结合多源退化特征的自适应增量式电池RUL预测方法

结合多源退化特征的自适应增量式电池rul预测方法
技术领域
1.本发明属于寿命预测和增量学习技术领域，涉及结合多源退化特征的自适应增量式电池rul预测方法。


背景技术：

2.锂离子电池(libs)由于其广泛的工作温度范围和高能量密度，广泛应用于航空航天、电动汽车、移动电子设备等领域。建立准确、有效的残余有效生命预测模型一直是利比亚国际实验室健康管理系统(bms)的核心问题。电池rul的分秒预测可以提高使用安全性，延长电池寿命。
3.电池rul预测主要有三种方法：模型驱动、数据驱动和混合方法。基于模型的预测方法采用电池的物理模型或电化学方程，从电池的物理结构中探讨其退化机理，具有性能稳定的优点。然而，缺点是它需要准确的电池电化学和物理方程式，不适合离线测试。数据驱动的rul预测依赖于深度学习算法来建立神经网络模型，以探索电池寿命退化与相关数据之间的相关性。数据驱动的预测方法利用了统计方法的精确分析和神经网络强大的学习能力，在不了解电池操作模型的情况下，实现了高效和快速的模型逼近。数据驱动的rul预测算法最显著的优点是，它不需要知道电池的确切模型，只需要一定数量的退化数据即可完成，因此已成为电池寿命预测的主流方法。
4.数据驱动的电池rul预测方法主要包括人工神经网络、支持向量机、支持向量回归、粒子滤波等。其中，人工神经网络由于其强大的非线性处理能力、自适应性和自学习能力，旨在模拟人脑神经系统的运行，并在电池寿命预测问题中发光。现有技术中有人使用混合门控递归单元cnn来学习充电曲线中的退化特征和时间依赖性，并利用新的电压和电流数据实现了电池的soh估计。也有人公开了一个有效的长周期电池健康管理方法，首先比较性能差异ffnn和narxrnn 30周期预测，然后选择更准确的长周期电池预测，并实验证明该方法具有误差小的优点和复杂性误差低，复杂性低的优点。还有人采用弹性均方反向传播方法对长短期数据进行自适应优化，得到了一种小批量数据训练预测方法。此外，还有文献记载：比较了各种混合模型驱动的方法，结果表明，该组合的lstm+gpr模型具有最优的预测精度，能够实现单步和多步推进容量预测的准确结果。深度学习需要预先确定网络结构，这几乎不适用于工艺行业，特别是对于具有实时要求的电池寿命预测。
5.上述基于神经网络的方法需要预先确定预测模型的隐层结构。电池的退化数据在实时运行过程中不断增长，固定的隐层节点和层数不能满足类似的实时工业要求。选择节点数过多，预测前期数据少，模型拟合不足；固定节点数过少，预测后期输入数据增加导致模型过拟合不足，严重影响电池rul预测的精度，威胁电池使用安全。
6.针对上述问题，有人采用一种构造的增量方法，随机配置网络(scn)，可以有效地解决上述问题，它的特点是从一个小网络开始随机生成一组权值，并使用监督机制验证其满足普遍近似条件，从中选择最佳集合权值，逐步生成隐层节点；采用最小二乘法来确定输出的权重。硫氰酸盐具有收敛速度快、网络成本低、泛化性强等优点；它不仅可以用于分类
研究，还可以用于回归预测。在硫氰酸盐中，是一个重要的正则化超参数，它决定了隐层节点的权值和偏差选择。需要根据输入数据的体积和类型进行手动调整。元启发式算法的出现为神经网络超参数的自适应选择提供了一种解决方案。为了解决scn在大规模数据回归中的缺陷，有文献记载：首先在稀疏搜索算法中引入了逻辑映射和突变算子，然后与scn结合，得到了一个有效的回归cssa-scn。与构造结构不同，另外的文献记载：对issa提出的issa-fscn。在一种改进的稀疏搜索算法的优化条件下，修正了隐层节点数，实现了超参数自适应。


技术实现要素：

7.本发明要解决的技术问题是：提供结合多源退化特征的自适应增量式电池rul预测方法，旨在解决锂离子电池的剩余有效使用寿命预测问题。
8.本发明采取的技术方案为：结合多源退化特征的自适应增量式电池rul预测方法，该方法包括以下步骤：
9.步骤(1)，利用差分热伏安法提取表面温度和终端电压数据中的多源退化特征，得到具有自适应噪声的hi预处理；
10.步骤(2)，hi数据矩阵作为sc-scn的输入，利用元启发式算法沙猫群优化，优化随机配置网络中的正则化参数，得到参数自适应增量神经网络sc-scn；
11.步骤(3)，利用步骤(2)中得到的参数自适应增量神经网络sc-scn对自适应增量式电池rul进行预测。
12.步骤(1)中详细方法为：通过计算电池恒流充放电过程中电池表面温度和终端电压的熵增比，得到dtv，其离散表达式如式(1)：
