基于预测模型融合的电池寿命预测方法及存储介质与流程

本发明属于电池寿命预测技术领域，具体是涉及一种基于预测模型融合的电池寿命预测方法及存储介质。

背景技术：

不论电力机车还是内燃机车，蓄电池与充电机并联构成了机车控制电路的能量来源，一旦蓄电池出现故障，便无法维持车内照明、无线通信通信装置以及应急装置的正常使用，对乘客的生命财产安全将带来很大的威胁。通过调研发现，高速铁路车用蓄电池多为碱性镉镍蓄电池，在实际运用中一般根据运行公里数或运用年限进行更换。此时电池寿命往往还有较大余量，提前更换无疑提高了动车组的运用成本。因此，研究准确可靠的寿命预测模型刻不容缓。目前，对电池的寿命预测方法大致分为两类：模型驱动和数据驱动。

模型驱动法基于蓄电池的内部结构原理、退化机制建立寿命预测模型。模型驱动法如现有技术一公开的应用电池层析成像测量技术和电化学性能测量技术，根据锂电池内部结构构建了动力电池循环寿命预测模型，但受电池种类、型号等因素影响，该方法难以运用到实际中。现有技术二公开的模型驱动法为一种退化模型，使用扩展卡尔曼滤波对燃料电池(pemfc)在线估计健康度和剩余寿命，该模型对操作条件具有鲁棒性。现有技术提供的模型驱动方法为基于新的粒子滤波(pf)框架的模型，该框架使用当前测量值来重新采样状态粒子，可以防止粒子的简并，此外还能自适应调整粒子数量，适用于在线应用。实验结果表明，相较于其他标准模型，该模型能以更短时间得到更为精确的预测结果。虽然模型驱动方法的预测性能越来越提高，然而模型驱动法过于依赖故障机理，预测的准确度很大程度上取决于使用的状态模型，而蓄电池工作环境因素复杂多变，建立准确的退化模型较为困难。

数据驱动法通过挖掘分析失效数据，得到电池性能退化规律，进而预测电池寿命。数据驱动法如：现有技术四提出了一种基于支持向量机(svm)实时剩余使用寿命rul估计方法,分析锂电池不同工况下的循环数据，从电压和温度曲线中提取关键特征，利用这些特征训练模型，从而达到锂离子电池rul预测的目的；现有技术五将等效电路模型参数和老化过程数据结合，用相关向量机(rvm)对pf的预后框架进行改进，进一步提高了预测的精确度，降低了预测的不确定性；现有技术六使用弹性均方反向传播方法自适应地优化长短期记忆网络(lstm)来进行寿命预测，该方法能得到比支持向量机、标准循环神经网络更准确的预测结果。基于神经网络的数据驱动模型相对而言是现有技术中性能较好的，但是神经网络虽然对历史数据具有很好的学习能力，网络结构难以确定，对数据的样本量和质量要求很高，且不具有输出的不确定性表达。

此外，现有技术的电池寿命研究主要针对锂电池和燃料电池，而镉镍蓄电池由于其寿命试验耗时长，试验条件苛刻，目前还未有相关的寿命研究。现有相关研究所用蓄电池的循环寿命为1000次以下，而某型动车组用镉镍蓄电池寿命周期则高达2000次以上，电池容量才会降到标准以下。随着周期数的增大，离线方法无法更新模型，误差累加，难有较好的精确度，而在线预测模型能随数据的更新而更新模型，模型的预测精度将更高。此外，镉镍电池具有“记忆效应”的特性，一般的预测方法，难有较好的预测结果。

技术实现要素：

有鉴于此，本发明提供了一种基于预测模型融合的电池寿命预测方法和存储介质，以解决现有的基于单一的粒子滤波模型预测所述电池寿命时由于过于依赖故障机理而造成建立准确的退化模型较为困难的问题，以及解决基于单一的神经网络预测模型的输出的不确定性的问题，同时还能解决现有技术无法在线更新模型的技术问题。

一种基于预测模型融合的电池寿命预测方法，所述预测模型包括粒子滤波模型和长短记忆网络模型，所述电池寿命预测方法包括：

步骤1：获取电池的历史数据，

步骤2：通过所述粒子滤波模型根据所述历史数据对所述电池的容量状态进行预测，以获得所述电池的容量预测值，

步骤3：将所述容量预测值与所述电池的设定的容量失效阈值进行比较，当所述容量预测值达所述容量失效阈值时，判断所述电池失效，使所述所述粒子滤波模型的迭代结束，并根据所述迭代的次数获得所述电池的剩余寿命，

