一种基于hi和ann的锂离子电池rul预测方法技术领域1.本发明涉及一种基于hi(健康指标)和ann(人工神经网络)的锂离子电池rul(剩余使用寿命)预测方法，属于锂离子电池健康管理技术领域。背景技术：2.手机、电脑、汽车、电动牙刷、遥控器、飞机等工具在人们的日常生活中随处可见，由于这些工具利用电池作为能量来源，所以电池成为了不可或缺的重要组成部分。而锂离子电池因其独特的优势，如体积小、能量密度高、工作温度宽泛、充电速率快、安全环保、循环寿命长等，成为了现代高性能、高能量的电池代表。2013年8月，特斯拉推出的models系列电动汽车在试驾过程中，一辆models90d发生了电池自燃，造成车辆完全烧毁。2016年9月三星galaxynote7电池发生爆炸事件，带来了极其负面的社会影响。从这些事件中我们可以看出，锂离子电池由于其内部反应机理以及所处的外部环境条件的干扰，不可避免的会出现老化现象，严重时突发的重大安全事故所带来的后果是非常沉重的。因此，对锂离子电池的预测与健康管理(phm)显得尤为重要，而剩余使用寿命(rul)作为phm重要的研究方向，它的准确预测可以为管理人员提供很多的决策信息，提高工作效率的同时可以防止很多突发状况，保护设备以及人们的人身安全，减少成本损失。通常来说，锂离子电池的rul被定义为在性能退化到额定失效阈值之前的剩余充放电循环次数，并且它的退化可以用健康指标(his)来表征，如电流、电压、阻抗和容量等。近年来，已有大量学者基于这些his对锂离子电池的rul预测进行了大量的研究，这些方法大致上可分为两种：基于直接hi的方法和基于间接hi的方法。3.基于直接hi的方法可分为三类。一是基于模型的方法，该方法通常采用一些反映电池性能的参数来建立经验模型，进而利用各种各样的滤波算法来实现rul的预测。saha等人很早就关注了锂离子电池的rul研究，并使用粒子滤波(pf)进行了rul的预测和分析。基于该基础之上衍生了许多模型改进以及滤波算法改进的研究文献。例如：su等人通过改进锂离子电池容量的三种模型，多项式，指数和verhulst模型，并利用交互多模型粒子滤波方法来估计锂离子电池的rul。miao等人提出了一种基于马尔科夫链蒙特卡洛方法的改进无迹粒子滤波(upf)方法对锂离子电池的rul进行了预测。duong等人引入了启发式卡尔曼算法(hka)，结合pf可以高精度地预测rul。二是基于数据驱动的方法，该方法以历史工作数据为基础，采用机器学习技术来预测rul。xu等人为在时变温度条件下运行的锂离子电池开发了一种基于维纳过程的rul预测方法。long等人通过粒子群(pso)优化改进的自回归(ar)模型，对锂离子电池的rul进行预测。yu等人提出了一种新的网络模型平均方法来处理非生命周期标记数据集的rul预测中的网络模型不确定性，在双向长短期记忆网络(bi‑l‑stm)网络上，验证了所提出的网络模型平均方法的有效性。haris等人提出了一种基于贝叶斯优化和超宽带(bohb)优化的深度置信网络(dbn)的超电容器早期rul估计算法。三是混合方法，鉴于单种预测方法的局限性，混合方法成为了研究的热点。shen等人建立新的两阶段维纳过程模型来描述锂离子电池在不同阶段衰减特性的差异，引入upf算法来自适应更新模型参数以及估计rul。li等人提出了一种基于混合高斯过程模型(mgp)和pf的集成方法来实现健康状态(soh)预测。xue等人集成自适应无迹卡尔曼滤波和遗传算法优化支持向量回归这两种算法来实现电池容量的多步预测。4.通过这些文献可看出，基于直接hi的方法是直接利用容量或内阻建立衰减模型和做rul预测的，这样虽然能直截了当地获得电池衰减的有用信息，很顺利地进行后续预测，但是处于实际应用中的锂离子电池，它的容量是很难在线获取的，这将导致高昂的成本。因而，找到可以可以取代复杂的容量测量，在线使用和量化锂离子电池衰减过程的hi是极其重要的。目前已有学者对这方面进行了探讨。5.li等人从放电电压曲线中提取等压降放电时间作为间接hi，把hi和容量分别作为输入和输出，建立了基于elman神经网络的rul预后模型。chen等人从放电电压序列中提取排列熵来表征电池的退化，接着用基于变分模式分解去噪技术、自回归积分移动平均数和灰色系统预测模型的混合方法进行rul预测。zhou等人提取平均电压衰减(mvf)作为hi来量化电池退化，然后利用简单的统计回归技术和优化的rvm来实现rul预测。