状态(soh)预测方法，所述方法在现有技术的基础上，通过利用抗混叠低通滤波器降低波动频率，提高了lstm模型对于高频波动时间序列的预测精度，从而提升了最终预测精度。

2、一种基于抗混叠低通滤波器和深度学习的动力电池健康状态(soh)预测方法，所述方法进行动力电池soh预测时，首先利用集成经验模态分解技术和相关性分析方法将soh时间序列分解成主趋势时间序列和波动时间序列，其次利用深度置信网络dbn对主趋势时间序列进行预测，针对波动时间序列先进行数据预处理，然后采用抗混叠低通滤波器(anti-aliasing filter，aaf)对预处理之后的序列进行重采样，之后利用长短期记忆神经网络lstm对重采样之后序列进行预测，然后再对波动序列预测结果进行反重采样和逆向数据处理得到波动时间序列最终预测值，最后将主趋势时间序列和波动时间序列预测结果进行集成得到最终的soh预测结果，实现了动力电池soh的高精度预测。

3、可选的，所述方法包括：

4、步骤1，获取动力电池容量变化数据，通过计算soh得到soh时间序列；

5、步骤2，采用集成经验模态分解技术和相关性分析方法将soh时间序列分解成主趋势时间序列m(t)和波动时间序列wk(t)；

6、步骤3，对主趋势时间序列利用深度置信网络进行预测，得到主趋势时间序列的预测值m*(t)；

7、步骤4，采用抗混叠低通滤波器对对波动时间序列wk(t)进行处理以降低其波动频率，并利用长短期记忆神经网络进行预测得到波动时间序列的最终预测值

8、步骤5，将波动时间序列的最终预测值和主趋势时间序列的预测值m*(t)进行集成,得到soh时间序列预测值soh*(t)。

9、可选的，所述步骤4包括：

10、步骤4.1，对波动时间序列wk(t)进行数据预处理，得到w′k(t)；

11、步骤4.2，采用抗混叠低通滤波器对预处理后的波动时间序列w′k(t)进行重新采样以降低其波动频率；

12、步骤4.3，利用长短期记忆神经网络(lstm)对重新采样后的波动时间序列进行预测，得到初步预测结果w_lstmk(t)；

13、步骤4.4，对初步预测结果w_lstmk(t)进行反重采样；

14、步骤4.5，对反重采样之后的预测结果进行逆向数据处理得到波动时间序列的最终预测值

15、可选的，所述步骤2包括：

16、步骤2.1，采用集成经验模态分解技术将soh时间序列进行分解，得到各imf分量和残余分量；

17、步骤2.2，将所有的imf分量与soh时间序列进行相关性分析，根据与soh时间序列的相关性将各imf分量和残余余量分为两组，分别用于集成得到主趋势时间序列m(t)和波动时间序列wk(t)。

18、可选的，所述步骤4.1包括：

19、步骤4.1.1，初始化各组波动时间序列对应的区间阈值threshold(k),k＝1,2,…,k，其中k为波动时间序列wk(t)的组数；

20、步骤4.1.2，设置起始波动时间序列组数k＝1；

21、步骤4.1.3，初始化区间边界参数p＝0.1，计算第k组波动时间序列wk(t)绝对值的最大值max，wk(t)的长度len以及初始化数据预处理结果w′k(t)＝wk(t)；

22、步骤4.1.4，根据下式计算区间边界boundary：

23、boundary＝p×max

24、步骤4.1.5，初始化当前在所划定区间内样本点的比例rate＝0以及初始化记录区间边界之外数据的errork集合为空集合；

25、步骤4.1.6，设置序列起始点j＝1；

26、步骤4.1.7，判断第k组波动时间序列第j个数据wk(j)的绝对值是否小于等于boundary，如果是，否则，将j加入到errork集合；

27、步骤4.1.8，判断j是否小于len，如果是，j＝j+1，跳转到步骤4.1.7，否则，跳转到步骤4.1.9；

28、步骤4.1.9，判断rate是否小于等于threshold(k)，如果是，p＝p+0.1，跳转到步骤4.1.4，否则，跳转到步骤4.1.10；

29、步骤4.1.10，针对errork集合中的每一个值errork(i)，按照公式进行处理：

30、

31、步骤4.1.11，判断k是否小于k，如果是，k＝k+1，跳转到步骤4.1.3，否则，跳转到步骤4.1.12；

32、步骤4.1.12，输出数据预处理之后的波动时间序列w′k(t),k＝1,2,…,k。

33、可选的，所述步骤4.2包括：

34、4.2.1，设置波动时间序列频率放大倍数q＝1以及频率缩小倍数p＝5；

35、4.2.2，初始化波动时间序列起始组数k＝1；

36、4.2.3，调用matlab软件里的resample()函数，将w′k(t)，p，q作为参数传入resample()函数中，得到重采样之后的波动时间序列w_resamplek(t)，即：

