一种基于随机配置网络的无人机电池寿命预测方法技术

本发明专利技术公开了一种基于随机配置网络的无人机电池寿命预测方法，该方法为：以无人机用锂离子电池容量作为直接健康因子，电池放电电压作为间接健康因子，采用随机配置网络进行模型训练及参数调试，获得锂离子电池的寿命预测模型进行预测。有效避免现有数据驱动预测方法中存在的精度低、训练数据需求大等问题，充分发挥SCN自主性强、收敛速度快、网络成本低等特点，相较于其余神经网络，SCN的RMSE值最小，具有更低的训练损失和更好的网络拟合效果，是一种有效的锂电池RUL预测算法。种有效的锂电池RUL预测算法。种有效的锂电池RUL预测算法。

【技术实现步骤摘要】
一种基于随机配置网络的无人机电池寿命预测方法


[0001]本专利技术属于无人机电池健康管理
，涉及一种基于随机配置网络的无人机电池寿命预测方法。

技术介绍

[0002]锂离子电池依靠内部锂离子的流动产生电流，具有功率密度大、工作温度范围宽、使用寿命长等优点。虽然历经了多年的改良和优化，锂离子电池的长期使用仍然会造成其性能衰退，从而影响其使用寿命和使用安全性，甚至进而造成严重的财产、人员等的损失，所以非常有必要对锂离子电池的剩余使用寿命(Remaining Useful Life，RUL)进行预测，从而实现健康管理，以规避多种损伤电池寿命的操作并安全有效地对锂离子电池进行合理管理及使用。
[0003]锂离子电池内部系统是一个随时间变化的动态系统，重庆大学车辆团队的胡晓松教授等人(Hu Xiaosong,Xu Le,Lin Xianke.et.al Battery Lifetime Prognostics[J].Cross ref(2):310
‑
346；胡晓松、徐乐、林先科等；电池寿命预测[J]。Cross ref(2)：310
‑
346)在分析了电池寿命衰减的外部影响因素以及内部物理、化学因素的基础上，并从基于模型、基于数据驱动、基于融合的三类算法对电池RUL发展现状进行了系统总结。基于模型的电池RUL预测方法是利用专业相关的知识和经验建立电池寿命退化数学模型，例如电池内部结构的物理模型或是电化学方程，从电池内部结构出发，深入探讨其中的数学机理和退化规律，具有性能稳定、预测精度高等优点，但缺点是其需要知道准确的电化学、电池物理作用方程，且不适合于离线检测。基于数据的电池RUL预测方法通过采集电池寿命退化的相关失效数据，利用算法挖掘数据隐含信息和数据之间的潜在联系，在统计分析等技术的支持下建立电池寿命退化的逼近模型，再将模型外推从而实现电池RUL的预测。基于融合的电池RUL预测方法通过融合和集成模型与算法、算法与算法，充分发挥各种方法的优点并扬长辟短，更好的提取和使用数据中的信息与数据特征，以获得更优异的网络模型鲁棒性和预测精度，但基于融合的方法存在的高消耗、数据需求大等问题又限制了其应用范围和泛化能力。
[0004]数据驱动的预测算法最大的优点就是不需要知道电池的准确模型，只需要一定量的退化数据即可完成，因此，数据驱动的电池RUL预测方法更加流行，应用也更加广泛，慢慢成为了电池寿命预测的主流方法。数据驱动的电池RUL预测方法主要有人工神经网络、支持向量机、支持向量回归、粒子滤波等，其中人工神经网络旨在模拟人类脑部神经系统运作，因其强大的非线性处理能力、自适应性和自学习能力等优点在电池寿命预测问题中大放异彩，但是人工神经网络带来的训练缓慢、资源消耗过大、泛化性较弱等问题也在使用过程中慢慢地显现出来，成为了阻碍其在锂离子电池寿命预测方向发展的难点，好在增量学习的出现逐步解决了这些问题。