feng等人提取表面温度的变化率作为新的hi来反映容量的退化，进而把它输入rvm中进行在线rul预测。li等人对局部增量容量(ic)曲线深入分析，提取出峰值、截距和斜率等4个显著特征来描述电池退化，把这4个特征引入到修正的高斯过程回归(gpr)中建立短期电池退化模型。zheng等人提取电阻、温度变化率、等压降放电时间和放电电压样本熵这几个his，利用广义回归神经网络建立his和容量之间的映射关系，此后用于估计剩余容量。jia等人分别提取电流和电压序列的样本熵，提出了使用多个样本熵作为相关向量机(rvm)的输入，构建了rul预测模型。kong等人借助提出的差分方法，从局部电压曲线提取了与电压相关的hi，同时，也提取了与温度有关的hi，然后把这些his作为gpr的输入以便后续预测锂离子电池的soh和rul。zhang等人从充电和放电过程中提取了等压降放电时间、截止电压、平均温度等六个his，利用加速粒子群算法优化的自适应多核相关机来建立特征与电池容量之间的关系，实现了容量的在线估算。wang等人考虑了放电操作时的循环次数、电压和电流，利用差分进化优化支持向量回归算法在基于容量～循环次数+电压+电流的公式上来预测电池的rul。6.分析上述文献不难发现已有的方法存在着一些问题：(1)特征提取类型单一。目前已有的文献仅仅只是提取了一种hi，例如等压降放电时间或熵值等，就直接进行容量或rul的预测，并未分析影响电池退化的影响因素有多种，且可能存在其他性能更好的hi会更好地表征电池的退化现象。(2)特征提取过程复杂。从实用角度来看，提取的特征除了能够包含与电池退化有关的信息之外，还应该尽量简化它的提取过程，提取特征越容易，便捷性越大。(3)模型训练预测成本高昂。有的文献虽然充分地考虑了电压，电流，温度等多个影响电池性能退化的因素，提取了多个his，但是直接把众多的his直接送入神经网络或其他算法中，容易损耗大量的时间运行成本。有的文献虽然考虑到了上述问题，并在在进行训练预测前采用降维方法对his进行了一定程度的降维，但是它最终输入神经网络的数据是15个维度，维度数依然很高。如果运用在电池的长期rul预测中，必然会花费大量的时间。技术实现要素：7.本发明的目的在于，针对上述问题，提出了一种基于hi和ann的锂离子电池rul预测方法。8.考虑到影响锂离子电池老化的因素很多，需要全面地分析可以从每项因素中提取到的有价值信息。本发明对此基于充放电过程可测得的所有数据都进行了分析以及与电池老化有关的特征提取，特征提取过程简单明了，不涉及任何复杂的运算。另外，针对提取出的特征序列中可能出现的异常值，根据异常值的位置采用不同的方法进行改善，进一步地提高了hi与容量之间的相关性。此外，又考虑到把提取到的信息全部输入神经网络中容易造成信息冗余，增加网络负担，所以需要选择最优特征作为输入。根据每项hi与容量之间的pearson相关系数值选择出最相关的特征。考虑到序列变换可以减少噪声干扰，在构建神经网络时，除了时间序列hi的时间和空间特征这两个方面之外，加入了第三个序列变换特征来共同建立网络模型。本发明采用美国国家航空航天局艾姆斯预测卓越中心(nasa)和牛津大学(oxford)howey研究组所提供的锂离子电池实验数据来验证所提方法的有效性和泛化性。9.本发明一种基于hi和ann的锂离子电池rul预测方法，为了解决上述问题所采用的技术方案为：10.步骤一，分析电池充放电过程中除容量之外的所有可直接测量得到的参数，根据它们随时间变化的曲线图尽可能提取出与容量关联度较大的hi。11.步骤二，对提取到的特征是否存在异常值；如果存在，则进行修正，否则进入步骤三。对于可能出现的异常值，除了运用常见的“平均值”法，又提出了一种新的异常值修正法来改善hi，提高它与容量之间的相关性。12.步骤三，选择出与容量关联度最高的hi。对步骤二提取到的hi按pearson相关系数值从大到小进行排序，选择值最大的hi做为最优hi。13.步骤四，对hi进行归一化，划分好训练集和测试集，输入cnn‑lstm‑seq2seq‑fc神经网络中进行训练和预测。14.其中，所述步骤一的具体过程如下：通过从nasa和oxford处收集到的充放电数据，如电压、电流、温度等，根据各项参数的不同特性，使用不同的特征提取方法来提取与容量相关的hi。充电电压：提取等充电电压间隔相对应的充电时间差。充电电流：提取充电电流下降到1.0a的充电时间。充电温度：提取充电温度到达局部最大值的充电时间。