其中，所述粒子滤波模型中嵌入有所述长短记忆网络模型，所述长短记忆网络模型以所述历史数据中的电池容量状态值数据作为训练样本数进行训练和学习，使所述长短记忆网络模型根据所述电池容量历史数据对所述电池的容量状态进行预测，并根据训练好的所述长短记忆网络模型的输出值构建所述粒子滤波模型的状态转移方程和获得所述电池的容量状态的先验预测值。

优选地，所述历史数据包括所述电池的充放电次数数据和每次进行所述充放电时对应的电池的容量状态值数据，

所述电池寿命预测方法还包括：

在通过所述电池容量数据对长短记忆网络模型进行训练和学习前，对所述历史数据进行预处理，所述预处理包括剔除所述历史数据中的无用数据以及对所述历史数据进行归一化处理。

优选地，所述步骤2包括：

步骤21：随机生成的一组预测起点时刻的所述电池的容量值，以作为所述粒子滤波模型的初始粒子组，并给各个所述初始粒子组分配初始权重系数，

步骤22：采用所述顺练样本数据对所述长短记忆网络模型进行训练和学习，使所述长短记忆网络模型根据所述电池容量历史数据对所述电池的容量状态进行预测，

步骤23：根据所述长短记忆网络模型的输出构建所述状态方程以及获得当前时刻的所述先验预测值，

步骤24：根据当前时刻的所述先验值和上一时刻的所述粒子组产生新的粒子组，

步骤25：更新所述新粒子组的权重，

步骤26：根据所述新粒子组和所述新粒子组的权重对当前时刻的所述先验预测值进行修正，以获得当前时刻的所述后验预测值。

优选地，所述的电池寿命预测方法还包括步骤4、步骤5和步骤6，若所述步骤3中的所述判断结果是电池没有失效，则依次执行所述步骤4和步骤5，

所述步骤4为在线获得所述电池容量的测量值，

所述步骤5为判断当前时刻的所述预测值与所述新测量值之间的差值大小是否大于设定的误差值，若判断结果为是，则执行步骤6，否则，则使得所述粒子滤波模型的迭代次数加1，并返回所述步骤23，

步骤6为将所述步骤4中获得所述测量值增加到所述训练样本中以更新所述训练样本，更新完所述训练样本后转步骤22，以通过所述更新的训练样本重新训练所述长短记忆网络模型。

优选地，通过在所述长短记忆网络模型中设置dropout模块来防止所述长短记忆网络模型的过拟合。

优选地，将所述历史数据中的容量状态值数据

建立时序序列，以所述时序序列训练所述长短记忆网络模型。

优选地，根据训练好的所述长短记忆网络确定所述状态方程和所述先验预测值的步骤包括：

使训练好的所述长短记忆网络模型根据当前时刻的前m个时刻的所述容量状态值数据预测当前时刻的所述电池容量的状态值，

将所述长短记忆网络模型当前时刻的输出值与当前时刻的前一时刻电池容量退化的过程噪声叠加作为所述状态方程中的当前时刻的状态预测值，以构建所述状态方程，

根据所述状态方程和当前时刻的前一时刻的所述后验预测值计算获得当前时刻的所述先验预测值。

优选地，利用重要性采样更新所述新粒子组的权重，使得越接近所述电池容量状态的预测值的粒子对应的权重系数越大。

优选地，所述电池为镉镍蓄电池，所述长短记忆网络模型包括输入输出层、长短记忆网络层、dropout层和全连接层。

一种存储介质，其特征在于，所述存储介质为计算机的可读存储介质，所述可读存储介质上存储的计算机程序被处理器执行时实现如上述任意一项所述的电池寿命预测方法。

本发明获得的有益效果：本发明提供的基于粒子滤波模型与长短记忆网络模型融合的电池剩余寿命在线预测方法可以实现镉镍蓄电池剩余循环寿命预测，将长短记忆网络模型嵌套于粒子滤波模型之中，融合模型结构简单，用已有历史数据训练长短记忆网络模型得到退化趋势方程确定粒子滤波模型的的状态转移方程，解决了粒子滤波模型过于依赖经验模型的问题，粒子滤波模型利用粒子的加权和逼近容量的预测值，能得到剩余寿命的不确定表达，此外，将在线获得的新样本增加到原有训练样本集中重新训练模型，使得模型参数更新及时，有更好的适应性。

