本发明涉及锂电池寿命预测，更具体的说是涉及一种基于svmd-transformer-lstm融合算法的锂电池寿命预测方法。
背景技术：
1、锂电池因其重量轻、能力密度高、循环寿命长等优点，已广泛应用于电动汽车、航空航天和储能系统等诸多领域。然而，随着锂电池充放电循环次数的增加，锂电池的性能由于内外部多因素的影响而逐渐下降。当锂电池的容量下降寿命终点时(end oflife，eol)，锂电池功能失效不再满足电气设备功耗要求，必须更换或检修电池，否则可能导致灾难性事故的发生。而电池剩余使用寿命(remaining useful life，rul)是指电池的寿命预测起点到寿命终点之间的剩余充放电循环次数。准确地预测电池的rul对电池状态监测、运行维护和电池更换至关重要，这可以提高锂电池的稳定性和利用效率。
2、目前，关于锂电池剩余使用寿命预测方法的研究越来越多，而主流的预测方法为基于锂电池模型预测方法和基于数据驱动预测方法。
3、基于锂电池模型预测方法是通过分析电池内部机理、电池退化机制和外部环境因素建立电池寿命预测的数学模型。现有技术中采用电化学模型和等效电路模型等，并结合粒子滤波及其衍生算法对模型参数进行估计，实现电池寿命预测。但基于锂电池模型预测方法在使用中存在局限性：(1)锂电池受到温度和湿度等外部环境因素的干扰，其电池退化模型复杂，参数过多；(2)粒子滤波及其衍生算法过度依赖精确的电池退化模型且粒子滤波存在明显的粒子退化问题，影响预测精度。
4、基于数据驱动法就是通过机器学习算法利用锂电池历史退化数据分析未来电池寿命趋势，此类方法不需要对电池内部机理探讨，不需要建立大量数学模型，也能得到较高的预测精度。现有技术中采用单一机器学习算法应用于电池rul预测，如支持向量机、高斯回归过程、相关向量机等算法，一定程度上提高了预测精度，但未能有效处理序列的长期依赖关系。上述数据驱动算法在电池寿命预测领域取得了较大的成果，但仍有一些领域需要改进：(1)电池寿命预测模型单一，预测泛化性与精度较差；(2)大量研究直接处理电池原始数据，并未单独考虑容量再生现象；(3)电池容量数据具有较强的长期记忆性和随机波动性，如何准确地映射这种关系，实现对未来容量的准确长期在线预测仍然是一个挑战性问题。
5、因此，如何在锂电池性能退化过程中，避免由于电池原始容量数据存在的非线性、随机性和非平稳等时序特征，导致单一机器学习预测模型在电池寿命预测精度较低且预测结果难以捕获容量再生现象，是本领域技术人员亟需解决的问题。
技术实现思路
1、鉴于上述问题，本发明提供一种基于svmd-transformer-lstm融合算法的锂电池寿命预测方法，以至少解决上述背景技术中提到的部分技术问题。
2、为了实现上述目的，本发明采用如下技术方案：
3、一种基于svmd-transformer-lstm融合算法的锂电池寿命预测方法，包括如下步骤：
4、s1、通过svmd方法对目标锂电池的原始容量数据进行分解，获得原始残差信号和原始模态分量；
5、s2、将所述原始模态分量输入至训练好的lstm模型中，输出所述目标锂电池在预设轮次循环中的模态分量预测值；
6、s3、将所述原始残差信号输入至训练好的transformer网络模型中，输出所述目标锂电池在预设轮次循环中的残差信号预测值；
7、s4、将所述模态分量预测值和所述残差信号预测值进行集成，获得所述目标锂电池在预设轮次循环中的最终寿命预测结果。
8、进一步地，在所述步骤s1中，还包括：采用滤波器对所述原始残差信号和所述原始模态分量进行最小化标准约束，约束条件表示为：
9、
10、其中：
11、
12、其中，un(t)表示第n个原始模态分量；j1表示原始模态分量在频域上的带宽最小化的一个目标函数；j2表示提取到的原始模态分量在原始容量数据的各频率上的最小误差目标函数；j3表示确保每个原始模态分量的频率特征符合预期频率范围的目标函数；表示对时间t求导数；δ(t)表示单位冲击函数，用于在信号处理中选择特点的时间点；j代表复数中的虚数单位；ωn表示第n个原始模态分量un(t)的中心频率；f(t)表示原始容量数据；*表示卷积运算；t表示t时刻；fr(t)表示残差信号，是原始容量数据f(t)除去un(t)的剩余分量；βn(t)表示权重函数，与中心频率ωn相关，用于控制残差信号fr(t)中的各个成分的提取；βi(t)是滤波器的脉冲响应；fu(t)表示原始容量信号除去1到n个所有模态分量的剩余部分，是目标锂电池全局退化的原始残差信号；表示对前n-1个模态函数求和，i为索引变量，取值为1到n-1。。
13、进一步地，在所述步骤s1中，还包括：
14、引入正交性指标，对所述原始容量数据与所述原始残差信号和所述原始模态分量之间的相关性进行分析，获得正交性值；
15、根据所述正交性值对分解结果进行判断；若所述正交性值趋于0，则判断为原始容量数据与所述原始残差信号和所述原始模态分量之间的交互影响低于预设值，分解质量高。
16、进一步地，所述原始模态分量包括原始容量再生信号和原始波动信号。
