基于数据驱动和粒子滤波融合模型的锂电池RUL预测方法、系统、设备及介质

本发明属于动力电池和储能，尤其涉及一种基于数据驱动和粒子滤波融合模型的锂电池rul预测方法、系统、设备及介质。

背景技术：

1、锂离子电池因其容量大、无记忆、能量密度高、对高温和低温适应性强等优点，在动力电池和储能领域得到了广泛应用。随着锂电池不断进行充放电循环，其容量会逐渐下降，性能也会逐渐减弱。通常认为电池的实际容量衰减到额定容量的70％～80％时，该电池不能满足使用要求，也即到达寿命终止(end of life，eol)。用于判断锂电池是否已经到达了eol的界限被称为失效阈值。锂离子电池剩余寿命(remaining useful life,rul)可认为是服役期间该电池达到失效阈值前的正常可使用时间。

2、锂电池rul预测主要分为三类不同的方法：一种是建立数学模型来模拟电池的老化过程；一种是直接利用历史数据来建立数据驱动模型；还有一种是将数学模型和数据驱动模型结合起来的融合模型。数学模型为基础的方法主要包括电化学模型、等效电路模型和经验退化模型等。电化学模型方法缺点是电化学模型很难准确地反映电池的特性，因为电化学过程具有动态性和非线性性。sadabadi,kk等人利用电化学模型来估计锂电池的内部参数，从而实现rul的预测。但是，电化学模型方法缺点是很难准确地反映电池的特性，因为电化学过程具有动态性和非线性性。等效电路模型方法需要建立复杂的电气化学模型，确定模型结构及参数。因此，等效电路模型方法缺点是结构复杂，过程参数选择和模型调优比较困难。此外，这种方法依赖对电池充放电机理的研究和理解，需要大量先验电化学知识的支持。数据驱动方法本质上是通过各种特征提取方法，如统计特征、频域特征等从原始数据中提取出能够反映系统规律的特征。使用数据驱动算法建立输入特征和输出目标之间的映射关系,如时间序列预测中建立历史数据和未来数据的映射。通过统计学习理论和算法训练学习模型,使其能够基于输入特征准确预测目标输出。因此，数据驱动方法的缺点是需要大量的训练数据支撑，否则难以保证预测的精度。

技术实现思路

1、为了克服上述现有技术的不足，本发明的目的在于提供一种基于数据驱动和粒子滤波融合模型的锂电池rul预测方法、系统、设备及介质，将卷积神经网络(convolutionalneural networks,cnn)和门控循环单元(gated recurrent unit,gru)网络结合，形成cnn-gru的串联结构，能够同时捕捉空间和时序信息，简化现有技术中复杂的时间序列问题；采用双指数经验模型建立状态方程，以cnn-gru输出的预测值作为观测值，建立cnn-gru-pf融合预测模型的状态空间方程，基于cnn-gru-pf融合模型对锂电池rul进行预测；能够减小数据的噪音和不确定性，确保模型方法的可靠性，预测准确且具有良好的普遍适用性。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种基于数据驱动和粒子滤波融合模型的锂电池rul预测方法，首先，将卷积神经网络cnn和门控循环单元gru网络结合，形成cnn-gru的串联结构，能够同时捕捉空间和时序信息；然后，采用双指数经验模型建立状态方程，以cnn-gru输出的预测值作为观测值，建立cnn-gru-pf融合预测模型的状态空间方程，基于cnn-gru-pf融合模型对锂电池rul进行预测。

