基于EEMD与LSTM模型电动汽车电池寿命预测方法技术

本发明专利技术提供一种基于EEMD与LSTM模型电动汽车电池寿命预测方法，本发明专利技术首先采集新能源汽车电池特征数据，将采集到的特征数据序列进行EEMD分解；再对分解后的多个分量进行分类处理，其中高频信号记作Z

【技术实现步骤摘要】
基于EEMD与LSTM模型电动汽车电池寿命预测方法


[0001]本专利技术属于新能源汽车电池领域中的电池寿命预测
，具体涉及一种基于EEMD与LSTM模型电动汽车电池寿命预测方法。

技术介绍

[0002]近年来，随着汽车工业的飞速发展，新能源汽车愈加受到消费者的青睐。推动新能源汽车的发展，不仅有利于节能减排，还能推进技术进步，实现我国汽车工业的可持续发展。目前来说，新能源汽车主要以纯电动汽车为主，而电动汽车主要受电池寿命、成本和维护等因素的制约，不能得到大范围的推广。电池的寿命直接决定着车辆的成本和性能，是影响新能源汽车的发展最关键因素之一。锂离子电池剩余寿命研究可以归纳为两大类：基于模型预测和基于数据驱动预测。基于数据驱动的RUL预测研究方法较多，其中包括：人工神经网络、支持向量机、高斯过程回归、相关向量机，AR模型等。基于数据驱动的方法避免了对锂电池内部复杂机理的化学反应过程的研究，直接从电池数据中挖掘能够表征电池退化性能的特征。

