一种锂电池剩余使用寿命预测方法及系统

1.本发明涉及锂电池技术领域，尤其涉及一种锂电池剩余使用寿命预测方法及系统。


背景技术：

2.在新能源汽车中，大部分电动汽车配置的储能装置均以锂电池为主，锂电池系统作为电动汽车的核心动力装置，寿命意外终止往往会导致系统整体性能失效，从而影响整车系统的安全。而在电动汽车使用过程中会受到道路环境、工作温度和驾驶员行车习惯等诸多因素的影响，为锂电池剩余使用寿命(remaining useful life,rul)的精确预测带来困难。
3.当前锂电池rul预测主要分为模型驱动方法和数据驱动方法。模型驱动方法基于电池物理、化学原理的分析，通过建立数学和物理模型来表征锂电池性能退化的过程。但模型精度与模型复杂程度紧密相关，且参数众多难以确定，泛化能力较弱。数据驱动方法凭借其强大的数据处理能力，无需特定的物理模型和掌握系统的先验知识，以及能够很好地描述变量之间非线性关系的能力，被越来越多地应用于锂电池rul预测中，然而，在该方法寿命长期预测过程中鲜少对数据降噪处理，且在锂电池剩余使用寿命的长期预测中具有一定的局限性，模型稳定性有待提高。


技术实现要素：

4.本发明提供一种锂电池剩余使用寿命预测方法及系统，用以解决现有技术中对于锂电池剩余使用寿命预测在长期预测中缺乏稳定性的缺陷。
5.第一方面，本发明提供一种锂电池剩余使用寿命预测方法，包括：
6.采集锂电池原始数据，对所述锂电池原始数据进行标准化处理得到锂电池标准化数据，基于所述锂电池标准化数据构建训练数据集和测试数据集；
7.建立改进的dae-autoformer融合模型，利用所述训练数据集对所述改进的dae-autoformer融合模型进行训练，得到初始锂电池剩余使用寿命预测模型，其中所述改进的dae-autoformer融合模型是由dae模型和autoformer模型进行级联所得到的；
8.利用所述测试数据集对所述初始锂电池剩余使用寿命预测模型进行精度调整，得到锂电池剩余使用寿命预测模型；
9.将待检测锂电池数据输入所述锂电池剩余使用寿命预测模型，输出锂电池剩余使用寿命预测结果。
10.根据本发明提供的一种锂电池剩余使用寿命预测方法，采集锂电池原始数据，包括：
11.采集锂电池寿命衰减过程中每次循环下的锂电池充电电压数据、锂电池充电电流数据以及锂电池容量数据；
12.所述锂电池充电电压数据包括电池寿命衰减过程中所有充放电循环次数下对应
的电池充电阶段全部时刻采样点电压；
13.所述锂电池充电电流数据包括电池寿命衰减过程中所有充放电循环次数下对应的电池充电阶段全部时刻采样点电流；
14.所述锂电池容量数据包括电池寿命衰减过程中所有充放电循环次数下对应的放电阶段初始时刻采样点电池容量。
15.根据本发明提供的一种锂电池剩余使用寿命预测方法，对所述锂电池原始数据进行标准化处理得到锂电池标准化数据，包括：
16.获取锂电池全生命周期的充放电循环总次数；
17.根据所述充放电循环总次数中任一次循环数据序列中的任一锂电池充电电压数据原始值、任一次循环数据序列中的最小锂电池充电电压以及任一次循环数据序列中的最大锂电池充电电压，得到任一次循环数据序列中的任一锂电池充电电压标准化数据；
18.根据所述充放电循环总次数中任一次循环数据序列中的任一锂电池充电电流数据原始值、任一次循环数据序列中的最小锂电池充电电流以及任一次循环数据序列中的最大锂电池充电电流，得到任一次循环数据序列中的任一锂电池充电电流标准化数据；
19.根据所述充放电循环总次数中任一次循环的电池容量数据值、所有循环中电池容量数据序列最小容量值和所有循环中电池容量数据序列最大容量值，得到任一次循环的锂电池容量标准化数据。
20.根据本发明提供的一种锂电池剩余使用寿命预测方法，基于所述锂电池标准化数据构建训练数据集和测试数据集，包括：
21.选取所述锂电池标准化数据中的n组电池充放电循环次数下对应的锂电池充电电压标准化数据、锂电池充电电流标准化数据，作为所述训练数据集，其中n小于充放电循环总次数m；
