一种车用锂电池剩余寿命预测方法技术

本发明专利技术公开一种车用锂电池剩余寿命预测方法，结合锂电池容量的历史数据，在极限学习网络模型基础上，通过启发卡尔曼算法优化极限学习网络的输入权值和偏置，构建新的启发卡尔曼‑极限学习预测模型。本发明专利技术一种车用锂电池剩余寿命预测方法，其优点及功效是：大大提高了锂电池预测的精度、实时性。

A prediction method for remaining life of automotive lithium batteries

The invention discloses a method for predicting the residual life of lithium batteries for automobiles. Based on the historical data of lithium battery capacity, a new heuristic Kalman limit learning prediction model is constructed by optimizing the input weights and biases of the limit learning network through heuristic Kalman algorithm on the basis of the limit learning network model. The invention provides a method for predicting the residual life of lithium batteries for automobiles, which has the advantages and functions of greatly improving the accuracy and real-time performance of the prediction of lithium batteries.

【技术实现步骤摘要】
一种车用锂电池剩余寿命预测方法
本专利技术涉及一种车用锂电池剩余寿命预测方法，属于车用锂电池管理
，尤其涉及一种锂电池健康状态预测与管理中锂电池寿命预测的方法。
技术介绍
锂电池由于其安全性能好、能量密度大，循环寿命长等特点已经成为电动汽车的能源选择。然而，由于受电动汽车复杂的运行环境的影响，锂电池的性能会逐渐退化，电池性能下降到额定阈值之前的剩余充放电循环次数成为其剩余寿命。有效预测剩余寿命可为电动汽车电池管理系统的预测性维护提供技术支撑。目前，电池的剩余寿命预测方法可以分为基于模型的方法和基于数据驱动的方法。基于模型的预测方法要了解模型的组成，从内部工作机理出发，用数学模型表达其退化模型。该方法物理意义明确，但由于锂电池内部特征复杂，模型为非线性结构，因此基于模型驱动的方法计算复杂且难以实现。基于数据驱动的算法被应用于锂电池剩余寿命预测中并取得了较好的效果，它是对系统进行状态监测，从历史数据中分析其状态行为，并转化成相关模型，从而对系统的未来状态进行预测。其主要思想是将锂离子电池作为一个黑匣子，不考虑模型中复杂的电化学过程及结构。从历史数据中分析其状态行为，并转化成相关模型，通过训练样本获得输入和输出之间的隐含信息，并最终预测未来趋势。如支持向量机(supportvectormachine，简称SVM)、相关向量机(relevancevectormachine，简称RVM)、人工神经网络(ArtificialNeuralNetwork，简称ANN)等，极限学习机(ExtremeLearningMachine，简称ELM)对于传统的神经网络，尤其是单隐层前馈神经网络，相比传统的学习算法速度更快。但该算法输入权值和偏置随机产生，在速度快的同时，其预测结果的准确度受到影响。综上，现有车用锂电池剩余寿命预测算法在精度和速度方面需要同时提高。
技术实现思路
本专利技术的目的在于针对现有技术中对车用锂电池剩余寿命预测算法在精度和速度方面都不高的问题，提出一种车用锂电池剩余寿命预测方法。本专利技术一种车用锂电池剩余寿命预测方法，具体包括如下步骤：步骤一、初始化ELM预测器的参数值。步骤二、设置启发式卡尔曼(HeuristicKalman，简称HKA)参数。参数包括：粒子组的个数N，最佳候选组的个数Nξ以及减速因子α，迭代次数k＝0以及最大迭代次数。步骤三、产生在每次迭代中，根据高斯发生器的均值mk和标准差Sk产生一个正态分布的集合步骤四、数据处理。将数据分为训练集和测试集。步骤五、随机发生器。根据高斯分布，由N(mk,Sk)随机产生N组粒子x。步骤六、将步骤五产生的粒子x作为ELM预测器的输入权重和偏置，并将步骤四训练集带入ELM预测器中进行预测。步骤七、将预测结果和真实结果的均方误差(MeanSquaredError，简称MSE)作为造价函数。M为预测点的个数，Qi为第i个预测值，是第i个真实值。步骤八、选择最优组粒子。根据MSE值的排序，从N组粒子中选择前Nξ组粒子作为候选值。步骤九、计算择优后均值ξk和择优后的方差Vk的值。根据候选值Nξ，由公式和计算ξk和Vk的值。T为转置矩阵，x1，ki为第i次迭代中，i组的第n个粒子。ξn，k为k次迭代中的第n个均值。i的取值为1,2,3,4,5。n的值为1,2,3,…,40。步骤十、卡尔曼更新。由公式和Sk+1＝Sk+ak(Wk-Sk)，计算mk+1和Sk+1的值。其中Lk＝Sk2//(Sk2+Vk)，其中，符号表示分量积产品，//代表分量分割，vi，k表示标准差Vk的第i个分量，(mk+1、Sk+1分别表示k+1迭代的均值和标准差，Lk，Wk是增广矩阵，ak，表示第k次迭代的减速因子。步骤十一、初始化下一步。设置mk＝mk+1,Sk＝Sk+1,k＝k+1；步骤十二、判断条件。如果达到最大迭代次数或者是满足公式如果满足结束迭代，否则进入步骤五。ρ为一个无穷小的数。步骤十三、将最优值mk作为ELM算法的输入权值和阈值，形成新的HKA-ELM算法。步骤十四、对测试数据进行预测。将步骤四的测试集带入HKA-ELM算法进行预测。步骤十五、预测得到锂电池的预测值步骤十六、评价。对HKA-ELM算法的预测结果进行评价。评价值为MSE，R2以及AE值。其公式如下：M为预测点的个数，Qi为第i个预测值，是第i个真实值。为预测值的平均值。R表示的电池剩余寿命(RemainingUsefulLife，简称RUL)的真实值，是RUL的预测值。本专利技术一种车用锂电池剩余寿命预测方法，其优点及功效是：大大提高了锂电池预测的精度、实时性。附图说明图1所示为本专利技术方法流程图。图2所示为ELM预测结果与实际结果比较。图3所示为HAK-ELM预测结果与实际结果比较。具体实施方式下面结合附图，对本专利技术的技术方案做进一步的说明。一种车用锂电池剩余寿命预测方法，如图1所示，步骤如下：步骤一、初始化ELM预测器的参数值。设置隐藏层结点数为10，单步预测的输出为1。需优化的参数(权值和阈值)的个数为40。步骤二、设置启发式卡尔曼HKA参数。粒子组的个数N为25，最佳候选组的个数Nξ为5以及减速因子α设置为0.7，迭代次数k＝0以及最大迭代次数为300。步骤三、产生在每次迭代中，根据高斯发生器的均值mk和标准差Sk产生一个正态分布的集合的纬度与ELM预测器要优化的参数个数一致，均为40。步骤四、数据处理。将数据分为训练集和测试集。训练集为83组和测试集为82组。步骤五、随机发生器。根据高斯分布，由N(mk,Sk)随机产生25组粒子x。x为25行40列的数组。步骤六、将步骤五产生的粒子x作为ELM预测器的输入权重和偏置，并将步骤四训练集带入ELM预测器中进行预测。步骤七、将预测结果和真实结果的均方误差(MeanSquaredError，简称MSE)作为造价函数每组粒子对应一个均方误差值，因此，此处得到的MSE值为25行1列的数组。步骤八、选择最优组粒子。根据MSE值的排序，从25组粒子中选择前5组粒子作为候选值。MSE的值为从小到大的顺序排列，选择MSE值最小的前5组作为最佳候选粒子。步骤九、计算择优后均值ξk和择优后的标准差Vk的值。根据候选值Nξ，由公式和计算ξk和Vk的值。对上一步所优选出来的5组粒子，由公式公式和计算其均值ξk以及标准差Vk。步骤十、卡尔曼更新。由公式和Sk+1＝Sk+ak(Wk-Sk)，计算mk+1和Sk+1的值。其中Lk＝Sk2//(Sk2+Vk)，其中，符号表示分量积产品，//代表分量分割，vi，k表示标准差Vk的第i个分量，(mk+1、Sk+1分别表示k+1迭代的均值和标准差，Lk，Wk是增广矩阵，ak，表示第k次迭代的减速因子。由于每组有40个粒子，因此，mk+1，Sk+1以及ak均为1*40的数组。步骤十一、初始化下一步。设置mk＝mk+1,Sk＝Sk+1,k＝k+1。进入下一次迭代，上一步的mk值和Sk值作为第k+1次的初始值。步骤十二、判断条件。如果达到最大迭代次数300次或者是满足公式结束迭代；否则进入步骤五。ρ设置为无穷小。步骤十三、将最优值mk作为ELM算法的输入权值和阈值，形成新的HKA-ELM算法。mk即为优化后的输入权值和偏重，因此纬度为40。步骤十四、对测本文档来自技高网...