技术实现思路

[0003]针对上述问题，本专利技术提出一种基于EEMD与LSTM模型电动汽车电池寿命预测方法，将集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)与长短期记忆(Long Short
‑
Term Memory,LSTM)模型相结合，通过将新能源汽车电池特征数据进行高频与低频的分类，重新新能源汽车电池特征数据模型，通过LSTM深度学习进行预测，进而得到更为精确的预测结果。
[0004]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0005]一种基于EEMD与LSTM模型电动汽车电池寿命预测方法，该方法包括如下步骤：
[0006]第一步：采集新能源汽车电池特征数据，将采集到的原始新能源汽车电池特征数据序列计做z(t)；
[0007]第二步：将原始新能源汽车电池特征数据序列z(t)进行EEMD分解；
[0008]第三步：将EEMD分解后的多个分量进行分类处理，根据频率的大小分别高频信号和低频信号两种类别，高频信号对应新能源汽车电池特征数据使用密集的时间段，低频信号对应新能源汽车电池特征数据使用不密集的时间段，其中高频信号记作Z
a
(t)，低频信号记作Z
b
(t)；
[0009]第四步：将选好的高频信号Z
a
(t)，低频信号Z
b
(t)放入LSTM模型训练，进行预测；
[0010]第五步：将第四步经过LSTM模型预测得到的预测结果进行重构，选取新能源汽车电池特征数据中的高频数据作为特征向量来训练长短时记忆网络,构建预测模型，然后选取新能源汽车电池特征数据中的高频数据,利用已训练的长短时记忆网络预测经纬度,重构数据，记作以均方误差损失函数最小化为优化目标，采用优化器来更新调整模型参数，减少预测误差，并利用测试集进行测试，得到理想的预测模型。
[0011]进一步地，第二步所述将原始新能源汽车电池特征数据序列z(t)进行EEMD分解具体包括如下流程：
[0012]1)在原始新能源汽车电池特征数据序列z(t)中加入白噪声u(t)，得到新的混合信号序列
[0013][0014]2)混合信号序列进行EEMD分解，此时得到新能源汽车电池特征数据的各个本征模函数(Intrinsic Mode Function，IMF)分量l
i
(t)，其中i＝1,2,...,m，t＝1,2,...,n，n为样本容量，其取值由采集到的新能源汽车电池特征数据确定，m为最终分解次数，其取值由分解函数的的分解次数确定；
[0015]3)重复p次步骤1)、步骤2)，直到满足阈值收敛条件，得到p组不同的IMF分量，记为l
i,k
(t)，其中k＝1,2,...,p，p的取值由分解函数的的分解次数确定；值得注意的是每次重复步骤1，都需要加入一个白噪声，避免出现模态混叠的可能；
[0016]4)对步骤3)中的IMF分量l
i,k
(t)进行算术平均，并且由于各组中p次加入噪声具有零均值的特点，所以进行算术平均最后得到的IMF分量
[0017][0018]将各与残差项重组即可得到混合信号序列
[0019][0020]其中，为信号在t时刻的取值，r(t)为余波项。
[0021]进一步地，第四步所述LSTM模型采用3个门式的结构来替代循环神经网络网络中的隐含层，LSTM模型在标准循环神经网络的基础上加入了输入门、输出门、遗忘门和记忆单元，记忆单元由Sigmoid函数和点乘运算组成，LSTM利用Sigmoid函数的取值范围设置了信息的通过比例，记忆单元的取值为0表示没有信息通过，记忆单元的取值为1表示全部信息均可通过，从而控制信息的记忆和遗忘；
[0022]LSTM模型通过记忆单元C
t
来保持长期记忆，其更新流程如下：
[0023][0024]f
t
＝sigmoid(W
f
[h
t
‑1,x
t
]+
ꢀꢀꢀꢀꢀꢀ
(5)
[0025]i
t
＝sigmoid(W
i
[h
t
‑1,x
t
]+b
i
ꢀꢀꢀꢀꢀꢀ
(6)
[0026]C
t
＝sigmoid(W
C
[h
t
‑1,x
t
]+b
ꢀꢀꢀꢀꢀ
(7)
[0027]其中，f
t
和i
t
分别表示遗忘门和输入门，表示收到输入门控制下的新的记忆；C
t
为t时刻的记忆单元，C
t
‑1为t
‑
1时刻的记忆单元根据公式可知，f
t
和i
t
为Sigmoid的函数，取值范围为[0,1]；为tanh的函数，取值范围为[
‑
1,1]，在记忆单元C
t
的影响下，状态矩阵h
t
的更新方式变为h
t
‑1＝o
t
×
tanh(C
t
‑1)，并通过输出门o
t
＝sigmoid(W
o
[h
t
‑1,x
t
]+b
o
)输出当前状态。
[0028]有益效果：
[0029]目前，针对锂电池剩余寿命的预测进行了大量研究。其中，通过研究锂电池的性能退化过程来获取能预测电池寿命的可靠数据是最重要的方法。其中包括通过刻画电池内部发生的物理化学反应，研究了电池单粒子退化过程且分析了其对状态变量的影响；利用该原理进行了RUL预测；构建了考虑放电电压和放电速率耦合的容量退化模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于EEMD与LSTM模型电动汽车电池寿命预测方法，其特征在于，该方法包括如下步骤：第一步：采集新能源汽车电池特征数据，将采集到的原始新能源汽车电池特征数据序列计做z(t)；第二步：将原始新能源汽车电池特征数据序列z(t)进行EEMD分解；第三步：将EEMD分解后的多个分量进行分类处理，根据频率的大小分别高频信号和低频信号两种类别，高频信号对应新能源汽车电池特征数据使用密集的时间段，低频信号对应新能源汽车电池特征数据使用不密集的时间段，其中高频信号记作Z
a
(t)，低频信号记作Z
b
(t)；第四步：将选好的高频信号Z
a
(t)，低频信号Z
b
(t)放入LSTM模型训练，进行预测；第五步：将第四步经过LSTM模型预测得到的预测结果进行重构，选取新能源汽车电池特征数据中的高频数据作为特征向量来训练长短时记忆网络,构建预测模型，然后选取新能源汽车电池特征数据中的高频数据,利用已训练的长短时记忆网络预测经纬度,重构数据，记作以均方误差损失函数最小化为优化目标，采用优化器来更新调整模型参数，减少预测误差，并利用测试集进行测试，得到理想的预测模型。2.根据权利要求1所述的一种基于EEMD与LSTM模型电动汽车电池寿命预测方法，其特征在于，第二步所述将原始新能源汽车电池特征数据序列z(t)进行EEMD分解具体包括如下流程：1)在原始新能源汽车电池特征数据序列z(t)中加入白噪声u(t)，得到新的混合信号序列列2)混合信号序列进行EEMD分解，此时得到新能源汽车电池特征数据的各个本征模函数(Intrinsic Mode Function，IMF)分量l
i
(t)，其中i＝1,2,...,m，t＝1,2,...,n，n为样本容量，其取值由采集到的新能源汽车电池特征数据确定，m为最终分解次数，其取值由分解函数的的分解次数确定；3)重复p次步骤1)、步骤2)，直到满足阈值收敛条件，得到p组不同的IMF分量，记为l
i,k
(t)，其中k＝1,2,...,p，p的取值由分解函数的的分解次数确定；值得注意的是每次重复步骤1，都需要加入一个白噪声，避免出现模态混叠的可能；4)对步骤3)中的IMF分量l
i,k
(t)进行算术平均，并且由于各组中p次加入噪声具有零均值的特点，所以进行算术平均最后得到的IMF分量值的特点，所以进行算术平均最后得到的IMF分量将各与残差项重组即可得到混合信号序列与残差项...

【专利技术属性】
技术研发人员：王效宇，闫梦强，万长东，陆建康，浦京，
申请(专利权)人：苏州市职业大学，
类型：发明
国别省市：