22.确定所述锂电池标准化数据中的m-n组电池充放电循环次数下对应的锂电池充电电压标准化数据、锂电池充电电流标准化数据，作为所述测试数据集。
23.根据本发明提供的一种锂电池剩余使用寿命预测方法，建立改进的去噪自动编码器dae-autoformer融合模型，利用所述训练数据集对所述改进的dae-autoformer融合模型进行训练，得到初始锂电池剩余使用寿命预测模型，包括：
24.确定将dae模型和autoformer模型进行级联，所述dae模型由遮罩层、dae编码层和dae解码层依次串联所构成，所述autoformer模型由编码器和解码器级联构成，其中所述编码器与所述dae编码层相连接，所述编码器和所述解码器均包括序列分解单元；
25.将所述训练数据集输入所述dae模型进行数据降噪获得预设低维隐变量，将所述预设低维隐变量输入所述autoformer模型进行训练，得到所述初始锂电池剩余使用寿命预测模型。
26.根据本发明提供的一种锂电池剩余使用寿命预测方法，将所述训练数据集输入所述dae模型进行数据降噪获得预设低维隐变量，包括：
27.由所述遮罩层对所述训练数据集注入高斯白噪声，得到包含噪声样本，将所述包含噪声样本输入至所述dae编码层；
28.所述dae编码层对所述包含噪声样本进行编码，得到所述预设低维隐变量，将所述预设低维隐变量通过预设激活函数分别输入至dae解码层以及所述编码器；
29.所述dae解码层将所述预设低维隐变量还原至所述训练数据集的初始维度，得到重构后不含噪声样本。
30.根据本发明提供的一种锂电池剩余使用寿命预测方法，将所述预设低维隐变量输入所述autoformer模型进行训练，得到所述初始锂电池剩余使用寿命预测模型，包括：
31.由所述编码器中的所述序列分解单元从所述预设低维隐变量中获取趋势项和周期项，通过均值滤波器消除所述趋势项，保留所述周期项，由自相关机制聚合不同周期相似子序列，得到聚合信息序列，并由前馈层处理和所述序列分解单元处理所述聚合信息序列，得到历史时间序列；
32.由所述解码器中的自相关机制从所述周期项中提取预测状态内在时间依赖特性，并由所述自相关机制从所述历史时间序列中提取信息，由前馈层处理提取信息，由分别嵌入于各个自相关机制和前馈层之间的序列分解单元对所述趋势项进行加权累积之后，与所述周期项对应输出的提取信息进行求和，得到所述初始锂电池剩余使用寿命预测模型。
33.根据本发明提供的一种锂电池剩余使用寿命预测方法，利用所述测试数据集对所述初始锂电池剩余使用寿命预测模型进行精度调整，得到锂电池剩余使用寿命预测模型，包括：
34.将所述测试数据集输入所述初始锂电池剩余使用寿命预测模型，得到锂电池剩余使用寿命预测值；
35.获取锂电池剩余使用寿命真实值，利用平均绝对百分比误差计算所述锂电池剩余使用寿命预测值、所述锂电池剩余使用寿命真实值和所述测试数据集的样本总数，得到模型预测精度；
36.若确定所述模型预测精度满足预设模型精度阈值，则确定所述初始锂电池剩余使用寿命预测模型为所述锂电池剩余使用寿命预测模型，否则，对所述初始锂电池剩余使用寿命预测模型的超参数进行优化，重新进行模型训练，直至得到所述锂电池剩余使用寿命预测模型。
37.第二方面，本发明还提供一种锂电池剩余使用寿命预测系统，包括：
38.构建模块，用于采集锂电池原始数据，对所述锂电池原始数据进行标准化处理得到锂电池标准化数据，基于所述锂电池标准化数据构建训练数据集和测试数据集；
39.训练模块，用于建立改进的dae-autoformer融合模型，利用所述训练数据集对所述改进的dae-autoformer融合模型进行训练，得到初始锂电池剩余使用寿命预测模型，其中所述改进的dae-autoformer融合模型是由dae模型和autoformer模型进行级联所得到的；
40.调整模块，用于利用所述测试数据集对所述初始锂电池剩余使用寿命预测模型进行精度调整，得到锂电池剩余使用寿命预测模型；
41.预测模块，用于将待检测锂电池数据输入所述锂电池剩余使用寿命预测模型，输出锂电池剩余使用寿命预测结果。
