本发明属于电池管理，涉及电池健康状态预测模型的建立方法和系统。
背景技术：
1、煤炭、石油、天然气和其他传统能源是现代社会的主要能源。随着能源需求的增加，会导致传统能源的日益短缺，从而限制了人类社会的可持续发展。为了缓解能源紧张，促进社会可持续发展，有必要积极发展节能减排技术，并不断探索多样化的能源。
2、近年来，随着电池技术的逐步提高，电池作为主要能源供应或储能部件的设备得到了广泛的应用，锂离子电池因其输出电压高、循环寿命长、能量密度大、自放电速率低、工作温度范围宽、寿命长、工作电压高等优点常用于便携式终端、电动汽车、航空航天等领域。然而，随着电池运行时间的增加，其性能不可避免地会下降，导致容量下降，出现内阻增加和输出功率减少等老化现象。因此，准确估计健康状态，健康状态简称soh，指用于描述电池与全新时的初始状态相比当前的健康状况。采用健康状态来反映电池的老化状态对电池的合理使用和更换至关重要。因此，电池健康状态预测系统一直是业内关注的热点。目前最常用的电池健康状态计算方式为基于容量衰减的定义，计算方式如下：
3、
4、其中，qmax为当前循环时的最大放电容量，qn为新电池的标称容量，主要反映电池老化过程中放电量的衰减情况，因此电池健康状态可以用电池当前循环的最大放电量表示。
5、目前的锂离子健康状态预测模型有直接测量模型和基于数据的模型。在基于数据的模型中，随机森林、支持向量机、高斯过程回归、极限学习机、反向传播神经网络、长短期记忆递归神经网络和门控循环单元神经网络都有着广泛的应用。在这些数据驱动模型中，大多都使用了不同的锂离子电池的健康特征提取方式，常见的有基于增量计算的健康特征、基于时间的健康特征、基于包络区域的健康特征、基于模型参数的健康特征，这些健康特征通过人工提取或者自动提取的方式得到，来源于电池数据中随循环变化的某些特征，能反映电池老化过程中的一些规律，但也容易丢失一些原始数据中的珍贵信息。而且为了获取更优的健康特征，通常需要对原始数据进行大量的特征提取实验和相关性分析，此外，健康提取方式有着极大的限制性，不同的电池和不同电池类型间的健康提取方式不一定能相互适用；对于随机充放电的电池，当前也没有可用的健康提取方式。
6、门控循环单元神经网络可以直接从原始的锂电池电压电流等数据中学习到与健康状态相关的信息，而不需要预先进行特征提取的步骤。这不仅大大降低了进行特征提取所需的人工实验和操作的工作量，也减少了特征提取可能导致的信息遗漏。但循环网络在训练和学习的过程中，由于产生长时间依赖关系，难以保证序列的细节信息不被遗漏，特别的，电池健康状态预测与其序列数据中的特殊节点有强大的相关性，细节信息的遗漏可能会严重影响电池健康状态预测的精确度。
技术实现思路
1、为了克服上述现有技术的缺点，本发明的目的在于提供一种电池健康状态预测模型的建立方法和系统，本发明能捕捉电池数据内的区块细节信息，保证电池健康状态预测的精度。
2、为了达到上述目的，本发明采用以下技术方案予以实现：
3、本发明公开了一种电池健康状态预测模型的建立方法，包括以下步骤：
4、将所有的电池最大容量数据进行一次离群值处理得到预处理数据；
5、利用掩藏层处理预处理数据，并将处理后的数据划分为训练数据和验证数据；
6、通过卷积网络层处理训练数据得到卷积网络层处理数据；
7、通过门控循环单元神经网络处理卷积网络层处理数据得到初步预测模型；
8、将验证数据输入初步预测模型得到最优预测模型。
9、进一步的，将所有的电池最大容量数据进行一次离群值处理得到预处理数据具体如下：
10、求得时间上连续的若干个电池最大容量数据，对这若干个电池最大容量数据求取平均值μ和方差σ，随后将这若干个值中范围在[μ-3σ，μ+3σ]之外的数据剔除掉，得到预处理数据。
11、进一步的，利用掩藏层处理预处理数据具体如下：
12、比较预处理数据的长度，在长度小于最长的预处理数据的数据末尾添加数字0，并记录预处理数据的长度数值。
13、进一步的，通过卷积网络层处理训练数据得到卷积网络层处理数据具体如下：
14、将训练数据分别通过1×n卷积和1×15最大池化层进行处理，n是卷积核的长度，n包括5、15和45；
15、将训练数据与通过卷积的训练数据接并，得到卷积网络层处理数据；
16、卷积层最终的输出形式即卷积网络层处理数据具体如下：
17、
18、其中，yconv为卷积层的输出值，x为输入的训练数据，为1×5卷积的输出，为1×15卷积的输出，为1×45卷积的输出，ymaxpooling为最大池化层的输出。
19、进一步的，1×n卷积的计算公式如下：
20、
