CN119416675A 基于经验模态分解及数据融合驱动的锂电池容量预测方法 （湖南大学）

基于经验模态分解及数据融合驱动的锂电本发明提供的基于经验模态分解及数据融取某锂电池的历史容量退化数据，形成源数据序列和本征模态函数数据对该构建的源预测模2步骤S2，利用经验模态分解对源数据集进行迭代筛选，步骤S3，构建长短期记忆神经网络源预测模型，利用步骤S先获取目标锂电池的历史容量退化数据，形成目标域数据集，接2.根据权利要求1所述的基于经验模态分解及数据融合驱动的锂电池容量预测方法，3.根据权利要求2所述的基于经验模态分解及数据融合驱动的锂电池容量预测方法，35）重复步骤2）~4直至得到的残差成为单调函数；如果达到预定义最大迭代次数4.根据权利要求3所述的基于经验模态分解及数据融合驱动的锂电池容量预测方法，byb5.根据权利要求4所述的基于经验模态分解及数据融合驱动的锂电池容量预测方法，6.根据权利要求2或5所述的基于经验模态分解及数据融合驱动的锂电池容量预测方45[0002]蓄电池作为许多电源系统的一次或者二次能源，其电池在不断的充放电循环之[0005]基于数据驱动的方法，通过从大量原始数据中提取与电池寿命相关的特征参数，选择适当的机器学习模型建立输入与剩余容量的对应关系，以此来预测电池的未来容量，其中应用较为广泛的机器学习模型有人工神经网络(ArtificialNeuralNetwork,ANN)、支持向量机(SupportVectorMachine,SVM)和相关向量机(RelevanceVectorMachine,6据的共有特性，通过有效的长期依赖性学习来考虑容量退化时间序列数据之间的相关性，其中，max(c)和min(c)分别为锂电池历史容量退化数据中的最大值和最小d:-i-m,（3）78力，使得最终得到的模型可以在相应目标域内实现锂电池未来容量和剩余寿命的有效预[0014]图1为本发明所涉基于经验模态分解及数据融合驱动的锂电池容量预测方法的流图3为本实施方式中将B0005号18650锂电池的历史容量退化数据进行归一化处理图4为本实施方式中经归一化后的历史容量退化数据再被经验模态分解后得到的图8为本实施方式中B0005号目标锂电[0016]本发明是基于信号处理方法以及数据驱动融合的方法对锂电池未来容量和剩余及波动引起的不确定性，利用经验模态分解可以将历史容量退化数据分解低频和高频信[0017]如图1所示，一种基于经验模态分解及数据融合驱动的锂电池容量预测方法，包9含容量退化的不确定性波动以及大致趋势的多其中，max(cin)和min(can)分别为锂电池历史容量退化数据中的最大值和最小4）通过检查d.是否满足本征模态函数的标准来确定cia中包含本征模态函数的Ir,表示分解后的第j个输入门选用sigmoid和tanh作为激活函数处理当前时刻输入以及前一时刻的隐其中，为新的记忆单元的输出；为相对于的权重矩阵；U为,相对于遗忘门选用sigmoid作为激活函数处理当前时刻输入以及前一时刻的隐藏状态u,为相对于的权f输出门选用sigmoid和tanh作为激活函数处理当前时刻输入以及前一时刻的隐h的权重h为当前时刻的隐藏状态输出；设定该长短期记忆神经网络源预测模型训练过程中的损失函数L,i和分别为第一层LSTM层、第二层LSTM层对应的权重矩阵，而bhbb分别为密[0028]该源预测模型的长期依赖性可以代表锂电池的一个长期退化过程中当前容量与[0030]在本实施方式中，先获取需要预测未来容量的B0018号目标锂电池少量的历史容[0032]利用迁移学习得到了适用于目标域数据集的最优预测模型，再能利用B0018号目标锂电池的历史容量退化数据，经过归一化处理以及经验模态分解之后，构建滑动时间窗标锂电池下一循环周期的未来容量，并将预测得到的未来容量更新至窗口数据，新一轮滑动窗口数据再输入最优预测模型以预测下一循环周期的未来容量，以此循环迭代，当目标实值的对比结果可知，本发明所涉最优预测模型不仅能够较好的捕捉到锂电池的退化大局趋势，还能捕捉到局部的一个容量再生波动的现象，模型在预测锂电池未来容量以及剩余寿命表现出一个较高的精度。不脱离本技术方案构思的前提下任何显而易见的替换均在本发明的