一种锂离子电池剩余寿命预测方法技术

本发明专利技术公开了一种锂离子电池剩余寿命预测方法，该方法包括以下步骤：1)混沌粒子初始化；2)适应度评估；3)粒子的个体最优值以及全局最优值更新；4)根据PSO算法公式更新粒子的速度和位置；5)对最优位置进行混沌优化；6)判断每次迭代是否满足结束要求；7)使用CPSO‑SVR模型对数据集进行训练和预测。本发明专利技术采用混沌(Chaos)算法改善PSO算法，将产生的混沌序列中的出现的最优位置粒子随机替换当前的粒子群中的某一粒子的位置，由此来促使惰性粒子摆脱局部最优，跳出束缚并重新由混沌序列进行初始化，迅速在空间中搜索到最优解。将改进的CPSO‑SVR算法对锂离子电池剩余寿命进行预测，并与PSO‑SVR算法相比较，具有更高的预测精度。

A Method for Predicting the Residual Life of Lithium Ion Batteries

【技术实现步骤摘要】
一种锂离子电池剩余寿命预测方法
本专利技术涉及一种锂离子电池剩余寿命预测方法，属于锂离子电池剩余寿命预测

技术介绍
随着锂离子电池寿命长、污染低、安全性强、能量密度高、等优点，近年来已经被广泛应用于众多新能源领域，但由于锂离子电池本身的材料特性，外界环境温度过高或过低即放电深度等问题等各种情况，都会对锂离子电池的寿命造成影响，因此，为保证锂电池在生活和工作中安全可靠的运行，减少意外发生，锂电池剩余使用寿命的预测成为当前研究的热点问题。支持向量回归机(SVR)具有较强的非线性估算能力，被应用于锂离子电池剩余寿命预测中，有人将粒子群优化算法(PSO)对SVR的参数进行优化，从而提高SVR参数的全局最优搜索能力，提高了锂离子电池寿命预测的精度。但由于PSO算法存在易陷入局部极值的问题，对电池的预测精度和速度都造成一定影响。
技术实现思路
本专利技术要解决的技术问题是：提供一种锂离子电池剩余寿命预测方法，以解决上述现有技术中存在的问题。本专利技术采取的技术方案为：一种锂离子电池剩余寿命预测方法，该方法包括以下步骤：步骤一：混沌粒子初始化，由SVR的两个参数c、g组成一个粒子，其中c为成为因子，g为高斯径向基核函数的幅宽，由任意初值z0∈[0，1]，根据式zn+1＝μzn(1-zn)，n＝0，1，2，…1000的Logistic方程可获得一个确定的序列z1，z2，z3，…，式中μ为Logistic映射参数，Zn为混沌变量，Z0为混沌变量初始值；步骤二：适应度评估，对每个粒子的适应度函数值进行计算，该函数值就是粒子的适应度函数值，如果粒子当前的适应度值优于个体极值，则用粒子当前的位置和适应度值更新为当前值；如果种群中的适应度值最优的粒子的适应度优于全局极值，则用适应度值最优粒子的位置和适应度值更新全局极值；步骤三：粒子的个体最优值以及全局最优值更新，粒子通过跟踪极值不断调整自己的位置，进行更新，粒子本身所找到的解称为个体最优解，整个种群找到的最优解为全局最优解；步骤四：根据PSO算法公式Xi＝(xi1,xi2,…,xin)，其的速度为Vi＝(vi1,vi2,…,vin)，其中n为粒子的维度，则第i个粒子第t+1步的位置更新公式为xij(t+1)＝xij(t)+vij(t+1)，第i个粒子第t+1步的速度更新公式为vij(t+1)＝w·vij(t)+c1·r1·(pij(t)-xij(t))+c2·r2·(pg-xij(t))，式中，c1，c2为学习因子，r1,r2为在[0,1]区间内均匀分布的随机数，w为惯性权重，pi为粒子的个体最优解，pg为整个种群的全局最优解；步骤五：对最优位置进行混沌优化，，首先把目前整个粒子群搜寻的最佳状态作为搜索的起始位置，依据混沌运动的遍历性的特点产生混沌序列；其次，将产生的混沌序列中出现的最优位置粒子随机替换目前的粒子群中的某一粒子的位置；由此来促使惰性粒子摆脱局部最优，跳出束缚并重新由混沌序列进行初始化，迅速在空间中找到满意解；步骤六：判断每次迭代是否满足结束要求：直到达到迭代次数达到1000或计算误差E，E≤0.001时，优化结束；否则返回步骤二；步骤七：优化过程结束后，保存模型的最优参数，并使用模型对数据集进行训练和预测。