本发明涉及电池管理系统，尤其涉及一种基于深度学习的矿用锂电池健康状态的预测方法。
背景技术：
1、矿用锂电池通常用于矿山设备上，具有体积小、能量密度高、重量轻、便于运输、价格低廉等优点。尽管矿用锂离子电池具有显著的优势，但其主要缺点是在经过多次充电循环和放电循环后的容量会存在非线性地下降。因此，准确监测矿用锂电池的健康状态至关重要，因为不正确的容量估计会因过充电或过放电而对矿用锂电池造成永久性损伤，而矿用锂电池的健康状态是评估矿用锂电池容量下降的一个关键指标。然而，矿用锂电池是由复杂的化学系统组成的，并受到环境的影响，同时，矿用锂电池容量的非线性退化对电池的健康状态估计提出了挑战。
2、当前，对矿用锂电池健康状态的估计主要基于模型的方法。例如通过使用锂离子电池的加权安培小时吞吐量模型确定电池可能发生的损伤程度；还可以通过电池内部阻抗和容量之间的线性关系来预测电池的寿命。虽然这些基于模型的方法对于估计矿用锂电池的健康状态很有用，但是由于矿用锂电池内部的化学反应高度复杂，因此矿用锂离子电池的精确老化模型是极度复杂的。此外，矿用锂离子电池的状态高度依赖于环境因素，如工作温度、阳极材料、阴极材料等。因此，建立一个精确的矿用锂离子电池的老化模型是难以实现的。因此现有技术存在的技术问题是在进行矿用锂电池健康状态估计时需要较为复杂的分析和建模，预测准确性和效率都不高。
技术实现思路
1、本发明的目的在于提供一种基于深度学习的矿用锂电池健康状态的预测方法，该方法可以解决现有技术存在的矿用锂电池的老化模型建模困难，预测准确性不高等技术问题。
2、本发明第一方面提供了一种基于深度学习的矿用锂电池健康状态预测方法，包括如下步骤：
3、s1：获取电池充电数据，所述充电数据为时域充电数据，所述时域充电数据为：dt＝[t,vt,it,tdt]，其中dt、vt、it、tdt为t时刻的充电数据、电压、电流和温差；
4、s2：对所述充电数据进行预处理，所述预处理包括去噪和归一化，将预处理后的充电数据构建多维特征向量，作为训练数据；
5、s3：将所述训练数据输入神经网络模型进行训练，并利用改进的鲸鱼优化算法所述神经网络模型的参数进行优化；
6、s4：获取待测电池的充电数据，将所述充电数据输入所述优化的神经网络模型，得到待测电池健康状态的预测结果。
7、作为本发明的进一步改进，所述神经网络模型包括输入层，隐藏层和输出层，x(t)和y(t)是输入层的输入和输出层的输出，nx为输入延时单元的数量，ny为输出延时单元的数量，所述输入延时单元和输出延时单元分别用于对所述x(t)和y(t)进行延时，f(·)和g(·)是隐藏层和输出层的激励函数，w1是输入延时单元的输出与隐藏层之间的权向量，w2是输出延时单元的输出与隐藏层之间的权向量，w3是隐藏层与输出层之间的权向量，b1和b2是输入层和隐藏层的阈值，l是隐藏层神经元的数量。
8、作为本发明的进一步改进，将所述神经网络模型的权向量和延时单元的数量映射为所述算法的鲸鱼位置，所述算法包括：
9、s31：初始化参数，所述参数包括鲸鱼位置xi(t)，最大迭代次数nn，当前迭代次数ni，适应值函数af，迭代参数a＝2cos(ni/nn)，步伐因子a＝2ar1-a，权重系数c＝2r2，p、r1和r2是0-1之间均匀分布的随机数，l是-1到1之间均匀分布的随机数，b是螺旋路径的参数；
10、s32：计算每个鲸鱼的适应值，设为适应值最好的鲸鱼的位置，为适应值次好的鲸鱼的位置；
11、s33：开始迭代，更新所有参数；若p<1/3，执行步骤s34，否则执行步骤s35；
12、s34：若a≥1，则所有鲸鱼进入探索阶段，采用如下公式更新鲸鱼位置：xi(t+1)＝xrand-acxrand-xi(t)，xi(t+1)为更新后的鲸鱼位置，xrand为随机选取的鲸鱼位置；若a＜1，则所有鲸鱼进入收缩包围阶段，并更新鲸鱼位置：其中xnd＝xi(t)+n(0,σ2)为修正后的鲸鱼位置，n(0,σ2)为均值为0，方差为σ2的正态分布，σ为所有鲸鱼位置的标准差的最小值与方差因子u的乘积，u＝exp((1-ni)/8)，ζ是0-1之间均匀分布的随机数；
13、s35：若则所有鲸鱼进入螺旋更新阶段，采用如下公式更新鲸鱼位置：若则所有鲸鱼进入增强搜索阶段，更新鲸鱼位置：xi(t+1)＝xi(t)+(xnd-xi(t))(1+ζ/2)6；
14、s36：重新计算所有鲸鱼个体的适应值，并继续进行迭代；
15、s37：判断是否收敛或到达最大迭代次数，若是，则输出