【技术保护点】
1.一种车用锂电池剩余寿命预测方法，其特征在于：该方法具体包括如下步骤：步骤一、初始化ELM预测器的参数值；步骤二、设置HKA参数；参数包括：粒子组的个数N，最佳候选组的个数Nξ以及减速因子α，迭代次数k＝0以及最大迭代次数；步骤三、产生

【技术特征摘要】
1.一种车用锂电池剩余寿命预测方法，其特征在于：该方法具体包括如下步骤：步骤一、初始化ELM预测器的参数值；步骤二、设置HKA参数；参数包括：粒子组的个数N，最佳候选组的个数Nξ以及减速因子α，迭代次数k＝0以及最大迭代次数；步骤三、产生在每次迭代中，根据高斯发生器的均值mk和标准差Sk产生一个正态分布的集合步骤四、数据处理；将数据分为训练集和测试集；步骤五、随机发生器；根据高斯分布，由N(mk,Sk)随机产生N组粒子x；步骤六、将步骤五产生的粒子x作为ELM预测器的输入权重和偏置，并将步骤四训练集带入ELM预测器中进行预测；步骤七、将预测结果和真实结果的MSE作为造价函数；M为预测点的个数，Qi为第i个预测值，是第i个真实值；步骤八、选择最优组粒子；根据MSE值的排序，从N组粒子中选择前Nξ组粒子作为候选值；步骤九、计算择优后均值ξk和择优后的方差Vk的值；根据候选值Nξ，由公式和计算ξk和Vk的值；T为转置矩阵，x1，ki为第i次迭代中，i组的第n个粒子；ξn，k为k次迭代中的第n个均值；i的取值为1,2,3,4,5；n的...

【专利技术属性】
技术研发人员：吴立锋，杨晶，张震宇，关永，袁慧梅，
申请(专利权)人：首都师范大学，
类型：发明
国别省市：北京,11