42.第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述锂电池剩余使用寿命预测方法。
43.本发明提供的锂电池剩余使用寿命预测方法及系统，通过改进的dae-autoformer
融合模型，对输入电池数据降噪处理并学习有效特征，以较短训练时间实现电池寿命的高精度高稳定性长期预测，在锂电池剩余寿命在线预测场景中，对用户电池保养维护、管理与更换策略的有效制定，以及保障电池在全生命周期安全稳定运行具有重要的指导意义。
附图说明
44.为了更清楚地说明本发明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，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
45.图1是本发明提供的锂电池剩余使用寿命预测方法的流程示意图；
46.图2是本发明提供的锂电池剩余使用寿命预测模型训练流程图；
47.图3是本发明提供的锂电池剩余使用寿命预测模型示意图；
48.图4是本发明提供的锂电池剩余使用寿命预测系统的结构示意图；
49.图5是本发明提供的电子设备的结构示意图。
具体实施方式
50.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
51.针对现有技术中对于锂电池剩余使用寿命预测技术存在的局限性，本发明通过将去噪自动编码器(denoising auto-encoder，dae)模型和autoformer模型进行融合，提出改进的dae-autoformer的锂电池剩余使用寿命预测模型，采用对锂电池数据的降噪处理，实现锂电池剩余使用寿命的在线精确预测，具有很高的预测稳定性。
52.图1是本发明实施例提供的锂电池剩余使用寿命预测方法的流程示意图，如图1所示，包括：
53.步骤100：采集锂电池原始数据，对所述锂电池原始数据进行标准化处理得到锂电池标准化数据，基于所述锂电池标准化数据构建训练数据集和测试数据集；
54.步骤200：建立改进的dae-autoformer融合模型，利用所述训练数据集对所述改进的dae-autoformer融合模型进行训练，得到初始锂电池剩余使用寿命预测模型，其中所述改进的dae-autoformer融合模型是由dae模型和autoformer模型进行级联所得到的；
55.步骤300：利用所述测试数据集对所述初始锂电池剩余使用寿命预测模型进行精度调整，得到锂电池剩余使用寿命预测模型；
56.步骤400：将待检测锂电池数据输入所述锂电池剩余使用寿命预测模型，输出锂电池剩余使用寿命预测结果。
57.具体地，本发明实施例通过采集锂电池数据，对锂电池数据依次作标准化处理，得到标准化处理后的锂电池数据，构建锂电池剩余使用寿命预测的训练数据集和测试数据集，建立改进的dae-autoformer融合模型，采用训练数据集进行模型训练，得到初始锂电池剩余使用寿命预测模型，然后采用测试数据集对初始锂电池剩余使用寿命预测模型的评估
情况调整模型参数，待模型精度满足要求，得到锂电池剩余使用寿命预测模型，将需要检测的锂电池数据输入锂电池剩余使用寿命预测模型，即可得到锂电池剩余使用寿命预测结果。
58.如图2所示，首先是获取一定数量的锂电池原始数据，进行标准化后得到锂电池标准化数据，包括充电电压数据、充电电流数据和电池容量，将其中一部分样本数据作为训练数据集，对构建的模型进行训练后得到锂电池剩余使用寿命预测模型，根据模型输出的预测结果和实际结果进行对比计算，例如采用平均绝对百分比误差(mean absolute percentage error，mape)验证模型的精度是否满足要求，不满足时进行超参数优化，满足精度要求后确认最终的锂电池剩余使用寿命预测模型，再将标准化的待预测锂电池数据输入模型，得到高精度的锂电池剩余寿命预测结果。
