基于小波降噪和相关向量机的锂电池剩余寿命预测方法技术

基于小波降噪和相关向量机的锂电池剩余寿命预测方法，涉及一种估计锂电池健康状况并预测其剩余寿命的方法，包括以下步骤：测量锂电池随着充放电周期的健康状况数据；对测量的锂电池容量数据进行小波二次降噪；计算锂电池失效的容量阈值；基于锂电池容量数据序列和充放电周期数据序列，应用差分进化算法对相关向量机算法的宽度因子进行优化选择；应用经差分进化算法优化后的相关向量机算法预测锂电池的剩余寿命。本发明专利技术操作方法简单有效，可精确地预测锂电池的剩余寿命。

【技术实现步骤摘要】
基于小波降噪和相关向量机的锂电池剩余寿命预测方法
本专利技术涉及基于小波降噪和相关向量机的锂电池剩余寿命预测方法，具体来说，涉及通过小波二次降噪提取原始数据，并基于该数据应用相关向量机算法建立预测模型对锂电池的剩余寿命进行预测的方法。
技术介绍
锂电池广泛地应用于便携式电子设备﹑电动汽车以及军事电子系统等设备中，锂电池的失效将会引起设备的性能下降﹑功能失灵﹑反应迟缓以及其他电子故障。因此对锂电池的剩余寿命进行预测，是十分必要的。锂电池的健康状况一般应用其电池容量进行表征，而容量数据在不断的充放电周期中通过测量获得。由于在测量过程中不可避免地存在电磁干扰、测量误差、随机负载以及锂电池内部的不可预知物理或化学的行为，故测量得到的锂电池容量数据中一般包含各种类型及不同大小的噪声，从而导致无法准确地进行寿命预测。小波降噪是一种新兴的原始数据提取方法，通过小波分解与重构，可提取原始数据，消除或减弱噪声。然而，由于锂电池容量数据的噪声为多类型及不同大小的特点，故应用基本的小波降噪算法难以较好地去除。相关向量机是一种基于贝叶斯框架的回归预测算法，运算速度快，适用于在线检测，已有研究证明相关向量机的预测精度高于支持向量机和神经网络等常用算法。相关向量机算法中核函数的宽度因子对预测精度有极大的影响，以往多采用经验尝试法获得，锂电池剩余寿命预测精度偏低。
技术实现思路
本专利技术要解决的技术问题是，克服现有技术存在的上述缺陷，提出一种基于小波降噪和相关向量机的锂电池剩余寿命预测方法，具有可有效去除噪声及提取原始数据，并可精确预测锂电池剩余寿命的优点。该方法首先通过小波二次降噪的方法处理测量的锂电池容量数据，去除噪声并提取有效的原始数据，然后通过应用基于差分进化算法优化了宽度因子的相关向量机算法预测该锂电池的剩余寿命，即剩余充放电周期。本专利技术解决其技术问题所采用的技术方案为：基于小波降噪和相关向量机的锂电池剩余寿命预测方法，包括以下步骤：(1)通过测量获取锂电池各个充放电周期的健康状况数据；(2)对测量的锂电池容量数据进行小波二次降噪；(3)计算锂电池失效的容量阈值；(4)基于锂电池容量数据序列和充放电周期数据序列，应用差分进化算法对相关向量机算法的宽度因子进行优化选择；(5)应用经差分进化算法优化后的相关向量机算法预测锂电池的剩余寿命。在上述步骤(1)中，锂电池的健康状况数据是指锂电池的容量数据。在上述步骤(2)中，小波二次降噪的方法为对测量到的锂电池容量数据分别进行两次小波降噪，去除噪声信号。在上述步骤(3)中，锂电池失效的容量阈值一般是该锂电池标称容量的65％-75％。在上述步骤(4)中，锂电池容量数据为H1,H2,…,Hn，其中n≥1，为测量的周期数，对应的容量数据序列为[H1,H2,…,Hn]，锂电池容量数据的各个充放电周期依次为T1,T2,…,Tn，n≥1，对应的充放电周期数据序列为[T1,T2,…,Tn]；应用差分进化算法对相关向量机算法的宽度因子进行优化选择的过程为：(4.1)初始化差分进化算法，包括种群个体及规模、比例因子、交叉常数和迭代次数等，其中需要优化的宽度因子被映射为个体；(4.2)通过突变操作生成突变矢量；(4.3)通过交叉操作生成试验矢量；(4.4)通过选择操作选择下一代个体；(4.5)重复(4.2)—(4.4)直至迭代结束，输出结果。差分进化算法是一种基于种群个体的随机搜索算法。差分进化算法随机生成个体Xi,G(i＝1,2,...,N)，其中i为个体的编号，N是个体的数量，G是当前迭代次数，差分进化算法包括突变、交叉和选择三个操作过程；突变矢量Vi,G在突变操作中由下述公式生成：Vi,G＝Xr1,G+F(Xr2,G-Xr3,G)r1≠r2≠r3≠i；其中r1、r2和r3是随机选自于{1,2,...,N}；F是比例因子。试验矢量在交叉操作中由Vi,G和Xi,G生成：其中C∈[0,1]，是事先定义的交叉常数，rand是0-1之间的随机数。假设f(x)是一个需要最小化的适应度函数，下一代个体的生成由选择操作完成：在上述步骤(5)中，剩余寿命是指锂电池发生失效前剩余的充放电周期数。应用经差分进化算法优化后的相关向量机算法预测锂电池的剩余寿命的方法为：对Tn之后每个充放电周期的锂电池容量进行连续预测，找到第一次满足Hn+g≥Hthreshold且Hn+g+1<Hthreshold条件的第Tn+g个充放电周期，则锂电池在第Tn+g个充放电周期后失效，其剩余寿命为g个充放电周期。其中Hthreshold是该锂电池失效的容量阈值。本专利技术相比
技术介绍
具有如下优点：(1)首次提出小波二次降噪方法，并将其应用于处理测量的锂电池数据，处理后的数据更接近原始数据；(2)相关向量机算法在差分进化算法优化选择了宽度因子后，其预测精度相对于传统的经验尝试法有明显提高。在本专利技术的锂电池剩余寿命预测实验实例中，剩余寿命的预测精度至少提高了4.1％。附图说明图1是基于小波降噪和相关向量机的锂电池剩余寿命预测方法的流程框图；图2是编号为5的锂电池的容量随充放电周期的展示图；图3是应用Minimax方法产生小波阈值的小波降噪后锂电池容量数据展示图；图4是应用Sqtwolog方法产生小波阈值的小波降噪后锂电池容量数据展示图；图5是应用本专利技术提出的小波二次降噪方法降噪后锂电池容量数据展示图；图6是应用差分进化算法优化相关向量机算法的宽度因子的过程；图7是应用优化后的相关向量机对锂电池未来86个周期容量数据的预测结果。具体实施方式以下结合附图和例子对本专利技术作进一步说明。参照图1，本专利技术的整体流程图由5个步骤构成：步骤1：通过测量获取锂电池各个充放电周期的健康状况数据；步骤2：对测量的数据执行小波二次降噪，获取原始数据；步骤3：计算锂电池容量的失效阈值；步骤4：基于锂电池容量数据序列和充放电周期数据序列，应用差分进化算法对相关向量机的宽度因子进行优化选择；步骤5：应用经差分进化算法优化后的相关向量机算法对锂电池剩余寿命的进行预测；步骤1中，锂电池的健康状况数据是指容量数据。测量获取锂电池各个充放电周期的容量变化数据的方法为：测量电池容量数据时锂电池工作于两种状态：充电和放电工作状态。充电锂电池一般首先通恒定电流，当充电电压升至额定电压时，保持电压不变，直到电流降至一个设定值时，充电完成。放电时维持工作电流不变，直至电压下降至设定值，放电工作完成。一次完整的充放电过程即为一个周期，测量各个充放电周期的电池容量，即为测量数据。锂电池的容量一般是随着充放电周期而下降的。步骤2中，小波二次降噪的方法为：设提取的锂电池容量数据为H1,H2,…,Hn，其中n≥1，为测量的周期数，即数据的大小。现以H(x)表示提取的数据，x为数据的编号，且x∈[1,n]，首先，对测量数据H(x)进行小波分解，设{Vk}k∈Z是尺度空间，{Wk}k∈Z是相应分解的小波空间，则H(x)在Vk上可分解为其中k和i为离散化参数，Z表示实数，φk+1,i和ψk+1,i分别为在2k+1分辨率下的尺度函数和小波函数，和分别是H(x)在2k+1分辨率下的逼近系数和细节系数。小波降噪中认为若某个系数的模低于该小波阈值，则该系数为噪声分解而成，故将该系数置0，随后将所有剩余的系数重本文档来自技高网...

