基于组合神经网络的锂电池剩余使用寿命预测方法及装置

技术领域

本发明涉及锂电池剩余使用寿命预测技术领域，更具体的说是涉及一种基于SSA-VMD-CNN-GRU组合神经网络的锂电池剩余使用寿命预测方法及装置。

背景技术

锂电池作为一种重要的新能源技术，以其高能量密度、稳定的电压输出及较高的能量转换效率在现代社会中具有广泛的应用。然而，随着锂电池使用次数的增加，其本身会发生一系列的物理化学反应，造成电池内阻增大、放电电压下降与剩余容量降低，这将会影响电力系统的稳定性，减少电力系统的能源储备，严重时甚至会危及人身安全。因此需要实时监测锂电池状态，对电池剩余使用寿命(Remaining Useful Life，RUL)做到精准预测，保障锂电池能够安全稳定地运行。

当前对蓄电池剩余使用寿命预测常见的算法有支持向量机(SVM)、循环神经网络(recurrent neural network,RNN)算法、卷积神经网络-门控循环单元(convolutionalneural network-gated recurrent unit,CNN-GRU)网络等，这些算法模型可以通过对锂电池的多个特征进行学习和分析，预测出电池的剩余使用寿命。但是这些算法各有缺点，支持向量机算法的预测精度不高；循环神经网络算法很容易出现消失或爆炸，从而影响预测结果；卷积门控递归单元算法不能有效消除锂电池容量衰退过程中会存在容量回升与随机噪声现象对预测结果的影响。

因此，针对上述预测锂电池寿命所采用的单一模型精度低、抗干扰能量差的问题，成为同行从业人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于组合神经网络的锂电池剩余使用寿命预测方法及装置，可解决上述单一模型对锂电池寿命预测精度低、抗干扰能力差的问题。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明实施例提供基于组合神经网络的锂电池剩余使用寿命预测方法，包括以下步骤：

S1、将待预测锂电池在预设时长内的容量数据转换为变分问题，设定采用变分模态分解算法进行转换分解；将所述容量数据进行特征归一化和矩阵处理，再采用麻雀搜索算法实现对所述变分模态分解算法的惩罚因子α与模态数K进行优化；

S2、利用优化后得到的惩罚因子α与模态数K作为变分模态分解算法的带宽参数对所述容量数据进行分解为K个不同频率的模态分量；

S3、将所述K个不同频率的模态分量输入预训练后的CNN-GRU组合神经网络中，输出K个锂电池容量预测结果；

S4、将所述K个锂电池容量预测结果进行反归一化与叠加重构处理，获得最终的预测结果。

进一步地，将所述容量数据进行特征归一化和矩阵处理，包括：

将所述容量数据进行Min-Max归一化或Z-Score归一化处理；

将归一化后的数据进行去除异常值、填充缺失值和数据平滑去噪处理。

进一步地，所述步骤S3中CNN神经网络结构，包括：2个卷积层与2个池化层，卷积核的数量分别为16和32，卷积步长为1，卷积方式选用same卷积，激活函数使用relu函数。

进一步地，所述步骤S3中CNN-GRU组合神经网络的推理过程包括：

将经过优化变分模态分解算法分解后的K个不同频率的模态分量，输入CNN神经网络；进行2次卷积，再进行Valid最大池化，得到K个锂电池容量退化数据的基于时间序列的一维特征向量；

将K个一维特征向量输入GRU循环神经网络，输出K个锂电池容量预测结果。

第二方面，本发明实施例还提供基于组合神经网络的锂电池剩余使用寿命预测装置，包括：

优化模块，用于将待预测锂电池在预设时长内的容量数据转换为变分问题，设定采用变分模态分解算法进行转换分解；将所述容量数据进行特征归一化和矩阵处理，再采用麻雀搜索算法实现对所述变分模态分解算法的惩罚因子α与模态数K进行优化；

分解模块，用于利用优化后得到的惩罚因子α与模态数K作为变分模态分解算法的带宽参数对所述容量数据进行分解为K个不同频率的模态分量；

网络处理模块，用于将所述K个不同频率的模态分量输入预训练后的CNN-GRU组合神经网络中，输出K个锂电池容量预测结果；

处理预测模块，用于将所述K个锂电池容量预测结果进行反归一化与叠加重构处理，获得最终的预测结果。

第三方面，本发明实施例再提供一种计算机设备，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，能够实现如第一方面中任一项所述的基于组合神经网络的锂电池剩余使用寿命预测方法。