59.本发明通过改进的dae-autoformer融合模型，对输入电池数据降噪处理并学习有效特征，以较短训练时间实现电池寿命的高精度高稳定性长期预测。
60.基于上述实施例，采集锂电池原始数据，包括：
61.采集锂电池寿命衰减过程中每次循环下的锂电池充电电压数据、锂电池充电电流数据以及锂电池容量数据；
62.所述锂电池充电电压数据包括电池寿命衰减过程中所有充放电循环次数下对应的电池充电阶段全部时刻采样点电压；
63.所述锂电池充电电流数据包括电池寿命衰减过程中所有充放电循环次数下对应的电池充电阶段全部时刻采样点电流；
64.所述锂电池容量数据包括电池寿命衰减过程中所有充放电循环次数下对应的放电阶段初始时刻采样点电池容量。
65.基于上述实施例，对所述锂电池原始数据进行标准化处理得到锂电池标准化数据，包括：
66.获取锂电池全生命周期的充放电循环总次数；
67.根据所述充放电循环总次数中任一次循环数据序列中的任一锂电池充电电压数据原始值、任一次循环数据序列中的最小锂电池充电电压以及任一次循环数据序列中的最大锂电池充电电压，得到任一次循环数据序列中的任一锂电池充电电压标准化数据；
68.根据所述充放电循环总次数中任一次循环数据序列中的任一锂电池充电电流数据原始值、任一次循环数据序列中的最小锂电池充电电流以及任一次循环数据序列中的最大锂电池充电电流，得到任一次循环数据序列中的任一锂电池充电电流标准化数据；
69.根据所述充放电循环总次数中任一次循环的电池容量数据值、所有循环中电池容量数据序列最小容量值和所有循环中电池容量数据序列最大容量值，得到任一次循环的锂电池容量标准化数据。
70.具体地，本发明实施例依次对每次循环下对应的锂电池充电电压、充电电流和容量数据作标准化处理；
71.对于锂电池充电电压、充电电流数据标准化处理过程如下：
[0072][0073]
其中，x
ij
表示第i次循环下数据序列中第j个数据原始值，表示第i次循环下数据序列中第j个数据标准化处理结果，x
ij,min
表示第i次循环下数据序列中最小值，x
ij,max
表示第i次循环下数据序列的最大值，m表示电池全生命周期所经历的充放电循环总次数；
[0074]
对于锂电池容量数据标准化处理过程如下：
[0075][0076]
其中，qi表示第i次循环下的电池容量数据值，表示第i次循环下的电池容量数据值标准化处理结果，q
min
表示所有循环中电池容量数据序列的最小值，q
max
所有循环中电池容量数据序列的最大值。
[0077]
基于上述实施例，基于所述锂电池标准化数据构建训练数据集和测试数据集，包括：
[0078]
选取所述锂电池标准化数据中的n组电池充放电循环次数下对应的锂电池充电电压标准化数据、锂电池充电电流标准化数据，作为所述训练数据集，其中n小于充放电循环总次数m；
[0079]
确定所述锂电池标准化数据中的m-n组电池充放电循环次数下对应的锂电池充电电压标准化数据、锂电池充电电流标准化数据，作为所述测试数据集。
[0080]
基于上述实施例，建立改进的去噪自动编码器dae-autoformer融合模型，利用所述训练数据集对所述改进的dae-autoformer融合模型进行训练，得到初始锂电池剩余使用寿命预测模型，包括：
[0081]
确定将dae模型和autoformer模型进行级联，所述dae模型由遮罩层、dae编码层和dae解码层依次串联所构成，所述autoformer模型由编码器和解码器级联构成，其中所述编码器与所述dae编码层相连接，所述编码器和所述解码器均包括序列分解单元；
[0082]
将所述训练数据集输入所述dae模型进行数据降噪获得预设低维隐变量，将所述预设低维隐变量输入所述autoformer模型进行训练，得到所述初始锂电池剩余使用寿命预测模型。
[0083]
其中，将所述训练数据集输入所述dae模型进行数据降噪获得预设低维隐变量，包括：
[0084]
由所述遮罩层对所述训练数据集注入高斯白噪声，得到包含噪声样本，将所述包含噪声样本输入至所述dae编码层；
[0085]
