一种基于RVM与PF算法融合的电池剩余使用寿命预测方法技术

本发明专利技术公开了一种基于RVM与PF算法融合的电池剩余使用寿命预测方法，包括：对电池数据集进行数据提取及预处理；利用相关向量机算法提取电池数据集的相关向量，拟合出电池容量退化趋势函数，构建状态空间模型，得到观测方程和状态方程；利用粒子滤波算法对模型的相关参数进行修正，得到电池剩余容量预测模型；对预测起始点之后的电池容量进行预测；判断电池容量是否达到电池失效阈值，若达到阈值，则记录此时的电池循环周期数，对电池剩余使用寿命进行预测。本发明专利技术利用相关向量机提取电池容量退化趋势得到趋势函数，不依赖电池经验模型，提高了锂离子电池剩余使用寿命预测的精度及其长期预测能力。长期预测能力。长期预测能力。

【技术实现步骤摘要】
一种基于RVM与PF算法融合的电池剩余使用寿命预测方法


[0001]本专利技术涉及电池领域，尤其涉及一种基于RVM与PF算法融合的电池剩余使用寿命预测方法。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的的
技术介绍
信息，不必然构成在先技术。
[0003]锂离子电池被广泛应用在各种电子产品、储能装置、电动汽车以及航空航天等诸多领域，对新能源的发展以及新技术的兴起具有重要的作用。在实际应用中锂离子电池受其内部不可逆的物理、化学反应以及复杂的工况条件等因素的影响，其性能逐渐退化，严重影响系统运行的可靠性，作为各种电子系统的核心器件，在大多数情况下，锂离子电池性能退化或损坏是系统发生故障或失效的主要原因。
[0004]利用锂离子电池的早期循环数据对电池RUL进行准确预测，将为锂离子电池的使用和优化带来新的机遇。例如，电池制造商可以加速电池的研发周期，执行新的制造过程的快速验证，并根据预测的电池寿命对新电池做出分级；同时，对于用户来说，可以对锂离子电池的寿命退化趋势做出快速准确的预测，以便在电池寿命终止前及时对锂离子电池进行维护更换，可以降低系统故障发生的概率。对锂离子电池的剩余使用寿命做出快速准确的预测具有广泛的用途，但由于电池内外部等各种不确定性因素的影响，造成了锂离子电池老化趋势的非线性和不确定性。
[0005]锂离子电池剩余使用寿命预测主要是通过电池当前的老化状态来估计其剩余容量达到寿命结束点所需要的充放电周期数。目前，锂离子电池剩余使用寿命预测方法主要分为基于机理模型、数据驱动以及融合的方法。机理模型主要通过对电池的失效机制进行分析，建立电池寿命退化过程的物理模型，从而对电池的剩余使用寿命做出预测，机理模型主要有退化机理模型、等效电路模型、经验退化模型等；基于数据驱动的方法是利用人工智能算法对电池容量的历史数据进行分析，提取其老化规律，进而对电池剩余使用寿命做出预测，常用的人工智能算法有人工神经网络、粒子滤波(PF:Particle Filter)、支持向量机(Relevance Vector Machine，RVM)等；基于融合的方法分为机理模型与数据驱动融合以及两种或多种数据驱动方法融合，融合方法弥补了单一方法的不足，使电池剩余使用寿命预测的精度得到了极大的提升。
[0006]粒子滤波算法是一种基于蒙特卡罗方法的近似贝叶斯滤波算法，可以应用在任何非线性非高斯问题的处理中，近年来，粒子滤波算法在锂离子电池剩余使用寿命预测方面得到了广泛的应用。粒子滤波算法过于依赖电池经验模型，而准确的电池经验模型往往很难获得。

