电池剩余寿命预测方法、系统、电子设备以及存储介质与流程

1.本公开涉及电池寿命预测技术领域，尤其涉及一种电池剩余寿命预测方法、系统、电子设备以及存储介质。


背景技术：

2.电池具有自重轻、能量密度高、循环寿命长和绿色环保等特点，被广泛应用于新能源汽车、电子产品等民用领域，航空航天等国防军事领域。具体到民用领域，电池目前是新能源动力源的理想选择。但由于复杂的外部工作环境和内部影响因素，电池可能会产生容量非线性衰减、热稳定性下降等问题，增大电池的使用安全风险，严重时甚至会造成灾难性事故。因此，剩余使用寿命(remaining useful life,rul)作为故障预测与健康管理(prognostics and health management,ph m)的重要环节，它的准确预测对电池的可靠性和安全性起着重要的作用。
3.电池的rul通常被定义为在开始使用到失效的过程中的任意时刻，电池达到寿命阈值还需要的充放电循环周期。在现有的技术中，电池的rul预测方法通常可分为三类，分别是基于电化学模型的方法、基于数据驱动的方法以及融合模型，但是电化学模型模型相对比较复杂，计算量大，因而很难在实际当中应用，数据驱动方法对分解序列的选择指标上缺乏仔细分析，存在模态混淆问题；现有的融合方法具有比较高的预测精度，但其存在建模复杂，多个模型之间可能存在冗余，降噪处理不完善的问题。


技术实现要素：

4.本公开实施例提供了一种电池剩余寿命预测方法、系统、电子设备以及存储介质，解决了电池剩余寿命预测中建模复杂，多个模型之间可能存在冗余，降噪处理不完善的问题。提高了运算速率，提高电池剩余寿命预测精度，提高电池的使用安全度，减少灾难性事故严重程度和发生几率，延长用电设备的使用寿命，提高用电设备的性能。
5.第一方面，本公开实施例提供了电池剩余寿命预测方法，包括：将电池历史容量通过序列分解进行信号重构，并通过排列熵和误差建立低通滤波器进行过滤得到容量重构；通过自回归对容量的循环前向多步自回归预测，通过对自回归权重参数进行训练更新自回归；通过自回归更新的标准差与最新的参数估计值构建参数分布，进行多次模拟，得到概率密度函数，进而得到置信区间用以优化rul预测结果的不确定性并进行剩余寿命预测。
6.结合第一方面的实施例，在一些实施例中，所述将电池历史容量通过序列分解进行信号重构，并通过排列熵和误差建立低通滤波器进行过滤得到容量重构，包括：
7.原始信号x(t)通过向原始信号中添加两个数值相反的高斯白噪声信号，然后再分别进行emd分解后进行重构，其中重构信号为
[0008][0009]
通过排列熵和误差两项指标确定低通滤波器下截断参数k建立低通滤波器为，其
中低通滤波器为
[0010][0011]
其中，imfi(t)为固有模态分量，rn(t)为余项，n为当rn(t)成为单调函数时的固有模态分量个数，k为低通滤波器的下截断参数。
[0012]
结合第一方面的实施例，在一些实施例中，所述排列熵和误差两项指标确定低通滤波器下截断参数k，包括：
[0013]
通过排列熵和误差两项指标确定低通滤波器下截断参数k，进而进行容量重构，其中排列熵的为
[0014]hp
＝h
p
/ln(m！)
[0015][0016]
对长度为n的时间序列{x(i),i＝1,2,
…
,n}，进行重构得到重构向量
[0017]
xj＝[x(j),x(j+τ),
…
,x(j+(m-1)τ)]，j＝1,2,
…
,n-(m-1)τ
[0018]
将xj按照升序排列
[0019]
xj＝[x(j+(j
1-1)τ)≤x(j+(j
2-1)τ)≤
…
≤x(j+(j
m-1)τ)]
[0020]
每个xj均可得到一组符号序列
[0021]
s(g)＝(j1,j2,
…
,jm)，g＝1,2,
…
,l
[0022]
每一种符号序列可能出现的概率p1,p2,
…
,p1，且有
[0023]
其中，n为时间序列长度，pg＝1/m！时，h
p
(m)有最大值ln(m！)，j1,j2,
…
,jm为xj中各个元素所在列的索引号，存在l≤m！种不同的符号序列排列方式；容量信号的重构误差rek为
[0024][0025]
其中，yj为原始容量序列y在循环周期为j时的容量值，l为原始容量序列总的长度。
[0026]
