【技术实现步骤摘要】
一种基于支持向量回归算法的锂电池剩余寿命预测方法
本专利技术涉及锂电池剩余寿命预测
，具体涉及一种基于支持向量回归算法的锂电池剩余寿命预测方法。
技术介绍
随着中国新能源汽车强国战略的实施，新能源汽车的发展必将迎来一个黄金时期。作为新能源汽车的主要供能来源，锂电池越来越受到人们的关注。锂电池发展多年，具有相当多优点，诸如能量密度高，综合寿命长，适用范围广等。但也仍存在较多问题。其中，随着使用时间的增长，锂电池的剩余使用寿命(RUL)会发生非平稳的下降，这给锂电池剩余使用寿命的预测增加了困难。现有的相关研究，多以神经网络、高斯过程回归，相关向量机等算法搭建模型，采用电池剩余容量数据作为模型的输入特征进行预测。但这样做存在的问题是，锂电池的剩余容量数据往往难以实时测量，因此若模型采用锂电池的剩余容量数据进行训练，则在实际应用过程中，很可能无法获取模型所需的数据，也就无法正常进行锂电池RUL的预测。锂电池的剩余容量数据难以实时测量，但锂电池在充放电过程中的电压变化数据却十分容易测量。考虑到锂电池在放电过程中，...
【技术保护点】
1.一种基于支持向量回归算法的锂电池剩余寿命预测方法,其特征在于，包括如下步骤：/n1)特征提取:对锂电池运行过程中产生的数据进行监测，从中提取锂电池放电的电压时间序列数据，并根据需要对提取的电压时间序列数据进行特征生成，按照相等电压差的原则对放电过程中的电压变化数据进行整理；/n2)构建模型:构建SVR算法模型，建立样本空间到高维空间的映射，使非平稳的训练数据在高维空间被线性拟合；/n3)训练并预测:将所提取的放电过程中的电压变化数据送入SVR模型中进行训练，并用所学习到的高维映射关系对锂电池RUL进行预测。/n
【技术特征摘要】
1.一种基于支持向量回归算法的锂电池剩余寿命预测方法,其特征在于，包括如下步骤：
1)特征提取:对锂电池运行过程中产生的数据进行监测，从中提取锂电池放电的电压时间序列数据，并根据需要对提取的电压时间序列数据进行特征生成，按照相等电压差的原则对放电过程中的电压变化数据进行整理；
2)构建模型:构建SVR算法模型，建立样本空间到高维空间的映射，使非平稳的训练数据在高维空间被线性拟合；
3)训练并预测:将所提取的放电过程中的电压变化数据送入SVR模型中进行训练，并用所学习到的高维映射关系对锂电池RUL进行预测。
2.根据权利要求1所述的一种基于支持向量回归算法的锂电池剩余寿命预测方法,其特征在于，所述步骤1)具体为：按照相等电压差原则选择一个放电电压区间，即提取放电过程中电压从某一高电压下降到某一低电压所需的时间，将其组成为电压变化时序特征。
3.根据权利要求1所述的一种基于支持向量回归算法的锂电池剩余寿命预测方法,其特征在于，所述步骤2)具体为：依托SVR算法建立模型，将在特征提取阶段所提取到的电压时序数据和电池RUL数据整合为完整数据集D＝{(x1,y1),(x2,y2),…,(xN,yN)}，对于样本(x,y)，SVR假设可容忍模型输出值f(x)与真实值y之间最多有ε的差别，即仅当f(x)与y之间的差别绝对值大于ε时才计算损失；于是，SVR算法可将问题形式化为：
其中，w和b分别表示SVR算法在高维空间所构造的拟合曲线的法向量和位移项，C为正则化常数；l为ε不敏感损失函数，具体如下式：
...
【专利技术属性】
技术研发人员：徐凡，马正阳，程钏，娄维尧，杨克允，刘明威，沈伟健，林韩波，蔡姚杰，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。