21、其中，是输出信号中来自1×n卷积的第j个元素，xj是输入信号的第j个元素，ωk是卷积核的第k个权重，n是卷积核的长度，n包括5、15和45。
22、进一步的，1×15最大池化层的计算公式如下：
23、
24、其中，是输出信号中来自1×15最大池化层的第j个元素，xk是输入信号的第j个元素。
25、进一步的，通过门控循环单元神经网络处理卷积网络层处理数据得到初步预测模型的过程中，门控循环神经网络最终的输出为最后一个时间步的隐藏状态hn，再经过一个顺序全连接层就可以得到电池健康状态的预测值，顺序连接层的计算方式如下：
26、y＝w3·relu(w2·relu(w1·x+b1)+b2)+b3
27、其中，w1、w2、w3分别为全连接层的权重参数，b1、b2、b3分别为全连接层的偏置参数，relu(·)为非线性激活函数；
28、在门控循环单元神经网络处理卷积网络层处理数据的过程中，每一次进行迭代和数据更新时，其损失函数为模型输出数据与标签值的均方误差值，计算方式为：
29、
30、其中，loss为损失值，n为预测值数量，yi分别为第i个预测值和真值。
31、进一步的，将验证数据输入初步预测模型得到最优预测模型具体如下：
32、将验证数据输入初步预测模型后，将预测值与验证数据的标签值进行均方误差计算并记录结果，选择验证数据上表现最优的模型即为最优预测模型。
33、进一步的，将验证数据输入初步预测模型得到最优预测模型后，通过实验数据对最优预测模型进行评估；
34、评估的指标为：平均绝对误差、均方根误差、均方误差、平均绝对百分比误差和对称平均绝对百分比误差。
35、基于上述方法，本发明还公开了一种电池健康状态预测模型的建立系统，包括一次离群值处理模块、掩藏层处理模块、卷积网络层处理模块、门控循环单元模块和模型获取模块；
36、一次离群值处理模块：用于将所有的电池最大容量数据进行一次离群值处理得到预处理数据；
37、掩藏层处理模块：用于利用掩藏层处理预处理数据，并将处理后的数据划分为训练数据和验证数据；
38、卷积网络层处理模块：用于通过卷积网络层处理训练数据得到卷积网络层处理数据；
39、门控循环单元模块：用于通过门控循环单元神经网络处理卷积网络层处理数据得到初步预测模型；
40、模型获取模块：用于将验证数据输入初步预测模型得到最优预测模型。
41、与现有技术相比，本发明具有以下有益效果：
42、1、本发明方法将所有的电池最大容量数据进行一次离群值处理得到预处理数据，可以减少后续模型训练受到离群值的干扰，提升预测能力。利用掩藏层处理预处理数据，并将处理后的数据划分为训练数据和验证数据，使用训练数据进行模型训练，使用验证数据进行模型的择优，可以提高模型的泛化能力，避免过拟合现象，提升预测能力；
43、2、本发明方法通过卷积网络层处理训练数据得到卷积网络层处理数据。使用卷积层和池化层能够为后续的门控循环单元神经网络提供先验知识。经过掩藏层处理的电池数据会在卷积网络层中拓展其数据信息，卷积层能够通过对固定维度内的数据进行计算重组和得到固定维度内数据最大值的方式模拟现有的电池健康特征提取方式，通过自动学习可以获取电池数据曲线上的局部极值、局部积分值、鞍点值、特征数据波动范围值、特征数据波动平均值等，实现对原始序列数据的关键节点特征的捕捉，提供了对电池健康状态预测有现实指导性意义的先验知识，更好的保证了网络对数据的充分学习，提高了预测的精度；
44、3、本发明方法通过门控循环单元神经网络处理卷积网络层处理数据得到初步预测模型，避免了人为影响、实验耗时、重要信息遗漏等缺陷，并且，使用门控单元循环网络处理不等长序列时不会损失原始数据序列长度信息，在电池的长周期寿命中，数据序列长度信息极大的反映了电池所处的循环周期，对于电池健康状态预测十分重要。将验证数据输入初步预测模型得到最优预测模型，使用验证数据选择最优模型，使得最后得到的模型具有泛化能力，避免其在预测中出现过拟合现象，保证了其预测能力的稳定性。
45、本发明系统，包括一次离群值处理模块、掩藏层处理模块、卷积网络层处理模块、门控循环单元模块和模型获取模块。一次离群值处理模块用于将所有的电池最大容量数据进行一次离群值处理得到预处理数据。掩藏层处理模块用于利用掩藏层处理预处理数据，并将处理后的数据划分为训练数据和验证数据。卷积网络层处理模块用于通过卷积网络层处理训练数据得到卷积网络层处理数据。门控循环单元模块用于通过门控循环单元神经网络处理卷积网络层处理数据得到初步预测模型。模型获取模块用于将验证数据输入初步预测模型得到最优预测模型。各模块相互配合能实现电池数据内的区块细节信息的捕捉，保证电池健康状态预测的精度。