附图说明

图1为依据本发明实施例提供的基于预测模型融合的电池寿命预测方法的方法流程示意图；

图2为预测起点为t＝1100cycle，循环次数为rul＝1742cycle的设置条件下，依据本发明提供的融合预测模型lstm-p模型进行电池寿命预测的预测效果对比图；

图3为预测起点为t＝1100cycle，循环次数为rul＝1742cycle的设置条件下，采用标准的pf模型进行电池寿命的预测效果对比图；

图4为预测起点为t＝1100cycle，循环次数为rul＝1742cycle的设置条件下，采用标准的lstm模型进行电池寿命预测的预测效果对比图；

图5为预测起点为t＝200cycle，循环次数为rul＝842cycle的设置条件下，依据本发明提供的融合预测模型lstm-p模型进行电池寿命预测的预测效果对比图；

图6为预测起点为t＝200cycle，循环次数为rul＝842cycle的设置条件下，采用标准的pf模型进行电池寿命的预测效果对比图；

图7为预测起点为t＝200cycle，循环次数为rul＝842cycle的设置条件下，采用标准的lstm模型进行电池寿命预测的预测效果对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所产生的所有其他实施例，都属于本发明保护的范围。此外需要说明的是，在具体实施方式这一项内容中“所述…”是仅指本发明的中的技术属于或特征。

为了解决现有技术存在的上述问题，本发明提供了一种基于预测模型融合的电池寿命预测方法，其主要将粒子滤波(pf)模型和长短记忆网络(lstm)模型这两种预测模型进行融合，即以在粒子滤波模型中嵌入所述长短记忆网络模型的方式将这两个预测模型进行融合，从而形成对电池寿命进行预测的融合预测模型。在所述融合预测模型中，所述长短记忆网络模型以所述历史数据中的电池容量状态值数据作为训练样本数进行训练和学习，使所述长短记忆网络模型根据所述电池容量历史数据对所述电池的容量状态进行预测，并根据训练好的所述长短记忆网络模型的输出值构建所述粒子滤波模型的状态转移方程和获得所述电池的容量状态的先验预测值。

具体的，本发明提供的基于所述融合预测模型的电池寿命预测方法的执行步骤包括：

步骤1：获取电池的历史数据。所述历史数据包括所述电池的充放电次数数据和每次进行所述充放电时对应的电池的容量状态值数据。

步骤2：通过所述粒子滤波模型根据所述历史数据对所述电池的容量状态进行预测，以获得所述电池的容量预测值。

获得所述电容预测值的步骤包括：

步骤21：随机生成的一组预测起点时刻的所述电池的容量值，以作为所述粒子滤波模型的初始粒子组，并给各个所述初始粒子组分配初始权重系数。

步骤22：采用所述顺练样本数据对所述长短记忆网络模型进行训练和学习，使所述长短记忆网络模型根据所述电池容量历史数据对所述电池的容量状态进行预测。

步骤23：根据所述长短记忆网络模型的输出构建所述状态方程以及获得当前时刻的所述先验预测值。

步骤24：根据当前时刻的所述先验值和上一时刻的所述粒子组产生新的粒子组。

步骤25：更新所述新粒子组的权重。

步骤26：根据所述新粒子组和所述新粒子组的权重对当前时刻的所述先验预测值进行修正，以获得当前时刻的所述后验预测值。

步骤3：将所述容量预测值与所述电池的设定的容量失效阈值进行比较，当所述容量预测值达所述容量失效阈值时，判断所述电池失效，使所述所述粒子滤波模型的迭代结束，并根据所述迭代的次数获得所述电池的剩余寿命。

本发明所提供的所述电池寿命预测方法中的电池主要为镉镍蓄电池，由于其充放电循环次数高达2000次以上，电池才可能失效，远高于常用的锂电池的充放电循环次数。因此，对于镉镍蓄电池的电池寿命的预测模型需要具有在线获得更新融合预测模型的新数据，以自适应的更新所述融合预测模型，使得融合预测模型的预测精度将更高。