结合第一方面的实施例，在一些实施例中，所述通过自回归对容量的循环前向多步自回归预测，通过对自回归权重参数进行训练更新自回归，包括：
[0027]
自回归为
[0028][0029]
预测模型表示为状态空间的形式
[0030]
xk＝x
k-1
+w
k-1
,w
k-1
～n(0,σw)
[0031]
yk＝hk*xk+vk,vk～n(0,σv)
[0032]
xk＝[a
1,k
,a
2,k
,
…
,a
n,k
,a
0,k
]
t
[0033]hk
＝[y
(k-1)
,y
(k-2)
,
…
,y
(k-n)
,1]
[0034]
其中，xk为权重参数向量，为第k+1次循环周期的容量预测值，ai为第k-i+1循环周期的观测值系数，y
k-i+1
为第k-i+1循环周期的容量观测值，n为预测模型的阶数，εk为自回归模型的误差，hk为自回归的观测矩阵；通过对参数状态估计、误差估计、增益矩阵计算进行权重参数训练得到参数修正和误差协方差修正，其中参数状态为
[0035][0036]
误差协方差估计
[0037][0038]
观测误差为
[0039][0040]
增益矩阵为
[0041][0042][0043]
自适应噪声协方差匹配值
[0044][0045]
参数修正
[0046][0047]
误差协方差修正
[0048][0049]
其中，yk为容量测量值，jk为由开窗估计原理得到的误差实时估计协方差函数，m为开窗的大小。
[0050]
第二方面，本公开实施例提供了一种电池剩余寿命预测系统，包括：重构单元，将电池历史容量通过序列分解进行信号重构，并通过排列熵和误差建立低通滤波器进行过滤得到容量重构；自回归单元，通过自回归对容量的循环前向多步自回归预测，通过对自回归权重参数进行训练更新自回归；剩余寿命预测单元，通过自回归更新的标准差与最新的参数估计值构建参数分布，进行多次模拟，得到概率密度函数，进而得到置信区间用以优化rul预测结果的不确定性并进行剩余寿命预测。
[0051]
结合第二方面的实施例，在一些实施例中，所述重构单元，将电池历史容量通过序列分解进行信号重构，并通过排列熵和误差建立低通滤波器进行过滤得到容量重构，包括：
[0052]
原始信号x(t)通过向原始信号中添加两个数值相反的高斯白噪声信号，然后再分别进行emd分解后进行重构，其中重构信号为
[0053][0054]
通过排列熵和误差两项指标确定低通滤波器下截断参数k建立低通滤波器为，其中低通滤波器为
[0055][0056]
其中，imfi(t)为固有模态分量，rn(t)为余项，n为当rn(t)成为单调函数时的固有模态分量个数，k为低通滤波器的下截断参数。
[0057]
结合第二方面的实施例，在一些实施例中，所述排列熵和误差两项指标确定低通滤波器下截断参数k，包括：
[0058]
通过排列熵和误差两项指标确定低通滤波器下截断参数k，进而进行容量重构，其中排列熵的为
[0059]hp
＝h
p
/ln(m！)
[0060][0061]
对长度为n的时间序列{x(i),i＝1,2,
…
,n}，进行重构得到重构向量
[0062]
xj＝[x(j),x(j+τ),...,x(j+(m-1)τ)]，j＝1,2,
…
,n-(m-1)τ
[0063]
将xj按照升序排列
[0064]
xj＝[x(j+(j
1-1)τ)≤x(j+(j
2-1)τ)≤
…
≤x(j+(j
m-1)τ)]
[0065]
每个xj均可得到一组符号序列
[0066]
s(g)＝(j1,j2,
…
,jm)，g＝1,2,
…
,l
[0067]
每一种符号序列可能出现的概率p1,p2,
…
,p1，且有其中，n为时间序列长度，pg＝1/m！时，h
p
(m)有最大值ln(m！)，j1,j2,
…
,jm为xj中各个元素所在列的索引号，存在l≤m！种不同的符号序列排列方式；容量信号的重构误差rek为
[0068][0069]
其中，yj为原始容量序列y在循环周期为j时的容量值，l为原始容量序列总的长度。
[0070]
结合第二方面的实施例，在一些实施例中，所述剩余寿命预测单元，通过自回归更新的标准差与最新的参数估计值构建参数分布，进行多次模拟，得到概率密度函数，进而得到置信区间用以优化rul预测结果的不确定性并进行剩余寿命预测，包括：