所述dae编码层对所述包含噪声样本进行编码，得到所述预设低维隐变量，将所述预设低维隐变量通过预设激活函数分别输入至dae解码层以及所述编码器；
[0086]
所述dae解码层将所述预设低维隐变量还原至所述训练数据集的初始维度，得到重构后不含噪声样本。
[0087]
其中，将所述预设低维隐变量输入所述autoformer模型进行训练，得到所述初始锂电池剩余使用寿命预测模型，包括：
[0088]
由所述编码器中的所述序列分解单元从所述预设低维隐变量中获取趋势项和周期项，通过均值滤波器消除所述趋势项，保留所述周期项，由自相关机制聚合不同周期相似子序列，得到聚合信息序列，并由前馈层处理和所述序列分解单元处理所述聚合信息序列，得到历史时间序列；
[0089]
由所述解码器中的自相关机制从所述周期项中提取预测状态内在时间依赖特性，并由所述自相关机制从所述历史时间序列中提取信息，由前馈层处理提取信息，由分别嵌入于各个自相关机制和前馈层之间的序列分解单元对所述趋势项进行加权累积之后，与所述周期项对应输出的提取信息进行求和，得到所述初始锂电池剩余使用寿命预测模型。
[0090]
具体地，本发明实施例构建的改进的dae-autoformer融合模型，其结构如图3所示，由dae模型和autoformer模型级联构成，dae模型由遮罩层、dae编码层、dae解码层依次串联构成，用于对输入数据降噪处理，确保提取到数据的本质特征；autoformer模型由编码器和解码器组成。
[0091]
在图3中，左边方框为dae模型部分，由遮罩层向训练数据集注入高斯噪声，得到含噪声的“腐坏”样本，并输出给dae编码层，即h1部分；
[0092]
由dae编码层对含噪声的“腐坏”样本编码处理，得到低维的隐变量，并输出给dae解码层以及autoformer模型，此处采用的激活函数为relu，即h2部分；
[0093]
dae解码层将低维的隐变量还原到初始维度，得到重构后的不含噪声的“干净”输入，即h3部分；
[0094]
最后由autoformer模型通过对低维隐变量适当训练，输出最终预测结果。
[0095]
进一步地，由图3中autoformer模型的编码器中的序列分解单元(series decomposition block)从dae编码层的低维隐变量中拆接出趋势项和周期项，并通过均值滤波器处理趋势项；
[0096]
编码器消除趋势项得到周期项，通过自相关机制(auto-correlation mechanism)聚合不同周期的相似子过程，实现信息聚合，并输出包含过去的周期信息给解码器，将作为交叉信息帮助解码器优化预测结果；
[0097]
解码器采用双路处理模式，上分支首先使用自相关机制从周期项中提取未来预测状态内在的时间依赖，然后使用编码器-解码器自相关机制从编码器输出的拥有高阶时间依赖的历史序列中提取信息，最后经过前馈层(feed forward)处理，下分支采用带权加法将上分支每一个子层的输出加合起来，输出预测结果；可以理解的是，autoformer模型中对趋势项与周期项分别建模，其中，对于周期项，自相关机制利用序列的周期性质，聚合不同周期中具有相似过程的子序列；对于趋势项，我们使用累积的方式，逐步从预测的隐变量中提取出趋势信息。
[0098]
需要说明的是，在编码器和解码器中均包含序列分解单元，序列分解单元分别嵌入在autoformer编码器和编码器中。上述渐进式分解架构，模型可以在预测过程中逐步分解隐变量，并通过自相关机制、累积的方式分别得到周期、趋势组分的预测结果，实现分解、预测结果优化的交替进行和相互促进。
[0099]
基于上述实施例，利用所述测试数据集对所述初始锂电池剩余使用寿命预测模型
进行精度调整，得到锂电池剩余使用寿命预测模型，包括：
[0100]
将所述测试数据集输入所述初始锂电池剩余使用寿命预测模型，得到锂电池剩余使用寿命预测值；
[0101]
获取锂电池剩余使用寿命真实值，利用平均绝对百分比误差计算所述锂电池剩余使用寿命预测值、所述锂电池剩余使用寿命真实值和所述测试数据集的样本总数，得到模型预测精度；
