基于MFF的多核GPR算法的锂电池剩余寿命预测方法技术

本发明专利技术提供一种基于MFF的多核GPR算法的锂电池剩余寿命预测方法，包括以下步骤：获得电池数据集，以电池容量作为锂电池寿命预测指标，对电池数据集的充放电曲线进行多个特征提取，形成多个单一特征集；对所提取的特征进行加权线性组合，计算组合特征；根据特征指标的趋势特性，初步选择多个单一核函数，并对核函数进行加权线性组合，得到组合核函数；将数据集划分为训练数据和测试数据，将步骤2得到的组合特征作为GPR算法的输入特征、将步骤3得到的组合核函数代入GPR算法中，在训练数据集上训练GPR模型，然后进行预测，直至预测的电池容量达到失效阈值时停止预测，并根据达到失效阈值的时间计算出锂电池的剩余寿命值RUL。

【技术实现步骤摘要】
基于MFF的多核GPR算法的锂电池剩余寿命预测方法
本专利技术属于电池
,涉及一种基于自适应MFF(多特征融合)的多核GPR(高斯过程回归)算法的锂电池剩余寿命预测方法。
技术介绍
锂离子电池由于其轻便和环保等特点，已被广泛用于飞机，电动汽车和便携式电子设备中。随着锂离子电池在不断的充放电过程中会发生复杂的物理和化学反应，导致电池性能下降直至失效，进而影响整个系统的安全运行。因此，估计锂离子电池的健康状态(SOH)和预测剩余使用寿命(RUL)是电池管理系统中的重要问题。准确预测锂离子电池的剩余寿命可以有效预测锂离子电池的未来健康状况，确保设备运行的可靠性和安全性。近几年,国内外技术人员对锂电池RUL的预测方法进行了大量研究，第一种方法是基于物理模型的方法，依赖于电池故障机制的先验知识来构建退化模型，从而描述故障的物理性质。第二种方法是基于数据驱动的方法，通常不需要知道电池退化的物理性质，只需使用大量的数据来构造退化数据与健康状态之间的映射关系。目前，本领域技术人员通过从充电电压曲线中提取了四个特征，可以预测电池的RUL，但是，这种方法的局限是它们不能确保提取的特征和标签高度相关。
技术实现思路
本专利技术是为了解决上述问题而进行的，目的在于提供一种基于MFF的多核GPR算法的锂电池剩余寿命预测方。为实现达到上述目的，本专利技术采用如下技术方案：本专利技术提供的基于MFF的多核GPR算法的锂电池剩余寿命预测方法，其特征在于，包括以下步骤：步骤1，获得电池数据集，以电池容量作为锂电池寿命预测指标，对电池数据集的充放电曲线进行多个特征提取，形成多个单一特征集；步骤2，对所提取的特征进行加权线性组合，计算组合特征；步骤3，根据特征指标的趋势特性，初步选择多个单一核函数，并对核函数进行加权线性组合，得到组合核函数；步骤4，将数据集划分为训练数据和测试数据，将步骤2得到的组合特征作为GPR算法的输入特征、将步骤3得到的组合核函数代入GPR算法中，在训练数据集上训练GPR模型，然后进行预测，直至预测的电池容量达到失效阈值时停止预测，并根据达到失效阈值的时间计算出锂电池的剩余寿命值RUL。进一步地，在本专利技术提供的基于MFF的多核GPR算法的锂电池剩余寿命预测方法中，还可以具有这样的特征：其中，步骤1中特征提取为：从充电曲线中从充电曲线中提取恒流模式充电时间、恒压模式充电时间、恒流模式充电曲线的切线斜率和拐点的垂直斜率，从放电曲线提取放电电压能量的特征，形成五个单一特征集，此五个特征的表述如下：F1：恒流模式充电时间；F2：恒压模式充电时间；F3：恒流模式结束时的曲线斜率，表达式为：式(1)中，v，是充电电压，t是充电时间；F4：恒流模式充电曲线拐角处的垂直斜率；F5：放电电压能量，表达式为：式(2)中，v是放电电压，t是放电时间。进一步地，在本专利技术提供的基于MFF的多核GPR算法的锂电池剩余寿命预测方法中，还可以具有这样的特征：其中，步骤2中对所提取的特征进行加权线性组合为：以皮尔逊相关系数为目标函数，运用果蝇优化算法计算每个特征的权重，得到权重计算组合特征wi(i＝1，2，3，4，5)，然后用得到的权重计算组合特征；皮尔逊相关系数P的表达式为：皮尔逊相关系数P的表达式为：式(3)中，P是皮尔逊相关系数，Fi是样本的第i个特征，i＝1，2，3，4，5；是特征的均值；Ci是样本电池的容量；是样本电池容量的均值；b是样本数，加权线性组合后得到的组合特征F为：公式(4)中，Fi是第i个特征，wi是第i个特征的权重系数。进一步地，在本专利技术提供的基于MFF的多核GPR算法的锂电池剩余寿命预测方法中，还可以具有这样的特征：其中，步骤3中对对核函数进行加权线性组合得到组合核函数为：以预测值和真实值的均方根误差为目标函数，运用果蝇优化算法计算每个核函数的权重，并将计算后的组合核函数代入GPR中；均方根误差表达式为：式(6)中，ERMSE是均方根误差；m是预测样本的个数；p是预测样本的总数；ym是第m个样本的真实值；是第m个样本的预测值，加权线性组合得到核函数K的表达式为：式(7)中，kj是第j个核函数；aj是第j个核函数的权重系数。进一步地，在本专利技术提供的基于MFF的多核GPR算法的锂电池剩余寿命预测方法中，还可以具有这样的特征：其中，步骤4的具体过程包括：确定训练数据和测试数据；根据训练数据的特征选择均值函数和协方差函数，并设定超参数的初始值，确定先验分布；输入训练数据，将先验模型转化成后验模型，同时对核函数的超参数进行优化；利用回归预测模型对输入的测试数据进行预测，即得到具有不确定性表达能力的均值及协方差。进一步地，在本专利技术提供的基于MFF的多核GPR算法的锂电池剩余寿命预测方法中，还可以具有这样的特征：其中，步骤4中锂电池的剩余寿命值RUL计算公式如下：RUL＝Tthreshold-TSP(12)公式(12)中，Tthreshold是达到失效阈值的时间；TSP是开始预测的时间。本专利技术的作用和效果：本专利技术的基于MFF的多核GPR算法的锂电池剩余寿命预测方先从电池的充电和放电电压曲线中提取有效的原始特征，然后，利用基于FOA的自适应多特征选择与融合方法来挖掘特征的潜力，这样，增强了原始特征与RUL之间的相关性，有效地利用了历史周期中隐藏的时间信息，基于提取的特征，GPR通过学习特征与SOH之间的映射关系建立RUL预测模型，然后FOA自适应地优化多核函数的权重系数，从而进一步提高预测性能。通过设计了各种情况的实验来测试本专利技术的预测方法，实验结果验证了本专利技术预测方法的准确性与鲁棒性。附图说明图1是本专利技术基于MFF的多核GPR算法的锂电池剩余寿命预测方的流程框图；图2是本专利技术实施例中所采用电池数据集的电池容量数据(循环周期-电池容量衰减曲线图)，此处以四个电池数据集为例；图3是本专利技术实施例中的基于MFF的多核GPR算法的锂电池剩余寿命预测方放电电压曲线上提取特征四个特征的示意图；图4是本专利技术实施例中的基于MFF的多核GPR算法的锂电池剩余寿命预测方放电电压曲线上提取特征的示意图；图5是本专利技术实施例中所使用的多特征融合方法与单一特征在B0005电池上的预测效果对比图；图6是本专利技术实施例中所使用的多核GPR方法与单一核函数GPR方法在B0005电池上的预测效果对比图；图7是本专利技术实施例中所使用的多特征融合方法与单一特征在四种电池上的预测效果指标对比表；图8是是本专利技术实施例中所使用的多核GPR方法与单一核函数在四种电池上的预测效果指标对比表。具体实施方式为了使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，以下实施例结合附图对本专利技术的基于MFF的多核GPR算法的锂电池剩余寿命预测方作具体阐述本文档来自技高网...