本专利技术的有益效果：与现有技术相比，本专利技术采用混沌(Chaos)算法改善PSO算法，将产生的混沌序列中的出现的最优位置粒子随机替换当前的粒子群中的某一粒子的位置，由此来促使惰性粒子摆脱局部最优，跳出束缚并重新由混沌序列进行初始化，迅速在空间中搜索到最优解，将改进的CPSO-SVR算法对锂离子电池剩余寿命进行预测，并与PSO-SVR算法相比较，具有更高的预测精度。附图说明图1是B5电池容量预测结果(训练样本为前75个周期)；图2是B5电池容量预测结果(训练样本为前80个周期)；图3是B5电池容量预测结果(训练样本为前95个周期)；图4是B6电池容量预测结果(训练样本为前75个周期)；图5是B6电池容量预测结果(训练样本为前80个周期)；图6是B6电池容量预测结果(训练样本为前95个周期)。具体实施方式下面结合附图及具体的实施例对本专利技术进行进一步介绍。实施例1：一种锂离子电池剩余寿命预测方法，该方法包括以下步骤：步骤一：混沌粒子初始化，由SVR的两个参数c、g组成一个粒子，其中c为成为因子，g为高斯径向基核函数的幅宽，由任意初值z0∈[0，1]，根据式zn+1＝μzn(1-zn)，n＝0，1，2，…1000的Logistic方程可获得一个确定的序列z1，z2，z3，…，式中μ为Logistic映射参数，Zn为混沌变量，Z0为混沌变量初始值；步骤二：适应度评估，对每个粒子的适应度函数值进行计算，该函数值就是粒子的适应度函数值，如果粒子当前的适应度值优于个体极值，则用粒子当前的位置和适应度值更新为当前值；如果种群中的适应度值最优的粒子的适应度优于全局极值，则用适应度值最优粒子的位置和适应度值更新全局极值；步骤三：粒子的个体最优值以及全局最优值更新，粒子通过跟踪极值不断调整自己的位置，进行更新，粒子本身所找到的解称为个体最优解，整个种群找到的最优解为全局最优解；步骤四：根据PSO算法公式Xi＝(xi1,xi2,…,xin)，其的速度为Vi＝(vi1,vi2,…,vin)，其中n为粒子的维度，则第i个粒子第t+1步的位置更新公式为xij(t+1)＝xij(t)+vij(t+1)，第i个粒子第t+1步的速度更新公式为vij(t+1)＝w·vij(t)+c1·r1·(pij(t)-xij(t))+c2·r2·(pg-xij(t))，式中，c1，c2为学习因子，r1,r2为在[0,1]区间内均匀分布的随机数，w为惯性权重，pi为粒子的个体最优解，pg为整个种群的全局最优解；步骤五：对最优位置进行混沌优化，首先把目前整个粒子群搜寻的最佳状态作为搜索的起始位置，依据混沌运动的遍历性的特点产生混沌序列；把产生的混沌序列中出现的最优位置粒子随机替换目前的粒子群中的某一粒子的位置；使PSO算法避免陷入局部极值的同时优化种群的质量，再重新由混沌序列进行初始化，迅速在空间中找到满意解；步骤六：判断每次迭代是否满足结束要求：直到达到迭代次数达到1000或计算误差E，E≤0.001时，优化结束，误差E的计算公式为否则返回步骤二；步骤七：优化过程结束后，保存CPSO-SVR模型的最优参数，并使用CPSO-SVR模型对数据集进行训练和预测，将NASAPCoE研究中心提供的锂离子电池充放电数据集中B5、B6电池前75、80、95个周期的容量做训练集，其余周期作为测试集，用于锂离子电池寿命的预测和对比。用混沌(Chaos)算法改善PSO算法，将产生的混沌序列中的出现的最优位置粒子随机替换当前的粒子群中的某一粒子的位置，由此来促使惰性粒子摆脱局部最优，跳出束缚并重新由混沌序列进行初始化，迅速在空间中搜索到最优解。将改进的CPSO-SVR算法对锂离子电池剩余寿命进行预测，并与PSO-SVR算法相比较，具有更高的预测精度。为了验证CPSO-SVR模型准确性，选取NASA研究中心的锂电池充放电数据集的B5、B6电池中任意选取前75、80、95个周期作为训练样本，剩余数据当做测试集，用于检测和验证。当测试本文档来自技高网...