因此，依据本发明提供的所述的电池寿命预测方法，还包括步骤4、步骤5和步骤6，若所述步骤3中的所述判断结果是电池没有失效，则依次执行所述步骤4和步骤5，

所述步骤4为在线获得所述电池容量的新状态值和新测量值，具体的可以提供在线获取寿命测试实验中产生的所示新状态值和新测量值(观测值)增加到原有的提供历史电池数据建立的时间序列中。所述步骤5为判断当前时刻的所述预测值与所述新测量值之间的差值大小是否大于设定的误差值，若判断结果为是，则执行步骤6，否则，则使得所述粒子滤波模型的迭代次数加1，并返回所述步骤23。所述步骤6为将所述步骤4中获得所述新状态值增加到所述训练样本中以更新所述训练样本，更新完所述训练样本后转步骤22，以通过所述更新的训练样本重新训练所述长短记忆网络模型。

此外，我们还通过在所述长短记忆网络模型中设置dropout模块来防止所述长短记忆网络模型的过拟合。因此，依据本发明实施例提供的所述长短记忆网络模型包括输入输出层、长短记忆网络层、dropout层和全连接层。

在通过具体实施例进一步详细阐述本发明之前，我们先描述一下粒子滤波模型和长短记忆网络模型的相关原理。

粒子滤波的算法是在贝叶斯滤波的基础上，引入蒙特卡洛采样以获得后验概率和随机样本的估计值的算法。假设一个系统(如本发明的电池系统)其状态方程和观测方程如公式(1)和公式(2)所示：

xk＝fk(xk-1，vk-1)(1)

yk＝hk(xk，nk)(2)

其中xk，yk分别k时刻的系统状态和观测值，vk-1为系统k-1时刻的的过程噪声(动态噪声)，nk为k时刻的观测噪声，xk-1为k-1时刻的系统状态。在蓄电池寿命预测运用中，式(1)通常为经验退化方程，实际工程中精确的退化方程难以获得。为获得目标状态的最优估计，粒子滤波通过预测和更新两个过程来得到k时刻系统的后验概率密度p(xk|yk)。预测阶段利用k-1时刻的概率密度p(xk-1|yk-1)获得先验概率p(xk|yk-1)的公式如公式(3)所示：

p(xk|yk-1)＝∫p(xk|xk-1)p(xk-1|yk-1)dxk-1(3)

更新阶段利用重要性采样法引入重要性概率密度函数q(xk|yk)，从中生成采样粒子，利用粒子的加权和来逼近后验概率分布p(xk|yk)以获得的后验概率计算公式为公式(4)

其中为k时刻第i个粒子的状态，其权值为权值的分配公式如公式(5)所示：

循环神经网络(rnn)可以利用其记忆功能处理非线性时间序列，但是当序列很长时易存在梯度爆炸、梯度消失的问题，长短期记忆网络(lstm)便是为解决该问题而设计的一种特殊的rnn。相较于rnn，lstm增加了信息处理单元即细胞cell，该单元由遗忘门、输入门、输出门组成。

遗忘门能以一定概率来丢弃上层的冗余信息，其计算公式如公式(6)所示：

f^(t)＝σ(wfh^(t-1)+ufx^(t)+bf)(6)

其中h^(t-1)为上一层的隐藏状态，x^(t)为当前序列位置信息，wf、uf、bf为遗忘门中线性关系的权重与偏移量，σ为sigmoid激活函数。该门将输出一个0到1之间的值，决定信息的丢失程度，0表示“完全舍弃”，1表示“完全保留”。

输入门能处理当前序列位置的信息，其计算公式如公式(7)和公式(8)所示：

i^(t)＝σ(wih^(t-1)+uix^(t)+bi)(7)

a^(t)＝tanh(wah^(t-1)+uax^(t)+ba)(8)

其中wi、ui、wa、ua为输入门中线性关系的权重，bi、ba为偏移量。遗忘门和输入门的结果将用于细胞状态的更新，其更新方程如公式(9)所示：

c^(t)＝c^(t-1)⊙f^(t)+i^(t)⊙a^(t)(9)

其中c^(t)为更新后的细胞状态，⊙为hadamard积。

输出门则能处理当前序列的信息、细胞状态以及上层隐藏状态，向下一层输出新的隐藏状态，所述输出门对应的计算公式如公式(10)和(11)所示：

o^(t)＝σ(woh^(t-1)+uox^(t)+bo)(10)

h^(t)＝o^(t)⊙tanh(c^(t))(11)