[0102]
若确定所述模型预测精度满足预设模型精度阈值，则确定所述初始锂电池剩余使用寿命预测模型为所述锂电池剩余使用寿命预测模型，否则，对所述初始锂电池剩余使用寿命预测模型的超参数进行优化，重新进行模型训练，直至得到所述锂电池剩余使用寿命预测模型。
[0103]
具体地，本发明实施例采用mape判断模型预测精度是否满足要求，若满足要求则输出预测结果，不满足要求则重新调整网络超参数。
[0104][0105]
其中，m-n表示测试数据集的样本总数，c
tri
表示锂电池剩余使用寿命真实值，c
pri
表示锂电池剩余使用寿命预测值。
[0106]
下面对本发明提供的锂电池剩余使用寿命预测系统进行描述，下文描述的锂电池剩余使用寿命预测系统与上文描述的锂电池剩余使用寿命预测方法可相互对应参照。
[0107]
图4是本发明实施例提供的锂电池剩余使用寿命预测系统的结构示意图，如图4所示，包括：构建模块41、训练模块42、调整模块43和预测模块44，其中：
[0108]
构建模块41用于采集锂电池原始数据，对所述锂电池原始数据进行标准化处理得到锂电池标准化数据，基于所述锂电池标准化数据构建训练数据集和测试数据集；训练模块42用于建立改进的dae-autoformer融合模型，利用所述训练数据集对所述改进的dae-autoformer融合模型进行训练，得到初始锂电池剩余使用寿命预测模型，其中所述改进的dae-autoformer融合模型是由dae模型和autoformer模型进行级联所得到的；调整模块43用于利用所述测试数据集对所述初始锂电池剩余使用寿命预测模型进行精度调整，得到锂电池剩余使用寿命预测模型；预测模块44用于将待检测锂电池数据输入所述锂电池剩余使用寿命预测模型，输出锂电池剩余使用寿命预测结果。
[0109]
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(communications interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行锂电池剩余使用寿命预测方法，该方法包括：采集锂电池原始数据，对所述锂电池原始数据进行标准化处理得到锂电池标准化数据，基于所述锂电池标准化数据构建训练数据集和测试数据集；建立改进的dae-autoformer融合模型，利用所述训练数据集对所述改进的dae-autoformer融合模型进行训练，得到初始锂电池剩余使用寿命预测模型，其中所述改进的dae-autoformer融合模型是由dae模型和autoformer模型进行级联所得到的；利用所述测试数据集对所述初始锂电池剩余使用寿命预测模型进行精度调整，得到锂电池剩余使用寿命预测模型；将待检测锂电
池数据输入所述锂电池剩余使用寿命预测模型，输出锂电池剩余使用寿命预测结果。
[0110]
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0111]
另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的锂电池剩余使用寿命预测方法，该方法包括：采集锂电池原始数据，对所述锂电池原始数据进行标准化处理得到锂电池标准化数据，基于所述锂电池标准化数据构建训练数据集和测试数据集；建立改进的dae-autoformer融合模型，利用所述训练数据集对所述改进的dae-autoformer融合模型进行训练，得到初始锂电池剩余使用寿命预测模型，其中所述改进的dae-autoformer融合模型是由dae模型和autoformer模型进行级联所得到的；利用所述测试数据集对所述初始锂电池剩余使用寿命预测模型进行精度调整，得到锂电池剩余使用寿命预测模型；将待检测锂电池数据输入所述锂电池剩余使用寿命预测模型，输出锂电池剩余使用寿命预测结果。
