基於稀疏係數多核相關向量機的鋰電池剩餘壽命預測方法與流程

2023-05-30 12:24:11

本發明涉及鋰電池剩餘壽命預測領域，具體涉及一種基於稀疏係數多核相關向量機的鋰電池剩餘壽命預測方法。
背景技術：
：鋰電池是電動汽車、電子消費品以及可攜式儀表等設備中重要的供能和儲能部件，鋰電池的失效將會引起設備的性能下降﹑功能失靈﹑反應遲緩以及其他電子故障。因此對鋰電池的剩餘壽命進行預測，是十分必要的。鋰電池的健康狀況一般應用其電池容量進行表徵，而容量數據在不斷的充放電周期中通過測量獲得。由於在測量過程中不可避免地存在電磁幹擾、測量誤差、隨機負載以及鋰電池內部的不可預知物理或化學的行為，故鋰電池的容量測量數據中一般包含各種類型及不同大小的噪聲，從而導致無法準確地進行壽命預測。集合經驗模態分解(ensembleempiricalmodedecomposition，eemd)去噪是一種新穎的不平穩信號去噪方法，通過判斷和原本數據相關的本徵模態函數(intrinsicmodefunction，imf)，即可重組接近原本數據的去噪數據。相關向量機是一種基於貝葉斯框架的回歸預測算法，運算速度快，適用於在線檢測，已有研究證明相關向量機的預測精度高於支持向量機和神經網絡等常用算法。核函數是相關向量機的重要組成部分，它將輸入數據映射至一個高維特徵空間。單核學習方法是相關向量機核函數的常用方法，然而該方法易於忽略訓練數據中的部分有用信息，從而導致次優的泛化性能和預測性能。技術實現要素：本發明要解決的技術問題是，克服現有技術存在的上述缺陷，提出一種基於稀疏係數多核相關向量機的鋰電池剩餘壽命預測方法，應用集合經驗模態分解去噪提取接近原本數據的去噪數據，並基於該數據應用稀疏係數多核相關向量機建立預測模型對鋰電池的剩餘壽命進行預測，具有可有效去除噪聲及提取接近原本數據的去噪數據，並可精確預測鋰電池剩餘壽命的優點。本發明解決其技術問題所採用的技術方案為：基於稀疏係數多核相關向量機的鋰電池剩餘壽命預測方法，其特徵在於，包括以下步驟：(1)通過測量獲取鋰電池各個充放電周期的健康狀況數據；(2)對鋰電池的容量測量數據進行集合經驗模態分解(ensembleempiricalmodedecomposition，eemd)去噪；(3)計算鋰電池失效的容量閾值；(4)基於鋰電池的容量去噪數據序列和充放電周期數據序列，應用粒子群算法優化生成稀疏係數多核相關向量機的稀疏係數；(5)應用稀疏係數多核相關向量機預測鋰電池的剩餘壽命。所述的基於稀疏係數多核相關向量機的鋰電池剩餘壽命預測方法，其特徵在於，所述步驟(1)中，鋰電池的健康狀況數據是指鋰電池的容量數據。所述的基於稀疏係數多核相關向量機的鋰電池剩餘壽命預測方法，其特徵在於，所述步驟(2)中，對鋰電池的容量測量數據執行集合經驗模態分解，生成數個本徵模態函數(intrinsicmodefunction，imf)和一個餘量，通過相關係數法判斷和原本數據相關的各個imf，組合生成接近原本數據的去噪數據；相關係數法計算的是各個imf和測量數據之間的相關係數，相關係數大於0.2的包括了弱相關、中等相關和強相關，相關係數低於0.2的為極弱相關或無相關性；imf若和原本數據相關，計算的imf和測量數據之間的相關係數需要大於0.2，即至少是弱相關。所述的基於稀疏係數多核相關向量機的鋰電池剩餘壽命預測方法，其特徵在於，所述步驟(3)中，鋰電池失效的容量閾值是鋰電池標稱容量的65％-75％。所述的基於稀疏係數多核相關向量機的鋰電池剩餘壽命預測方法，其特徵在於，所述步驟(4)中，鋰電池的容量去噪數據為h1,h2,…,hn，其中n≥1，為測量的周期數，對應的容量去噪數據序列為[h1,h2,…,hn]，鋰電池的容量去噪數據的各個充放電周期依次為t1,t2,…,tn，對應的充放電周期數據序列為[t1,t2,…,tn]；稀疏係數多核相關向量機是指相關向量機的核函數是採用3個不同階次的多項式核函數和10個不同寬度因子的高斯核函數的線性組合，這13個核函數的係數由粒子群算法優化生成，其中對預測貢獻極小的核函數，其係數被粒子群算法清零，故稱該相關向量機為稀疏係數多核相關向量機；其中，應用粒子群算法優化生成稀疏係數多核相關向量機的稀疏係數的過程為：(4.1)初始化粒子群算法參數，包括位置、速度、尋優範圍和進化次數，其中將核函數的係數映射為粒子的多維位置；(4.2)計算每一個粒子的適應度，根據適應度得出每一個粒子的個體最優位置和粒子群的全局最優位置；(4.3)對每一個粒子進行速度與位置的更新；(4.4)重複(4.2)和(4.3)直至最大進化次數，將全局最優位置的多維位置輸出為核函數的係數；部分核函數對訓練數據預測的貢獻極小，其係數在粒子群算法優化生成過程中被清零，剩下的係數即為相關向量機核函數的稀疏係數。