本说明书涉及为电池监测预测领域，尤其涉及一种全生命周期电池荷电状态的预测方法。
背景技术：
1、
2、随着绿色能源的发展，锂离子电池因其能量高，循环寿命长等优势得到广泛应用，锂离子电池的荷电状态(state of charge, soc)和电池健康度(state of healthy, soh)是体现储能系统运行的关键特征，这两个特征的准确预测有利于我们对储能系统监测和控制。soc是一个动态变化的变量，受到多种因素的影响，如充放电循环、温度、电压电流等，随着电池长时间的使用，其内部会发生不可逆的变化，导致其可用的容量降低，因此采用时间序列预测模型，这种模型能够考虑数据随时间的演变，从而更好地捕捉这些变化的趋势和模式。本发明专利提出一种基于时间序列模型的电池荷电状态预测方法，预测电池在其整个生命周期内的荷电状态变化，以优化电池的使用和管理策略，延长电池的寿命和提高其性能。
3、专利申请号202010946770.0公开了名称为：“一种基于深度学习的电池soc和soh联合估计方法”具体步骤包括电池数据的采集、对数据的预处理、搭建se-cnn神经网络和brnn神经网络、构建并训练估算模型，最后利用训练过的se-cnn网络估算电池的soh值、利用brnn网络估算电池的soc值。此专利中对soh的估算以电压、电流、温度作为输入体现不出时间对soh的影响。传统滤波方法的soc与soh的耦合关系大多基于安时积分公式的变形，然而时间尺度的不一致性使得soh预测易受到的影响，此外soc估计为估计当前状态，达不到预测未来soc效果，本专利中提出的方法基于时间序列采用历史数据预测soc的未来状态。
技术实现思路
1、
2、本发明目的在于从时间序列考虑，通过分析变量在过去一段时间的历史数据来预测其在未来一段时间的值，从而识别电池使用状态随时间变化的趋势和周期性模式来完成荷电状态预测。
3、基于上述目的，本说明书提供了一种全生命周期电池荷电状态的预测方法，包括：
4、基于经验模态分解的长短期循环记忆神经网络中，输入变量为历史健康度数据，通过训练得到健康度变化规律；
5、根据健康度变化规律生成的电池健康度信息，与电压、电流、内阻数据联合，生成新的数据集；
6、搭建lstm，将生成的数据集作为网络输入再次训练，得到联合健康度预测荷电状态，通过该模型学习荷电状态的变化规律实现预测soc；
7、利用训练好的深度学习模型，实现基于时间序列预测电池的荷电状态。
8、针对于电池荷电状态的定义为：
9、,
10、其中q(t)为当前电荷量，q(t)max为总电荷量。
11、针对电池健康度，其影响因素有：
12、经实验和调研可以得出，循环次数和放电深度的增加，电池健康度呈下降趋势；随着电池放电，其内阻增大，进而电池健康度下降，由此可以得到健康度的外部影响因素有循环次数，电池内阻和放电深度，电池内部同时也存在着复杂的化学反应。因此健康度的影响因素很多，其中最主要的为循环次数，本专利中选取循环周期和电池电量来估算电池健康度。
13、从定义可以得到，荷电状态中的q(t)为当前电荷量，其与电路中的电压电流存在着关系，q(t)max为额定电荷量会随着电池健康度降低而降低，健康度和荷电状态之间存在着一种非线性关系。深度学习是一种基于数据的研究方法，通过构建多层网络来学习数据的表示，不断的训练去自我修正模型的参数，从而进行复杂的任务，所以通过深度学习去拟合这种关系。