[0013][0014]
式中，t、t、v和k分别表示温度、时间、电压和时间步长，v
(t)
表示在t时刻的终端电压，t
v(t)
为表面温度。
[0015]
进一步地，上述步骤(2)中的详细步骤为：
[0016]
步骤一：参数初始化：
[0017]
初始化sand cat(pop)的总体大小、迭代(iter)、搜索超参数的上下界(ub和lb)、维数(d)、最大隐藏节点数(l
max
)、候选节点(t
max
)、容错性(ε)，将给定范围[lb，ub]内的参数值r初始化为sandr；
[0018]
步骤二：构建和训练scn：
[0019]
使用l
max
，t
max
，ε和sandr来构建和训练scn，并训练数据集；
[0020]
步骤三：计算沙猫的适合度：
[0021]
使用均方根误差(rmse)作为sc-scn的适应度函数，rmse可计算为：
[0022][0023]
其中，yi为第i个数据点的真值，为第i个数据点的scn输出，n表示样本总数；
[0024]
步骤四：更新参数r：
[0025]
步骤五：获得最终的参数r：
[0026]
重复步骤二到步骤五，直到scn满足设定条件，从而得到r的最优值和最小适应度；
[0027]
步骤六：获取scn的输出：
[0028]
计算出r最优值后，训练scn，得到电池rul预测值。
[0029]
进一步地，上述步骤二中数据集训练方法为：
[0030]
假设已经构建了l-1个带有隐藏节点的scn，输出结果如下所示：
[0031][0032]
g其中表示一个激活函数β表示输出的权重,模型训练数据集输入为x＝{x1，x2，...，xn}，xi＝[x
i，1
，...，x
i，d
]
t
；wj和bj为第j节点的随机权值和偏差：
[0033]
wj＝λ
×
(2
×
rand(n，t
max
)-1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0034]bj
＝λ
×
(2
×
rand(1，t
max
)-1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0035]
t
max
是候选节点的最大值，scn更新：
[0036]yl
＝y
l-1
+β
lgl
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0037]
计算当前网络e
l-1
的误差：
[0038]el-1
＝y-y
l-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0039]
在达到误差范围之前，在scn中添加隐藏节点会引入一个不等式约束，如式(7)，它采用了一种自监控机制来分配隐层参数：
[0040][0041]
其中，h
l
(x)＝[g
l
(x1)，g
l
(x2)，...，g
l
(xn)]
t
，h
l
(x)表示输入激活后的第l个隐藏节点输出；r∈(0，1)为随机正则化参数；μ
l
是一个满足的给定序列它是一系列非负实数，ξ
l
在式(7)中的最大值用于计算节点l的参数，它与候选节点相关；
[0042]
β为隐层的输出权值，基于最小二乘法计算得到：
[0043][0044]
在式(8)中，||
·
||f表示弗罗比尼乌斯范数，h
l
＝[h1，h2，...，h
l
]是一个逆矩阵，表示隐层输出；
[0045]
有两种方法结束网络训练，即设置误差极限e或最大隐藏节点数l
max
；采用早期停止的方法，如满足式(9)中的终止条件之一，最终确定scn的网络结构和参数，并根据这些参数和测试数据集得到相关输出,否则，请继续添加节点。
[0046][0047]
进一步地，上述步骤四中更新参数r方法为：通过式(12)和(16)更新r：
[0048][0049][0050]
式(12)中，表示每个砂猫的灵敏度范围，sm＝2表示沙猫捕猎范围的最大值(可以在不同的问题下进行适当的调整)，iterc表示当前
的迭代，iter
max
是最大的迭代次数；表示猫捕当前位置，表示猫捕最优位置；
[0051]
式(16)中，是一个猫捕随机位置，确保沙猫随机探索猎物；是猫捕最优解，是猫捕当前位置，表示从迭代过程中线性下降中，r的变化范围
[0052]
进一步地，上述步骤五中设定条件为式(9)。
[0053]
本发明的有益效果：与现有技术相比，本发明的效果如下：
[0054]