【技术保护点】
1.一种锂离子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：混沌粒子初始化，由SVR的两个参数c、g组成一个粒子，其中c为成为因子，g为高斯径向基核函数的幅宽，由任意初值z0∈[0，1]，根据式zn+1＝μzn(1‑zn)，n＝0，1，2，…1000的Logistic方程可获得一个确定的序列z1，z2，z3，…，式中μ为Logistic映射参数，Zn为混沌变量，Z0为混沌变量初始值；步骤二：适应度评估，对每个粒子的适应度函数值进行计算，该函数值就是粒子的适应度函数值，如果粒子当前的适应度值优于个体极值，则用粒子当前的位置和适应度值更新为当前值；如果种群中的适应度值最优的粒子的适应度优于全局极值，则用适应度值最优粒子的位置和适应度值更新全局极值；步骤三：粒子的个体最优值以及全局最优值更新，粒子通过跟踪极值不断调整自己的位置，进行更新，粒子本身所找到的解称为个体最优解，整个种群找到的最优解为全局最优解；步骤四：根据PSO算法公式Xi＝(xi1,xi2,…,xin)，其的速度为Vi＝(vi1,vi2,…,vin)，其中n为粒子的维度，则第i个粒子第t+1步的位置更新公式为xij(t+1)＝xij(t)+vij(t+1)，第i个粒子第t+1步的速度更新公式为vij(t+1)＝w·vij(t)+c1·r1·(pij(t)‑xij(t))+c2·r2·(pg‑xij(t))，式中，c1，c2为学习因子，r1,r2为在[0,1]区间内均匀分布的随机数，w为惯性权重，pi为粒子的个体最优解，pg为整个种群的全局最优解；步骤五：对最优位置进行混沌优化，首先把目前整个粒子群搜寻的最佳状态作为搜索的起始位置，依据混沌运动的遍历性的特点产生混沌序列；把产生的混沌序列中出现的最优位置粒子随机替换目前的粒子群中的某一粒子的位置；使PSO算法避免陷入局部极值的同时优化种群的质量，再重新由混沌序列进行初始化，迅速在空间中找到满意解；步骤六：判断每次迭代是否满足结束要求：直到达到迭代次数达到1000或计算误差E，E≤0.001时，优化结束；否则返回步骤二；步骤七：优化过程结束后，保存模型的最优参数，并使用模型对数据集进行训练和预测。...

【技术特征摘要】
1.一种锂离子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：混沌粒子初始化，由SVR的两个参数c、g组成一个粒子，其中c为成为因子，g为高斯径向基核函数的幅宽，由任意初值z0∈[0，1]，根据式zn+1＝μzn(1-zn)，n＝0，1，2，…1000的Logistic方程可获得一个确定的序列z1，z2，z3，…，式中μ为Logistic映射参数，Zn为混沌变量，Z0为混沌变量初始值；步骤二：适应度评估，对每个粒子的适应度函数值进行计算，该函数值就是粒子的适应度函数值，如果粒子当前的适应度值优于个体极值，则用粒子当前的位置和适应度值更新为当前值；如果种群中的适应度值最优的粒子的适应度优于全局极值，则用适应度值最优粒子的位置和适应度值更新全局极值；步骤三：粒子的个体最优值以及全局最优值更新，粒子通过跟踪极值不断调整自己的位置，进行更新，粒子本身所找到的解称为个体最优解，整个种群找到的最优解为全局最优解；步骤四：根据PSO算法公式Xi＝(xi1,xi2,…,xin)，其的速度为Vi＝(vi1,vi2...

【专利技术属性】
技术研发人员：王一宣，李泽滔，
申请(专利权)人：贵州大学，
类型：发明
国别省市：贵州,52