第四方面，本发明实施例又提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如第一方面中任一项所述的基于组合神经网络的锂电池剩余使用寿命预测方法。

经由上述的技术方案可知，与现有技术相比：

在锂电池寿命预测过程中，该方法通过麻雀搜索算法(sparrow searchalgorithm,SSA)对变分模态分解(variational mode decomposition,VMD)的带宽参数α与K进行寻优，有效避免了人为设置因素对α与K的影响；通过优化后的VMD将锂电池的容量数据分解为K个模态分量，再分别利用CNN-GRU组合神经网络进行训练与预测，有效地改善了容量回升与噪声现象对预测结果的影响，能更好地预测锂电池容量退化趋势，与单一模型相比具有更高的精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的基于组合神经网络的锂电池剩余使用寿命预测方法流程图；

图2为本发明实施例提供的双层一维CNN结构框图；

图3为本发明实施例提供的基于SSA-VMD-CNN-GRU预测模型进行预测的原理图；

图4为本发明实施例提供的B0005号电池容量退化曲线图；

图5为本发明实施例提供的最小包络熵曲线图；

图6为本发明实施例提供的VMD分解后的各模态分量曲线图；

图7a为本发明实施例提供的IMF1预测结果曲线图；

图7b为本发明实施例提供的IMF2预测结果曲线图；

图7c为本发明实施例提供的IMF3预测结果曲线图；

图7d为本发明实施例提供的IMF重构后的预测结果图；

图8为本发明实施例提供的B0005号电池各模型容量预测曲线图；

图9为本发明实施例提供的基于组合神经网络的锂电池剩余使用寿命预测装置的框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：

本发明实施例公开了一种基于SSA-VMD-CNN-GRU组合神经网络的锂电池剩余使用寿命预测方法，在对锂电池剩余使用寿命预测过程中，假设电池在一段时间内的容量数据信号都是由一系列具有特定中心频率、有限带宽的子信号组成(即IMF)，也就是将其转换为变分问题。采用变分模态分解(variational mode decomposition,VMD)，能够将多分量信号一次性分解成多个单分量调幅调频信号，避免了迭代过程中遇到的端点效应和虚假分量问题。该方法能有效处理非线性、非平稳信号。

通过对变分问题进行求解，得到中心频率与带宽限制，找到各中心频率在频域中对应的有效成分，得到模态函数。然而要指定分解出的IMF数，需要先设定模态分量的个数K。若设定的K小于待分解信号中有用成分的个数(欠分解)，会造成分解不充分，导致模态混叠；若设定的K值大于待分解信号中有用成分的个数(过分解)，就导致产生一些没有用的虚假分量。因此，K值的确定对于VMD就非常重要。

另外，VMD分解的过程中，预设的K值决定着IMF分量的个数，而惩罚系数α决定着IMF分量的带宽。惩罚系数越小，各IMF分量的带宽越大，过大的带宽会使得某些分量包含其他分量信号；α值越大，各IMF分量的带宽越小，过小的带宽是使得被分解的信号中某些信号丢失。

因此，在本发明锂电池寿命预测过程中为避免人为设置带宽参数α与K对预测结果的影响，利用麻雀搜索算法SSA根据锂电池剩余容量数据寻找变分模态分解VMD的最优的带宽参数α与K。

具体地，参照图1所示，包括：

S1、将待预测锂电池在预设时长内的容量数据转换为变分问题，设定采用变分模态分解算法进行转换分解；将所述容量数据进行特征归一化和矩阵处理，再采用麻雀搜索算法实现对所述变分模态分解算法的惩罚因子α与模态数K进行优化；

S2、利用优化后得到的惩罚因子α与模态数K作为变分模态分解算法的带宽参数对所述容量数据进行分解为K个不同频率的模态分量；

S3、将所述K个不同频率的模态分量输入预训练后的CNN-GRU组合神经网络中，输出K个锂电池容量预测结果；

S4、将所述K个锂电池容量预测结果进行反归一化与叠加重构处理，获得最终的预测结果。

其中，步骤S1中，比如采用锂电池过去一年内的电池容量数据，进行特征归一化是为了将容量数据缩放到相似的范围，避免由于特征值的差异而导致模型训练或预测不稳定。在锂电池容量数据的情况下，可以采用以下方法：

