本发明专利技术属于电池寿命预测技术领域，公开了一种化成协议可变的锂电池RUL预测方法及系统，包括：数据预处理并提取特征，得到影响锂电池健康状态的特征数据集，构建锂电池健康指标；不同化成协议锂电池的健康指标划分为训练数据集、测试数据集、验证数据集；构建并训练基于双指数模型的UPF模型以及基于GRU神经网络的电池剩余使用寿命预测模型；利用训练完成的模型构建基于UPF‑GRU模型的化成协议可变锂电池剩余使用寿命预测模型，对不同化成协议的锂离子电池剩余使用寿命的预测。
2、目前，基于模型和数据驱动结合的锂电池rul预测方法，主要针对同类型电池的同一化成协议下的实际应用，忽略了电池化成协议的考虑，因此无法可靠准确地预测锂电池的健康状况。
3、综上所述，现有技术存在的问题是：现有技术在预测锂电池剩余使用寿命方面存在一定局限性，因为对化成协议的忽略，导致预测模型的泛化性能较差。此外，现有基于模型和数据驱动的结合方法对锂电池剩余使用寿命的预测准确性不高，无法实现对电池健康状态的精确监测。
>4、解决上述技术问题的难度：考虑基于模型和数据驱动结合方法的优势，加入无迹变换方法，构造出新的锂电池rul预测方法，以更好适应不同电池化成协议的影响。5、解决上述技术问题的意义：现有技术适用性受限，本专利技术旨在提出一种化成协议可变的锂电池rul预测方法。
技术实现思路
1、针对现有技术存在的问题，本专利技术提供了一种化成协议可变的锂电池rul预测方法。
2、本专利技术是这样实现的，一种化成协议可变的锂电池rul预测方法包括：
3、步骤一，对传感器采集的数据进行预处理，包括去噪、缺失值和异常值处理；
4、步骤二，提取与锂电池放电容量相关性较高的特征数据集，采用kpca算法对特征数据集降维，建立可用健康指标；
5、步骤三，构建基于gru神经网络的剩余使用寿命预测模型；
6、步骤四，构建基于双指数模型的upf剩余使用寿命预测模型；
7、步骤五，将不同形成协议的数据集划分为训练数据集、测试数据集、验证数据集，利用训练数据集、测试数据集对gru和upf预测模型进行训练和测试；
8、步骤六，将训练好的upf和gru剩余使用寿命预测模型进行结合，使用upf-gru预测模型对锂电池进行soh和rul预测。
9、进一步，所述提取与锂电池放电容量相关性较高的特征数据集，采用kpca算法对特征数据集降维，建立可用健康指标包括以下步骤：
10、(1)获取与锂电池放电容量相关性较好的五种特征，按照相关性从高到低建立特征数据集，分别为：电压效率、起始放电内阻、平均放电电压时间加权、平均充电电流时间加权、恒压充电时间；
11、(2)使用kpca高斯核函数算法将特征数据集降为三维数据，然后使用相关性分析，选择相关性高的主成分作为最终使用特征。
12、进一步，所述利用训练数据集、测试数据集对gru和upf预测模型进行训练和测试包括以下步骤：
13、(1)将一种化成协议的锂电池数据集划分为训练集、测试集、验证集，使用步骤三、步骤四中建立gru模型和upf模型进行训练和测试，保存训练好的模型；
14、(2)将另外一种化成协议的锂电池数据集划分为训练集、测试集、验证集，使用步骤三、步骤四中建立gru模型和upf模型进行训练和测试，保存训练好的模型。
15、进一步，所述使用upf-gru预测模型对锂电池进行soh和rul预测验证，具体的步骤如下：
16、(1)使用步骤五训练好的模型分别建立两种化成协议upf-gru模型，将可用健康指标作为upf-gru模型输入数据，得到最终的预测数据；
17、(2)使用a化成协议的upf-gru模型分别对a、b两种化成协议验证集进行预测，计算误差指标；
18、(3)使用b化成协议的upf-gru模型分别对a、b两种化成协议验证集进行预测，计算误差指标。
19、本专利技术的另一目的在于提供一种化成协议可变的锂电池rul预测系统包括：
20、健康指标构建模块：用于对采集得到的锂离子电池充放电时的传感器信号进行分析，提取特征数据集，并利用kpca算法处理特征数据构建待使用健康指标；
21、化成协议划分模块：根据不同化成协议分类待使用健康指标，然后将同一种化成协议的待使用健康指标划分训练集、测试集、验证集；
22、剩余使用寿命预测模型构建模块：分别使用不同化成协议的训练集和测试集，训练好gru和upf模型，构建剩余使用寿命预测模型；