[0071]
自回归为
[0072][0073]
预测模型表示为状态空间的形式
[0074]
xk＝x
k-1
+w
k-1
,w
k-1
～n(0,σw)
[0075]
yk＝hk*xk+vk,vk～n(0,σv)
[0076]
xk＝[a
1,k
,a
2,k
,
…
,a
n,k
,a
0,k
]
t
[0077]hk
＝[y
(k-1)
,y
(k-2)
,
…
,y
(k-n)
,1]
[0078]
其中，xk为权重参数向量，为第k+1次循环周期的容量预测值，ai为第k-i+1循
环周期的观测值系数，y
k-i+1
为第k-i+1循环周期的容量观测值，n为预测模型的阶数，εk为自回归模型的误差，hk为自回归的观测矩阵；通过对参数状态估计、误差估计、增益矩阵计算进行权重参数训练得到参数修正和误差协方差修正，其中参数状态为
[0079][0080]
误差协方差估计
[0081][0082]
观测误差为
[0083][0084]
增益矩阵为
[0085][0086][0087]
自适应噪声协方差匹配值
[0088][0089]
参数修正
[0090][0091]
误差协方差修正
[0092][0093]
其中，yk为容量测量值，jk为由开窗估计原理得到的误差实时估计协方差函数，m为开窗的大小。
[0094]
第三方面，本公开实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面上述的电池剩余寿命预测方法。
[0095]
第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面上述的电池剩余寿命预测方法的步骤。
[0096]
本发明有益效果：该方法，通过将电池历史容量通过序列分解进行信号重构，并通过排列熵和误差建立低通滤波器进行过滤得到容量重构；通过自回归对容量的循环前向多步自回归预测，通过对自回归权重参数进行训练更新自回归；通过自回归更新的标准差与最新的参数估计值构建参数分布，进行多次模拟，得到概率密度函数，进而得到置信区间用以优化rul预测结果的不确定性并进行剩余寿命预测。解决了电池剩余寿命预测中建模复杂，多个模型之间可能存在冗余，降噪处理不完善的问题。提高了运算速率，提高电池剩余寿命预测精度，提高电池的使用安全度，减少灾难性事故严重程度和发生几率，延长用电设备的使用寿命，提高用电设备的性能。
附图说明
[0097]
图1是根据本公开的电池剩余寿命预测方法的一个实施例的流程图；
[0098]
图2是本公开的电池剩余寿命预测系统的结构示意图；
[0099]
图3是根据本公开实施例提供的电子设备的基本结构的示意图。
具体实施方式
[0100]
请参考图1，其示出了根据本公开的电池剩余寿命预测方法的一个实施例的流程。如图1所示，该方法包括以下步骤：
[0101]
步骤101，将电池历史容量通过序列分解进行信号重构，并通过排列熵和误差建立低通滤波器进行过滤得到容量重构。
[0102]
在这里，步骤101的包括：
[0103]
emd方法是huang等人提出的一种用于信号时域分解处理的方法，对非线性、非平稳时间序列的分析尤其适用。为了应对emd方法存在的模态混淆问题，wu等提出了总体平均经验模态分解(ensemble empirical mode decomposition，eemd)，eemd方法通过向原始信号多次加入白噪声，之后再进行emd分解，将emd分解的imfs进行平均处理作为最后的imfs，有效地抑制了emd方法引起的模态混叠现象。通过向原始信号中添加两个数值相反的高斯白噪声信号，然后再分别进行emd分解，在确保分解效果与eemd相当的情况下，减小了eemd方法引起的重构误差。原始信号x(t)通过向原始信号中添加两个数值相反的高斯白噪声信号，然后再分别进行emd分解后进行重构，其中重构信号为
[0104][0105]
在进行信号重构时，根据研究问题的需要可以构造出低通、带通、高通滤波器。由于容量信号的噪声以及随机性的容量再生呈现出中高频特性，而电池的rul(剩余寿命)预测问题主要关注点在于电池的容量衰减趋势，呈现的是低频特性，因此低通滤波器设计为
[0106][0107]