Min-Max归一化：将容量数据线性映射到一个指定的范围，通常是[0,1]。公式为：X

z-Score归一化：将容量数据标准化为均值为0，标准差为1的正态分布。公式为：X

特征归一化确保了在后续模型的训练或预测过程中，不同特征的权重对模型的影响基本一致。

另外，再进行矩阵处理，以确保输入到模型的数据质量良好。比如包括：

去除异常值：检测和移除可能由于测量误差等原因导致的异常值，以避免模型预测精度降低或学到噪声。

填充缺失值：对于可能存在的缺失值，可以采用插值或其他方法进行填充，确保模型训练或预测不受影响。

数据平滑：对数据进行平滑处理，以减少噪声对模型的影响。

特征归一化和矩阵处理的步骤有助于提高数据的质量，使其更适合用于神经网络模型的训练或预测。能够减小数据的不确定性，有助于模型更好地学习数据的模式。

在步骤S4中，反归一化的目的：是因为在模型训练时为了保证数据的稳定性，进行了特征归一化。而在预测阶段，需要将模型输出的归一化结果还原为原始容量范围内的值。

根据训练时使用的归一化方法，逆向应用相应的反归一化公式。如果是Min-Max归一化，反归一化公式为X

如果是Z-Score归一化，反归一化公式为：X

叠加重构处理的目的：将K个不同频率的模态分量的容量预测结果进行合并，得到最终的预测结果。比如采用如下方式：

简单求和：将K个模态分量的预测结果直接相加，得到最终结果。这假设每个模态分量对最终结果的贡献相等。

加权求和：对每个模态分量的预测结果进行加权求和，权重可以基于其在训练数据中的重要性或其他先验知识来确定。

其他复杂方法：根据具体情况，也可以采用更复杂的方法，例如考虑模态之间的相关性，以更准确地叠加重构最终结果。

整个过程的目标是通过反归一化将标准化的模型输出转换为实际容量值，并通过叠加重构将多个模态分量的预测结果整合为最终的锂电池容量预测。这确保了最终的预测结果是在原始容量范围内，并综合考虑了不同频率模态的影响。

该方法首先通过麻雀搜索算法对变分模态分解的惩罚因子α与模态数K进行优化；其次利用优化后的VMD对预测锂电池在预设时长内的容量数据进行分解，得到K个模态分量；然后使用CNN-GRU组合神经网络分别对K个模态分量进行训练与预测；最后将K个预测结果进行叠加重构，得到锂电池剩余使用寿命的预测结果。有效地改善了容量回升与噪声现象对预测结果的影响，能更好地预测锂电池容量退化趋势。

在一个实施例中，步骤S3中，所采用的CNN神经网络结构如图2所示，具有2个卷积层与2个池化层，卷积核的数量为16,32，卷积步长为1，卷积方式选用same卷积，激活函数使用relu函数。经过两次卷积与最大池化之后将得到的特征向量输入到GRU模型进行预测。

参照图3所述，为整个SSA-VMD-CNN-GRU预测模型的处理过程：

(1)优化VMD分解：将锂电池一段时间内的容量退化数据输入模型，进行数据的归一化与矩阵处理；再利用SSA对VMD的带宽参数α与K进行寻优，寻找最优的惩罚因子α与模态数K；将最优的α与K作为VMD的带宽参数，对锂电池容量退化数据进行分解，将数据分解为K个不同频率的模态分量。

(2)模型训练与预测：本发明所构建的CNN-GRU组合神经网络由两个个卷积层、两个池化层与一个2层的GRU结构组成。首先将经过优化VMD分解后的锂电池容量退化数据(即K个模态分量)分别输入CNN神经网络进行特征提取，提取数据的局部时序特征；再对数据进行2次卷积，然后进行Valid最大池化，得到K个锂电池容量退化数据的基于时间序列的一维特征向量；最后将K个特征向量输入GRU循环神经网络进行优化训练，输出K个锂电池容量预测结果。

