本发明涉及锂电池寿命预测领域，尤其涉及一种基于对抗学习的锂电池健康状态和剩余使用寿命联合预测方法。
背景技术：
1、锂离子电池作为一种重要的能源设备，已被广泛应用于电动汽车、移动通信、储能系统等领域。锂离子电池的健康状态评估和剩余使用寿命预测是电池管理系统中最重要的功能之二，一方面可以帮助制造商更好地了解锂电池在不同使用条件下健康状态和剩余使用寿命的下降过程，辅助锂电池的制造工艺，制造续航时间更长的锂电池。另一方面，通过检测和评估锂电池的健康状态和剩余使用寿命，电池管理系统可以提供用户有关电池寿命状态的信息，指导用户更好地管理和维护锂离子电池，提高电动汽车使用体验和可靠性，延长使用寿命。健康状态和剩余使用寿命的联合预测能利用两者间的相关性和独特性，降低数据要求，提取任务间的互补特征提高模型的预测效果，在厂商或用户需要时，精确、全面地分析电池当前的使用状况。
2、现有的锂电池健康状态和剩余使用寿命联合预测算法可大致分为三类。第一类方法只是构建一个模型，然后分别对健康状态和剩余使用寿命进行预测。具体来说，该类方法利用电池充放电过程中的电压、电流、温度、时间等数据对健康状态进行预测，然后利用电池完整充放电过程中测得的容量作为剩余使用寿命预测的输入。虽然在实验室环境中能完成健康状态和剩余使用寿命的联合预测，但在模型实际部署环境中时，电池的容量数据是很难准确测得的，这会导致模型在实际环境中的效果大幅度下降，甚至无法工作。
3、第二类方法避免了使用难以测量的真实容量数据作为剩余使用寿命预测模型的输入，而是将健康状态评估模型得到的容量，进一步作为剩余使用寿命预测的输入。这类方法基于预测得到的健康状态进一步预测剩余使用寿命时，会有误差累积的现象发生，导致剩余使用寿命的预测结果受到健康状态的巨大影响。当健康状态评估误差较大时，剩余使用寿命的预测精度会大幅度下降。
4、第三类方法仅对电池充放电过程中易于测量的状态参数，比如电压、电流、温度等，进行处理后作为模型的输入，同时预测健康状态和剩余使用寿命。这类方法虽然忽略了健康状态和剩余使用寿命两任务之间的独特性会相互影响，限制了模型预测精度的进一步提升。因此，研究一种基于对抗学习的锂电池健康状态和剩余使用寿命联合预测方法是很有必要的。
技术实现思路
1、本发明针对现有技术的不足，提供了一种基于对抗学习的锂电池健康状态和剩余使用寿命联合预测方法，该方法以电池充放电过程中的电压、电流、温度等易于测量的参数作为算法的输入，特征提取器基于对抗训练生成健康状态和剩余使用寿命的任务共享特征和任务特定特征，以实现对锂电池健康状态和剩余使用寿命的准确联合预测。
2、本发明采用的技术方案为：
3、基于对抗学习的锂电池健康状态和剩余使用寿命联合预测方法，该方法包括下列步骤：
4、步骤s1：对锂电池原始老化数据进行去噪处理，得到锂电池的老化数据x1，再对锂电池老化数据x1进行数据平滑处理，得到锂电池的老化数据x2；
5、将老化数据x1和x2分别输入共享特征提取器f1和特定特征提取器f2，以提取老化数据x1的任务共享特征f1(x)和任务特定特征f3(x)；以及提取老化数据x2的任务共享特征f2(x)和任务特定特征f4(x)；
6、步骤s2：将共享特征提取器提取的任务共享特征输入任务判别器1，将特定特征提取器提取的任务特定特征输入任务判别器2，其中，任务判别器1用于判别当前输入的任务共享特征f1(x)和f2(x)的所归属的任务，任务判别器2用于判别当前输入的任务特定特征f3(x)和f4(x)所归属的任务；其中，任务包括健康状态评估和剩余使用寿命预测；
7、步骤s3：将任务共享特征f1(x)和任务特定特征f3(x)拼接融合，再将融合特征(对应去噪后的老化数据)输入健康状态预测器p1，以获取健康状态评估结果；
8、将任务共享特征f2(x)和任务特定特征f4(x)拼接融合，再将融合特征(对应平滑后的老化数据)输入剩余使用寿命预测器p2，以获取剩余使用寿命预测结果；
9、步骤s4：根据健康状态评估结果计算健康状态预测损失，根据剩余使用寿命预测结果计算剩余使用寿命预测损失；