其中，wo、uo、bo为输出门中线性关系的权重与偏移量，h^(t)为当前层的隐藏状态，既作为当前层的输出，也继续传入下一层。

鉴于长短记忆网络(lstm)有较好的学习能力，粒子滤波(pf)能很好地适应非线性、非高斯系统，并能给出不确定性表达，因此本文提出融合lstm与pf两种算法结合图1所示的依据本发明实施例提供的基于所述融合预测模型的电池寿命预测方法的方法流程示意图，进一步详细阐述本发明如何将粒子滤波模型和长短记忆网络模型相融合来预测所述电池的寿命的。

如图1所示，镉镍蓄电池使用过程中，由于活性物失活，电解液减少等原因，蓄电池的可用容量减小，tb_t3061-2016规定，容量值作为失效判断依据，当容量减少到额定容量的70％时，即为失效。因此通常将电池容量作为性能退化因子，根据退化因子的演变规律来进行寿命的预测。蓄电池寿命受到温度、充放电倍率、工况等多种因素的影响，失效过程是非线性、非高斯的。粒子滤波能很好地适用于非高斯非线性的系统，能够得到预测结果的不准确性表达，但标准的粒子滤波需要公式(1)所示的状态转移方程，实际运用中环境等因素变化较大，难以得到较为准确的状态方程。lstm拥有记忆功能，能够学习长时间跨度的时间序列，但无法适应系统中出现的噪声等不确定因素，且无法给出不确定表达，因此我们融合两种预测模型，结合各自优点更好地实现蓄电池的寿命预测。

本文选择容量作为退化因子，将前期已有的(如电池充放电循环1000次以后的)电池容量数据建立为时间序列(x1，x2，x3，...xn)，通过建立的所述时序序列对lstm模型进行训练学习，以使得所述lstm模型基于k时刻(当前时刻)的前m个时刻的信息可以得到k时刻的预测值，所述长短记忆网络模型进行k时刻的电容容量状态预测方法的公式如公式(12)

为第k时刻lstm在k时刻的输出，即通过lstm模型预测的k时刻所述电池的容量状态，根据lstm训练得到的容量退化模型式(12)来确定粒子滤波的状态转移方程：

ωk-1为过程噪声，xk为第k时刻的粒子滤波模型中的状态预测值。随机生成的第k时刻容量值作为初始化粒子根据状态转移方程的先验概率得到一组新的粒子的计算公式如公式(14)所示：

利用重要性采样优化新粒子的权重，越接近状态预测值xk的粒子，权重越大，用加权的粒子和逼近第k时刻的容量预测值。新增的时间序列用来更新lstm模型参数。具体流程如图1。

步骤a：对容量数据预处理，剔除不可用数据，进行归一化，该步相当于上述步骤1。

步骤b：随机生成n个粒子作为初始粒子，例如随机生成第k时刻电池的一组容量值作为所述初始粒子。

步骤c：处理后的数据作为训练样本，以投入到lstm模型中对lstm模型进行学习训练，lstm中增加dropout模块以防过拟合。在本发明中我们选择的lstm模型包括一个输入输出层、一个lstm层和一个所述dropout层。

步骤d：用训练后的lstm模型的输出确定的电容退化方程作为粒子滤波模型中的状态方程，如公式(13)所示，并根据所述状态方程获得观测值的先验预测值所述先验预测值与先验概率对应可以根据所述先验概率获得。

步骤e：根据当前时刻的所述先验预测值和上一时刻的所述粒子组产生新的粒子组状态转移方程产生新粒子

步骤f：更新粒子权重，得到后验证预测值值所述后验预测值为所述粒子滤波模型对所述电池容量的后验值。

步骤g：将预测的电池容量与额定容量的70％做比较，若前者小于后者判定为电池失效，预测结束，得到剩余寿命，否则则进入步骤h。

步骤h：在线获取新增时间序列(xnew，ynew)到来xnew为当前在线获得的电池的新状态值，所述ynew为当前所述电池容量的观测值，判断后验预测值与ynew的差值是否超出设定的误差范围peb，若未超出范围，则lstm模型无需更新，宽度为m的滑动窗口向前移动一步，继续进行预测；否则将新增时间序列加入到训练集中，转到步骤c重新训练lstm模型参数，用重新训练的模型进行后续预测。