16、作为本发明的进一步改进，所述隐藏层的激励函数为：
17、作为本发明的进一步改进，所述训练数据包括不同健康状态的电池的充电数据。
18、作为本发明的进一步改进：所述步骤s1还包括：将所述时域充电数据进行转换，得到能量域的充电数据，转入步骤s2；所述转换过程包括：
19、s21：确定每个充电循环的采样点数n，根据所述采样点数在充电循环的瞬时容量区间范围内进行等间隔采样，得到n个瞬时容量值e(s),1≤s≤n；
20、s22：确定所述瞬时容量值所对应的时刻ts；
21、s23：确定所述时刻ts对应的电压v(ts)、电流i(ts)和温度td(ts)；其中，所述瞬时容量为归一化的电池可用容量，具体为：其中ek(t)为电池的第k个充电循环t时刻的瞬时容量，t0为充电起始时刻，et0为t0时刻对应的瞬时容量，ic为充电电流，ed为该充电循环所对应的放电循环的最大可用容量；所述能量域的充电数据为：de＝[e(s),v(ts),i(ts),td(ts)]，其中de为能量域的充电数据。
22、本发明第二方面提供了一种基于深度学习的矿用锂电池健康状态预测装置，其特征在于，包括充电数据获取模块、充电数据预处理模块、模型训练与参数优化模块、电池健康状态预测模块，其中，
23、充电数据获取模块，用于获取电池充电数据，所述充电数据为时域充电数据，所述时域充电数据为：dt＝[t,vt,it,tdt]，其中dt、vt、it、tdt为t时刻的充电数据、电压、电流和温差；
24、充电数据预处理模块，用于对所述充电数据进行预处理，所述预处理包括去噪和归一化，将预处理后的充电数据构建多维特征向量，作为训练数据；
25、模型训练与参数优化模块，用于将所述训练数据输入神经网络模型进行训练，并利用改进的鲸鱼优化算法所述神经网络模型的参数进行优化；
26、电池健康状态预测模块，用于获取待测电池的充电数据，将所述充电数据输入所述优化的神经网络模型，得到待测电池健康状态的预测结果。
27、本发明第三方面提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序可被处理器执行，以实现如权利要求1-6所述的基于深度学习的矿用锂电池健康状态预测方法步骤。
28、与现有技术相比，本发明具有如下有益效果：
29、本发明通过将电池的充电数据输入到神经网络模型进行训练，并利用训练好的神经网络模型对电池的健康状态进行预测，从而无需建立复杂的矿用锂电池老化模型，可以显著提高矿用锂电池健康状态预测的效率和准确率；同时利用改进的鲸鱼优化算法对神经网络模型的参数进行优化，提高了鲸鱼优化算法的搜索能力，避免陷入局部最优状态，保证所获得的参数更加合理和有效，从而提高模型的准确度和预测精度，实现对矿用锂电池健康状态更精确的估计。
1.一种基于深度学习的矿用锂电池健康状态预测方法，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于：所述神经网络模型包括输入层，隐藏层和输出层，x(t)和y(t)是输入层的输入和输出层的输出，nx为输入延时单元的数量，ny为输出延时单元的数量，所述输入延时单元和输出延时单元分别用于对所述x(t)和y(t)进行延时，f(·)和g(·)是隐藏层和输出层的激励函数，w1是输入延时单元的输出与隐藏层之间的权向量，w2是输出延时单元的输出与隐藏层之间的权向量，w3是隐藏层与输出层之间的权向量，b1和b2是输入层和隐藏层的阈值，l是隐藏层神经元的数量。
3.根据权利要求2所述的方法，其特征在于，将所述神经网络模型的权向量和延时单元的数量映射为所述算法的鲸鱼位置，所述算法包括：
4.根据权利要求2所述的方法，其特征在于：所述隐藏层的激励函数为：
5.根据权利要求1所述的方法，其特征在于：所述训练数据包括不同健康状态的电池的充电数据。
6.根据权利要求5所述的方法，其特征在于：所述步骤s1还包括：将所述时域充电数据进行转换，得到能量域的充电数据，转入步骤s2；所述转换过程包括：
7.一种基于深度学习的矿用锂电池健康状态预测装置，其特征在于，包括充电数据获取模块、充电数据预处理模块、模型训练与参数优化模块、电池健康状态预测模块，其中，
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序可被处理器执行，以实现如权利要求1-6所述的基于深度学习的矿用锂电池健康状态预测方法步骤。