其中，imfi(t)为固有模态分量，rn(t)为余项，n为当rn(t)成为单调函数时的固有模态分量个数，k为低通滤波器的下截断参数；通过排列熵和误差两项指标确定低通滤波器下截断参数k，进而进行容量重构，通过构造最优的低通滤波器，起到降低原始容量序列的随机性与噪声干扰的作用，其中排列熵的为
[0108]hp
＝h
p
/ln(m！)
[0109][0110]
对长度为n的时间序列{x(i),i＝1,2,
…
,n}，进行重构得到重构向量
[0111]
xj＝[x(j),x(j+τ),
…
,x(j+(m-1)τ)]，j＝1,2,
…
,n-(m-1)τ
[0112]
将xj按照升序排列
[0113]
xj＝[x(j+(j
1-1)τ)≤x(j+(j
2-1)τ)≤
…
≤x(j+(j
m-1)τ)]
[0114]
每个xj均可得到一组符号序列
[0115]
s(g)＝(j1,j2,
…
,jm)，g＝1,2,
…
,l
[0116]
每一种符号序列可能出现的概率p1,p2,
…
,p1，且有其中，n为时间序列长度，pg＝1/m！时，h
p
(m)有最大值ln(m！)，j1,j2,
…
,jm为xj中各个元素所在列的索引号，存在l≤m！种不同的符号序列排列方式；
[0117]
容量信号的重构误差rek为
[0118][0119]
其中，yj为原始容量序列y在循环周期为j时的容量值，l为原始容量序列总的长度。
[0120]
步骤102，通过自回归对容量的循环前向多步自回归预测，通过对自回归权重参数进行训练更新自回归。
[0121]
在这里，步骤102的包括：
[0122]
由于电池容量退化曲线可以看作具有明显衰减趋势的时间序列，因而可以采用时间序列预测法进行未来容量的循环多步预测。自回归模型根据时间序列已知的历史数据序列，按照一定的方法对其进行加权平均来实现未来的预测，自回归模型建模复杂度低，易于用于实际应用中，其中自回归为
[0123][0124]
根据滤波进行状态更新理论，将预测模型表示为状态空间的形式
[0125]
xk＝x
k-1
+w
k-1
,w
k-1
～n(0,σw)
[0126]
yk＝hk*xk+vk,vk～n(0,σv)
[0127]
xk＝[a
1,k
,a
2,k
,
…
,a
n,k
,a
0,k
]
t
[0128]hk
＝[y
(k-1)
,y
(k-2)
,
…
,y
(k-n)
,1]
[0129]
其中，xk为权重参数向量，为第k+1次循环周期的容量预测值，ai为第k-i+1循环周期的观测值系数，y
k-i+1
为第k-i+1循环周期的容量观测值，n为预测模型的阶数，εk为自回归模型的误差，hk为自回归的观测矩阵；通过对参数状态估计、误差估计、增益矩阵计算进行权重参数训练得到参数修正和误差协方差修正，其中参数状态为
[0130][0131]
误差协方差估计
[0132][0133]
观测误差为
[0134][0135]
增益矩阵为
[0136][0137][0138]
自适应噪声协方差匹配值
[0139][0140]
参数修正
[0141][0142]
误差协方差修正
[0143][0144]
其中，yk为容量测量值，jk为由开窗估计原理得到的误差实时估计协方差函数，m为开窗的大小。
[0145]
步骤103，通过自回归更新的标准差与最新的参数估计值构建参数分布，进行多次模拟，得到概率密度函数，进而得到置信区间用以优化rul预测结果的不确定性并进行剩余寿命预测。
[0146]
该方法，通过将电池历史容量通过序列分解进行信号重构，并通过排列熵和误差建立低通滤波器进行过滤得到容量重构；通过自回归对容量的循环前向多步自回归预测，通过对自回归权重参数进行训练更新自回归；通过自回归更新的标准差与最新的参数估计值构建参数分布，进行多次模拟，得到概率密度函数，进而得到置信区间用以优化rul预测结果的不确定性并进行剩余寿命预测。解决了电池剩余寿命预测中建模复杂，多个模型之间可能存在冗余，降噪处理不完善的问题。提高了运算速率，提高电池剩余寿命预测精度，提高电池的使用安全度，减少灾难性事故严重程度和发生几率，延长用电设备的使用寿命，提高用电设备的性能。
[0147]
在这里，步骤103的包括：
[0148]
根据自回归模型参数更新过程中的标准差与最新的参数估计值构建符合高斯分布的模型参数分布；
[0149]