所述的基於稀疏係數多核相關向量機的鋰電池剩餘壽命預測方法，其特徵在於，所述步驟(5)中，剩餘壽命是指鋰電池發生失效前剩餘的充放電周期數；應用稀疏係數多核相關向量機預測鋰電池的剩餘壽命的方法為：對tn之後每個充放電周期的鋰電池容量進行連續預測，找到第一次滿足hn+g≥hthreshold且hn+g+1i，k∈[1,n]，且首次滿足rk>相關係數閾值，以及rk-1<相關係數閾值。相關係數法計算的是各個imf和測量數據之間的相關係數。相關係數大於0.2的包括了弱相關、中等相關和強相關，相關係數低於0.2的為極弱相關或無相關性。imf若和原本數據相關，計算的imf和測量數據之間的相關係數需要大於0.2，即至少是弱相關，相關係數閾值為0.2。在獲得了各個相關的imf和餘量r後，組合生成鋰電池的容量去噪數據heemd去噪方法可有效地消除或減弱鋰電池的容量測量數據中噪聲，獲得接近於原本數據的去噪數據。步驟3中，鋰電池失效的容量閾值一般是該鋰電池標稱容量的65％-75％。步驟4中，鋰電池的容量去噪數據為h1,h2,…,hn，其中n≥1，為測量的周期數，對應的容量去噪數據序列為[h1,h2,…,hn]，鋰電池的容量去噪數據的各個充放電周期依次為t1,t2,…,tn，對應的充放電周期數據序列為[t1,t2,…,tn]。稀疏係數多核相關向量機是指相關向量機的核函數是採用3個不同階次的多項式核函數和10個不同寬度因子的高斯核函數的線性組合，這13個核函數的係數由粒子群算法優化生成，其中對預測貢獻極小的核函數係數被粒子群算法清零，故稱該相關向量機為稀疏係數多核相關向量機。相關向量機預測的步驟如下：相關向量機的預測輸出為：z＝y(x)+εn；其中x是訓練樣本；εn是均值為0，方差為σ2的噪聲；y(x)是輸出函數，其表達式為：其中wu為預測模型的權值；w0是偏差；xu為第u個訓練樣本；k(x,xu)為核函數，高斯核函數一向有優秀的非線性處理能力，其表達式為：其中γ為寬度因子。多項式核函數是一種全局核函數，在眾多的多核學習算法中被認為是高斯核函數的有效補充，該函數定義為k(x,xu)＝[(xt·xu)+1]d其中d是階次。本發明採用多核學習方法，對高斯核函數和多項式核函數進行組合，即其中dm是第m個核函數的係數，dm≥0，d是核函數的數量。本發明中，核函數k(x,xi)由階次等於1階、2階和3階多項式核函數，以及10個不同寬度因子的高斯核函數構成。由於並不是每一個組合中的核函數對鋰電池剩餘壽命預測性能都有較大的貢獻，其中對預測貢獻極小的核函數，其係數被粒子群算法清零，此時核函數的係數為稀疏係數，有助於提高準確度和擬合質量，因此將對於訓練數據中貢獻極小的核函數係數清零，即去除相應的核函數，此時核函數的係數為稀疏係數。應用粒子群算法優化生成稀疏係數多核相關向量機的稀疏係數的過程為：(4.1)初始化粒子群算法參數，包括位置、速度、尋優範圍和進化次數，其中將核函數的係數映射為粒子的多維位置；(4.2)計算每一個粒子的適應度，根據適應度得出每一個粒子的個體最優位置和粒子群的全局最優位置；(4.3)對每一個粒子進行速度與位置的更新；(4.4)重複(4.2)和(4.3)直至最大進化次數，將全局最優位置的多維位置輸出為核函數的係數。部分核函數對訓練數據預測的貢獻極小，其係數在粒子群算法優化生成過程中被清零，剩下的係數即為相關向量機核函數的稀疏係數。粒子群算法的計算公式為：vl(t+1)＝wvl(t)+c1r1(pl-xl(t))+c2r2(pg-xl(t))xl(t+1)＝xl(t)+vl(t+1)其中，t是進化次數；l＝1,2,…,v，v粒子群中粒子的數量；xl是粒子l的在尋優中的位置；vl是粒子l在尋優中的速度；c1和c2是加速因子；r1和r2是0-1之間的隨機數；w是慣性權重。pl是粒子在尋優過程中個體最優位置，pg是粒子群的全局最優位置。選擇的適應度函數為：其中mse是均方誤差,為最小化目標函數，它表徵預測數據與訓練數據的緊密程度，越小的mse，表徵預測數據越接近訓練數據；r＝1,2,...,s,s是用於訓練的數據數量；z*(r)和z(r)分別是預測數據和訓練數據。步驟5中，剩餘壽命是指鋰電池發生失效前剩餘的充放電周期數；應用稀疏係數多核相關向量機預測鋰電池的剩餘壽命的方法為：對tn之後每個充放電周期的鋰電池容量進行連續預測，找到第一次滿足hn+g≥hthreshold且hn+g+1<hthreshold條件的第tn+g個充放電周期，則鋰電池在第tn+g個充放電周期後失效，其剩餘壽命為g個充放電周期。