充电负载电压：提取等负载电压间隔相对应的充电时间差。充电负载电流：提取负载电流下降到1.0a的充电时间。放电电压：提取等放电电压间隔相对应的放电时间差。放电电流：提取电流处于恒定状态时的这一段放电时间间隔。放电温度：提取放电温度到达最大值的放电时间。放电负载电压：提取负载电压的香农熵。放电负载电流：提取负载电流恒定的这一段放电时间间隔。15.其中，所述步骤二具体为：如果在步骤一的特征提取过程中，出现了几个偏离整体趋势的离群点，对于这些点有两种处理方式，一是平均值替代法，二是归一化替代法。其中，如果离群点的位置出现在首位，采用归一化替代法，即：(1)归一化整体序列；(2)把归一化后的序列的第一个循环周期对应的值改为1；(3)反归一化修正后的序列，否则的话，对其他位置的离群点采用前后两个观测值的平均值替代法来进行修正。如果没有出现离群点，则直接进入步骤三进行特征选择。16.其中，所述步骤三具体为：计算每项hi与容量之间的pearson相关系数值，即：然后选择出系数值最高的特征。17.其中，所述步骤四具体为：从步骤三中得到的最优hi时间序列的形状特征、时间依赖特性、序列变换特征3个方面来构建神经网络cnn‑lstm‑seq2seq‑fc，从而建立hi与容量之间的关系。其中，卷积神经网络(cnn)提取的是hi的形状特征，长短期记忆网络(lstm)提取的是hi的时间依赖特性，序列到序列(seq2seq)提取的是hi的序列变换特征。18.本发明一种基于hi和ann的锂离子电池rul预测方法，其优点及功效在于：在特征提取时，所用的提取方法不仅较为简单，不涉及任何复杂计算，而且充分考虑到了每一项影响电池老化的因素并进行了不同的特征提取，这样可以很好地获得更多更有价值的信息。在特征选择时，所用的选择方法可以减少特征冗余，选择出最优特征，进而降低后续网络训练和预测成本。最后，在构建用于容量和rul预测的网络时，考虑到hi属于时间序列，新加入了第三个序列变换特征，这在一定程度上降低了噪声对于序列的干扰，提高了预测精度。附图说明19.图1所示为本发明所提方法的流程图20.图2a所示为nasa组恒压恒流数据集的6个锂离子电池数据b5、b6、b7、b18、b40、b48的容量变化曲线图21.图2b所示为nasa组随机行走充电和放电数据集1的8个锂离子电池数据rw1、rw2、rw7、rw8、rw3、rw4、rw5、rw6的容量变化曲线图22.图2c所示为nasa组随机行走充电和放电数据集2的8个锂离子电池数据rw9、rw10、rw11、rw12、rw13、rw14、rw15、rw16的容量变化曲线图23.图2d所示为nasa组随机行走充电和放电数据集3的8个锂离子电池数据rw21、rw22、rw23、rw24、rw25、rw26、rw27、rw28的容量变化曲线图24.图2e所示为oxford的8个锂离子电池数据cell1、cell2、cell3、cell4、cell5、cell6、cell7、cell8的容量变化曲线图25.图3a～图3j所示为电池b5的各项特征结果图26.图3k～图3p所示为电池rw4的各项特征结果图27.图3q～图3t所示为电池cell4的各项特征结果图28.图4a所示为电池b5提取出的各项特征与其容量之间的pearson相关系数值结果图29.图4b所示为电池rw4提取出的各项特征与其容量之间的pearson相关系数值结果图30.图4c所示为电池cell4提取出的各项特征与其容量之间的pearson相关系数值结果图31.图5a所示为电池b5的最优特征的归一化结果图32.图5b所示为电池rw4的最优特征的归一化结果图33.图5c所示为电池cell4的最优特征的归一化结果图34.图6a所示为电池b5的比较实验a结果图35.图6b所示为电池rw4的比较实验a结果图36.图6c所示为电池cell4的比较实验a结果图37.图7a所示为电池b5的比较实验b结果图38.图7b所示为电池rw4的比较实验b结果图39.图7c所示为电池cell4的比较实验b结果图40.图8a所示为电池b5的真实值与六种方法结果对比图41.图8b所示为电池b5的真实值与六种方法的rmse和mae图42.图9a所示为电池rw4的真实值与六种方法结果对比图43.图9b所示为电池rw4的真实值与六种方法的rmse和mae图44.图10a所示为电池cell4的真实值与六种方法结果对比图45.