锂电池剩余寿命预测方法技术

锂电池剩余寿命预测方法，涉及一种锂离子电池循环寿命预测技术，为了解决现有锂电池剩余寿命预测方法依赖精确的物理模型或复杂的信号处理技术，需要昂贵的投入，或现有方法基于浅层结构，这会限制故障预测的性能并且容易遭受维数灾难的问题。获得依据充放电周期的锂电池容量退化数据集，对数据进行预处理，构建DBN和RVM的融合模型，训练DBN模型和RVM模型，采用训练结束的DBN和RVM的融合模型预测锂电池剩余寿命。本发明专利技术适用于预测锂电池剩余寿命。

Residual life prediction method for lithium batteries based on fusion of depth confidence nets and correlation vector machines

The residual life prediction method of lithium battery deep belief network and relevance vector machine based on fusion technology, relates to a lithium ion battery cycle life prediction, in order to solve the remaining life prediction method of the existing lithium batteries depends on the physical model accurately or complex signal processing technology, the need for expensive investment, or the existing methods based on shallow structure, performance of the can limit the fault prediction and prone to dimension disaster problem. Based on the obtained lithium battery capacity charge and discharge cycle degradation data set, data preprocessing, fusion model construction of DBN and RVM, DBN model and RVM model, predicting the residual life of lithium battery fusion model using DBN and RVM to the end of the training. The invention is suitable for predicting residual life of lithium batteries.