14、采集的数据有电池生命周期内每个循环的电压数据[u1,u2,…,un]，电流数据[i1,i2,…,in]，内阻数据[r1,r2,…,rn]以及电池剩余电量数据[c1,c2,…,cn]，soh用当前电池容量与电池额定容量表示，为了提高神经网络的训练速率，健康度每隔一个循环周期记录一次。取当前剩余电量和此次循环下满电电量比值为荷电状态，上述变量与荷电状态以及健康度有较强的相关性，作为输出可以使得模型更具有普遍性。
15、在步骤中搭建emd-lstm网络架构，其中针对经验模态分解部分主要将循环周期数据和电池健康度的关系分解为主下降趋势m(t)和若干波动组f(t)，搭建长短期循环记忆神经网络，初始化连接输入层和隐藏层的参数和隐藏层的偏置参数，再将主下降趋势m(t)和若干波动组f(t)作为输入变量传输到神经网络中，采用emd-lstm方法可以将信号曲线平滑处理，能分析非线性非平稳信号。
16、针对于每个循环周期下的剩余电量采用的经验模态分解方法，本方法主要解决在没有过多的数据使得网络拟合程度更高的情况下优化模型的拟合程度，是一种自适应的、数据驱动的方法，适用于非线性和非平稳信号的分解。它在信号处理、振动分析、图像处理等领域有着广泛的应用，本方法主要有如下步骤：
17、选择需要分解的原始数据信号即每个周期下的剩余电量曲线x(t)；
18、对于该信号曲线，首先找到其局部极值点，这些极值点将被用于确定信号的局部特征；
19、使用插值技术来获得极值点之间的包络线，得到这组关系信号的上下包络；
20、计算原始关系信号与其包络的平均值mean(t)=u(t)+l(t)/2，得到的平均值将被用于除去信号的低频分量；
21、通过将原始关系信号与其包络的平均值相减得到一组本征模态函数hj(t)=x(t)-mean(t)，其中j为生成imf的索引，每个imf的极值点都代表原始关系信号中的本征震动模式；
22、检查提取的imfs是否满足本征模态函数的定义，即在整个信号的任何时刻上，imf的极值点数目要么相等，要么相差最多一个。如果不满足条件，重复求取平均和提取imf，直到得到满足条件的imfs记；
23、将满足条件的imfs从原始信号中减去，得到一个剩余项，如果这个剩余项足够小，可以认为已经获得了原始信号的有效分解。
24、emd算法的分解结束，经emd分解后，最初的信号x(t)可以写成：，其中，得到的imf个数为n个；第k个imf记为；最终残差记为，对关联性较高的信号进行相关性分析，通过计算soh(t)和之间的相关性系数，寻找具有强相关性的imf分量，再分别将和传输到长短期循环记忆神经网络中训练。
25、针对上述信号分解后传输到lstm神经网络中进行如下过程：
26、在lstm神经网络中通过添加门控结构来实现过滤冗余信息，用于输入信息的输入门，用于遗忘的遗忘门和控制输出的输出门，通过这三个门控逻辑单元判断是否更新，分别将上述中残差项和传入网络中；
27、通过遗忘门控制读取前一时刻的隐藏层ht-1和输入，输出一个0和1之间的值，0表示数据遗忘，1表示数据保留，再将这个值传给细胞状态，
28、
29、输入门确定保存的信息，通过sigmoid激活函数与通过tanh激活函数的信息叉乘，向细胞状态输入一个新的值；
30、
31、
32、经过输入门和遗忘门，神经网络决定了保留和丢弃的信息，将新的信息更新到旧的细胞状态中，将旧细胞状态与遗忘门相乘，再加上输入门的信息；
33、
34、再将该输入值通过sigmoid激活函数并与通过tanh激活函数的输入的细胞状态叉乘从的得到输出值；
35、
36、
37、由此得到输出值ht。
38、同样方法将主下降趋势组数据传入网络进行训练，最终的soh估计值为上述残差项与主趋势项估计值的求和。