37、w_resamplek(t)＝resample(w′k(t)，p，q)

38、4.2.4，判断k是否小于k，如果是，k＝k+1，跳转到4.2.3，否则，跳转到4.2.5；

39、4.2.5，输出重采样之后的波动时间序列w_resamplek(t)，k＝1，2，...，k。

40、可选的，所述步骤4.3包括：

41、步骤4.3.1：按照下式，将步骤4.2得到的重采样之后的波动时间序列w_resamplek(t)标准化为零均值和单位方差的时间序列w_resample′k(t)：

42、

43、式中，mu是w_resamplek(t)的均值，sig是w_resamplek(t)的标准差；

44、步骤4.3.2：初始化输入序列xtrain＝w_resample′k(1：end-1)，响应序列ytrain＝w_resample′k(2：end)；

45、步骤4.3.3：按照下式，信号前向传播：

46、

47、其中，ht表示t时刻短期历史信息，ct表示t时刻长期历史信息，为t时刻候选长期历史信息，xt表示t时刻输入样本，σ为sigmoid激活函数，tanh为双曲正切激活函数，wf和bf分别为遗忘门的权重矩阵和偏置向量，bf为t时刻长短时记忆网络遗忘门的输出，wi和bi分别为输入门的权重矩阵和偏置向量，it为t时刻长短时记忆网络输入门的输出，wo和bo分别为输出门的权重矩阵和偏置向量，ot为t时刻长短时记忆网络输出门的输出；

48、步骤4.3.4：采用梯度下降法进行误差反向传播，调整网络参数；

49、步骤4.3.5：使用单步预测算法，生成目标长度的预测值；

50、步骤4.3.6：输出波动时间序列预测值w_lstmk(t)。

51、可选的，所述步骤4.4包括：

52、步骤4.4.1，设置波动时间序列频率放大倍数q′＝5以及频率缩小倍数p′＝1；

53、步骤4.4.2，初始化波动时间序列起始组数k＝1；

54、步骤4.4.3，调用matlab软件里的resample()函数，将w_lstmk(t)，p′，q′作为参数传入resample()函数中，得到反重采样之后的波动时间序列预测值w_resample_reuersek(t)，即：

55、w_resample_reversek(t)＝resample(w_lstmk(t)，p′，q′)

56、步骤4.4.4，判断k是否小于k，如果是，k＝k+1，跳转到步骤4.4.3，否则，跳转到步骤4.4.5；

57、步骤4.4.5，输出反重采样之后的波动时间序列预测值w_resample_reversek(t)，k＝1，2，...，k。

58、可选的，所述步骤4.5包括：

59、步骤4.5.1，初始化波动时间序列组数k＝1；

60、步骤4.5.2，初始化

61、步骤4.5.3，对errork集合中的每一个数errork(i)，按照下式进行处理：

62、

63、式中，wk(errork(i))是原始波动时间序列的第errork(i)个数据，w′k(errork(i))是数据预处理之后波动序列的第errork(i)个数据；

64、步骤4.5.4，判断k是否小于k，如果是，k＝k+1，跳转到步骤4.5.2，否则，跳转到步骤4.5.5；

65、步骤4.5.5，输出波动时间序列的最终预测值

66、可选的，所述步骤5将波动时间序列的最终预测值和主趋势时间序列的预测值m*(t)进行集成的方法为加和集成，即根据下式进行计算：

67、

68、其中，k为波动时间序列wk(t)的组数。

69、可选的，所述步骤1中根据下式计算得到soh时间序列：

70、

71、其中，ct为锂电池在第t个充放电周期的容量，c0为该锂电池的初始容量，soh(t)为第t个充放电周期的soh。

72、本发明有益效果是：

73、针对高频波动时间序列预测精度较低的问题，本发明提出，首先对尖端数据(即高频波动时间序列)预处理，将主要波动范围之外的数据按照比例放缩进范围之内，然后采用抗混叠低通滤波器对预处理之后的数据进行重采样，从而达到降低波动频率的效果，再将重采样之后的数据作为输入导入长短期记忆神经网络中进行预测，最后将预测结果反重采样和逆向数据处理，得到高频波动时间序列的最终预测结果，从而大幅度提高了高频波动时间序列的预测精度和可靠性。