4、一种基于数据驱动和粒子滤波融合模型的锂电池rul预测方法，具体包括以下步骤：

5、步骤1、将卷积神经网络cnn分为卷积层和全连接层，取消池化层的使用，由全连接层将卷积层输出的数据进行整合和映射，得到分类或回归的结果；

6、将卷积神经网络cnn和门控循环单元gru网络结合，形成串联结构的cnn-gru网络模型；

7、步骤2、采用以cnn-gru输出的预测值作为观测值，建立cnn-gru-pf融合预测模型并进行rul预测。

8、所述步骤1中cnn-gru的网络模型结构如下：

9、1)输入层，用于接收锂电池的容量退化数据并输出至cnn层；

10、2)cnn层，包括一维卷积层、批量归一化层和relu激活函数；其中，卷积层对来自输入层锂电池容量数据进行卷积运算并提取数据的局部特征，批量归一化层对网络中输入数据进行标准化处理，减少数据分布的变化，加快网络的收敛速度，relu激活函数增加网络的非线性能力，克服网络存在的梯度向量消失问题；然后，使用平坦层将数据映射输出，输出数据作为gru模块的输入数据；

11、3)gru层，gru层接收卷积层的输出数据，并对接收的数据进行训练，根据训练结果进行锂电池容量的预测，并将预测数据输出至dropout层；

12、4)dropout层，dropout层用于防止gru神经网络出现过拟合，减少神经元之间的相互依赖，增强网络的泛化能力和鲁棒性；在dropout层后添加全连接层，将dropout层输出映射到所需的输出维度；

13、5)输出层，将dropout层的输出数据为下一时刻的锂电池容量。

14、所述gru层通过tanh函数对训练的数据进行缩放和平移，减小gru训练的数据分布范围，提高gru训练的效率。

15、所述步骤2具体方法为：

16、2.1)采用双指数经验模型建立状态方程，以cnn-gru输出的容量预测值作为观测值，建立cnn-gru-pf融合预测模型的状态空间方程：

17、xk＝[ak；bk；ck；dk]   (1)

18、

19、qk＝ak*exp(bk*k)+ck*exp(dk*k)+γk,γk～n(0,σq)   (3)

20、式中：a、b、c、d为电池的内部参数，也为状态量，电池容量作为观测量；k为电池的充放电循环周期；qk是k循环周期的容量观测值，由cnn-gru模型的容量预测值提供；ω、γ分别为过程噪声和测量噪声，过程噪声和测量噪声都是高斯噪声；

21、2.2)采用pf的滤波方法，利用cnn-gru网络的容量预测值对双指数经验模型的参数a、b、c、d进行更新；

22、2.3)利用步骤2.2)更新后的参数计算新的容量预测值；

23、2.4)利用步骤2.3)新的容量预测值更新cnn-gru训练数据集，实现cnn-gru神经网络预测信息与双指数经验模型预测信息的融合；基于cnn-gru-pf融合模型对锂电池rul进行预测。

24、所述步骤2.4)的具体流程为：

25、2.4.1)降噪预处理：从电池数据集中提取电池的容量数据并进行降噪预处理；

26、2.4.2)初始化参数：设置预测起点s、寿命阈值、pf初始值以及cnn-gru参数；

27、2.4.3)划分训练集和测试集：data_train(s)是cnn-gru模型训练的训练数据矢量；data_test是cnn-gru模型的测试数据矢量；data_train(s)由前s步周期的容量c1，c2，c3，…，cs组成；

28、2.4.4)用cnn-gru网络模型训练并预测s+1循环周期时的电池容量，命名为qps+1；

29、2.4.5)基于pf的状态估计：针对由式(1)、(2)、(3)组成的状态空间模型，将qps+1作为pf中的测量值，利用pf算法估计模型状态[ak；bk；ck；dk]，从而得到优化后的容量预测值qs+1；

30、2.4.6)构造移动训练数据集：使用步骤2.4.5)得到的优化的容量预测值qs+1更新cnn-gru模型的训练数据集data_train(s)，再利用更新后的训练数据集重新训练cnn-gru神经网络；更新训练数据集方式具体如下：将qs+1加入cnn-gru模型的data_train(s)，生成训练数据集data_train(s+1)；更新后data_train(s+1)由c2，c3，…，cs，qs+1组成；