39、当完成上述对soh的预测结果后，取预测训练后的结果值[soh1,soh2,…,soht]，与步骤1中的电压，电流和内阻数据组合称为新的数据集，将此数据作为输入，传入lstm网络中去训练预测soc(t)，其中数据传输到网络中算法与上述soh预测算法步骤相同，主要不同处为针对于网络架构的输入在soh预测中的输入为一维变量，此处为四维变量，通过此种方法，实现在soc预测中加入soh作为影响变量，实现全生命周期预测电池荷电状态。
40、本发明有益技术效果：
41、1.预测电池的荷电状态，从时间序列的角度考虑，电池老化通常经过较长时间的使用，采用时间序列预测，通过分析变量在过去一段时间的历史数据来预测其在未来一段时间的值，从而识别电池使用状态随时间变化的趋势和周期性模式，为电池荷电状态预测提供有效参考。
42、2.使用的数据为电池整个生命周期下的电压，电流，内阻和剩余电量数据，预测电池全生命周期的荷电状态，以优化电池的使用和管理策略，延长电池的寿命或提高其性能。
1.一种全生命周期电池荷电状态的预测方法，其特征在于：电池荷电状态预测方法主要包括基于经验模态分解的长短期循环记忆神经网络预测健康度以及长短期循环记忆神经网络预测荷电状态；其中基于经验模态分解的长短期循环记忆神经网络以每一个循环的电池剩余电量作为输入，预测电池健康度；另一个使用长短期循环记忆神经网络以健康度和电池生命周期内电压、电流、内阻数据作为输入预测全生命周期的电池荷电状态。
2.针对权利要求1中所述的一种全生命周期电池荷电状态的预测方法，其特征在于：所述基于经验模态分解的长短期循环记忆神经网络中，输入变量为剩余电量数据，通过训练得到健康度变化规律；所述时间序列以时间为自变量，剩余电量为因变量，通过不断记录电池的剩余电量，得到随时间变化的剩余电量数据序列。
3.根据权利2所述健康度变化规律得到健康度数据和权利1中所述生命周期内的电压、电流以及内阻数据作为长短期循环记忆神经网络的输入，经过训练后得到荷电状态变化规律，估计全生命周期的荷电状态；所述生命周期内电压、电流以及内阻的数据为不同健康度下的电压、电流以及内阻数据，为了减少数据冗余，取不同健康度下前100次循环的电压、电流以及内阻数据；所述全生命周期荷电状态包含电池不同使用阶段的荷电状态，即在初次使用时的荷电状态、经过多次充放电后的荷电状态直至接近报废时的荷电状态。
4.针对权利要求1中所述的一种全生命周期电池荷电状态的预测方法，其特征在于：健康度用当前电池容量与电池额定容量比值表示，为了提高神经网络的训练速率，健康度每隔一个循环周期记录一次，所述基于经验模态分解的长短期循环记忆神经网络预测包括使用经验模态分解将每个循环的电池电量数据分解为主下降趋势组和n个波动组，通过计算健康度和波动组之间的相关性系数，当健康度和波动组的相关系数大于设定值则保留改波动组，输入神经元个数为波动组个数。
5.针对权利要求4中所述的主下降趋势组和若干波动组，其特征在于：分别初始化主下降趋势组和波动组的训练网络，包括确定输入层，隐藏层，输出层以及循环单元个数，循环单元个数为数据个数，经过训练，健康度为两组网络训练结果求和。
6.针对权利要求1中所述的一种全生命周期电池荷电状态的预测方法，其特征在于：荷电状态用当前剩余电量和额定电量比值表示，取训练后的健康度数据，与对应循环周期下的电压，电流，内阻数据联合，将联合后的数据分组为训练集和测试集。
7.针对权利要求1中所述使用长短期循环记忆神经网络，其特征在于：搭建lstm，包括以下操作，初始化网络包括输入层，隐藏层权重w和隐藏层的偏置b，输出层以及循环单元个数，确定激活函数sigmoid，确定损失函数mse，将训练组数据作为输入层，经网络训练得到荷电状态预测值，当误差小于设定值，完成神经网络的训练。