图10b所示为电池cell4的真实值与六种方法的rmse和mae图46.图11所示为电池b5的比较实验d结果图47.图12a所示为电池b5在不同预测起始点的的rmse和mae图48.图12b所示为电池b5在不同预测起始点的的rul值49.图13a所示为电池b6的比较实验a结果图50.图13b所示为电池b7的比较实验a结果图51.图13c所示为电池b18的比较实验a结果图52.图13d所示为电池b40的比较实验a结果图53.图13e所示为电池b48的比较实验a结果图54.图13f所示为电池rw8的比较实验a结果图55.图13g所示为电池rw11的比较实验a结果图56.图13h所示为电池rw14的比较实验a结果图57.图13i所示为电池rw22的比较实验a结果图58.图13j所示为电池rw28的比较实验a结果图59.图14a所示为nasa组恒压恒流数据集在比较实验b下的rmse和mae图60.图14b所示为nasa组随机行走充电和放电数据集在比较实验b下的rmse和mae图61.图15a所示为nasa组恒压恒流数据集在比较实验c下的rmse和mae图62.图15b所示为nasa组随机行走充电和放电数据集在比较实验c下的rmse和mae图63.图16所示为电池b6，b18的比较实验d结果图64.图17a所示为nasa组恒压恒流数据集在不同预测起始点的的rmse和mae图65.图17b所示为nasa组恒压恒流数据集在不同预测起始点的的rul预测值具体实施方式66.下面结合附图和实施例，对本发明的技术方案做进一步的说明。67.如图1所示，本发明一种基于hi和ann的锂离子电池rul预测方法，具体过程如下：68.步骤一，分析电池充放电过程中除容量之外的所有可直接测量得到的参数，根据它们随时间变化的曲线图尽可能提取出与容量关联度较大的hi。具体为：通过从nasa和oxford处收集到的充放电数据，如电压、电流、温度等，根据各项参数的不同特性，使用不同的特征提取方法来提取与容量相关的hi。充电电压：提取等充电电压间隔相对应的充电时间差。充电电流：提取充电电流下降到1.0a的充电时间。充电温度：提取充电温度到达局部最大值的充电时间。充电负载电压：提取等负载电压间隔相对应的充电时间差。充电负载电流：提取负载电流下降到1.0a的充电时间。放电电压：提取等放电电压间隔相对应的放电时间差。放电电流：提取电流处于恒定状态时的这一段放电时间间隔。放电温度：提取放电温度到达最大值的放电时间。放电负载电压：提取负载电压的香农熵。放电负载电流：提取负载电流恒定的这一段放电时间间隔。以电池b5为例，充电过程：(1)充电电压。根据电池b5在不同循环周期下的充电电压与时间关系曲线图，从该图中提取每个循环周期的等充电电压间隔相对应的充电时间差作为hi1，即：其中，cvmax和cvmin分别是高电压和低电压，是到达低电压的时间，是到达高电压的时间，hi1i是第i个循环周期的间接hi1。(2)充电电流。根据电池b5在不同循环周期下的充电电流与时间关系曲线图，从该图中提取每个循环周期的充电电流下降到1.0a的充电时间作为hi2，即：其中，ci＝1a是充电电流为1a，tci＝1a是电流下降到1a的时间，hi2i是第i个循环周期的间接hi2。(3)充电温度。根据电池b5在不同循环周期下的充电温度与时间关系曲线图，从该图中提取每个循环周期的充电温度到达局部最大值的充电时间作为hi3，即：其中，max(ctemp)是局部最大温度值，tmax(ctemp)是到达局部最大温度值的时间，hi3i是第i个循环周期的间接hi3。(4)充电负载电压。根据电池b5在不同循环周期下的负载电压与时间关系曲线图，从该图中提取每个循环周期的等负载电压间隔相对应的充电时间差作为hi4，即：其中，cvlmax和cvlmin分别是高电压和低电压，是到达低电压的时间，是到达高电压的时间，hi4i是第i个循环周期的间接hi4。(5)充电负载电流。根据电池b5在不同循环周期下的负载电流与时间关系曲线图，从该图中提取每个循环周期的负载电流下降到1.0a的充电时间作为hi5，即：hi5i＝tcil＝1a,i＝1,2,...,k,...，其中，cil＝1a是负载电流为1a，tcil＝1a是电流下降到1a的时间，hi5i是第i个循环周期的间接hi5。放电过程：(6)放电电压。