模型参数分布进行多次mc模拟，得到概率密度函数；
[0150]
通过概率密度函数得到置信区间用以优化rul预测结果的不确定性并进行剩余寿命预测。
[0151]
进一步参考图2，作为为对上述图1所示方法的实现，本公开了一种电池剩余寿命预测系统，该系统实施例与图1所示的方法实施例相对应。该系统具体可以应用于各种电子设备中。
[0152]
如图2所示，本实施例的系统包括：
[0153]
重构单元201池历史容量通过序列分解进行信号重构，并通过排列熵和误差建立低通滤波器进行过滤得到容量重构；
[0154]
自回归单元202自回归对容量的循环前向多步自回归预测，通过对自回归权重参数进行训练更新自回归；
[0155]
剩余寿命预测单元203自回归更新的标准差与最新的参数估计值构建参数分布，进行多次模拟，得到概率密度函数，进而得到置信区间用以优化rul预测结果的不确定性并进行剩余寿命预测。
[0156]
在一些可选实施例中，重构单元201池历史容量通过序列分解进行信号重构，并通过排列熵和误差建立低通滤波器进行过滤得到容量重构，包括：
[0157]
原始信号x(t)通过向原始信号中添加两个数值相反的高斯白噪声信号，然后再分别进行emd分解后进行重构，其中重构信号为
[0158][0159]
通过排列熵和误差两项指标确定低通滤波器下截断参数k建立低通滤波器为，其中低通滤波器为
[0160][0161]
其中，imfi(t)为固有模态分量，rn(t)为余项，n为当rn(t)成为单调函数时的固有模态分量个数，k为低通滤波器的下截断参数。
[0162]
在一些可选实施例中，所述排列熵和误差两项指标确定低通滤波器下截断参数k，包括：
[0163]
通过排列熵和误差两项指标确定低通滤波器下截断参数k，进而进行容量重构，其中排列熵的为
[0164]hp
＝h
p
/ln(m！)
[0165][0166]
对长度为n的时间序列{x(i),i＝1,2,
…
,n}，进行重构得到重构向量
[0167]
xj＝[x(j),x(j+τ),
…
,x(j+(m-1)τ)]，j＝1,2,
…
,n-(m-1)τ
[0168]
将xj按照升序排列
[0169]
xj＝[x(j+(j
1-1)τ)≤x(j+(j
2-1)τ)≤
…
≤x(j+(j
m-1)τ)]
[0170]
每个xj均可得到一组符号序列
[0171]
s(g)＝(j1,j2,
…
,jm)，g＝1,2,
…
,l
[0172]
每一种符号序列可能出现的概率p1,p2,
…
,p1，且有
[0173]
其中，n为时间序列长度，pg＝1/m！时，h
p
(m)有最大值ln(m！)，j1,j2,
…
,jm为xj中各个元素所在列的索引号，存在l≤m！种不同的符号序列排列方式；容量信号的重构误差rek为
[0174][0175]
其中，yj为原始容量序列y在循环周期为j时的容量值，l为原始容量序列总的长度。
[0176]
在一些可选实施例中，剩余寿命预测单元203自回归更新的标准差与最新的参数估计值构建参数分布，进行多次模拟，得到概率密度函数，进而得到置信区间用以优化rul预测结果的不确定性并进行剩余寿命预测，包括：
[0177]
自回归为
[0178][0179]
预测模型表示为状态空间的形式
[0180]
xk＝x
k-1
+w
k-1
,w
k-1
～n(0,σw)
[0181]
yk＝hk*xk+vk,vk～n(0,σv)
[0182]
xk＝[a
1,k
,a
2,k
,
…
,a
n,k
,a
0,k
]
t
[0183]hk
＝[y
(k-1)
,y
(k-2)
,
…
,y
(k-n)
,1]
[0184]
其中，
x
k为权重参数向量，为第k+1次循环周期的容量预测值，ai为第k-i+1循环周期的观测值系数，y
k-i+1
为第k-i+1循环周期的容量观测值，n为预测模型的阶数，εk为自回归模型的误差，nk为自回归的观测矩阵；通过对参数状态估计、误差估计、增益矩阵计算进行权重参数训练得到参数修正和误差协方差修正，其中参数状态为
[0185][0186]
误差协方差估计
[0187][0188]
观测误差为
[0189][0190]
增益矩阵为
[0191][0192][0193]
自适应噪声协方差匹配值