1)本发明利用融合了多源退化特征的健康因子，结合自适应的随机配置算法对锂离子电池的剩余有效寿命(rul)进行精准预测；利用差分热伏安法提取表面温度和终端电压数据中的多源退化特征，得到具有自适应噪声的hi预处理，有效地消除了融合数据的容量再生现象和噪声对预测过程的影响。
[0055]
2)本发明利用元启发式算法沙猫群优化，优化随机配置网络中的正则化参数，得到参数自适应增量神经网络sc-scn，并通过实验结果表明，sc-scn应用了融合的多源退化特性，是一种有效的针对电池rul的多步提前预测算法。这种建设性的增量学习网络可以更好地满足电池rul预测工作流行业的实时数据需求，添加自适应优化算法可以有效地提高预测模型的灵活性和预测效率，构造增量神经网络能够有效地满足电池rul预测过程的工业要求。sc-scn可以有效地实现电池rul的多步提前预测，即使在只有少量训练数据的情况下也能获得良好的预测性能，且预测误差明显小于比较网络。
附图说明
[0056]
图1是dtv算法的差分过程图；
[0057]
图2是ceemdan算法的流程图；
[0058]
图3是scn的增量式构建过程图；
[0059]
图4是scso的种群初始化示意图；
[0060]
图5是scso的寻优过程图；
[0061]
图6是sc-scn算法的流程图；
[0062]
图7是nasa电池数据集的电池寿命衰退过程图；
[0063]
图8是b#5电池的电压退化对比图；
[0064]
图9是b#5电池的温度退化对比图；
[0065]
图10是健康因子图；
[0066]
图11是由不同步长的dtv算法得到的健康因子与电池寿命退化关系之间的相似度对比图；
[0067]
图12是由emd和ceemdan处理后的健康因子对比图；
[0068]
图13是#b5的多步提前预测结果和误差图；
[0069]
图14是#b6的多步提前预测结果和误差图；
[0070]
图15是#b7的多步提前预测结果和误差图。
具体实施方式
[0071]
下面结合具体的实施例对本发明进行进一步介绍。
[0072]
实施例1：如图1-15所示，结合多源退化特征的自适应增量式电池rul预测方法，该
方法包括以下步骤：
[0073]
步骤(1)，在现有的基于深度学习的算法中，由于单一健康度量而导致的模型退化特征不足是一个严重的问题。为了充分整合来自多个数据源的简并特征来表征rul的衰减，本技术采用了结合电池终端电压和表面温度的差分热伏安法(dtv)，利用差分热伏安法提取表面温度和终端电压数据中的多源退化特征，得到具有自适应噪声的hi预处理；
[0074]
详细方法为：通过计算电池恒流充放电过程中电池表面温度和终端电压的熵增比，得到dtv，计算过程如图1所示，可以充分反映电池下降过程中的热力学变化过程，dtv离散表达式如式(1)：
[0075][0076]
式中，t、t、v和k分别表示温度、时间、电压和时间步长，v
(t)
表示在t时刻的终端电压，t
v(t)
为表面温度。
[0077]
从式(1)就可以看出，该dtv有效地集成了多传感器数据特征中所包含的电池老化信息。在多传感器数据的微分计算中，t值直接影响dtv函数的特征值；t的值过小，失去熵增加的意义，t值过大，包含许多重复特征点，导致过拟合。在以后的实验中，将进行单变量实验，并计算得到的hi与电池寿命之间的最大相关性，以确定的最佳值。
[0078]
步骤(2)，利用元启发式算法沙猫群优化，优化随机配置网络中的正则化参数，得到参数自适应增量神经网络sc-scn；
[0079]
自适应噪声(ceemdan)完全集成经验模分解，通过加入高斯白噪声解决了emd和eemd的“模混合”和“端点问题”。与eemd不同的是，在eemd中，在imf分量的每个阶分量被进一步平均并在残差中迭代后，白噪声被添加到imf中。与emd和eemd相比，它可以获得更好的计算效率和模态分解结果。其分解后的imfs具有更好的完整性和更少的来自低频分量的干扰。
[0080]
ceemdan的计算过程如图2所示。以一个非线性信号作为输入x，并将单个imfs的平均值设为t；在分解后的信号中加入高斯白噪声(n1
……
nt)，得到新的信号x，并进行emd分解；生成的t模态分量的总体平均值得到分量imf1和残差r1，接着，加入正负配对高斯白噪声到r1，得到新的信号。新的信号进行emd分解，得到一阶模态分量ek(*)(ek(*)是由emd算法生成的k阶imf分量)，由此，得到第二个特征模分量，并重复上述步骤，直到得到的残差信号为单调函数。
[0081]