根据电池b5在不同循环周期下的放电电压与时间关系曲线图，从该图中提取每个循环周期的等放电电压间隔相对应的放电时间差作为hi6，即：其中，dvmax和dvmin分别是高电压和低电压，是到达低电压的时间，是到达高电压的时间，hi6i是第i个循环周期的间接hi6。(7)放电电流。根据电池b5在不同循环周期下的放电电流与时间关系曲线图，从该图中提取每个循环周期的电流处于恒定状态时的这一段放电时间间隔作为hi7，即：其中，di＝‑2a是电流为2a，是第一个电流为2a所对应的时间，是最后一个电流为2a所对应的时间，hi7i是第i个循环周期的间接hi7。(8)放电温度。根据电池b5在不同循环周期下的放电温度与时间关系曲线图，从该图中提取每个循环周期的放电温度到达最大值的放电时间作为hi8，即：hi8i＝tmax(dtemp),i＝1,2,...,k,...，其中，max(dtemp)是最大温度值，tmax(dtemp)是到达最大温度值的时间，hi8i是第i个循环周期的间接hi8。(9)放电负载电压。根据电池b5在不同循环周期下的负载电压与时间关系曲线图，从该图中提取每个循环周期下负载电压的香农熵作为hi9，即：hi9i＝shannon_entropy(dvl),i＝1,2,...,k,...，其中，dvl是负载电压值，shannon_entropy(dvl)是负载电压值的香农熵，hi9i是第i个循环周期的间接hi9。(10)放电负载电流。根据电池b5在不同循环周期下的负载电流与时间关系曲线图，从该图中提取每个循环周期下负载电流恒定的这一段放电时间间隔作为hi10，即：其中，|dil|＝2a是电流的绝对值为2a，是第一个电流的绝对值为2a所对应的时间，是最后一个电流的绝对值为2a所对应的时间，hi10i是第i个循环周期的间接hi10。69.步骤二，对提取到的特征是否存在异常值；如果存在，则进行修正，否则进入步骤三。对于可能出现的异常值，除了运用常见的“平均值”法，又提出了一种新的异常值修正法来改善hi，提高它与容量之间的相关性。具体为：如果在步骤一的特征提取过程中，出现了几个偏离整体趋势的离群点，对于这些点有两种处理方式，一是平均值替代法，二是归一化替代法。其中，如果离群点的位置出现在首位，采用归一化替代法，即：(1)归一化整体序列；(2)把归一化后的序列的第一个循环周期对应的值改为1；(3)反归一化修正后的序列，否则的话，对其他位置的离群点采用前后两个观测值的平均值替代法来进行修正。如果没有出现离群点，则直接进入步骤三进行特征选择。70.步骤三，选择出与容量关联度最高的hi。对步骤二提取到的hi按pearson相关系数值从大到小进行排序，选择值最大的hi做为最优hi。具体为：计算每项hi与容量之间的pearson相关系数值，即：然后选择出系数值最高的特征。71.步骤四，对hi进行归一化，划分好训练集和测试集，输入cnn‑lstm‑seq2seq‑fc神经网络中进行训练和预测。具体为：从步骤三中得到的最优hi时间序列的形状特征、时间依赖特性、序列变换特征3个方面来构建神经网络cnn‑lstm‑seq2seq‑fc，从而建立hi与容量之间的关系。其中，卷积神经网络(cnn)提取的是hi的形状特征，长短期记忆网络(lstm)提取的是hi的时间依赖特性，序列到序列(seq2seq)提取的是hi的序列变换特征。72.具体实施例：73.本实验使用pycharm community edition 2020软件进行仿真，基于nasa和oxford的锂离子电池作为实验数据，这两个机构的锂离子电池实验数据分别如图2a～2e所示。74.首先采用的是由nasa提供的两组锂离子电池数据集，它们各自是在不同的实验条件下所获取的。第一组是恒压恒流数据集，电池都是运行三种不同的运行曲线(充电，放电和阻抗)。图2a表示了6个电池的容量衰减图，这6个电池的充电和阻抗过程一致，但放电过程和环境温度有所不同。充电过程：它们都是以1.5a的恒定电流(cc)模式进行充电，直到电池电压达到4.2v，然后以恒定电压(cv)模式继续充电，直到充电电流降至20ma。放电过程：(1)b5、b6、b7、b18这4个电池以2a的恒定电流(cc)进行放电，直到各自的电压分别降至2.7v，2.5v，2.2v和2.5v。(2)b40在不同循环次数时使用了不同负载电流(1、2和4a)，它的放电运行在2.7v处停止。(3)b48使用1a的恒定电流(cc)进行放电，直到电压降至2.7v。阻抗测量都是通过从0.1hz到5khz的电化学阻抗谱(eis)频率扫描进行的。