31、2.4.7)重复执行步骤2.4.4)到步骤2.4.6)，直到预测步长达到数据集总长度，循环结束；

32、2.4.8)根据测试集数据评价预测结果，并计算rul。

33、一种基于数据驱动和粒子滤波融合模型的锂电池rul预测系统，包括：

34、cnn-gru调整模块：用于步骤1调整cnn和gru各层的关系，选择一维cnn和一层gru，以便进行锂电池的容量预测，并为pf提供容量观测值；

35、cnn-gru-pf模块：用于在步骤2结合cnn-gru和pf，获得优化锂电池容量预测值并计算锂电池rul。

36、所述cnn-gru-pf模块包括数据预处理模块、cnn-gru预测模块、pf的状态估计模块、移动训练数据集模块和误差分析模块；

37、其中，预处理模块包含降噪处理、设置初始化参数和划分数据集三部分：降噪处理利用完全自适应噪声集合经验模态分解(ceemdan)算法将锂电池容量数据分解并用皮尔逊相关系数进行重构，用于降低电池容量数据的噪声；设置初始化参数用于设置rul预测系统的参数，用于预测系统的启动；划分数据集为训练数据集和测试数据集，用于rul预测系统的预测工作和预测效果的对比工作；

38、其中，cnn-gru预测模块根据划分好的训练数据集进行训练，以便用于预测锂电池的容量，并为pf提供容量观测值；

39、其中，pf的状态估计模块用于修正cnn-gru容量预测误差，获取优化后的容量预测值；

40、其中，移动训练数据集模块用于将pf的容量优化值加入cnn-gru模块的训练集中，提高cnn-gru的长期预测能力；

41、其中，误差分析模块用于分析预测结果的精度，以及计算锂电池的rul。

42、一种基于数据驱动和粒子滤波融合模型的锂电池rul预测设备，包括：

43、存储器，用于存储计算机程序；

44、处理器，用于执行所述计算机程序时实现步骤1至2所述基于数据驱动和粒子滤波融合模型的锂电池rul预测方法。

45、一种计算机可读存储介质，所述计算机可读存储介质用来存储计算机程序，所述计算机程序被处理器执行时能够根据步骤1至2所述方法进行一种基于数据驱动和粒子滤波融合模型的锂电池rul预测。

46、与现有技术相比，本发明具有如下优点：

47、1、针对电池容量数据中存在噪声，噪声会影响锂电池rul预测的精度，本发明利用完全自适应噪声集合经验模态分解(ceemdan)算法将锂电池容量数据分解并用皮尔逊相关系数进行重构，用于降低电池容量数据的噪声；设置初始化参数用于设置rul预测系统的参数，用于预测系统的启动；划分数据集为训练数据集和测试数据集，用于rul预测系统的预测工作和预测效果的对比工作；能够减小数据的噪音和不确定性，确保模型方法的可靠性。本发明利用完全自适应噪声集合经验模态分解(complete ensemble empirical modedecomposition with adaptive noise,ceemdan)算法对电池容量序列进行分解，并利用皮尔逊相关系数进行重构，有效降低了原始数据中存在的噪声。

48、2、本发明采用了一种综合性的融合方法，将卷积神经网络(cnn)、门控循环单元(gru)神经网络和粒子滤波(pf)结合在一起。这种多模型融合方法的优点是可以充分发挥不同模型的优势，分别用于特征提取、时序特征学习和状态预测，从而提高rul预测的精度和稳定性。其次，为了更好地适应电池的长期性能变化，本发明引入了带移动窗口的迭代式训练机制，通过动态更新训练数据集，融合模型能够更准确地捕捉电池容量的演化趋势，能够在电池充放电循环过程中准确预测其rul，从而提高了长期预测性能，并且在少量训练数据下也可达到精准的预测。

49、3、通过在不同的数据集上进行了实验测试，在nasa和马里兰大学高级生命周期工程中心(center for advanced life cycle engineering，calce)数据集上均有较好的预测效果；充分证明了本发明电池rul预测方法应具有足够的通用性，能够在不同电池数据集上进行预测，而不仅限于特定数据集。本发明具有非常好的普遍适用性优点，适用于不同的情况。