[发明专利]一种基于LSTM的锂电池寿命预测方法

权利要求书

1.一种基于LSTM的锂电池寿命预测方法，包括：

获取锂电池的容量退化数据集；

将所述容量退化数据集进行预处理，所述预处理包括：

数据归一化处理，所述数据归一化方法为min-max标准化：

数据集划分，以在模型训练前，将数据集划分为训练集和测试集；

构建基于LSTM的剩余寿命预测模型，其特征在于，

所述剩余寿命预测模型是基于处理时间序列数据的神经网络RNN和长短期记忆(LSTM)网络的，所述LSTM用来消除RNN网络中存在的梯度爆炸和梯度消失问题；

在构建基于LSTM的剩余寿命预测模型后，进一步构建三个锂电池本地寿命预测模型和一个中央服务器端全局寿命预测模型，并且其中；

所述LSTM为网络结构，其中的任一个LSTM单元里面包括遗忘门、输入门和输出门；

所述三个锂电池本地寿命预测模型结构相同，其模型结构包括两个LSTM层，两个Dropout层防止过拟合和一个顶层的预测输出层；

最后，将所述训练集送入已构建的锂电池本地寿命预测模型和中央服务器端全局寿命预测模型，并进行模型训练，输出锂电池预测剩余寿命。

2.根据权利要求1所述的基于LSTM的锂电池寿命预测方法，其特征在于，所述两个LSTM层的激活函数为双曲正切tanh函数，最后输出层Dense层的激活函数为线性linear函数，Dropout rate设定为0.3。

3.根据权利要求1所述的基于LSTM的锂电池寿命预测方法，其特征在于，在所述遗忘门中，进行如下操作：

将前一时刻的信息在传入下一时刻之前经过选择性的抛弃：将h_t-1和x_t带入如下的公式计算得出一个属于[0，1]之间的向量，向量的值表示细胞状态C_t-1中有多少信息被保留或抛弃；0表示没有保留，1表示所有都保留；

f_t＝σ(W_f·[h_t-1，x_t]+b_f)。

4.根据权利要求3所述的基于LSTM的锂电池寿命预测方法，其特征在于，进一步决定向单元状态添加何种新信息：i_t是更新信息的权重系数，将h_t-1和x_t代入下述公式可以得到所述i_t，然后通过激活函数tanh，使用h_t-1和x_t生成新的候选状态向量其中有：

i_t＝σ(W_i·[h_t-1，x_t]+b_i)

5.根据权利要求4所述的基于LSTM的锂电池寿命预测方法，其特征在于，通过如下公式可以更新状态信息，其中：

细胞的输出也需要根据h_t-1和x_t来判断，首先将h_t-1和x_t带入得到判断条件，然后将Ct带入tanh激活函数计算出一个属于[-1，1]之间的向量，再乘以判断条件便得到最终输出，其中：

o_t＝σ(W_o[h_t-1，x_t]+b_o)

h_t＝o_t*tanh(C_t)。

6.根据权利要求1-5中任一项所述的基于LSTM的锂电池寿命预测方法，其特征在于，在模型训练过程中，批训练样本batch_size＝32，单个样本数据长度为50，模型训练选择优化器Adam，学习率为0.001，训练次数epochs为20。