[0194][0195]
参数修正
[0196][0197]
误差协方差修正
[0198][0199]
其中，yk为容量测量值，jk为由开窗估计原理得到的误差实时估计协方差函数，m为开窗的大小。
[0200]
下面参考图3，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0201]
如图3所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)901，其可以根据存储在只读存储器(rom)902中的程序或者从存储装置908加载到随机访问存储器(ram)903中的程序而执行各种适当的动作和处理。在ram903中，还存储有电子设备这操作
所需的各种程序和数据。处理装置901、rom902以及ram903通过总线904彼此相连。输入/输出(i/o)接口905也连接至总线904。
[0202]
通常，以下装置可以连接至i/o接口905：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置906；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置907；包括例如磁带、硬盘等的存储装置908；以及通信装置909。通信装置909可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
[0203]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置909从网络上被下载和安装，或者从存储装置908被安装，或者从rom902被安装。在该计算机程序被处理装置901执行时，执行本公开实施例的方法中限定的上述功能。
[0204]
需要说明的是，本公开的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0205]
在一些实施方式中，客户端、服务器可以利用诸如http(hypertexttransferprotocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，adhoc端对端网络)，以及任何当前已知或未来研发的网络。
[0206]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
[0207]
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：将电池历史容量通过序列分解进行信号重构，并通过排列熵和误差建立低通滤波器进行过滤得到容量重构；通过自回归对容量的循环前向多步自回
归预测，通过对自回归权重参数进行训练更新自回归；通过自回归更新的标准差与最新的参数估计值构建参数分布，进行多次模拟，得到概率密度函数，进而得到置信区间用以优化rul预测结果的不确定性并进行剩余寿命预测。
[0208]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c++、python，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0209]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0210]
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，预处理模块还可以被描述为“基于掌子面精细化分级结果，对掌子面各层围岩级别进行模糊化预处理的单元”。
[0211]
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
[0212]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0213]
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行
任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
[0214]
