[发明专利]基于EEMD与LSTM模型电动汽车电池寿命预测方法

权利要求书

1.一种基于EEMD与LSTM模型电动汽车电池寿命预测方法，其特征在于，该方法包括如下步骤：

第一步：采集新能源汽车电池特征数据，将采集到的原始新能源汽车电池特征数据序列计做z(t)；

第二步：将原始新能源汽车电池特征数据序列z(t)进行EEMD分解；

第三步：将EEMD分解后的多个分量进行分类处理，根据频率的大小分别高频信号和低频信号两种类别，高频信号对应新能源汽车电池特征数据使用密集的时间段，低频信号对应新能源汽车电池特征数据使用不密集的时间段，其中高频信号记作Z_a(t)，低频信号记作Z_b(t)；

第四步：将选好的高频信号Z_a(t)，低频信号Z_b(t)放入LSTM模型训练，进行预测；

第五步：将第四步经过LSTM模型预测得到的预测结果进行重构，选取新能源汽车电池特征数据中的高频数据作为特征向量来训练长短时记忆网络,构建预测模型，然后选取新能源汽车电池特征数据中的高频数据,利用已训练的长短时记忆网络预测经纬度,重构数据，记作以均方误差损失函数最小化为优化目标，采用优化器来更新调整模型参数，减少预测误差，并利用测试集进行测试，得到理想的预测模型。

2.根据权利要求1所述的一种基于EEMD与LSTM模型电动汽车电池寿命预测方法，其特征在于，第二步所述将原始新能源汽车电池特征数据序列z(t)进行EEMD分解具体包括如下流程：

1)在原始新能源汽车电池特征数据序列z(t)中加入白噪声u(t)，得到新的混合信号序列

2)混合信号序列进行EEMD分解，此时得到新能源汽车电池特征数据的各个本征模函数(Intrinsic Mode Function，IMF)分量l_i(t)，其中i＝1,2,...,m，t＝1,2,...,n，n为样本容量，其取值由采集到的新能源汽车电池特征数据确定，m为最终分解次数，其取值由分解函数的的分解次数确定；

3)重复p次步骤1)、步骤2)，直到满足阈值收敛条件，得到p组不同的IMF分量，记为l_i,k(t)，其中k＝1,2,...,p，p的取值由分解函数的的分解次数确定；值得注意的是每次重复步骤1，都需要加入一个白噪声，避免出现模态混叠的可能；

4)对步骤3)中的IMF分量l_i,k(t)进行算术平均，并且由于各组中p次加入噪声具有零均值的特点，所以进行算术平均最后得到的IMF分量

将各与残差项重组即可得到混合信号序列

其中，为信号在t时刻的取值，r(t)为余波项。

3.根据权利要求1所述的一种基于EEMD与LSTM模型电动汽车电池寿命预测方法，其特征在于，第四步所述LSTM模型采用3个门式的结构来替代循环神经网络网络中的隐含层，LSTM模型在标准循环神经网络的基础上加入了输入门、输出门、遗忘门和记忆单元，记忆单元由Sigmoid函数和点乘运算组成，LSTM利用Sigmoid函数的取值范围设置了信息的通过比例，记忆单元的取值为0表示没有信息通过，记忆单元的取值为1表示全部信息均可通过，从而控制信息的记忆和遗忘；

LSTM模型通过记忆单元C_t来保持长期记忆，其更新流程如下：

f_t＝sigmoid(W_f[h_t-1,x_t]+ (5)

i_t＝sigmoid(W_i[h_t-1,x_t]+b_i (6)

C_t＝sigmoid(W_C[h_t-1,x_t]+b (7)

其中，f_t和i_t分别表示遗忘门和输入门，表示收到输入门控制下的新的记忆；C_t为t时刻的记忆单元，C_t-1为t-1时刻的记忆单元根据公式可知，f_t和i_t为Sigmoid的函数，取值范围为[0,1]；为tanh的函数，取值范围为[-1,1]，在记忆单元C_t的影响下，状态矩阵h_t的更新方式变为h_t-1＝o_t×tanh(C_t-1)，并通过输出门o_t＝sigmoid(W_o[h_t-1,x_t]+b_o)输出当前状态。