【技术实现步骤摘要】
本专利技术涉及锂离子动力电池，特别涉及一种锂离子动力电池剩余使用寿命预测方法，更具体而言，涉及一种基于完全自适应噪声经验模态分解与集成机器学习算法的锂离子动力电池剩余使用寿命预测方法、系统、设备和介质。
技术介绍
1、随着全球能源危机的加剧以及环境保护意识的不断增强，电池技术，尤其是可再充电电池，已经成为近年来科研领域的一个重要研究热点。电池技术在电动汽车、便携式电子产品、以及储能系统等多个关键领域中发挥着不可或缺的作用。特别是在电动汽车领域，动力电池的性能随着时间的推移及使用过程中会逐渐衰减，因此，预测电池的剩余使用寿命(remainingusefullife,rul)已成为保证电池可靠性和效率的一个关键科研课题。对电池rul的准确预测对于电池的维护、更换计划以及成本管理至关重要。
2、虽然当前已有多种电池rul预测方法，如基于物理模型的预测、数据驱动的机器学习方法等，这些技术在一定程度上提高了预测的准确性和可靠性。然而，这些方法仍存在一些缺陷，特别是在预测电池容量再生现象方面。电池容量再生现象是指电池在经历了一段时间的使用后，其容量在某些情况下会意外恢复部分原有的存储能力，这种现象在当前的预测模型中往往难以被准确预测。这主要是因为现有的模型过于依赖历史性能数据，而缺乏对电池化学和物理内部变化的深入理解。此外，电池的操作条件如温度、充放电率等因素也可能影响容量恢复，这些变量在现有模型中往往没有得到充分的考虑。因此开发更为精确的rul预测模型，对于提升电池管理系统的效率和可靠性，延长电池的服务生命，以及优化电池的使用
技术实现思路
1、本专利技术针对现有技术中的不足，提供一种锂离子动力电池剩余使用寿命预测方法、系统、设备和介质，精确地进行锂离子动力电池剩余使用寿命预测。
2、为实现上述目的，本专利技术采用以下技术方案：
3、一种基于完全自适应噪声经验模态分解与集成机器学习算法的锂离子动力电池剩余使用寿命预测方法，包括以下步骤：
4、步骤1、获取锂离子动力电池每个充放电循环最大放电容量数据组成原始序列；
5、步骤2、利用完全自适应噪声经验模态分解算法分解原始序列得到imfs数据序列与残差数据序列；
6、步骤3、将残差数据序列与原始序列做皮尔森相关性分析，通过网格搜索的方法找出相关性最高的残差数据序列；
7、步骤4、将imfs数据序列分为训练集和测试集，建立基于bi-lstm的imfs数据序列预测模型，利用训练集训练基于bi-lstm的imfs数据序列预测模型；将测试集输入训练好的基于bi-lstm的imfs数据序列预测模型，预测imfs数据序列；
8、步骤5、将相关性最高的残差数据序列分为训练集和测试集，建立基于transformer的残差数据序列预测模型，利用训练集训练基于transformer的残差数据序列预测模型，将测试集输入训练好的基于transformer的残差数据序列预测模型，预测残差数据序列；
9、步骤6、融合预测的残差数据序列和预测的imfs数据序列，综合计算锂离子动力电池未来容量老化轨迹并预测锂离子动力电池的剩余使用寿命。
10、为优化上述技术方案，采取的具体措施还包括：
11、进一步地，步骤1中，所述原始序列表示为：
12、
13、其中ci为第i(i＝1,2,…,m)个充放电循环的最大放电容量，m为循环充放电次数。
14、进一步地，步骤2具体为：
15、步骤2.1、利用emd算法分解最大放电容量数据得到残差项与imfs序列，公式表达如下：
16、
17、其中，c表示原始待分解的最大放电容量数据，ck是分解得到的imfs序列中的第k个imf分量，rn是残差项，n是分解的总的imf分量的数量；
18、步骤2.2、对分解后的imfs序列加入自适应噪声，公式表达如下：
19、
20、式中，n表示自适应噪声，为引入噪声后的imfs数据序列；
21、步骤2.3、利用emd算法分解残差项rn，得到新的imfs序列和残差项，对新的imfs序列加入自适应噪声；重复本步骤，直到残差项收敛，得到imfs数据序列与残差数据序列。
22、进一步地，步骤3具体为：
23、步骤3.1、计算分解得到的残差数据序列与原始序列的皮尔森相关性，计算公式如下：
24、
25、其中，r表示皮尔森相关系数，c是原始放电容量数据，r为分解得到对应的残差数据，m为原始序列的长度；
26、步骤3.2、通过网格搜索的方法找到相关性r最高的那一组残差数据序列，记录下这一组残差数据序列所对应的分解参数，从而确定分解层数。
27、进一步地，步骤4具体为：
28、将imfs数据序列划分为训练集与测试集，训练集中的样本包括充电循环次数和imfs数据，以充电循环次数为训练样本，相对于的imfs数据为训练目标建立imfs数据序列预测模型，具体内容如下：
