基于预测模型融合的电池寿命预测方法及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111680848A(43)申请公布日2020.09.18(21)申请号202010733589.1(22)申请日2020.07.27(71)申请人中南大学地址410012湖南省长沙市岳麓区中南大学(72)发明人于天剑甘沁洁成庶伍珣代毅(74)专利代理机构北京风雅颂专利代理有限公司11403代理人曾志鹏(51)Int.Cl.G06Q10/04(2012.01)G06N3/00(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书9页附图4页(54)发明名称基于预测模型融合的电池寿命预测方法及存储介质(57)摘要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及存储介质，所述电池寿命预测方法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，可以实现镉镍蓄电池剩余循环寿命预测。CN111680848ACN111680848A权利要求书1/2页1.一种基于预测模型融合的电池寿命预测方法，其特征在于，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。2.根据权利要求1所述的电池寿命预测方法，其特征在于，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。3.根据权利要求1所述的电池寿命预测方法，其特征在于，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。4.根据权利要求3所述的电池寿命预测方法，其特征在于，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当前的测量值，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。2CN111680848A权利要求书2/2页5.根据权利要求1所述的电池寿命预测方法，其特征在于，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。6.根据权利要求2所述的电池寿命预测方法，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。7.根据权利要求6所述的电池寿命预测方法，其特征在于，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