【技术实现步骤摘要】
基于深度置信网和相关向量机融合的锂电池剩余寿命预测方法
本专利技术涉及一种锂离子电池循环寿命预测技术。
技术介绍
锂电池由于其安全可靠的工作性能业已成为能源、汽车工程和航空工程等领域研究的焦点。锂离子电池广泛应用于航空、航天、卫星、军事、电动车等应用系统。然而锂电池的性能会随着循环充放电的使用过程而逐渐下降，电池容量会逐渐衰减，直到最终无法有效充满电而报废，所以锂电池的循环使用寿命是有限的，精确预测锂电池的剩余循环使用寿命是这些系统安全和可靠运行的关键。为叙述简便，以下将剩余循环使用寿命简化为剩余寿命(remainingusefullife，RUL)。因而研究可靠精确的锂电池剩余寿命预测方法从而避免灾难事故的发生和降低维修成本就变得十分重要。锂电池剩余寿命的预测方法可以分为三类：基于模型的方法、数据驱动的方法和融合的方法。基于模型的方法能较好地反映电池的物理和电化学特性，但是基于模型的方法很难监测电池内部状态并且精确的物理模型通常很难获得。数据驱动方法因其灵活及易于操作的特点成为是一个更受欢迎的方法。然而，数据驱动方法对数据的依赖较大，如数据的不确定或不完整会明显的影响数据驱动方法的性能。单一方法通常很难准确描述电池退化的非线性和充分适应不断变化的电池操作条件。融合方法具有克服单一方法这一缺陷的潜力。融合方法已经越来越多地受到关注并用于提高电池剩余寿命预测的性能。例如，Xing等人提出一种融合回归模型和粒子滤波(ParticleFilter，PF)算法的集成模型预测锂电池的剩余寿命。同样的，Saha等人提出一种组合相关向量机(RelevanceVectorMachine，RVM)和粒子滤波PF的电池剩余寿命预测方法。Liu等人开发了一种利用贝叶斯模型平均(BayesianModelAveraging，BMA)的集成方法组合多个不同核函数构建的RVM子模型用于电池寿命预测。Dong等人提出一个由支持向量回归(SupportVectorRegression，SVR)和粒子滤波PF构成的融合故障预测方法。目前这些方法在锂电池剩余寿命预测中已经获得了较好的效果。然而，由于锂电池的多样性和复杂性，目前的方法存在以下缺陷：(1)多数方法依赖精确的物理模型或者复杂的信号处理技术，这都需要昂贵的投入；(2)多数方法如RVM，SVR和PF都是浅层结构，这会限制故障预测的性能并且容易遭受维数灾难。
技术实现思路
本专利技术的目的是为了解决现有锂电池剩余寿命预测方法依赖精确的物理模型或复杂的信号处理技术，需要昂贵的投入，或现有方法基于浅层结构，这会限制故障预测的性能并且容易遭受维数灾难的问题，从而提供基于深度置信网和相关向量机融合的锂电池剩余寿命预测方法。本专利技术所述的基于深度置信网和相关向量机融合的锂电池剩余寿命预测方法，该方法包括以下步骤：步骤一、获得依据充放电周期的锂电池容量退化数据集，对数据归一化为[0,1]区间内，并将数据集划分为两个数据集，分别为训练数据集和测试数据集；在开始预测的点(startingpointofprediction，SP)之前的数据用于训练，为训练数据，SP之后的数据用于测试，为测试数据；步骤二、构建DBN和RVM的融合模型，即构建一个深度置信网络DBN模型和一个相关向量机RVM模型；步骤三、训练DBN模型和RVM模型；使用训练集训练DBN模型，RVM模型的输入是DBN模型提取出的特征数据；步骤四、训练的DBN和RVM的融合模型一步一步地回归，直到DBN和RVM的融合模型预测输出的电池容量达到电池容量的失效门限值为止，得到预测的剩余寿命RUL，对预测的RUL与实际的RUL作比较，如果预测的精度满足要求，则训练结束，并执行步骤五，否则，调整DBN模型和RVM模型的参数并返回步骤三；步骤五、将测试数据输入训练结束的DBN和RVM的融合模型，得到预测的RUL，完成锂电池剩余寿命的预测。优选的是，步骤三中训练DBN模型的具体过程为：采用一个双层非监督预训练模型来完全提取从低层到高层的特征数据，该特征数据作为RVM模型的输入，然后利用反向传播(backpropagation，BP)算法来全局监督微调DBN参数，从而最小化DBN的训练输出与训练标签的偏差；为一个训练实例，xt-nτ,xt-(n-1)τ,…xt-2τ,xt-τ表示训练数据中的一组数据，为该组训练数据对应的训练输出，xt为该组训练数据对应的训练标签，将训练标签xt和训练输出做对比得到DBN模型预测的精度，根据训练标签xt和训练输出的偏差调整DBN模型的参数从而优化DBN模型。优选的是，步骤三中训练RVM模型的具体过程为：调整RVM模型的参数，通过最小化RVM的训练输出和训练标签的偏差训练RVM模型。本专利技术的目的是提供一种基于DBN和RVM融合的锂电池剩余寿命预测方法，以实现锂电池剩余寿命预测的高精度、高稳定和不确定度表达。DBN模型具有从原始数据中提取特征数据以及降低数据维数的强大能力，同时具有很好的稳定性，但它缺乏不确定度表达能力；RVM模型具有不确定度表达能力但并不稳定。本专利技术将二者融合获得更好的预测性能，本专利技术的方法实现了锂电池剩余寿命的高精度、高稳定预测而且具有不确定度表达能力。该方法为融合方法，不存在单一方法存在的依赖精确的物理模型或复杂的信号处理技术的问题，深度置信网不基于浅层结构，避免了基于浅层结构所带来的缺陷。本专利技术适用于预测锂电池剩余寿命。附图说明图1是具体实施方式中的用于预测器的DBN的结构示意图；图2是具体实施方式中的DBN用于预测锂电池剩余寿命的流程示意图；图3是具体实施方式所述的基于深度置信网和相关向量机融合的锂电池剩余寿命预测方法的框图；图4是具体实施方式中的电池容量退化过程曲线；图5是具体实施方式中的采用三种方法对No.38号电池的预测曲线图；图6是具体实施方式中的采用三种方法对No.37号电池的预测曲线图；图7是具体实施方式中的采用三种方法对No.36号电池的预测曲线图；图8是具体实施方式中的采用三种方法对No.35号电池的预测曲线图。具体实施方式具体实施方式一：结合图1至图8具体说明本实施方式，本实施方式所述的基于深度置信网和相关向量机融合的锂电池剩余寿命预测方法，该方法包括以下步骤：步骤一、获得依据充放电周期的锂电池容量退化数据集，即原始数据集；对数据进行预处理，即对数据归一化为[0,1]区间内，并将数据集划分为两个数据集，分别为训练数据集和测试数据集；在开始预测的点(startingpointofprediction，SP)之前的数据用于训练，为训练数据，SP之后的数据用于测试，为测试数据；步骤二、构建DBN和RVM的融合模型，即构建一个深度置信网络DBN模型和一个相关向量机RVM模型；步骤三、训练DBN模型和RVM模型；使用训练集训练DBN模型，RVM模型的输入是DBN模型提取出的特征数据；步骤四、训练的DBN和RVM的融合模型一步一步地回归，直到DBN和RVM的融合模型预测输出的电池容量达到电池容量的失效门限值为止，得到预测的剩余寿命RUL，对预测的RUL与实际的RUL作比较，如果预测的精度满足要求，则训练结束，并执行步骤五，否则，调整DBN模型和RVM模型的参数并返回步骤三；步骤五、将测试数据输入本文档来自技高网...