b5、b6、b7、b18的环境温度是24℃，b40的环境温度是多个，前一部分循环在24℃，后一部分循环在高温44℃，b48的环境温度是低温4℃。第二组是随机行走(rw)充电和放电数据集，如图2b～2d所示，电池以随机生成的电流曲线连续循环。这里选择了六组不同工况下的电池来训练和测试。rw1、rw2、rw7、rw8：25℃、随机rw充放电循环，rw3、rw4、rw5、rw6：25℃、随机rw放电循环，rw9、rw10、rw11、rw12：未严格控温，随机rw充放电循环，rw13、rw14、rw15、rw16：25℃、偏小电流随机rw放电循环，rw21、rw22、rw23、rw24：40℃、偏小电流随机rw放电循环，rw25、rw26、rw27、rw28：40℃、偏大电流随机rw放电循环。75.而由oxford提供的锂离子电池数据是研究者们从8个kokam(slpb533459h4)740mah锂离子袋式电池的长期电池老化测试中得到的。这8个电池分别叫做cell1‑cel8，如图2e所示，它们的充放电条件相同，充电阶段采用恒流‑恒压模式，即先进行2c恒流充电直至电压达到4.2v，然后再以恒压方式继续对电池继续充电直到充满。放电阶段是根据urban artemis曲线获得的驱动循环放电曲线进行的随机电流放电。所有电池均在40℃的热室中测试，每100个周期采集一次数据。76.从图2a～2e中都可以看出上述几组锂离子电池中存储的容量随着充放电次数的增加而逐渐下降。图中的横轴都表示充放电循环次数，而纵轴都表示每次充放电后锂离子电池的真实容量值。77.实验中，nasa的第一组恒压恒流数据集一共测得了充放电过程中的10种不同类型的数据，即电压、电流、温度、负载电压、负载电流，因此每个电池提取了10个his；nasa的另一组随机变化的电流模式下运行所得的数据集，由于充放电过程中未测得负载电压和负载电流，所以每个电池提取了6个his。而对于oxford的数据集，虽然实验过程中测得的数据是时间、电压、容量和温度，但是由于这组数据是用于验证所提方法的适应性和可靠性的，所以为了匹配nasa组所提取的特征，从这组数据的每个电池中提取4个his。特征提取中，关于hi1，对于恒压恒流模式下运行的电池来说，cvmax＝4.2v，cvmin＝3.6v；对于随机变化的电流模式下运行的几组电池来说，只设定了cvmax，未设定cvmin，相当于但它依然是等充电电压间隔相对应的充电时间差；对于oxford的电池来说，参数值的设定与恒压恒流组的一致。关于hi4，对于恒压恒流模式下运行的电池来说，cvlmax＝4.9v，cvlmin＝4.5v。关于hi6，对于恒压恒流模式下运行的电池来说，dvmax＝4.0v，dvmin＝3.0v；对于随机变化的电流模式下运行的几组电池来说，dvmax＝4.0v，dvmin＝3.3v；对于oxford的电池来说，参数值的设定与恒压恒流组的一致。关于hi7，对b5、b6、b7、b18而言，恒定电流为2a，对于b48而言，恒定电流为1a，对于b40而言，恒定电流有3种，即1a、2a、4a，所以这里的di值是可变的；对于随机变化的电流模式下运行的几组电池来说，di＝1a。关于hi10，同hi7一样，这里的dil也是可变的，对b5、b6、b7、b18而言，恒定负载电流为2a，对于b48而言，恒定负载电流为1a，对于b40而言，恒定负载电流有3种，即1a、2a、4a。rul预测中，关于hi与容量之间的神经网络模型构建，cnn的参数设置为：3个conv1d‑batchnormalization‑activation形式的模块串联在一起，3个模块中，卷积核的数目均为128，activation均为relu，第一个模块中kernel_size＝1，第二个模块中kernel_size＝3，第三个模块中kernel_size＝5，这三个模块串联好之后再接maxpooling1d和dropout，maxpooling1d中的pool_size＝3，其余参数设置均为默认。lstm的参数设置为：第一层的lstm为units＝256，第二层的lstm为units＝128，其余参数设置均为默认。seq2seq的参数设置为：第一层的lstm为units＝256，第二层的lstm为units＝128，其余参数设置均为默认。cnn、lstm、seq2seq并联起来提取hi的不同特征，然后使用concatenation操作把它们的输出组合在一起，再次通过5层dense层。