技术实现思路

[0007]为了克服粒子滤波算法过于依赖电池经验模型这一缺点，同时提高锂离子电池剩
余使用寿命预测的精确度，本专利技术提出一种基于RVM与PF算法融合的电池剩余使用寿命预测方法。
[0008]一种基于RVM与PF算法融合的电池剩余使用寿命预测方法，包括：
[0009]S1：选取电池数据集，提取两组电池容量退化数据Q_train和Q_test；
[0010]S2：初始化相关向量机参数，利用相关向量机对电池容量退化数据进行训练，利用迭代估计法计算相关参数；
[0011]S3：提取电池容量退化数据中的相关向量；
[0012]S4：利用相关向量拟合电池容量退化趋势，并得到状态空间模型的状态方程和观测方程；
[0013]S5：初始化粒子滤波算法的相关参数，初始化粒子集；
[0014]S6：将k
‑
1时刻的粒子分布x
k
‑1，代入状态转移方程，得到k时刻预测的粒子分布预测粒子代入观测方程得到预测值，将预测值与实际观测值进行比较来对所有的粒子进行评价，得出每个粒子的权重，根据粒子权重的大小进行重要性重采样，得到k时刻状态变量的真实分布x
k
，将真实分布x
k
带入到状态转移方程中，进行下一轮滤波；
[0015]S7：当粒子滤波循环到达预测起始点时，迭代结束，对预测起始点之后的电池容量进行预测；
[0016]S8：判断电池容量是否达到电池寿命结束的阈值，若达到阈值，则记录此时的电池充放电循环周期数，并计算剩余使用寿命。
[0017]优选的，所述初始化相关向量机参数包括：
[0018]给定训练数据集相关向量机表达如下：y＝Φ
·
ω+ε；
[0019]其中：ω＝(ω0,
…
,ω
N
)
T
为相关向量机的权值；Φ＝[φ1,φ2,
…
,φ
N
]T
为核函数矩阵；φ
i
(x
i
)＝[1,K(x
i
,x1),
…
,K(x
i
,x
N
)],i＝1,2,
…
,N；K(x
i
,x
j
)为核函数：
[0020][0021]η为核参数；α＝{α0,α1,
…
,α
N
}为超参数，与权值ω一一对应；σ2为噪声方差。
[0022]优选的，所述利用相关向量机对电池容量退化数据进行训练包括：
[0023]计算权值ω的协方差Σ和均值μ：
[0024]Σ＝(σ
‑2Φ
T
Φ+A)
‑1，μ＝σ
‑2ΣΦ
T
y
T
；
[0025]其中：A＝diag{α0,α1,
…
,α
N
}；
[0026]使用迭代估计法进行计算，得到新的超参数α和噪声方差σ2，其更新过程如下：
[0027]其中γ
i
＝1
‑
α
i
Σ
ii
；
[0028]重复以上计算过程，直到迭代次数达到最大值或输出结果梯度小于收敛条件。
[0029]优选的，所述提取电池容量退化数据中的相关向量包括：
[0030]迭代结束后，删除α中所有大于α
max
的α
i
，剩下的α
i
所对应的{x
i
,y
i
}即为相关向量。
[0031]优选的，所述利用相关向量拟合电池容量退化趋势包括：
[0032]利用相关向量拟合电池容量退化趋势，得到趋势函数：
[0033]Q(k)＝rvm_capa(k),k＝1,2,
…
为正整数。
[0034]优选的，所述得到状态空间模型的状态方程和观测方程包括：
[0035]利用趋势函数构建系统的状态空间模型，得到状态方程和观测方程：
[0036]状态方程为：
[0037][0038]观测方程为：
[0039]Q(k)＝rvm_capa([a(k)*k+b本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于RVM与PF算法融合的电池剩余使用寿命预测方法，其特征在于，包括：S1：选取电池数据集，提取两组电池容量退化数据Q_train和Q_test；S2：初始化相关向量机参数，利用相关向量机对电池容量退化数据进行训练，利用迭代估计法计算相关参数；S3：提取电池容量退化数据中的相关向量；S4：利用相关向量拟合电池容量退化趋势，并得到状态空间模型的状态方程和观测方程；S5：初始化粒子滤波算法的相关参数，初始化粒子集；S6：将k
‑
1时刻的粒子分布x
k
‑1，代入状态转移方程，得到k时刻预测的粒子分布预测粒子代入观测方程得到预测值，将预测值与实际观测值进行比较来对所有的粒子进行评价，得出每个粒子的权重，根据粒子权重的大小进行重要性重采样，得到k时刻状态变量的真实分布x
k
，将真实分布x
k
带入到状态转移方程中，进行下一轮滤波；S7：当粒子滤波循环到达预测起始点时，迭代结束，对预测起始点之后的电池容量进行预测；S8：判断电池容量是否达到电池寿命结束的阈值，若达到阈值，则记录此时的电池充放电循环周期数，并计算剩余使用寿命。2.根据权利要求1所述的一种基于RVM与PF算法融合的电池剩余使用寿命预测方法，其特征在于，所述初始化相关向量机参数包括：给定训练数据集相关向量机表达如下：y＝Φ
·
ω+ε；其中：ω＝(ω0,
…
,ω
N
)
T
为相关向量机的权值；Φ＝[φ1,φ2,
…
,φ
N
]
T
为核函数矩阵；φ
i
(x
i
)＝[1,K(x
i
,x1),
…
,K(x
i
,x
N
)],i＝1,2,
…
,N；K(x
i
,x
j

【专利技术属性】
技术研发人员：郑伟彦，吴靖，陈佩军，金明，蒋燕萍，徐良荣，王志明，
申请(专利权)人：国网浙江省电力有限公司杭州供电公司，
类型：发明
国别省市：