29、取分解后的k个数据序列imf1～imfk的前30％的样本值作为训练集，训练出k个imf数据序列预测模型bi-lstm-1～bi-lstm-k，cn表示imf数据序列的第n个数据；
30、将测试集的imfs数据序列带入对应的bi-lstm预测模型，得到预测的imfs数据序列
31、进一步地，步骤5具体为：
32、将残差数据序列划分为训练集与测试集，训练集中的样本包括充电循环次数和残差数据，以循环次数为训练样本，相对于的残差数据为训练目标建立残差数据序列预测模型，具体内容如下：
33、取分解后的残差数据序列的前30％样本值作为训练集，训练出transformer残差数据序列预测模型，rn表示残差数据序列第n个数据；
34、将测试集中的残差数据序列带入transformer预测模型，得到预测的残差数据序列
35、进一步地，步骤6具体为：
36、将预测的imfs数据序列和预测的残差数据序列对应循环次数相加，生成预测的锂离子动力电池最大放电容量数据序列根据预测的锂离子动力电池最大放电容量数据序列绘制锂离子动力电池未来容量老化轨迹，预测锂离子动力电池的剩余使用寿命。
37、本专利技术还提出一种基于完全自适应噪声经验模态分解与集成机器学习算法的锂离子动力电池剩余使用寿命预测系统，包括：
38、数据采集模块，用于获取锂离子动力电池每个充放电循环最大放电容量数据组成原始序列；
39、分解模块，用于利用完全自适应噪声经验模态分解算法分解原始序列得到imfs数据序列与残差数据序列；
40、相关性分析模块，用于将残差数据序列与原始序列做皮尔森相关性分析，通过网格搜索的方法找出相关性最高的残差数据序列；
41、imfs数据序列预测模块，将im本文档来自技高网...
【技术保护点】
1.一种基于完全自适应噪声经验模态分解与集成机器学习算法的锂离子动力电池剩余使用寿命预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于完全自适应噪声经验模态分解与集成机器学习算法的锂离子动力电池剩余使用寿命预测方法，其特征在于，步骤1中，所述原始序列表示为：
3.根据权利要求1所述的基于完全自适应噪声经验模态分解与集成机器学习算法的锂离子动力电池剩余使用寿命预测方法，其特征在于，步骤2具体为：
4.根据权利要求1所述的基于完全自适应噪声经验模态分解与集成机器学习算法的锂离子动力电池剩余使用寿命预测方法，其特征在于，步骤3具体为：
5.根据权利要求1所述的基于完全自适应噪声经验模态分解与集成机器学习算法的锂离子动力电池剩余使用寿命预测方法，其特征在于，步骤4具体为：
6.根据权利要求1所述的基于完全自适应噪声经验模态分解与集成机器学习算法的锂离子动力电池剩余使用寿命预测方法，其特征在于，步骤5具体为：
7.根据权利要求1所述的基于完全自适应噪声经验模态分解与集成机器学习算法的锂离子动力电池剩余使
8.一种基于完全自适应噪声经验模态分解与集成机器学习算法的锂离子动力电池剩余使用寿命预测系统，其特征在于，包括：
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序使计算机执行如权利要求1-7任一项所述的基于完全自适应噪声经验模态分解与集成机器学习算法的锂离子动力电池剩余使用寿命预测方法。
10.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如权利要求1-7任一项所述的基于完全自适应噪声经验模态分解与集成机器学习算法的锂离子动力电池剩余使用寿命预测方法。
...【技术特征摘要】
1.一种基于完全自适应噪声经验模态分解与集成机器学习算法的锂离子动力电池剩余使用寿命预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于完全自适应噪声经验模态分解与集成机器学习算法的锂离子动力电池剩余使用寿命预测方法，其特征在于，步骤1中，所述原始序列表示为：
3.根据权利要求1所述的基于完全自适应噪声经验模态分解与集成机器学习算法的锂离子动力电池剩余使用寿命预测方法，其特征在于，步骤2具体为：
4.根据权利要求1所述的基于完全自适应噪声经验模态分解与集成机器学习算法的锂离子动力电池剩余使用寿命预测方法，其特征在于，步骤3具体为：
5.根据权利要求1所述的基于完全自适应噪声经验模态分解与集成机器学习算法的锂离子动力电池剩余使用寿命预测方法，其特征在于，步骤4具体为：
6.根据权利要求1所述的基于完全自适应噪声经验模态分解与集成机器学习...
【专利技术属性】
技术研发人员：张旭龙，杨忠，周渝杰，张朝龙，
申请(专利权)人：金陵科技学院，
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。