(3)预测结果：最后将上一步的K个锂电池容量预测结果进行反归一化，再将K个反归一化后的数据进行叠加重构，得到最终的预测结果。

下面为了验证本发明所建立预测模型的有效性，选取NASA锂电池数据集B0005号电池进行实验验证。其容量退化曲线如图4所示。

对该电池容量数据进行麻雀搜索(SSA)，寻找最优的惩罚因子α与模态数K。SSA的参数设置如下：

种群规模：30；

最大迭代数目：80；

α的取值范围：[10,3000]；

K的取值范围：[2,10]；

捕食者占比80％，警觉者占比20％。最小包络熵曲线如图5所示。经过100次迭代之后，参数α与K的取值分别为30,3。

将α＝30与K＝3作为VMD的带宽参数，分解后的模态分量如图6所示，IMF1为锂电池容量退化数据中的低频分量，表示数据变化的缓慢部分；IMF2为中频分量，表示数据变化的中频振荡部分；IMF3为高频分量，表示数据变化的高频振荡部分。这些分量表达了数据的不同变化快慢程度。

本实施例中，所采用的CNN神经网络具有2个卷积层与2个池化层，卷积核的数量为16,32，卷积步长为1，卷积方式选用same卷积，激活函数使用relu函数。经过两次卷积与最大池化之后将得到的特征向量输入到GRU模型进行预测。GRU模型的参数设置如下：

初始学习率为0.01

最大学习次数为15000；

学习率下降因子0.1；

隐藏层层数2；

对本发明进行验证时所用的数据集为NASA公布的B0005号锂电池容量退化数据，该数据集的前65％作为训练集,后35％作为测试集，各模态分量的预测结果及重构后的预测结果如图7a-7d所示。

图7a中IMF1为B0005号锂电池容量退化数据中的低频分量，表示数据变化的缓慢部分。

图7b中IMF2为B0005号锂电池容量退化数据中的中频分量，表示数据变化的中频振荡部分，即容量退化数据中变化速度为一般快慢的部分。

图7c中IMF3为B0005号锂电池容量退化数据中的高频分量，表示数据高频振荡部分，即容量退化数据中变化速度为快速的部分。

图7d中IMF重构表示将锂电池容量退化数据的IMF1、IMF2、IMF3进行叠加得到的结果。

为了验证本发明所设计模型的优越性，将CNN-GRU组合神经网络、单一GRU模型、单一LSTM模型与本发明做了对比实验，结果如图8所示，从图8中可以看出，单一GRU模型与单一LSTM模型受容量波动影响较大，精度较低。CNN-GRU组合神经网络虽然更好地反应了电池容量退化趋势，但是没有体现出电池容量退化过程中存在的容量回升现象。而本发明所涉及的SSA-VMD-CNN-GRU模型更符合B0005号电池容量退化趋势，精度更高。为了进一步证明本发明模型的精度，根据评价指标对各模型的预测结果进行了计算，各模型的评价指标如下表所示。

表1各模型精度对比

从表1可以看出，本发明所提出模型的决定系数R

实施例2：

参照图9所示，本发明实施例还提供组合神经网络的锂电池剩余使用寿命预测装置，包括：

优化模块，用于将待预测锂电池在预设时长内的容量数据转换为变分问题，设定采用变分模态分解算法进行转换分解；将所述容量数据进行特征归一化和矩阵处理，再采用麻雀搜索算法实现对所述变分模态分解算法的惩罚因子α与模态数K进行优化；

分解模块，用于利用优化后得到的惩罚因子α与模态数K作为变分模态分解算法的带宽参数对所述容量数据进行分解为K个不同频率的模态分量；

网络处理模块，用于将所述K个不同频率的模态分量输入预训练后的CNN-GRU组合神经网络中，输出K个锂电池容量预测结果；

处理预测模块，用于将所述K个锂电池容量预测结果进行反归一化与叠加重构处理，获得最终的预测结果。

该技术方案在锂电池剩余使用寿命预测领域中充分利用了变分模态分解算法、麻雀搜索算法和深度学习方法，提高了模型的复杂特征提取能力和预测性能，有望更准确地估计锂电池的剩余使用寿命，进一步有助于提升了锂电池健康管理的水平。

实施例3：

本发明实施例再提供一种计算机设备，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；

处理器执行程序时实现实施例1中的基于组合神经网络的锂电池剩余使用寿命预测方法。为了简洁，在此不再赘述。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。

实施例4：

本发明又提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如实施例1中任一项实施例所述的基于组合神经网络的锂电池剩余使用寿命预测方法。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。