23、电池剩余使用寿命预测模块：分别使用不同化成协议的验证集，输入构建好的upf-gru预测模型中，计算误差指标，实现可变化成协议锂电池rul预测系统。
24、本专利技术的另一目的在于提供一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的化成协议可变的锂电池rul预测方法的步骤。
25、本专利技术的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的化成协议可变的锂电池rul预测方法的步骤。
26、本专利技术的另一目的在于提供一种信息数据处理终端，信息数据处理终端用于实现所述的化成协议可变的锂电池rul预测系统。
27、结合上述的技术方案和解决的技术问题，本专利技术所要保护的技术方案所具备的优点及积极效果为：
28、第一，本专利技术首先分析锂电池的化成协议，然后在预测剩余使用寿命。然而，现有的锂离子电池剩余使用寿命预测方法基本没有分析化成协议对预测方法有无影响，大多是在同一种化成协议下直接预测锂电池的剩余使用寿命，而忽略了对化成协议的重要性。因此，首先分析锂电池化成协议对预测方法的影响，然后改进预测方法，可有效提高剩余使用寿命预测鲁棒性。
29、本专利技术根据锂电池化成协议对预测方法的影响，构建了upf-gru预测模型，降低了化成协议的影响。现有的锂电池剩余使用寿命预测模型大多是在同一种化成协议下直接预测锂电池的剩余使用寿命，在变化成协议下的预测结果并不理想。因此，使用该方法进行锂电池的剩余使用寿命预测能够获得更高的准确性，而且该模型的应用范围更加广泛。
30、本专利技术提出的基于upf-gru模型的化成协议可变的锂电池soh和rul预测方法，本文档来自技高网...
【技术保护点】
1.一种化成协议可变的锂电池RUL预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的化成协议可变的锂电池RUL预测方法，其特征在于，所述提取与锂电池放电容量相关性较高的特征数据集，采用KPCA算法对特征数据集降维，建立可用健康指标包括以下步骤：
3.如权利要求1所述的化成协议可变的锂电池RUL预测方法，其特征在于，所述利用训练数据对电池剩余使用寿命预测模型进行训练包括以下步骤：
4.如权利要求1所述的化成协议可变的锂电池RUL预测方法，其特征在于，所述使用UPF-GRU预测模型对锂电池进行SOH和RUL预测验证，具体的步骤如下：
5.一种实现如权利要求1～4任意一项所述化成协议可变的锂电池RUL预测方法的化成协议可变的锂电池RUL预测系统，其特征在于，所述化成协议可变的锂电池RUL预测系统包括：
6.一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1～4任意一项所述的化成协议可变的锂电池RUL预测方法的步骤。
7.一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1～4任意一项所述的化成协议可变的锂电池RUL预测方法的步骤。
8.一种信息数据处理终端，信息数据处理终端用于实现如权利要求5所述的化成协议可变的锂电池RUL预测系统。
...
【技术特征摘要】
1.一种化成协议可变的锂电池rul预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的化成协议可变的锂电池rul预测方法，其特征在于，所述提取与锂电池放电容量相关性较高的特征数据集，采用kpca算法对特征数据集降维，建立可用健康指标包括以下步骤：
3.如权利要求1所述的化成协议可变的锂电池rul预测方法，其特征在于，所述利用训练数据对电池剩余使用寿命预测模型进行训练包括以下步骤：
4.如权利要求1所述的化成协议可变的锂电池rul预测方法，其特征在于，所述使用upf-gru预测模型对锂电池进行soh和rul预测验证，具体的步骤如下：
5.一种实现如权利要求1～4任意...
【专利技术属性】
技术研发人员：陈改革，孟海涛，黄军，王先芝，刘尧，程涵，杨胜康，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。