【技术保护点】
1.一种基于MFF的多核GPR算法的锂电池剩余寿命预测方法，其特征在于，包括以下步骤：/n步骤1，获得电池数据集，以电池容量作为锂电池寿命预测指标，对所述电池数据集的充放电曲线进行多个特征提取，形成多个单一特征集；/n步骤2，对所提取的特征进行加权线性组合，计算组合特征；/n步骤3，根据特征指标的趋势特性，初步选择多个单一核函数，并对核函数进行加权线性组合，得到组合核函数；/n步骤4，将数据集划分为训练数据和测试数据，将步骤2得到的所述组合特征作为GPR算法的输入特征、将步骤3得到的所述组合核函数代入GPR算法中，在训练数据集上训练GPR模型，然后进行预测，直至预测的电池容量达到失效阈值时停止预测，并根据达到失效阈值的时间计算出锂电池的剩余寿命值RUL。/n

【技术特征摘要】
1.一种基于MFF的多核GPR算法的锂电池剩余寿命预测方法，其特征在于，包括以下步骤：
步骤1，获得电池数据集，以电池容量作为锂电池寿命预测指标，对所述电池数据集的充放电曲线进行多个特征提取，形成多个单一特征集；
步骤2，对所提取的特征进行加权线性组合，计算组合特征；
步骤3，根据特征指标的趋势特性，初步选择多个单一核函数，并对核函数进行加权线性组合，得到组合核函数；
步骤4，将数据集划分为训练数据和测试数据，将步骤2得到的所述组合特征作为GPR算法的输入特征、将步骤3得到的所述组合核函数代入GPR算法中，在训练数据集上训练GPR模型，然后进行预测，直至预测的电池容量达到失效阈值时停止预测，并根据达到失效阈值的时间计算出锂电池的剩余寿命值RUL。


2.如权利要求1所述的基于MFF的多核GPR算法的锂电池剩余寿命预测方法，其特征在于：
其中，步骤1中特征提取为：从充电曲线中从充电曲线中提取恒流模式充电时间、恒压模式充电时间、恒流模式充电曲线的切线斜率和拐点的垂直斜率，从放电曲线提取放电电压能量的特征，形成五个单一特征集，此五个特征的表述如下：
F1：恒流模式充电时间；
F2：恒压模式充电时间；
F3：恒流模式结束时的曲线斜率，表达式为：



式(1)中，v是充电电压，t是充电时间；
F4：恒流模式充电曲线拐角处的垂直斜率；
F5：放电电压能量，表达式为：



式(2)中，v是放电电压，t是放电时间。


3.如权利要求2所述的基于MFF的多核GPR算法的锂电池剩余寿命预测方，其特征在于：
步骤2中对所提取的特征进行加权线性组合为：以皮尔逊相关系数为目标函数，运用果蝇优化算法计算每个特征的权重，得到权重计算组合特征wi(i＝1,2,3,4,5)，然后用得到的权重计算组合特征；
所述皮尔逊相关系数P的...

【专利技术属性】
技术研发人员：刘振兴，王润秋，张永，袁烨，苏茜，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：湖北;42