CN114740360B 一种基于sae-ceemdan-lstm的锂离子电池剩余使用寿命预测方法 （安徽理工大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114740360B(45)授权公告日2025.07.11

(21)申请号202210348110.1

(22)申请日2022.03.29

(65)同一申请的已公布的文献号申请公布号CN114740360A

(43)申请公布日2022.07.12

(73)专利权人安徽理工大学

地址232001安徽省淮南市山南新区泰丰

大街168号

(72)发明人沈培成荣雪

(51)Int.CI.

G01R31/367(2019.01)

G01R31/392(2019.01)

(56)对比文件

CN113156325A,2021.07.23

KR102369464B1,2022.03.04

审查员彭鼎原

权利要求书2页说明书6页附图4页

(54)发明名称

一种基于SAE-CEEMDAN-LSTM的锂离子电池剩余使用寿命预测方法

(57)摘要

CN114740360B本发明公开了一种基于SAE-CEEMDAN-LSTM的锂离子电池剩余寿命预测方法。属于锂离子电池容量检测技术领域。具体步骤如下：将锂离子电池放电功率P、恒流充电时间T.以及恒流充电阶段电池端的电压V作为预测锂离子电池剩余使用寿命的HI。利用SAE构建融合HI,该方法通过自学习生成高阶抽象的复杂函数，自适应将复杂多维的HI转化成能集中表达电池剩余容量特征的融合HI。采用CEEMDAN对融合后的HI进行对尺度分解得到多组分量，并通过关联性分析，筛选出具有强相关性的若干组分量，以实现对不同数据都具有良好的泛化性为目标。利用训练好的LSTM模型对筛选出的具有强相关性的若干组分量进行锂离子电池RUL

CN114740360B

初始电池参数

基于SAE的HI提取

基于EEMDAN的多尺

度分解

筛选出具有强相关性的若干组分量

ISTA预测

IMF(t)

RUL预测

累加重构

LSTM预测

IS

ISTM認

R()

IMF?(t)IMF。(t)

IMF?(t)

CN114740360B权利要求书1/2页

2

1.基于SAE-CEEMDAN-LSTM的锂离子电池剩余寿命预测方法，其特征在于，包括以下步

骤：

步骤1、将锂离子电池放电功率P、恒流充电时间T以及恒流充电阶段电池端的电压V作为预测锂离子电池RUL的HI,利用SAE构建融合HI,该方法通过自学习生成高阶抽象的复杂函数，自适应将复杂多维的HI转化成能集中表达电池剩余容量特征的融合HI;

步骤2、采用CEEMDAN对融合后的HI进行对尺度分解得到多组分量，并通过关联性分析，筛选出具有强相关性的若干组分量，以实现对不同数据都具有良好的泛化性为目标；

步骤3、利用训练好的LSTM模型对筛选出的具有强相关性的若干组分量进行锂离子电池RUL预测，最后将若干组预测结果进行累加以实现锂离子电池RUL的精准预测。

2.根据权利要求1所述的基于SAE-CEEMDAN-LSTM的锂离子电池剩余寿命预测方法，其特征在于，所述步骤1具体包括：

步骤1.1、实验数据来源于美国航天局PCoE提供的公开数据集，选取其中一组在同样实验环境下采集的18650型号锂离子电池充放电数据，电池额定容量为2A·h;

通过公开的数据集获得锂离子电池放电功率P、恒流充电时间T以及恒流充电阶段电池

端的电压V,并计算这三个锂离子电池HI与容量之间的Spearman相关系数；通过计算得出电池放电功率P、恒流充电时间T以及恒流充电阶段电池端的电压V与容量间相关系数较高的作为HI来间接反映锂离子电池RUL;

步骤1.2、将电池放电功率P、恒流充电时间T以及恒流充电阶段电池端的V电压作为HI;

步骤1.3、利用SAE的融合过程如下：以HI作为SAE网络结构的输入层数据，训练第一个AE,随即初始化AE的权值与偏置；通过第一个AE的编码器将间接HI解析并作为隐藏层的输出，其具体数学过程如下：H=f(w(1)x+b(1)式中w(1)为当前所训练的AE结构中输入层到隐藏层神经元的权值；x=[x?,..,x]对应融合前的HI,作为AE的输入数据；b①为AE结构中隐藏层到输出层神经元的偏置，H为隐藏层的输出；

将H=f(w(1)x+b(1))作为解码器的输入，进行数据重构得到重构数据×,×=f(w2x+b(2),式中×