沙猫群优化(scso)是一种元启发式算法，利用低频噪声检测能力模拟沙猫在野外生存的习惯。scso包括三个主要步骤：种群初始化、猎物搜索和猎物攻击。scso还提出了一种平衡勘探和开发的机制。scso具有对单目标优化问题的性能优异、复杂度高、参数和操作符少、易于实现等优点。该算法假设沙猫是一种群体动物。
[0082]
根据前述对scn的描述，随机选择输入节点权值和隐藏节点偏差是必要的。这些参数直接决定了scn的模型性能，而scn与超参数r高度相关。但是，参数r的设置与输入数据相关，而手动调整参数对于实时应用来说太费时费力了。
[0083]
为了提高预测精度和效率，在引入元启发式算法scso，动态寻求正则化参数r的优化，得到参数r自适应预测模型sc-scn。scso在单目标优化方面具有明显的优势，它可以在搜索硫氰酸盐的正则化参数时结合低复杂度和高精度。
[0084]
sc-scn的实现分为scn的建立和参数的优化两个步骤。前述利用dtv对电池表面温度和端子电压进行融合，然后使用ceemdan对hi进行特征提取和去噪的预处理。将预处理后得到的hi数据矩阵作为sc-scn的输入，进行模型训练，如图6所示，sc-scn详细步骤为：
[0085]
步骤一：参数初始化：
[0086]
初始化sand cat(pop)的总体大小、迭代(iter)、搜索超参数的上下界(ub和lb)、维数(d)、最大隐藏节点数(l
max
)、候选节点(t
max
)、容错性(ε)，将给定范围[lb，ub]内的参数值r初始化为sandr；
[0087]
如图4所示，在一个d维的优化实例中，沙猫的位置是一个代表该实例求解的d维矩阵，沙猫种群(n
pop
×
nd)，(pop＝1，...，n)，(x1，x2，...，xd)的大小都是浮点数，沙猫的自适应值由自定义自适应函数决定，每次迭代后，沙猫将输出相应的适应度值，通过选择沙猫的成本最好，捕猎方案(方向、距离)最接近猎物，剩下的砂猫在下一个迭代将搜索方向的最佳沙猫。
[0088]
步骤二：构建和训练scn：
[0089]
使用l
max
，t
max
，ε和sandr来构建和训练scn，并训练数据集；
[0090]
步骤二中数据集训练方法为：
[0091]
基于深度学习的预测模型应用于流程行业具有挑战性，特别是对于那些有实时需求的行业，以应对灵活和可变的电池实时应用。电池rul预测对实时性有非常严格的要求。基于深度学习的预测方法不能正确地确定神经网络的适当结构(隐藏节点的数量)，这使得深度学习模型不可能同时学习和泛化良好的性能。需要一个可以随数据量而变化的网络结构，以适应在电池使用寿命期间不断更新的退化数据。这种网络被称为增量学习。
[0092]
增量学习具有强大的网络灵活性，可以有效地处理电池rul预测中退化数据的增加。
[0093]
通常，构造结构采用两步训练范式进行训练。首先，使用一个随机分配算法来设置输入权值和隐藏的节点偏差。其次，采用最小二乘法计算输出权值，采用最小二乘法计算输出权值，并经常采用其改进的版本。
[0094]
scn通过引入一种基于监督机制的随机方法来构建一个网络结构。这种随机方法在大规模数据计算中是可行和有效的。scn具有网络规模设置中人工干预少、随机参数的范围适应、学习快等优点。它最巨大的贡献是利用不等式约束来假定随机参数和自适应选择随机参数范围的能力。
[0095]
假设已经构建了l-1个带有隐藏节点的scn，输出结果如下所示：
[0096][0097]
g其中表示一个激活函数β表示输出的权重,模型训练数据集输入为x＝{x1，x2，...，xn}，xi＝[x
i，1
，...，x
i，d
]
t
；wj和bj为第j节点的随机权值和偏差：
[0098]
wj＝λ
×
(2
×
rand(n，t
max
)-1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0099]bj
＝λ
×
(2
×
rand(1，t
max
)-1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0100]
t
max
是候选节点的最大值，scn更新：
[0101]yl
＝y
l-1
+β
lgl
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0102]
计算当前网络e
l-1
的误差：
[0103]el-1
＝y-y
l-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0104]
在达到误差范围之前，在scn中添加隐藏节点会引入一个不等式约束，如式(7)，它采用了一种自监控机制来分配隐层参数：
