[发明专利]一种基于AAF和深度学习的动力电池健康状态预测方法

说明书

本发明公开了一种基于AAF和深度学习的动力电池健康状态预测方法，属于动力电池SOH预测领域。所述方法首先利用集成经验模态分解技术和相关性分析方法将SOH时间序列分解成主趋势时间序列和波动时间序列，其次利用DBN对主趋势时间序列进行预测，针对波动时间序列，先进行数据预处理，然后采用抗混叠低通滤波器对预处理之后的序列进行重采样，之后利用长短期记忆神经网络LSTM对重采样之后序列进行预测，然后再对波动序列预测结果进行反重采样和逆向数据处理得到波动时间序列最终预测值，最后将主趋势时间序列和波动时间序列预测结果进行集成得到最终的SOH预测结果，实现了动力电池SOH的高精度预测。

技术领域

本发明涉及一种基于AAF和深度学习的动力电池健康状态预测方法，属于动力电池SOH预测领域。

背景技术

近年来，为了减少汽车尾气排放和缓解能源危机，新能源汽车尤其是电动汽车得到了迅速发展。锂离子电池作为其储能装置，发挥着十分重要的作用。随着电动汽车性能和续驶里程的提升，锂离子电池的功率和容量越来越大，其安全性和可靠性也变得愈加重要。在锂离子电池循环使用的过程中，其健康状态(State Of Health，SOH)会逐渐退化。当电池健康状态达到阈值时，若没及时更换，将会严重影响汽车的性能和安全。因此，准确地监测电池健康状态以及电池健康状态预测具有重要意义。

由于锂离子电池内部化学特性复杂，基于模型的方法往往计算复杂且难以实现，并不适合许多实际的应用。而基于数据驱动的方法主要通过分析测试数据(如电压、电流、阻抗等)深度挖掘其中隐含的健康信息来对电池寿命进行预测，不需要考虑模型获取的问题，更容易实施，因而更适合实际应用。但其预测精度较大程度依赖于数据样本数量以及样本数据中所包含的历史信息，因而需要从其他方面进行改进以提升其预测精度，比如现有技术中，文献-胡天中,余建波.(2019).基于多尺度分解和深度学习的锂电池寿命预测.浙江大学学报：工学版,53(10),13.中提出一种分别构建DBN模型和LSTM模型，然后将两模型的预测结果进行集成，而且该方法中还采用了集成经验模态分解技术将SOH时间序列分解成主趋势时间序列和波动时间序列，对主趋势时间序列利用DBN模型进行预测，而对波动时间序列则采用LSTM模型进行预测，从而提高了预测精度。

然而上述方法中，虽然其利用集成经验模态分解技术将SOH时间序列进行分解，并分别利用DBN模型和LSTM模型进行预测然后进行集成提升了其预测精度，但由于波动时间序列中的高频数据变化剧烈，LSTM模型难以挖掘其内在的数学规律，从而导致其对高频波动时间序列预测精度较低，而在高频波动时间序列预测精度较低的前提下，该方法的整体预测精度有待于进一步提高。

发明内容

为了进一步提高对于动力电池健康状态的预测精度，以帮助企业合理决策何时替换动力电池，提高经济效益，本发明提供了一种基于抗混叠低通滤波器和深度学习的动力电池健康状态(SOH)预测方法，所述方法在现有技术的基础上，通过利用抗混叠低通滤波器降低波动频率，提高了LSTM模型对于高频波动时间序列的预测精度，从而提升了最终预测精度。

一种基于抗混叠低通滤波器和深度学习的动力电池健康状态(SOH)预测方法，所述方法进行动力电池SOH预测时，首先利用集成经验模态分解技术和相关性分析方法将SOH时间序列分解成主趋势时间序列和波动时间序列，其次利用深度置信网络DBN对主趋势时间序列进行预测，针对波动时间序列先进行数据预处理，然后采用抗混叠低通滤波器(Anti-aliasing filter，AAF)对预处理之后的序列进行重采样，之后利用长短期记忆神经网络LSTM对重采样之后序列进行预测，然后再对波动序列预测结果进行反重采样和逆向数据处理得到波动时间序列最终预测值，最后将主趋势时间序列和波动时间序列预测结果进行集成得到最终的SOH预测结果，实现了动力电池SOH的高精度预测。

可选的，所述方法包括：

步骤1，获取动力电池容量变化数据，通过计算SOH得到SOH时间序列；