这里5层dense的参数设置分别为：units＝256、units＝128、units＝32、units＝16、units＝1，activation均为linear，其余参数设置均为默认。下面以电池b5为例，进行实例说明。78.1.数据收集，得到：79.b5_capacity＝[1.8565 1.8463 1.8353 1.8353ꢀ…ꢀ1.2880 1.2875 1.3090 1.3251][0080][0081][0082][0083][0084][0085][0086][0087][0088][0089][0090]2.特征提取，hi1＝[667.8910 3181.7030ꢀ…ꢀ1535.2970 1582.2030][0091]hi2＝[1078.4530 3710.3910ꢀ…ꢀ2072.5000 2147.1720][0092]hi3＝[869.7660 3460.2030ꢀ…ꢀ1912.3910 1948.2500][0093]hi4＝[483.0940 2868.2190ꢀ…ꢀ1311.4530 1338.5470][0094]hi5＝[1071.7820 3697.5940ꢀ…ꢀ2061.1410 2118.7650][0095]hi6＝[3251.5470 3233.3600ꢀ…ꢀ2241.5310 2269.8120][0096]hi7＝[3311.2340 3293.1250ꢀ…ꢀ1575.7500ꢀ…ꢀ2336.0150 2364.4380][0097]hi8＝[3366.7810 3348.7350ꢀ…ꢀ2365.2190 2393.5780][0098]hi9＝[0.5536 0.5405ꢀ…ꢀ0.2913 0.2898][0099]hi10＝[3311.2340 3293.1250ꢀ…ꢀ2336.0150 2364.4380][0100]3.异常值修正，hi1＝[3264.8600 3181.7030ꢀ…ꢀ1535.2970 1582.2030][0101]hi2＝[3744.6410 3710.3910ꢀ…ꢀ2072.5000 2147.1720][0102]hi3＝[3494.7030 3460.2030ꢀ…ꢀ1912.3910 1948.2500][0103]hi4＝[2890 2868.2190ꢀ…ꢀ1311.4530 1338.5470][0104]hi5＝[3731.7970 3697.5940ꢀ…ꢀ2061.1410 2118.7650][0105]hi7＝[3311.2340 3293.1250ꢀ…ꢀ3255.2970ꢀ…ꢀ2336.0150 2364.4380][0106]hi6、hi8、hi9、hi10不含异常值，不做修正。[0107]4.特征选择，计算每项hi与容量之间的pearson相关系数值，r1＝0.9967，r2＝0.9967，r3＝0.9962，r4＝0.9968，r5＝0.9966，r6＝0.9998，r7＝0.9999，r8＝0.9998，r9＝0.9652，r10＝0.999991。最优特征hi是hi10。[0108]5.最优特征hi10归一化得到：设定预测起始点t＝70，由与容量所得的训练集和测试集输入cnn‑lstm‑seq2seq‑fc网络中进行训练和预测，即可得到预测值，[0109]ypre＝[1.6165 1.6102ꢀ…ꢀ1.2981 1.3138]。[0110]以下通过用nasa和oxford的锂离子电池实验数据进行验证本发明所提方法的有效性，并做了5种对比实验，分别是：(1)比较实验a：在同一网络下，用本发明的一个特征作为输入和多个特征全都作为输入进行对比。(2)比较实验b：在同一网络下，把本发明的hi预测容量(hi‑容量)与容量预测容量(容量‑容量)进行对比。此外，在基于同样的样本数据即：hi预测容量下，把本发明中用到的网络cnn‑lstm‑seq2seq‑fc与未加上seq2seq的网络cnn‑lstm‑fc进行对比。(3)比较实验c：把本发明的方法与一维卷积神经网络(conv1d)、长短期记忆网络(lstm)、门循环单元(gru)、序列到序列(seq2seq)、支持向量回归(svr)方法进行对比。(4)比较实验d：把本发明的方法与其他文献中所提出的方法进行对比。(5)不同预测起始点对比。[0111]本实验为了说明本发明所提方法预测效果的准确性，一共进行了5种不同的比较实验。