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
[0215]
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
[0216]
以上仅为本技术的优选实施方式而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。

技术特征：
1.一种电池剩余寿命预测方法，其特征在于，所述方法包括：将电池历史容量通过序列分解进行信号重构，并通过排列熵和误差建立低通滤波器进行过滤得到容量重构；通过自回归对容量的循环前向多步自回归预测，通过对自回归权重参数进行训练更新自回归；通过自回归更新的标准差与最新的参数估计值构建参数分布，进行多次模拟，得到概率密度函数，进而得到置信区间用以优化rul预测结果的不确定性并进行剩余寿命预测。2.根据权利要求1所述的方法，其特征在于，所述将电池历史容量通过序列分解进行信号重构，并通过排列熵和误差建立低通滤波器进行过滤得到容量重构，包括：原始信号x(t)通过向原始信号中添加两个数值相反的高斯白噪声信号，然后再分别进行emd分解后进行重构，其中重构信号为通过排列熵和误差两项指标确定低通滤波器下截断参数k建立低通滤波器为，其中低通滤波器为其中，imf
i
(t)为固有模态分量，r
n
(t)为余项，n为当r
n
(t)成为单调函数时的固有模态分量个数，k为低通滤波器的下截断参数。3.根据权利要求2所述的方法，其特征在于，所述排列熵和误差两项指标确定低通滤波器下截断参数k，包括：通过排列熵和误差两项指标确定低通滤波器下截断参数k，进而进行容量重构，其中排列熵的为h
p
＝h
p
/ln(m！)对长度为n的时间序列{x(i),i＝1,2,
…
,n}，进行重构得到重构向量x
j
＝[x(j),x(j+τ),
…
,x(j+(m-1)τ)]，j＝1,2,
…
,n-(m-1)σ将x
j
按照升序排列x
j
＝[x(j+(j
1-1)σ)≤x(j+(j
2-1)τ)≤
…
≤x(j+(j
m-1)σ)]每个x
j
均可得到一组符号序列s(g)＝(j1,j2,
…
,j
m
)，g＝1,2,
…
,l每一种符号序列可能出现的概率p1,p2,
…
,p1，且有其中，n为时间序列长度，p
g
＝1/m！时，h
p
(m)有最大值ln(m！)，j1,j2,
…
,j
m
为x
j
中各个元素所在列的索引号，存在l≤m！种不同的符号序列排列方式；容量信号的重构误差re
k
为
其中，y
j
为原始容量序列y在循环周期为j时的容量值，l为原始容量序列总的长度。4.根据权利要求3所述的方法，其特征在于，所述通过自回归对容量的循环前向多步自回归预测，通过对自回归权重参数进行训练更新自回归，包括：自回归为预测模型表示为状态空间的形式x
k
＝x
k-1
+w
k-1
,w
k-1
～n(0,σ
w
)y
k
＝h
k
*x
k
+v
k
,v
k
～n(0,σ
v
)x
k
＝[a
1,k
,a
2,k
,
…
,a
n,k
,a
0,k
]
t
h
k
＝[y
(k-1)
,y
(k-2)
,
…
,y
(k-n)
,1]其中，x
k
为权重参数向量，为第k+1次循环周期的容量预测值，a
i
为第k-i+1循环周期的观测值系数，y
k-i+1
为第k-i+1循环周期的容量观测值，n为预测模型的阶数，ε
k
为自回归模型的误差，h
k
为自回归的观测矩阵；通过对参数状态估计、误差估计、增益矩阵计算进行权重参数训练得到参数修正和误差协方差修正，其中参数状态为误差协方差估计观测误差为增益矩阵为增益矩阵为自适应噪声协方差匹配值参数修正误差协方差修正其中，y
k
为容量测量值，j
k
为由开窗估计原理得到的误差实时估计协方差函数，m为开窗的大小。
