一种基于VAE模型数据增强算法的电池RUL预测方法与流程

本发明涉及电池和电化学，尤其是一种基于vae模型数据增强算法的电池rul预测方法。

背景技术：

1、电化学阻抗谱（electrochemical impedance spectroscopy，eis)是一种用于表征电池内部电化学过程的测试方法。电池的阻抗谱eis数据，由实部阻抗和虚部阻抗组成。

2、电池rul(remaining useful life)即电池的剩余寿命，是评估电池健康状态的一个重要指标。电池rul反映了电池从现在时刻起，在正常使用情况下还可以继续使用的预期时间或循环次数。

3、测试电池阻抗谱数据需要使用专业的仪器设备，测试条件严苛，成本较高，导致了测试数据的数量较少。在已有的测试数据基础上，使用数据增强方法来增加电池阻抗谱数据的数量，是一个值得探索的路径，这可以为模型提供更多数据，增强模型的泛化能力和鲁棒性，避免模型出现过拟合现象。

4、变分自编码器（variational autoencoder，vae），是一种生成模型，可以学习训练数据的潜在分布，可以通过对潜在分布中的采样来生成新的样本，同时保留原始数据的特征。这种数据增强方法可以增加训练样本的多样性，帮助提高模型的泛化能力。

5、具体而言，vae通过在潜在分布进行采样，然后利用解码器将采样的潜在向量转换成新的数据样本。由于vae的编码器将原始数据映射到潜在分布中的高斯分布上，因此可以通过对该高斯分布进行采样来获得潜在向量。采样后的潜在向量再经过解码器，就可以生成与原始数据分布相似的新数据。

6、在验证模型效果时，验证集不能使用增强之后的数据。

7、电池阻抗谱的真实测试数据和增强数据都是覆盖几十个频率范围，维度较高，存在冗余信息，会导致模型精度降低，因此可以使用主成分分析（principle componentanalysis，pca）对阻抗谱数据进行降维，提炼出主要的信息，降低数据的噪声。

8、多层感知机（multi layer perceptron， mlp）模型，可以将输入数据映射到输出数据，它由输入层、输出层以及多个中间的隐藏层组成。网络中的节点按层连接，中间层的节点对上一层的输入进行加权和，然后通过激活函数进行非线性映射生成输出。

9、可以将eis数据作为输入数据，rul作为输出数据，通过mlp模型的多层非线性变换提取eis的特征，预测电池rul。本发明预测的电池rul为电池剩余循环次数。

10、综上，数据增强方法可以增加阻抗谱的数据量，提升模型的泛化能力和鲁棒性；pca可以去除eis数据的噪声；mlp模型可以学习eis和rul之间的非线性映射关系。

技术实现思路

1、为了实现上述目的，本发明提供一种基于vae模型数据增强算法的电池rul预测方法，在pca-mlp模型上，对比分析了单独使用电池eis数据和同时使用eis及其增强数据的预测rul的效果，并且使用vae模型对eis数据进行增强，基于eis原始数据和增强数据，共同预测电池rul。

2、本发明解决其技术问题所采用的技术方案是：

3、一种基于vae模型数据增强算法的电池rul预测方法，包括如下步骤：

4、步骤s1.测试并采集电池eis和rul数据：

5、步骤s2.使用vae模型对eis数据进行增强：将eis数据作为输入数据，通过vae模型对eis本身进行预测；所述vae模型通过学习数据分布并随机采样，生成类似但不同的新数据，并通过训练vae模型时的目标函数来实现生成的新数据与原始数据集的分布相似；采用最小化重构误差和潜在向量的kl散度来训练vae模型，确保生成的新数据与原始数据集分布相似，从而保证生成的新数据质量；

6、步骤s3.使用pca模型对eis输入数据进行主成分提取：将电池的eis数据作为输入数据，计算eis数据的协方差矩阵，求解协方差矩阵的特征值和特征向量，按特征值大小排序，选择主要的前10个特征向量，这些特征向量就是主成分，将原始eis数据投影到这10个主成分上得到新的10维特征表示，即降维到10维；

7、步骤s4.构建mlp模型：将pca提取到的电池eis数据的主要成分数据，作为mlp模型的输入数据，通过多个全连接层，提取输入数据的特征；

8、步骤s5.预测电池剩余循环次数即rul：mlp模型的输出层是一个线性回归层，预测值是电池剩余循环次数即rul，激活函数为linear函数。

9、进一步的，所述步骤s1，具体包括如下步骤：步骤s11.eis数据采集：使用电化学工作站配置频率扫描测试，在不同频率点测试电池的阻抗值和相位，记录频率响应数据，主要是测试阻抗的实部数据和虚部数据。

10、步骤s12.rul数据采集：进行充放电循环测试，并记录充放电循环次数。

11、步骤s13.匹配采集数据：同一组电池同时进行eis和循环充放电测试，匹配对应电池的eis数据和rul水平。

12、进一步的，在步骤s11中，采集eis配置频率范围为10-2hz至105hz，优选60个频率值作为样例。

13、进一步的，在步骤s2中，所述vae模型的网络结构包含编码器、采样器、解码器。所述编码器用于将输入数据编码成潜在空间的分布；所述采样器从编码器输出的分布中采样，得到潜在空间的样本点；所述解码器将采样得到的潜在表示映射回数据空间。

14、进一步的，在步骤s2中，所述vae模型中的重构误差采用均方误差；整个模型的损失函数为均方误差与kl散度误差之和。

15、进一步的，在步骤s2中，所述输入数据为120维度，映射到维度为80的编码器；所述编码器分别映射到高斯分布的均值和方差，维度均为40；对高斯分布进行采样，加入服从n(0，0.01)分布的随机扰动，生成40维度的潜在变量；所述潜在变量映射到解码器，维度为80；所述解码器映射到输出变量，维度为120。

16、进一步的，在步骤s3中，所述eis数据包括真实测试的eis数据和数据增强之后的eis数据，分别通过pca模型计算主成分。

17、进一步的，在步骤s4中，所述mlp结构包含两层全连接层和一个输出层，激活函数均为relu函数，全连接层的神经元个数均为32个，输出层的神经元个数为1个。

18、进一步的，在步骤s5中，所述mlp模型的损失函数为均方误差，优化器为rmsprop，评估指标为平均绝对误差，即目标值和预测值之差的绝对值之和。

19、本发明有益效果是

20、本发明完全使用模型进行数据增强，无需人工参与，避免了人工因素可能导致的偏差；采用的vae模型是一种无监督学习算法，它不需要标记数据就能学习；vae模型的复杂度不高，容易训练和预测；vae模型可以学习到数据中的潜在变量，因此可以生成全新的样本，而不是简单地重复输入数据；在增强数据中，只对输入数据eis进行预测，不对预测目标进行预测，减少了预测误差发生的概率。

21、本发明使用vae模型对真实eis测试数据进行增强，增加了训练数据量，提升了模型的泛化能力和鲁棒性，避免了模型过拟合；在pca-mlp模型上对比测试了加入eis增强数据之前和之后预测rul的效果，加入eis增强数据之后模型精度预测效果明显提升。本发明提出的eis数据增强方法可以推广到其它的模型当中使用。