10、步骤s5：根据两个任务判别器的判别损失、健康状态预测损失和剩余使用寿命预测损失计算网络总损失，根据总损失l对网络权重进行优化，得到基于对抗学习的锂电池健康状态和剩余使用寿命联合预测网络；
11、步骤s6：对训练好的健康状态和剩余使用寿命联合预测网络输入锂电池的实时老化数据xi，经共享特征提取器f1和健康状态预测器p1得到锂电池的健康状态，经特定特征提取器f2和剩余使用寿命预测器p2得到锂电池的剩余使用寿命预测结果。
12、进一步的，共享特征提取器f1和特定特征提取器f2的网络结构相同，包括级联的一个卷积网络模块和若干个残差网络模块，其中，卷积网络模块包括级联的卷积层、批归一化层、relu函数激活层和最大池化层；残差网络模块包括级联的卷积层、批归一化层和relu函数激活层，且残差网络模块的卷积层输入与relu函数激活层的输出设置为短连接。
13、进一步的，两个任务判别器的网络结构相同，包括级联的全局平均池化层和全连接层。
14、进一步的，健康状态预测器p1和剩余使用寿命预测器p2的网络结构相同，包括多层全连接层。
15、进一步的，任务判别器1在训练时采用二元交叉熵作为其判别损失，其表达式为：
16、
17、其中，n表示样本数量，ni和mj分别是任务共享特征f1(x)和f3(x)对应的任务标签，pi和pj分别表示任务判别器1对f1(x)和f3(x)属于哪一类任务的概率输出。
18、进一步的，任务判别器2在训练时采用二元交叉熵作为其判别损失，其表达式为：
19、
20、其中，n表示样本数量，yi和yj分别是任务共享特征f2(x)和f4(x)对应的任务标签，qi和qj分别表示任务判别器2对f2(x)和f4(x)属于哪一类任务的概率输出。
21、进一步的，健康状态预测损失为：
22、
23、其中，n表示样本数量，表示第i个样本的健康状态真实值，表示第i个样本的健康状态预测值。
24、进一步的，剩余使用寿命预测损失为：
25、
26、其中，n表示样本数量，表示第i个样本的剩余使用寿命真实值，表示第i个样本的剩余使用寿命预测值。
27、本发明提供的技术方案至少带来如下有益效果：
28、本发明首先对原始老化数据进行简单预处理，然后利用卷积网络模块和残差网络模块组成的共享特征提取器和特定特征提取器，基于对抗学习提取健康状态和剩余使用寿命的任务共享特征和任务特定特征，提升特征区分度；再将健康状态和剩余使用寿命各自的任务共享特征和任务特定特征融合后，输入健康状态预测器和剩余使用寿命预测器，避免由特征混淆引发的模型负优化，最终得到健康状态和剩余使用寿命预测结果。本发明针对性地进行基于对抗学习的锂电池健康状态和剩余使用寿命联合预测，使联合预测模型对输入的要求低，预测误差低，并能够有效监控锂电池在实际使用场景中的老化状态、寿命状态，提升了设备的安全性。
1.基于对抗学习的锂电池健康状态和剩余使用寿命联合预测方法，其特征在于，包括下列步骤：
2.如权利要求1所述的方法，其特征在于，共享特征提取器f1和特定特征提取器f2的网络结构相同，包括级联的一个卷积网络模块和若干个残差网络模块，其中，卷积网络模块包括级联的卷积层、批归一化层、relu函数激活层和最大池化层；残差网络模块包括级联的卷积层、批归一化层和relu函数激活层，且残差网络模块的卷积层输入与relu函数激活层的输出设置为短连接。
3.如权利要求1所述的方法，其特征在于，两个任务判别器的网络结构相同，包括级联的全局平均池化层和全连接层。
4.如权利要求1所述的方法，其特征在于，健康状态预测器p1和剩余使用寿命预测器p2的网络结构相同，包括多层全连接层。
5.如权利要求1所述的方法，其特征在于，任务判别器1在训练时采用二元交叉熵作为其判别损失，其表达式为：
6.如权利要求1所述的方法，其特征在于，任务判别器2在训练时采用二元交叉熵作为其判别损失，其表达式为：
7.如权利要求1所述的方法，其特征在于，健康状态预测损失为：
8.如权利要求1所述的方法，其特征在于，剩余使用寿命预测损失为：
