本技术提供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,包括步骤S1,获取某锂电池的历史容量退化数据,形成源数据集;步骤S2,利用经验模态分解对源数据集进行迭代筛选,将其历史容量退化数据分解为残差序列和多个本征模态函数;步骤S3,构建长短期记忆神经网络源预测模型,利用步骤S2得到的残差序列和本征模态函数数据对该构建的源预测模型进行预训练;步骤S4,对预训练完成的源预测模型进行参数微调实现迁移学习,得到最优预测模型;步骤S5,利用步骤S4得到的最优预测模型预测目标锂电池的未来容量。本发明可以有效预测锂电池的未来容量与剩余寿命。
背景技术
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后,电池内部的电化学反应变缓,电极材料退化,导致电池容量减少和内阻增加,严重情况下还可以发生内短路等严重故障,造成严重后果。因此对电池的相关状态信息提前的预知能够有效避免锂离子随着电池老化和性能下降引起的安全隐患。
当前蓄电池的未来容量及剩余寿命的预估方法大多采用模型或数据驱动的方法。
基于模型驱动的方法是一种通过建立数学或物理模型来分析电池内部参数,从而估计电池将在未来的使用中剩余多少时间或循环次数的方法,该方法常见的有基于等效电路模型、电化学模型以及经验退化模型的方法。等效电路模型是一个经验模型,其未描述电池内部的复杂结构以及运行时的不确定性,其预测精度有待考量。电化学模型严格描述了锂电池内部的电化学反应,但其模型复杂度较高,模型参数量巨大以及辨识难度大,这使得其适用范围受到限制。
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(Artificial Neural Network, ANN)、支持向量机(Support Vector Machine, SVM)和相关向量机(Relevance Vector Machine,RVM)等。在基于数据驱动的方法中,大量数据的不确定性以及单数据驱动模型参数的不确定性,往往会影响最终的预测性能,其次,锂电池在面对不同应力时衰退情况并不完全一致,退化曲线容易受其他因素影响,这使得建立的模型泛化性较弱,因而限制了模型的预测场景。
实现思路