[0112]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0113]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0114]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种锂电池剩余使用寿命预测方法，其特征在于，包括：采集锂电池原始数据，对所述锂电池原始数据进行标准化处理得到锂电池标准化数据，基于所述锂电池标准化数据构建训练数据集和测试数据集；建立改进的去噪自动编码器dae-autoformer融合模型，利用所述训练数据集对所述改进的dae-autoformer融合模型进行训练，得到初始锂电池剩余使用寿命预测模型，其中所述改进的dae-autoformer融合模型是由dae模型和autoformer模型进行级联所得到的；利用所述测试数据集对所述初始锂电池剩余使用寿命预测模型进行精度调整，得到锂电池剩余使用寿命预测模型；将待检测锂电池数据输入所述锂电池剩余使用寿命预测模型，输出锂电池剩余使用寿命预测结果。2.根据权利要求1所述的锂电池剩余使用寿命预测方法，其特征在于，采集锂电池原始数据，包括：采集锂电池寿命衰减过程中每次循环下的锂电池充电电压数据、锂电池充电电流数据以及锂电池容量数据；所述锂电池充电电压数据包括电池寿命衰减过程中所有充放电循环次数下对应的电池充电阶段全部时刻采样点电压；所述锂电池充电电流数据包括电池寿命衰减过程中所有充放电循环次数下对应的电池充电阶段全部时刻采样点电流；所述锂电池容量数据包括电池寿命衰减过程中所有充放电循环次数下对应的放电阶段初始时刻采样点电池容量。3.根据权利要求2所述的锂电池剩余使用寿命预测方法，其特征在于，对所述锂电池原始数据进行标准化处理得到锂电池标准化数据，包括：获取锂电池全生命周期的充放电循环总次数；根据所述充放电循环总次数中任一次循环数据序列中的任一锂电池充电电压数据原始值、任一次循环数据序列中的最小锂电池充电电压以及任一次循环数据序列中的最大锂电池充电电压，得到任一次循环数据序列中的任一锂电池充电电压标准化数据；根据所述充放电循环总次数中任一次循环数据序列中的任一锂电池充电电流数据原始值、任一次循环数据序列中的最小锂电池充电电流以及任一次循环数据序列中的最大锂电池充电电流，得到任一次循环数据序列中的任一锂电池充电电流标准化数据；根据所述充放电循环总次数中任一次循环的电池容量数据值、所有循环中电池容量数据序列最小容量值和所有循环中电池容量数据序列最大容量值，得到任一次循环的锂电池容量标准化数据。4.根据权利要求3所述的锂电池剩余使用寿命预测方法，其特征在于，基于所述锂电池标准化数据构建训练数据集和测试数据集，包括：选取所述锂电池标准化数据中的n组电池充放电循环次数下对应的锂电池充电电压标准化数据、锂电池充电电流标准化数据，作为所述训练数据集，其中n小于充放电循环总次数m；确定所述锂电池标准化数据中的m-n组电池充放电循环次数下对应的锂电池充电电压标准化数据、锂电池充电电流标准化数据，作为所述测试数据集。
5.根据权利要求1所述的锂电池剩余使用寿命预测方法，其特征在于，建立改进的去噪自动编码器dae-autoformer融合模型，利用所述训练数据集对所述改进的dae-autoformer融合模型进行训练，得到初始锂电池剩余使用寿命预测模型，包括：确定将dae模型和autoformer模型进行级联，所述dae模型由遮罩层、dae编码层和dae解码层依次串联所构成，所述autoformer模型由编码器和解码器级联构成，其中所述编码器与所述dae编码层相连接，所述编码器和所述解码器均包括序列分解单元；将所述训练数据集输入所述dae模型进行数据降噪获得预设低维隐变量，将所述预设低维隐变量输入所述autoformer模型进行训练，得到所述初始锂电池剩余使用寿命预测模型。6.