17、进一步地，所述lstm模型的训练步骤包括：
18、获取大量锂电池样本的原始容量信号，记作历史原始容量信号；采用svmd方法对该历史原始容量信号进行分解，获得对应的历史模态分量；
19、将所述历史模态分量按照预设比例划分为训练集和测试集；
20、将所述训练集中的历史模态分量输入到lstm模型中，通过前向传播计算锂电池样本在循环轮次中的模态分量预测值；
21、将所述模态分量预测值与锂电池样本在循环轮次中的模态分量实际值进行比较，计算lstm模型损失函数；
22、基于所述lstm模型损失函数对lstm模型进行优化；
23、通过所述测试集中的历史模态分量对训练好的lstm模型进行验证，并根据验证结果对lstm模型中的超参数进行调整，实现对lstm模型的二次优化。
24、进一步地，采用均方误差或平均绝对误差作为lstm模型损失函数。
25、进一步地，所述transformer网络模型的训练步骤包括：
26、获取大量锂电池样本的原始容量信号，记作历史原始容量信号；采用svmd方法对该历史原始容量信号进行分解，获得对应的历史残差信号；
27、将所述历史残差信号按照预设比例划分为训练集和测试集；
28、将所述训练集中的历史残差信号输入到transformer网络模型中，通过前向传播计算锂电池样本在循环轮次中的残差信号预测值；
29、将所述残差信号预测值与锂电池样本在循环轮次中的残差信号实际值进行比较，计算transformer网络模型损失函数；基于所述transformer网络模型损失函数对transformer网络模型优化；
30、通过所述测试集中的历史残差信号对训练好的transformer网络模型进行验证，并根据验证结果对transformer网络模型中的超参数进行调整，实现对transformer网络模型的二次优化。
31、进一步地，采用均方误差或平均绝对误差作为transformer网络模型损失函数。
32、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于svmd-transformer-lstm融合算法的锂电池寿命预测方法，具有如下有益效果：
33、本发明通过svmd序列分解技术能将具有非线性、非平稳性等时序特征的电池原始容量数据分解为一系列具周期性和稳定性的时序信号，保障了后续建模的有效性与稳定性。
34、本发明通过transformer网络模型能有效地拟合残差信号的全局退化趋势，lstm网络模型能有效地捕捉容量再生信号和波动信号的周期性变化和序列相关性，针对不同时序特征的信号采用不同的网络模型建模，提高了模型的准确性，同时又避免了单一算法存在的局限性。
35、本发明提供的方法能将transformer对全局退化的残差信号的预测结果和lstm对容量再生信号和其他波动信号的预测结果进行集成，得到锂电池的寿命预测结果。一定程度上解决序列的长期依赖关系，同时有效地捕捉容量再生信号的随机波动性，可以较为准确的预测电池的容量退化趋势。同时由于电池容量是反映rul的重要指标，所以本发明所提的预测方法也能实现对电池的rul进行预测。
36、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。
37、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
1.一种基于svmd-transformer-lstm融合算法的锂电池寿命预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于svmd-transformer-lstm融合算法的锂电池寿命预测方法，其特征在于，在所述步骤s1中，还包括：采用滤波器对所述原始残差信号和所述原始模态分量进行最小化标准约束，约束条件表示为：
3.根据权利要求1所述的一种基于svmd-transformer-lstm融合算法的锂电池寿命预测方法，其特征在于，在所述步骤s1中，还包括：
4.根据权利要求1所述的一种基于svmd-transformer-lstm融合算法的锂电池寿命预测方法，其特征在于，所述原始模态分量包括原始容量再生信号和原始波动信号。
5.根据权利要求1所述的一种基于svmd-transformer-lstm融合算法的锂电池寿命预测方法，其特征在于，所述lstm模型的训练步骤包括：
6.根据权利要求5所述的一种基于svmd-transformer-lstm融合算法的锂电池寿命预测方法，其特征在于，采用均方误差或平均绝对误差作为lstm模型损失函数。
7.根据权利要求1所述的一种基于svmd-transformer-lstm融合算法的锂电池寿命预测方法，其特征在于，所述transformer网络模型的训练步骤包括：
8.根据权利要求7所述的一种基于svmd-transformer-lstm融合算法的锂电池寿命预测方法，其特征在于，采用均方误差或平均绝对误差作为transformer网络模型损失函数。