[0105][0106]
其中，h
l
(x)＝[g
l
(x1)，g
l
(x2)，...，g
l
(xn)]
t
，h
l
(x)表示输入激活后的第l个隐藏节点输出；r∈(0，1)为随机正则化参数；μ
l
是一个满足的给定序列它是一系列非负实数，ξ
l
在式(7)中的最大值用于计算节点l的参数，它与候选节点相关；
[0107]
β为隐层的输出权值，基于最小二乘法计算得到：
[0108][0109]
在式(8)中，||
·
||f表示弗罗比尼乌斯范数，h
l
＝[h1，h2，...，h
l
]是一个逆矩阵，表示隐层输出；
[0110]
有两种方法结束网络训练，即设置误差极限e或最大隐藏节点数l
max
；采用早期停止的方法，如满足式(9)中的终止条件之一，最终确定scn的网络结构和参数，并根据这些参数和测试数据集得到相关输出,否则，请继续添加节点。scn的训练过程如图3所示，这直观地说明了scn的构造方法。
[0111][0112]
步骤三：计算沙猫的适合度：
[0113]
使用均方根误差(rmse)作为sc-scn的适应度函数，rmse可计算为：
[0114][0115]
其中，yi为第i个数据点的真值，为第i个数据点的scn输出，n表示样本总数；
[0116]
步骤四：更新参数r：
[0117]
沙猫能在2khz以下的低频听觉，它可以在沙漠的地上和地下寻找各种猎物。通过设置变量的值(公式(10))从2到0呈线性减少。逐渐的线性变化确保了沙猫种群不会丢失或错过猎物；sm＝2表示沙猫捕猎范围的最大值(可以在不同的问题下进行适当的调整)，iterc表示当前的迭代，iter
max
是最大的迭代次数；表示猫捕当前位置，表示猫捕最优位置。
[0118][0119]
更新参数r方法为：通过式(12)和(16)更新r：
[0120][0121]
猎物的搜索空间是通过从定义的边界进行随机初始化得到的。在获得初始随机位置后计算当前种群的最优值，每个沙猫将根据当前位置、最佳沙猫位置及其检测灵敏度更新其状态(式(12))，这种最优搜索不仅保证了每个更新的位置都接近最优，而且计算的随机性保证了算法的低成本和复杂度；
[0122][0123]
在寻找了猎物后，沙猫群进入了攻击阶段。假设每个沙猫的攻击极限都是圆形的，这可以通过定义一个随机角度θ来得到，θ∈[3，360]的随机范围定义为[-1,1]；scso通过轮盘赌轮选择算法为每个沙猫选择攻击角，使每个沙猫在搜索空间攻击中沿着新的随机角进行攻击，有效避免了局部最优条件的发生。攻击期间的位置更新显示在等式中(13)和等式(14)。
[0124][0125][0126]
当达到特定位置时，定义一个自适应参数r来实现沙猫群从搜索到攻击的转换，定义为：
[0127][0128]
当从迭代过程中线性下降时，在[-2rg，2rg]的范围内r随机变化。当|r|＞1，沙猫在寻找猎物，以及当|r|≤1时，沙猫的状态可以是搜索或攻击，如式(16)
[0129][0130]
式(12)中，表示每个砂猫的灵敏度范围，该设置能够避免局部最优捕获，将不同的沙猫(接收来自猎物的低频信号)的灵敏度范围设置为不同的随机值，可以有效地避免落入局部最优；sm＝2表示沙猫捕猎范围的最大值(可以在不同的问题下进行适当的调整)，iterc表示当前的迭代，iter
max
是最大的迭代次数；表示猫捕当前位置，表示猫捕最优位置；
[0131]
式(16)中，是一个猫捕随机位置，确保沙猫随机探索猎物；是猫捕最优解，是猫捕当前位置，表示从迭代过程中线性下降中，r的变化范围
[0132]
scso如图5所示，在搜索阶段(|r|＞1)，沙猫群在几个不同的随机方向搜索猎物，t次迭代后得到最优位置其余部分使用搜索参数接近猎物得到迭代t+1；当|r|≤1时，沙猫以随机的速度和角度进入攻击(或搜索)阶段时。沙猫的随机变量显示在图中，以一个自信的沙猫为例，其中实心线表示沙猫在双耳接收低频信号，虚线表示沙猫的搜索方向，θ是搜索方向和猎物之间的夹角。值得注意的是，由于scso的随机机制，迭代中最优位置的沙猫在下次迭代中没有处于最优位置可以有效地避免局部最优性。
[0133]
步骤五：获得最终的参数r：
[0134]
重复步骤二到步骤五，直到scn满足式(9)，从而得到r的最优值和最小适应度；
[0135]
步骤六：获取scn的输出：
[0136]
计算出r最优值后，训练scn，得到电池rul预测值。
[0137]
步骤(3)，利用步骤(2)中得到的参数自适应增量神经网络sc-scn对自适应增量式电池rul进行预测。