为研究镉镍电池老化特性，我们使用了多组同类型的动车组车用排气式镉镍电池，单体电池标称电压1.2v，额定容量160a·h，高低温试验箱用于维持试验环境温度，蓄电池组测试系统用于监测电流电压等参数。

根据铁标tb_t3061-2016规定在25℃±5℃环境下进行循环寿命试验，以50次循环为一组，每组循环中的第一次循环以0.25it充电6h，以0.25it放电2.5h，2～50次循环以0.2it充电7h～8h，以0.2it放电至1.0v/节，直至任一50次循环的放电时间少于3.5h为止，以0.2it再进行一组循环，若连续两组的第50次循环放电时间都少于3.5h，说明容量下降到额定容量的70％以下，则寿命试验终止。

根据安时积分定理计算得到容量，以容量作为电池性能退化特征，所述按时积分定理的公式如公式(15)所示：

ck为第k个充放电周期的容量，i为放电电流，得到容量的时间序列，使用归一化函数对数据进行如公式(16)所示的预处理：

将电池寿命的预测模型的拟合度评价函数定义为如公式(17)所示：

其中n为预测的数据点总数，ck为实际容量值，为预测容量值。

为了验证所提方法的预测效果，使用标准的粒子滤波对实验数据进行预测作为对比。状态转移方程使用指数模型，如公式(18)所示：

ck＝ηcck-1+β1exp(-β2/δtk-1)(18)

其中ηc为库伦效率，一般取0.998，δtk-1＝tk-tk-1，为相邻两周期的时间间隔，其余参数利用实验数据拟合得到。

由实验得到，镉镍蓄电池前期因为其特有的“记忆效应”，呈现低容量现象，经过多次彻底的充放电循环后，容量恢复到额定值，在第2842个周期失效。电池失效的容量门限为112a·h，分别以t＝1100cycle，t＝2000cycle为预测起始点，使用预测起点前的实验数据作为训练集，预测起点后数据作为测试集。lstm模型结构为输入输出层，一个lstm层，dropout层，以及一个全连接层，优化器使用adam。粒子数目n＝300，观测噪声协方差q＝0.0001

表1t＝1100cycle，实验结果

图2至图4分别是预测起始点t＝1100cycle，实际rul＝1742cycle的设置条件下，本发明提供的融合预测模型lstm-pf、标准pf预测模型及lstm预测模型的预测效果对比图，

表1为三种模型的结果评价，主要包括预测结果、误差及拟合度。根据拟合度数据可以看出，融合模型误差更小，且预测误差较pf少27个周期，较lstm少18个周期。

表2t＝2000cycle，rul预测值

图5-图7分别是在预测起始点t＝2000cycle，实际rul＝842cycle的设置条件下，融合模型lstm-pf、标准pf及lstm模型的预测对比图，表2展示了三种模型的结果评价，融合模型预测误差较pf少9个周期，较lstm少5个周期，具有较高的拟合度。

实验结果表明，从同一起始点开始预测时，融合模型比标准的pf和lstm模型具有更精确的预测结果，而对于三种模型而言，均有当t＝2000cycle时，比t＝1100cycle时预测效果更好，起始点越靠后，意味着更多的数据可以用于训练模型，模型愈加精确。对于同一模型，随着观测数据的更新，预测模型不断学习更新参数，在线的预测结果也愈加精确。

由上可见本发明提供的基于粒子滤波模型与长短记忆网络模型融合的电池剩余寿命在线预测方法可以实现镉镍蓄电池剩余循环寿命预测，将长短记忆网络模型嵌套于粒子滤波模型之中，融合模型结构简单，用已有历史数据训练长短记忆网络模型得到退化趋势方程确定粒子滤波模型的的状态转移方程，解决了粒子滤波模型过于依赖经验模型的问题，粒子滤波模型利用粒子的加权和逼近容量的预测值，能得到剩余寿命的不确定表达，此外，将在线获得的新样本增加到原有训练样本集中重新训练模型，使得模型参数更新及时，有更好的适应性。

此外，本发明还提供了一种存储介质，所述存储介质为计算机的可读存储介质，所述可读存储介质上存储的计算机程序被处理器执行时实现依据本发明任意实施例所述的电池寿命预测方法。

依照本发明的实施例如上文所述，这些实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施例。根据以上描述，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地利用本发明以及在本发明基础上的修改使用。本发明仅受权利要求书及其全部范围和等效物的限制。