5.一种电池剩余寿命预测系统，其特征在于，所述系统包括：重构单元，将电池历史容量通过序列分解进行信号重构，并通过排列熵和误差建立低通滤波器进行过滤得到容量重构；自回归单元，通过自回归对容量的循环前向多步自回归预测，通过对自回归权重参数进行训练更新自回归；剩余寿命预测单元，通过自回归更新的标准差与最新的参数估计值构建参数分布，进行多次模拟，得到概率密度函数，进而得到置信区间用以优化rul预测结果的不确定性并进行剩余寿命预测。6.根据权利要求5所述的系统，其特征在于，所述重构单元，将电池历史容量通过序列分解进行信号重构，并通过排列熵和误差建立低通滤波器进行过滤得到容量重构，包括：原始信号x(t)通过向原始信号中添加两个数值相反的高斯白噪声信号，然后再分别进行emd分解后进行重构，其中重构信号为通过排列熵和误差两项指标确定低通滤波器下截断参数k建立低通滤波器为，其中低通滤波器为其中，imf
i
(t)为固有模态分量，r
n
(t)为余项，n为当r
n
(t)成为单调函数时的固有模态分量个数，k为低通滤波器的下截断参数。7.根据权利要求6所述的系统，其特征在于，所述排列熵和误差两项指标确定低通滤波器下截断参数k，包括：通过排列熵和误差两项指标确定低通滤波器下截断参数k，进而进行容量重构，其中排列熵的为h
p
＝h
p
/ln(m！)对长度为n的时间序列{x(i),i＝1,2,
…
,n}，进行重构得到重构向量x
j
＝[x(j),x(j+τ),...,x(j+(m-1)τ)]，j＝1,2,
…
,n-(m-1)τ将x
j
按照升序排列x
j
＝[x(j+(j
1-1)τ)≤x(j+(j
2-1)τ)≤
…
≤x(j+(j
m-1)τ)]每个x
j
均可得到一组符号序列s(g)＝(j1,j2,
…
,j
m
)，g＝1,2,
…
,l每一种符号序列可能出现的概率p1,p2,
…
,p1，且有其中，n为时间序列长度，p
g
＝1/m！时，h
p
(m)有最大值ln(m！)，j1,j2,
…
,j
m
为x
j
中各个元素所在列的索引号，存在l≤m！种不同的符号序列排列方式；容量信号的重构误差re
k
为
其中，y
j
为原始容量序列y在循环周期为j时的容量值，l为原始容量序列总的长度。8.根据权利要求7所述的系统，其特征在于，所述剩余寿命预测单元，通过自回归更新的标准差与最新的参数估计值构建参数分布，进行多次模拟，得到概率密度函数，进而得到置信区间用以优化rul预测结果的不确定性并进行剩余寿命预测，包括：自回归为预测模型表示为状态空间的形式x
k
＝x
k-1
+w
k-1
,w
k-1
～n(0,σ
w
)y
k
＝h
k
*x
k
+v
k
,v
k
～n(0,σ
v
)x
k
＝[a
1,k
,a
2,k
,
…
,a
n,k
,a
0,k
]
t
h
k
＝[y
(k-1)
,y
(k-2)
,
…
,y
(k-n)
,1]其中，x
k
为权重参数向量，为第k+1次循环周期的容量预测值，a
i
为第k-i+1循环周期的观测值系数，y
k-i+1
为第k-i+1循环周期的容量观测值，n为预测模型的阶数，ε
k
为自回归模型的误差，h
k
为自回归的观测矩阵；通过对参数状态估计、误差估计、增益矩阵计算进行权重参数训练得到参数修正和误差协方差修正，其中参数状态为误差协方差估计观测误差为增益矩阵为增益矩阵为自适应噪声协方差匹配值参数修正误差协方差修正其中，y
k
为容量测量值，j
k
为由开窗估计原理得到的误差实时估计协方差函数，m为开窗
的大小。9.电子设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。10.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的方法。

技术总结
本发明实施例公开了电池剩余寿命预测方法、系统、电子设备以及存储介质，通过将电池历史容量通过序列分解进行信号重构，并通过排列熵和误差建立低通滤波器进行过滤得到容量重构；通过自回归对容量的循环前向多步自回归预测，通过对自回归权重参数进行训练更新自回归；通过自回归更新的标准差与最新的参数估计值构建参数分布，得到概率密度函数，进而得到置信区间用以优化RUL预测结果的不确定性并进行剩余寿命预测。解决了电池剩余寿命预测中建模复杂，多个模型之间可能存在冗余，降噪处理不完善的问题。提高了运算速率，提高电池剩余寿命预测精度，提高电池的使用安全度，延长用电设备的使用寿命，提高用电设备的性能。提高用电设备的性能。提高用电设备的性能。


技术研发人员：请求不公布姓名
受保护的技术使用者：山西任弱信息科技有限公司
技术研发日：2023.06.15
技术公布日：2023/8/13