[0138]
为了验证本发明的效果，进行如下验证：
[0139]
1.1电池数据集
[0140]
美国国家航空航天局(nasa)艾姆斯锂离子电池数据在这个案例研究中被使用。操作数据汇总见表1。
[0141]
表1电池数据集
[0142][0143]
nasa数据集包含了几个“.mat”格式的压缩文件，通过模拟libs通过重复充放电循环的加速老化过程，记录了18650个libs在不同操作条件下的老化信息。在充电过程中，电池首先以1.5a的恒流(cc)模式充电，直到端子截止电压达到4.2v，然后切换到恒压(cv)模式继续充电，直到充电电流降至20ma，结束充电过程。放电实验在2a恒定电流下进行，充电10分钟。该调查将在电池退化至使用寿命结束(eol)后被取消，即额定容量下降30％。本技术中选择了数据集b#5、b#6、b#7。
[0144]
nasa电池数据集的容量退化图像如图7所示。从表1和图7可以清楚地看出，降解实验虽然是在相同的实验环境下进行的，但由于细胞内部结构的不同，存在不同的老化过程。
[0145]
1.2差分热伏安法
[0146]
对电池rul的准确预测需要从电池老化数据中得到一个有效的hi。b#5电池的第一个(循环1)和最后一次(循环168)充放电循环参数变化如图8和图9所示。
[0147]
从图8-9中可以看出，电池老化影响了多次充放电循环后电池电压和表面温度的变化，说明两者的变化与电池退化密切相关。如何获得具有大量退化信息来源的hi，作为该模型的实际输入，一直是该行业的一种重要研究方向。这种融合因子可以有效地解决现有单一退化变量导致的预测精度不足和模型泛化性差等问题。因此，为了充分整合来自多个数据源的信息来表征rul的衰减，本技术使用了前述提出的dtv。dtv计算出的单充放电循环hi如图10所示。
[0148]
微分步长t的大小在dtv的融合计算中是至关重要的。需要一个适当的值，以使得到的融合hi与容量退化的相关性最高。采用单变量实验得到不同步长下的hi，并分别比较其与退化容量的相关性。如图10的相关分析所示，在t＝20ms时获得的hi与电池寿命衰减曲线的相关性最强。最终选择t＝20mstdtv曲线谷对应的电压值为hi。
[0149]
1.3用于hi预处理的ceemdan
[0150]
结合多个源退化信息的dtv计算得到的hi是一个非线性、非光滑的时变信号；需要构造一种模态分解方法来有效地分解hi序列。在对电池退化信息序列进行模态分解后，可以进一步提取hi的退化特性，消除信号去噪和容量再生现象。
[0151]
ceemdan有效地解决了emd中的“模态固定”和“端点”问题，并设法消除了残余白噪声对信号序列分解的影响。在本小节中，hi使用ceemadn进行预处理。预处理后的hi减少了噪声和容量再生现象对预测模型的干扰，便于模型分析更多退化的特征。预处理得到的成分与emd得到的分量比较如图12所示。
[0152]
1.4比较实验与分析
[0153]
电池使用是一种实时应用，精确预测电池rul可以有效防止运行过程中的各种故障。电池老化问题越早被发现，可用性预测越多，可以保证其使用安全，有助于相关设备的健康维护。本小节基于nasa电池数据集，采用sc-scn模型实现电池rul的提前预测，rmse和mae以表格形式记录，评估预测精度(平均10个预测结果)。mae指标的定义为：
[0154][0155]
式中，yk为第k个数据点的rul的实际值，为第k个数据点的模型输出，n为样本总数。
[0156]
实验结果的平均值超过了10个预测。基于sc-scn模型的rul多步提前预测的结果和误差如图13、14、15所示。对于nasa电池数据集b#5、b#6和b#7，rul提前预测了100、90、80、70、60、50、40和30个周期。从图中可以看出，算法对dtv算法提取的hi进行了处理，有效地消除了容量再生和噪声对rul预测的影响。投影拟合程度随着训练数据的增加而逐渐增加，这是神经网络的一个基本特征。值得注意的是，即使在只有少量预测数据的早期阶段，所提出的sc-scn也具有良好的预测结果。预测结果与适当的寿命退化之间的误差通过箱形图可视化，其最显著的优点是它可以准确、稳定地表示数据的离散分布，而不受异常值的影响。方框图中的虚线表示误差的平均值，矩形的高度表示误差的波动范围。从图13、14和15，很容易发现sc-scn在多步超前预测早期有一个小误差，显示了一个很好的切合度，表明在只有少量的训练数据情况下sc-scn算法仍然有优秀的近似能力。随着训练数据的增加，预测误差的波动逐渐减小，误差最大值逐渐减小。以b#5为例，误差最大值从100个预测周期的0.0729逐渐下降到30个预测周期的0.0203。能够获得这样的结果表明，相同的sc-scn模型仍然有强大的非线性预测能力预测阶段，不需要训练一个新模型来适应数据变化和特征添加，由于scn的建设性网络结构，非常适合实时面向过程的工业需求类似于电池rul预测。