根据权利要求5所述的锂电池剩余使用寿命预测方法，其特征在于，将所述训练数据集输入所述dae模型进行数据降噪获得预设低维隐变量，包括：由所述遮罩层对所述训练数据集注入高斯白噪声，得到包含噪声样本，将所述包含噪声样本输入至所述dae编码层；所述dae编码层对所述包含噪声样本进行编码，得到所述预设低维隐变量，将所述预设低维隐变量通过预设激活函数分别输入至dae解码层以及所述编码器；所述dae解码层将所述预设低维隐变量还原至所述训练数据集的初始维度，得到重构后不含噪声样本。7.根据权利要求5所述的锂电池剩余使用寿命预测方法，其特征在于，将所述预设低维隐变量输入所述autoformer模型进行训练，得到所述初始锂电池剩余使用寿命预测模型，包括：由所述编码器中的所述序列分解单元从所述预设低维隐变量中获取趋势项和周期项，通过均值滤波器消除所述趋势项，保留所述周期项，由自相关机制聚合不同周期相似子序列，得到聚合信息序列，并由前馈层处理和所述序列分解单元处理所述聚合信息序列，得到历史时间序列；由所述解码器中的自相关机制从所述周期项中提取预测状态内在时间依赖特性，并由所述自相关机制从所述历史时间序列中提取信息，由前馈层处理提取信息，由分别嵌入于各个自相关机制和前馈层之间的序列分解单元对所述趋势项进行加权累积之后，与所述周期项对应输出的提取信息进行求和，得到所述初始锂电池剩余使用寿命预测模型。8.根据权利要求1所述的锂电池剩余使用寿命预测方法，其特征在于，利用所述测试数据集对所述初始锂电池剩余使用寿命预测模型进行精度调整，得到锂电池剩余使用寿命预测模型，包括：将所述测试数据集输入所述初始锂电池剩余使用寿命预测模型，得到锂电池剩余使用寿命预测值；获取锂电池剩余使用寿命真实值，利用平均绝对百分比误差计算所述锂电池剩余使用寿命预测值、所述锂电池剩余使用寿命真实值和所述测试数据集的样本总数，得到模型预测精度；若确定所述模型预测精度满足预设模型精度阈值，则确定所述初始锂电池剩余使用寿命预测模型为所述锂电池剩余使用寿命预测模型，否则，对所述初始锂电池剩余使用寿命预测模型的超参数进行优化，重新进行模型训练，直至得到所述锂电池剩余使用寿命预测
模型。9.一种锂电池剩余使用寿命预测系统，其特征在于，包括：构建模块，用于采集锂电池原始数据，对所述锂电池原始数据进行标准化处理得到锂电池标准化数据，基于所述锂电池标准化数据构建训练数据集和测试数据集；训练模块，用于建立改进的dae-autoformer融合模型，利用所述训练数据集对所述改进的dae-autoformer融合模型进行训练，得到初始锂电池剩余使用寿命预测模型，其中所述改进的dae-autoformer融合模型是由dae模型和autoformer模型进行级联所得到的；调整模块，用于利用所述测试数据集对所述初始锂电池剩余使用寿命预测模型进行精度调整，得到锂电池剩余使用寿命预测模型；预测模块，用于将待检测锂电池数据输入所述锂电池剩余使用寿命预测模型，输出锂电池剩余使用寿命预测结果。10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述锂电池剩余使用寿命预测方法。

技术总结
本发明提供一种锂电池剩余使用寿命预测方法及系统，属于锂电池技术领域，包括：对锂电池原始数据进行标准化处理得到锂电池标准化数据，基于锂电池标准化数据构建训练数据集和测试数据集；利用训练数据集对改进的DAE-Autoformer融合模型进行训练，得到初始锂电池剩余使用寿命预测模型；利用测试数据集对初始锂电池剩余使用寿命预测模型进行精度调整，得到锂电池剩余使用寿命预测模型；将待检测锂电池数据输入锂电池剩余使用寿命预测模型，输出锂电池剩余使用寿命预测结果。本发明通过改进DAE-Autoformer融合模型，对输入电池数据降噪处理并学习有效特征，以较短训练时间实现电池寿命的高精度高稳定性长期预测。寿命的高精度高稳定性长期预测。寿命的高精度高稳定性长期预测。


技术研发人员：王军华 张慧颖 丁汀 邵建伟 朱永茂
受保护的技术使用者：武汉大学
技术研发日：2023.05.22
技术公布日：2023/9/12