其中hthreshold是該鋰電池失效的容量閾值。為展示本發明提出的基於稀疏係數多核相關向量機的鋰電池剩餘壽命預測方法的過程和預測性能，在此以一個實例說明。以美國宇航局艾姆斯研究中心提供的編號為5的鋰電池的容量測量數據為實驗對象，編號為5的鋰電池的容量測量數據隨充放電周期的變化展示如圖2所示，由圖中可以看出，鋰電池的容量均隨著充放電周期有下降的趨勢，但在部分周期，電池容量有快速而短暫的上升，一般是由於噪聲幹擾造成。對編號為5的鋰電池的容量數據進行eemd去噪，eemd方法中設定重複次數為100，加入的白噪聲方差為0.1，分解的各個imf和餘量如圖3所示。將各個imf、餘量與容量測量數據計算相關係數，計算結果如表1所示。表1eemd分解的各個imf、餘量與容量測量數據之間的相關係數分解結果相關係數imf10.0404imf20.0819imf30.1112imf4-0.0795imf50.6637imf60.8835residual0.9877在此，相關係數閾值設置為0.2，imf5的係數首次大於0.2，imf6和餘量的相關係數也大於0.2，將imf5、imf6和餘量相加後，可獲得鋰電池的容量去噪數據。鋰電池的容量去噪數據和容量測量數據對比展示如圖4所示。經對比展示，可明顯發現，本發明提出的去噪方法生成的鋰電池容量去噪數據，在隨著充放電周期的進行，一直在平穩的下降，吻合於鋰電池實際的容量變化，且鋰電池的容量去噪數據，在下降過程中一直接近於測量數據，即容量去噪數據反映了容量測量數據的變化過程，與其有著相同的變化規律。據美國宇航局艾姆斯研究中心的提供的資料，編號為5的鋰電池的標稱值為2ah，1.38ah為該電池失效閾值。鋰電池容量數據共採集了168個充放電周期。根據去噪數據進行計算，前129個充放電周期為其有效周期，容量均高於1.38ah，之後周期中該鋰電池由於容量低於1.38ah而失效，現以其前80個充放電周期的去噪數據作為訓練數據，之後88個充放電周期的去噪數據作為測試數據，此時該鋰電池的真實剩餘壽命為49個充放電周期。在此，通過測試數據檢驗稀疏係數多核相關向量機的預測精度。粒子群算法中種群規模和進化次數分別設置為10和100，加速因子均等於2，慣性權重由0.95線性下降為0.4，尋優範圍為[0，1]。多項式核函數有3個，階次分別為1，2，3，高斯核函數有10個，寬度因子分別為0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9，1，共13個核函數，分別對應於係數1至係數13。圖5為基於訓練數據應用粒子群算法優化生成稀疏係數多核相關向量機的稀疏係數的過程。優化生成的稀疏係數如表2所示。其中係數為0表示該核函數對訓練數據精確預測的貢獻極小，其係數在粒子群算法優化生成稀疏係數的過程中已被清零，剩下的係數即為稀疏係數。表2優化生成的稀疏係數係數數值係數10.0176係數20係數30.1093係數40係數50.0127係數60.0277係數70係數80係數90.1909係數100.1155係數110.2694係數120.0103係數130.2466以粒子群算法優化得到的稀疏係數，結合相應的核函數，應用於稀疏係數多核相關向量機中，預測編號為5的鋰電池未來充放電周期容量，並與真實的測試數據容量值進行對比，預測的結果如圖6所示。在本次預測中，預測結果中鋰電池的有效周期為131個充放電周期，剩餘壽命為51個充放電周期，誤差為2個周期，預測數據和測試數據產生的mse為4.4972e-05。為了驗證本發明提出的稀疏係數多核相關向量機優於單核相關向量機的方法，在此進行預測性能的對比，其中單核相關向量機應用高斯核函數，核函數的寬度因子由粒子群算法優化生成，單核相關向量機的預測結果中鋰電池的有效周期為132個充放電周期，剩餘壽命為52個充放電周期，誤差為3個周期，預測數據和測試數據產生的mse為8.1706e-05。從對比結果可以得知，稀疏係數多核相關向量機算預測的鋰電池剩餘壽命更精確，預測誤差更小，mse也是更小。而單核相關向量機預測的誤差和mse均高於本發明提出的稀疏係數多核相關向量機。這說明了本發明提出的稀疏係數多核相關向量機，相對於經常應用的單核相關向量機，降低了33.3％的預測誤差。通過該實例可以證明，本發明提出的基於稀疏係數多核相關向量機的鋰電池剩餘壽命預測方法，操作簡單有效，同時具有較高的預測精度。當前第1頁12