【技术保护点】
基于小波降噪和相关向量机的锂电池剩余寿命预测方法，其特征在于，包括以下步骤：（1）通过测量获取锂电池各个充放电周期的健康状况数据；（2）对测量的锂电池容量数据进行小波二次降噪；（3）计算锂电池失效的容量阈值；（4）基于锂电池容量数据序列和充放电周期数据序列，应用差分进化算法对相关向量机算法的宽度因子进行优化选择；（5）应用经差分进化算法优化后的相关向量机算法预测锂电池的剩余寿命。

【技术特征摘要】
1.基于小波降噪和相关向量机的锂电池剩余寿命预测方法，其特征在于，包括以下步骤：（1）通过测量获取锂电池各个充放电周期的健康状况数据；（2）对测量的锂电池容量数据进行小波二次降噪；（3）计算锂电池失效的容量阈值；（4）基于锂电池容量数据序列和充放电周期数据序列，应用差分进化算法对相关向量机算法的宽度因子进行优化选择；（5）应用经差分进化算法优化后的相关向量机算法预测锂电池的剩余寿命。2.根据权利要求1所述的基于小波降噪和相关向量机的锂电池剩余寿命预测方法，其特征在于，所述步骤（1）中，锂电池的健康状况数据是指锂电池的容量数据。3.根据权利要求1所述的基于小波降噪和相关向量机的锂电池剩余寿命预测方法，其特征在于，所述步骤（2）中，小波二次降噪的方法为对测量到的锂电池容量数据分别进行两次小波降噪，去除噪声信号。4.根据权利要求1所述的基于小波降噪和相关向量机的锂电池剩余寿命预测方法，其特征在于，所述步骤（3）中，锂电池失效的容量阈值是锂电池标称容量的65%-75%。5.根据权利要求1所述的基于小波降噪和相关向量机的锂电池剩余寿命预测方法，其特征在于，所述步骤（4）中，锂电池容量数据为H1,H2,…,Hn，其中n≥1，n为测量的周期数，对应的容量数据序列为[H1,H2,…,Hn]，锂电池容量数据的各个充放电周期依次为T1,T2,…,Tn，对应的充放电周期数据序列为[T1,T2,…,Tn]；应用差分进化算法对相关向量机算法的宽度因子进行优化选择的过程为：（4.1）初始...

【专利技术属性】
技术研发人员：何怡刚，张朝龙，佐磊，项胜，尹柏强，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34