(1)比较实验a中所用网络一致，不同的是输入网络的特征数量。(2)比较实验b中hi‑容量与容量‑容量对比时所用网络一致，不同的是输入网络的特征，一个是最优hi，另一个是容量；而本发明所用的网络与未加上seq2seq的网络对比时输入网络的样本数据相同，不同的是所用的网络。(3)比较实验c中所用的样本数据相同，不同的是训练预测时所用的方法。(4)比较实验d中所用电池数据的预测起始点相同，不同的是整体所使用的方法。(5)不同预测起始点对比主要是同一电池和同一网络下，不同的训练样本数进行的对比实验。[0112]图3a～图3j，图3k～图3p，图3q～图3t分别给出了由电池b5、rw4、cell4提取出的各项特征结果。[0113]图4a，4b，4c分别给出了由b5、rw4、cell4提取出的各项特征与各自容量之间的pearson相关系数值。[0114]图5a，5b，5c给出了b5、rw4、cell4从各项特征中选出的最优特征经过归一化之后的结果。[0115]图6a，6b，6c给出了b5、rw4、cell4的比较实验a时，预测结果的rmse和mae的对比。图7a，7b，7c给出了b5、rw4、cell4的比较实验b时，预测结果的rmse和mae的对比。图8、图9、图10对应电池数据b5、rw4、cell4的比较实验c的结果，图8a，图8b分别给出了b5在预测起始点为t＝70时的预测结果、rmse和mae，图9a，图9b分别给出了rw4在训练集为rw3，rw5，rw6时的预测结果、rmse和mae，图10a，图10b分别给出了cell4在训练集为其他7个电池cell，cell2，cell3，cell5，cell6，cell7，cell8时的预测结果、rmse和mae。图11给出了b5的比较实验d时，预测结果的rmse对比，图12a，12b给出了b5的不同预测起始点时，预测结果的rmse和mae、rul真实值和rul预测值的对比。[0116]在图8a，9a，10a中，水平粗实线是电池容量失效阈值；垂直粗实线是预测起始点；细曲实线代表真实值；虚线代表本发明所提方法的预测结果；点划线代表conv1d的预测结果；点符号曲线代表lstm的预测结果；x符号曲线代表gru的预测结果；点符号虚线代表seq2seq的预测结果；*符号曲线代表svr的预测结果。从图中可以看出，常见的一些方法conv1d、lstm、gru、seq2seq、svr对于这些电池数据的预测效果都不是很理想，甚至有时会达不到失效阈值点，而本发明所提方法所表示的线更靠近真实值所表示的线。从表示均方根误差和平均绝对误差的图8b，9b，10b中可以看出本发明所提方法的rmse和mae都很小，精度很高。[0117]其余电池的各项实验结果如图13a～17b所示。从图13a～13j中可以看出，对于比较实验a来说，除了电池b18和rw8之外，其他电池均是本发明所提方法的一个特征的预测优于多个特征的预测，因而说明选择一个最优特征不仅可以得到较高的预测精度，在网络运行方面花费的时间也相对较短，精度和成本均可满足。对于电池b18和rw8来说，两个特征同时输入网络的预测结果虽然优于一个特征输入网络的预测结果，但是rmse之间只有大约0.001和0.01的差别，这一数值十分的小，而在时间方面，一个特征显然比两个甚至多个特征在训练网络中所耗损的时间少。所以，一个特征的预测不仅保证了较小误差的同时还满足了较低的成本，综合考虑这两个因素，本发明所提方法的一个特征预测的优势较为显著。从图14a，14b中可以看出，对于比较实验b来说，本发明所提方法中提取的hi可以很好地反映容量的退化情况以及用它来预测容量是可行的，并且用hi来预测容量得到的结果优于容量自身进行预测的结果。同时，本发明所提方法在构建网络时加入的seq2seq模块可以克服噪声干扰，提升预测精度，效果同样优于没有seq2seq模块的网络。从图15a，15b中可以看出，对于比较实验c来说，本发明所提的方法不仅可以很好地预测容量，而且相对于常见的一些方法conv1d、lstm、gru、seq2seq、svr有着显著的优越性。从图16中可以看出，对于比较实验d来说，使用本发明所提方法的锂离子电池b5、b6、b18的rmse均低于其他已公开的方法。从图17a，17b中可以看出，对于不同预测起始点对比实验来说，尽管精度随着训练数据的减少而略有降低，但本发明所提方法仍然可以为所有电池提供令人满意的估计结果。