[0157]
预测性能评价如表2、表3、表4所示。在相同条件下，引入dnn、svr和fnn进行多步超前预测比较实验。如表中所示，随着训练数据量的增加，预测的rmse和mae逐渐减少，因为sc-scn在增加的数据中学习到了更多的退化信息。该网络目前具有较强的退化拟合能力，误差低。预测误差和退化图像拟合结果表明，所提出的sc-scn是一种更有效、更准确的电池rul预测算法。当只有少量的训练数据(提前预测100步、90步、80步)和训练数据逐渐增加时，sc-scn具有较高的预测性能。
[0158]
1表2#b5电池的多循环提前rul预测性能评价
[0159][0160][0161]
2表3#b6电池的多循环提前rul预测性能评价
[0162][0163]
3表4#b7电池的多循环提前rul预测性能评价
[0164][0165]
sc-scn在b#5电池中总体预测性能最好，除40步提前预测大于dnn外，多步提前预测误差均小于控制网络。在b#6和b#7电池的小样本预测实验中，svr在100步和90步提前预测中误差较小。然而，在训练数据增加后的后期退化中，预测性能可能优于sc-scn，后者具有更好的预测稳定性。与其他人工神经网络相比，所提出的sc-scn具有优异的性能，因为scn的构造网络结构和较强的网络泛化的机制；加入元启发式算法scso使scn中的超参数实现自适应，提高了网络在电池实时应用下的预测性能。
[0166]
基于上述实验数据以及结果的分析，可以得出结论，提出sc-scn是一个高效、灵活的增量电池rul预测算法，和sc-scn结合多源退化特性可以有效地满足多步领先电池rul预测过程工艺实时应用。
[0167]
本发明在实时行业对电池rul预测的强烈需求下，本文采用自适应增量神经网络sc-scn，实现了对电池rul的高级预测。首先，利用差分热伏安法(dtv)计算电池电压和温度的多源特征信息，得到描述电池寿命下降过程的融合hi，并采用改进的经验模态分解算法——ceemdan对hi数据进行预处理。然后，利用沙猫群优化(scso)对scn中的正则化参数进行优化，得到参数自适应预测模型sc-scn；最后，利用nasa电池数据集b#5、b#6、b#6、b#7对该模型进行了验证，给出了预测误差和图像，并在各种神经网络上进行了比较实验。
[0168]
结果表明，构造增量神经网络能够有效地满足电池rul预测过程的工业要求。sc-scn可以有效地实现电池rul的多步提前预测，即使在只有少量训练数据的情况下也能获得良好的预测性能，且预测误差明显小于比较网络。
[0169]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内，因此，本发明的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.结合多源退化特征的自适应增量式电池rul预测方法，其特征在于：该方法包括以下步骤：步骤(1)，利用差分热伏安法提取表面温度和终端电压数据中的多源退化特征，得到具有自适应噪声的hi预处理；步骤(2)，hi数据矩阵作为sc-scn的输入，利用元启发式算法沙猫群优化，优化随机配置网络中的正则化参数，得到参数自适应增量神经网络sc-scn；步骤(3)，利用步骤(2)中得到的参数自适应增量神经网络sc-scn对自适应增量式电池rul进行预测。2.根据权利要求1所述的一种结合多源退化特征的自适应增量式电池rul预测方法，其特征在于：步骤(1)中详细方法为：通过计算电池恒流充放电过程中电池表面温度和终端电压的熵增比，得到dtv，其离散表达式如式(1)：式中，t、t、v和k分别表示温度、时间、电压和时间步长，v
(t)
表示在t时刻的终端电压，t
v(t)
为表面温度。3.根据权利要求1所述的一种结合多源退化特征的自适应增量式电池rul预测方法，其特征在于：步骤(2)中的详细步骤为：步骤一：参数初始化：初始化sand cat(pop)的总体大小、迭代(iter)、搜索超参数的上下界(ub和lb)、维数(d)、最大隐藏节点数(l
max
)、候选节点(t
max