【技术保护点】
基于深度置信网和相关向量机融合的锂电池剩余寿命预测方法，其特征在于，该方法包括以下步骤：步骤一、获得依据充放电周期的锂电池容量退化数据集，对数据归一化为[0,1]区间内，并将数据集划分为两个数据集，分别为训练数据集和测试数据集；在开始预测的点SP之前的数据用于训练，为训练数据，SP之后的数据用于测试，为测试数据；步骤二、构建DBN和RVM的融合模型，即构建一个深度置信网络DBN模型和一个相关向量机RVM模型；步骤三、训练DBN模型和RVM模型；使用训练集训练DBN模型，RVM模型的输入是DBN模型提取出的特征数据；步骤四、训练的DBN和RVM的融合模型一步一步地回归，直到DBN和RVM的融合模型预测输出的电池容量达到电池容量的失效门限值为止，得到预测的剩余寿命RUL，对预测的RUL与实际的RUL作比较，如果预测的精度满足要求，则训练结束，并执行步骤五，否则，调整DBN模型和RVM模型的参数并返回步骤三；步骤五、将测试数据输入训练结束的DBN和RVM的融合模型，得到预测的RUL，完成锂电池剩余寿命的预测。

【技术特征摘要】
1.基于深度置信网和相关向量机融合的锂电池剩余寿命预测方法，其特征在于，该方法包括以下步骤：步骤一、获得依据充放电周期的锂电池容量退化数据集，对数据归一化为[0,1]区间内，并将数据集划分为两个数据集，分别为训练数据集和测试数据集；在开始预测的点SP之前的数据用于训练，为训练数据，SP之后的数据用于测试，为测试数据；步骤二、构建DBN和RVM的融合模型，即构建一个深度置信网络DBN模型和一个相关向量机RVM模型；步骤三、训练DBN模型和RVM模型；使用训练集训练DBN模型，RVM模型的输入是DBN模型提取出的特征数据；步骤四、训练的DBN和RVM的融合模型一步一步地回归，直到DBN和RVM的融合模型预测输出的电池容量达到电池容量的失效门限值为止，得到预测的剩余寿命RUL，对预测的RUL与实际的RUL作比较，如果预测的精度满足要求，则训练结束，并执行步骤五，否则，调整DBN模型和RVM模型的参数并返回步骤三；步骤五、将测试数据输入训练结束的DBN和RVM的...

【专利技术属性】
技术研发人员：彭喜元，刘月峰，赵光权，张国辉，刘小勇，徐犇，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23