一种基于CEEMDAN和深度学习的电池寿命预测方法

本发明涉及电池健康预测，具体涉及一种电池寿命的预测方法。

背景技术：

1、电池在长期的使用过程中，伴随着充放电循环次数的增多，电池内部发生了一些不可逆的化学反应，导致内阻增大，性能衰退。可靠的容量预测技术不仅可以更加有效地使用电池，更能降低故障发生率。

2、基于模型法的电池寿命预测技术已经较为成熟，但是由于电路参数估计结果受到温度和soc等因素的影响，参数估计精度不高，导致基于该类方法的容量预测精度不高。

3、目前数据驱动的预测方法依旧是主流，基于数据驱动方法能够在不建立复杂电池模型的基础上探索电池外部参数和内部状态之间的关系。

技术实现思路

1、本发明提出了一种基于ceemdan和深度学习的电池寿命预测方法，能够实现电池寿命的精准预测。

2、为了实现上述目的，本发明通过采用以下技术手段，包括如下步骤：

3、采用带有自适应噪声的完全集合经验模式分解ceemdan，将原始容量衰减信号分解为全局退化趋势分量和局部波动分量；

4、使用随机森林回归rfr获得每个分量的重要性排序及数值，以此衡量每个分量对预测结果的贡献；

5、将各分量通过权重值进行加权重构；

6、以加权重构后的各分量作为关键特征，输入至长短期记忆神经网络lstm中，进行电池寿命的预测。

7、进一步的，采用自适应噪声完全集成的经验模态分解算法针对所述原始容量衰减信号数据进行一次分解，包括：

8、(1)将原始容量衰减数据s(t)扩展为l个添加了白噪声的容量序列＝{s1(t)、…、sl(t)}，其中，si(t)为第i个添加了白噪声的容量序列，si(t)＝s(t)+ε0ωi(t)，i＝1、2、···、l，t表示电池循环次数，ε0为高斯白噪声的振幅，ωu(t)表示第i次添加的服从标准正态分布的高斯白噪声；

9、(2)对加入了高斯白噪声的l个容量数据si(t)进行emd分解，得到第一阶段的l个模态分量imf1i，然后对imf1i取均值，得到第一个模态分量imf1，

10、(3)计算第一个残差r1(t)＝s(t)-imf1；

11、(4)对信号r1(t)+ε1e1(ωi(t))分解得到第二个模态分量其中，ek(*)表示*经过emd分解后得到的第k个模态分量，k＝1，…，n；

12、(5)k加1后，计算第k个残差rk(t)＝rk-1(t)-imfk；

13、(6)对信号rk-1(t)+εk-1ek-1(ωi(t))分解，得到第k个模态分量

14、(7)重复步骤(5)和(6)，直到最后的残差无法分解停止，得到最终的残差为n为模态总数，imfn为全局退化趋势分量，imf1、…、imf(n-1)为局部波动分量。

15、进一步的，采用集成学习中的随机森林回归rfr模型计算imfn、…、imf1的权重，表示为i(n)，i(n-1)、…、i(1)，rfr的输入为imfn、…、imf1，输出为电池寿命。

16、进一步的，将各模态分量按rfr计算所得权重进行加权重构，imfnnew＝imfn，imfinew＝i(i)*imfi，i＝1,2,…,n-1。

17、进一步的，以加权重构后的各分量作为关键特征，输入至长短期记忆神经网络lstm中，进行电池寿命的预测，即lstm的输入为imfinew，i＝1、2、…、n，输出为电池寿命。

18、本发明的有益效果与现有技术相对比，如下所示：

19、本发明中，根据电池的容量衰减机理，采用完备集合经验模态分解(ceemdan)、随机森林回归(rfr)与长短期记忆网络(lstm)相结合的方法对电池容量衰减进行预测。

20、1、首先，采用带有自适应噪声的完全集合经验模式分解(ceemdan)，将原始容量信号分解为全局退化趋势分量和局部波动分量，有助于准确地提取电池容量衰减的动态特征，而不受噪声的干扰。

21、2、然后，使用随机森林回归(rfr)获得每个分量的重要性排序及数值，以此衡量每个分量对预测结果的贡献。

22、3、最后将各分量通过权重值进行加权重构，构建长短期记忆神经网络(lstm)得到最终的电池容量衰减预测结果。使用深度学习方法进行电池寿命预测，通过降噪处理以及权重分配以提高预测准确性。

技术特征：

1.一种基于ceemdan和深度学习的电池寿命预测方法，其特征在于包括：

2.如权利要求1所述的电池寿命预测方法，其特征在于，采用自适应噪声完全集成的经验模态分解算法针对所述原始容量衰减信号数据进行一次分解，包括：

3.如权利要求1或2所述的任一电池寿命预测方法，其特征在于，采用集成学习中的随机森林回归rfr模型计算imfn、…、imf1的权重，表示为i(n)，i(n-1)、…、i(1)，rfr的输入为imfn、…、imf1，输出为电池寿命。

4.如权利要求3所述的电池寿命预测方法，其特征在于，将各模态分量按rfr计算所得权重进行加权重构，imfnnew＝imfn，imfinew＝i(i)*imfi，i＝1，2，…，n-1。

5.如权利要求4所述电池寿命预测方法，其特征在于以加权重构后的各分量作为关键特征，输入至长短期记忆神经网络lstm中，进行电池寿命的预测，即lstm的输入为imfinew，i＝1、2、…、n，输出为电池寿命。

技术总结
本发明提供了一种基于CEEMDAN和深度学习的钠离子电池寿命预测方法，涉及电池健康预测技术领域。基于根据电池的退化机理，利用完备集合经验模态分解和长短期记忆神经网络相结合的方法，进行电池容量衰减的预测。首先，采用带有自适应噪声的完全集合经验模式分解CEEMDAN，将原始容量信号分解为全局退化趋势分量和局部波动分量；使用随机森林回归RFR获得每个分量的重要性排序及数值，以此衡量每个分量对预测结果的贡献；将各分量通过权重值进行加权重构，构建长短期记忆神经网络LSTM，进行钠离子电池寿命预测。使用深度学习方法进行RUL预测，通过RFR进行特征权重重构，提高预测准确性。

技术研发人员：高洪才,樊博建
受保护的技术使用者：北京理工大学
技术研发日：
技术公布日：2024/5/16