)、容错性(ε)，将给定范围[lb，ub]内的参数值r初始化为sand
r
；步骤二：构建和训练scn：使用l
max
，t
max
，ε和sand
r
来构建和训练scn，并训练数据集；步骤三：计算沙猫的适合度：使用均方根误差(rmse)作为sc-scn的适应度函数，rmse可计算为：其中，y
i
为第i个数据点的真值，为第i个数据点的scn输出，n表示样本总数；步骤四：更新参数r：步骤五：获得最终的参数r：重复步骤二到步骤五，直到scn满足设定条件，从而得到r的最优值和最小适应度；步骤六：获取scn的输出：计算出r最优值后，训练scn，得到电池rul预测值。4.根据权利要求3所述的结合多源退化特征的自适应增量式电池rul预测方法，其特征在于：步骤二中数据集训练方法为：假设已经构建了l-1个带有隐藏节点的scn，输出结果如下所示：
g其中表示一个激活函数β表示输出的权重,模型训练数据集输入为x＝{x1，x2，...，x
n
}，x
i
＝[x
i，1
，...，x
i，d
]
t
；w
j
和b
j
为第j节点的随机权值和偏差：w
j
＝λ
×
(2
×
rand(n，t
max
)-1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)b
j
＝λ
×
(2
×
rand(1，t
max
)-1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)t
max
是候选节点的最大值，scn更新：y
l
＝y
l-1
+β
l
g
l
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)计算当前网络e
l-1
的误差：e
l-1
＝y-y
l-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)在达到误差范围之前，在scn中添加隐藏节点会引入一个不等式约束，如式(7)，它采用了一种自监控机制来分配隐层参数：其中，h
l
(x)＝[g
l
(x1)，g
l
(x2)，...，g
l
(x
n
)]
t
，h
l
(x)表示输入激活后的第l个隐藏节点输出；r∈(0，1)为随机正则化参数；μ
l
是一个满足的给定序列它是一系列非负实数，ξ
l
在式(7)中的最大值用于计算节点l的参数，它与候选节点相关；β为隐层的输出权值，基于最小二乘法计算得到：在式(8)中，||
·
||
f
表示弗罗比尼乌斯范数，h
l
＝[h1，h2，...，h
l
]是一个逆矩阵，表示隐层输出；有两种方法结束网络训练，即设置误差极限e或最大隐藏节点数l
max
；采用早期停止的方法，如满足式(9)中的终止条件之一，最终确定scn的网络结构和参数，并根据这些参数和测试数据集得到相关输出,否则，请继续添加节点。5.根据权利要求2所述的结合多源退化特征的自适应增量式电池rul预测方法，其特征在于：步骤四中更新参数r方法为：通过式(12)和(16)更新r：在于：步骤四中更新参数r方法为：通过式(12)和(16)更新r：式(12)中，表示每个砂猫的灵敏度范围，s
m
＝2表示沙猫捕猎范围的最大值，iter
c
表示当前的迭代，iter
max
是最大的迭代次数；表示猫捕当前位置，表示猫捕最优位置；式(16)中，是一个猫捕随机位置，确保沙猫随机探索猎物；是猫捕最优解，是猫捕当前位置，表示从迭代过程中线性下降中，r的变化范围6.根据权利要求4所述的结合多源退化特征的自适应增量式电池rul预测方法，其特征
在于：步骤五中设定条件为式(9)。

技术总结
本发明公开了结合多源退化特征的自适应增量式电池RUL预测方法，属于电池RUL预测技术邻域，该方法中利用差分热伏安法提取表面温度和终端电压数据中的多源退化特征，得到具有自适应噪声的HI预处理，有效地消除了融合数据的容量再生现象和噪声对预测过程的影响。然后利用元启发式算法沙猫群优化，优化随机配置网络中的正则化参数，得到参数自适应增量神经网络SC-SCN，该网络更好地满足电池RUL预测工作流行业的实时数据需求，添加自适应优化算法可以有效地提高预测模型的灵活性和预测效率，有效解决现有的深度学习预测方法中存在的单一健康指数不能稳定有效地表征电池退化、网络结构需要预先确定的缺陷的技术问题。需要预先确定的缺陷的技术问题。需要预先确定的缺陷的技术问题。


技术研发人员：李少波 廖子豪 周鹏 张安思
受保护的技术使用者：贵州大学
技术研发日：2023.04.14
技术公布日：2023/9/23