技术实现思路

[0005]本专利技术要解决的技术问题是：提供一种基于随机配置网络的无人机电池寿命预测方法，以解决现有技术中存在的技术问题。
[0006]本专利技术采取的技术方案为：一种基于随机配置网络的无人机电池寿命预测方法，该方法为：以无人机用锂离子电池容量作为直接健康因子，电池放电电压作为间接健康因子，采用随机配置网络进行模型训练及参数调试，，获得锂离子电池的寿命预测模型进行预测。
[0007]随机配置网络算法包括以下具体步骤：
[0008](1)对于给定的目标函数假设已建立一个拥有L
‑
1个隐藏节点的单层前向反馈网络，如(1)所示。
[0009][0010]其中f
L
‑1(x)表示一个假设的已拥有L
‑
1个隐藏节点的单层前向反馈网络，β
j
表示隐藏层输出权重，g
j
表示激活函数，表示隐藏层的输入权重，b
j
表示隐藏层的输入偏置；
[0011]将误差表示为(2)
[0012]e
L
‑1＝f
‑
f
L
‑1＝[e
L
‑
1,1
,
…
,e
L
‑
1,m
]ꢀꢀ
(2)
[0013]其中e
L
‑1表示当前误差，f表示当前拥有L个节点的网络值，f
L
‑1表示上一阶段游泳L
‑
1个节点的网络值，e
L
‑
1,1
表示第L
‑
1个隐藏层节点对第一个输出层节点的误差、
…
、e
L
‑
1,m
第L
‑
1个隐藏层节点对第m个输出层节点的误差；
[0014]若误差e
L
‑1未能达到预定误差限，算法目的就是以增量学习的方法添加β
L
,g
L
(其中g
L
的权重为w
L
，偏置为b
L
)，更新f
L
＝f
L
‑1+β
L
g
L
，直到误差e
L
‑1达到给定误差限；
[0015](2)假设对于都有0＜‖g‖＜b
g
，给定0＜r＜1和非负实数序列{μ
L
}，其中μ
L
满足且μ
L
≤(1
‑
r)。隐藏节点L＝1,2,...表示为：
[0016][0017]其中δ
L
表示节点L的值，δ
L,q
表示第L个隐藏层节点对应第q个输出层节点的值，r是自设定的数值，μ
L
是一个非负实数序列，e
L
‑
1,q
表示第L
‑
1个隐藏层节点对应第q个输出层节点的误差，||﹒||表示范数计算；
[0018]如果生成的随机基函数gL满足式(4)
[0019][0020]其中e
L
‑
1,q
表示第L
‑
1个隐藏层节点对应第q个输出层节点的误差，g
L
表示随机基函数，b
g
表示随机基函数的偏置，δ
L,q
表示第L个隐藏层节点对应第q个输出层节点的值；
[0021]且输出权重由式(5)
[0022][0023]其中β
L,q
表示输出权重，e
L
‑
1,q
表示第L
‑
1个隐藏层节点对应第q个输出层节点的误差，g
L
表示随机基函数，||﹒||表示范数计算；
[0024]计算得到，则可以得出结论其中：
[0025][0026]从而推导得出一种具有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于随机配置网络的无人机电池寿命预测方法，其特征在于：该方法为：以无人机用锂离子电池容量作为直接健康因子，电池放电电压作为间接健康因子，采用随机配置网络进行模型训练及参数调试，获得锂离子电池的寿命预测模型进行预测。2.根据权利要求1所述的一种基于随机配置网络的无人机电池寿命预测方法，其特征在于：随机配置网络算法包括以下具体步骤：(1)对于给定的目标函数f:假设已建立一个拥有L
‑
1个隐藏节点的单层前向反馈网络，如式(1)所示。其中f
L
‑1(x)表示一个假设的已拥有L
‑
1个隐藏节点的单层前向反馈网络，β
j
表示隐藏层输出权重，g
j
表示激活函数，表示隐藏层的输入权重，b
j
表示隐藏层的输入偏置；将误差表示为式(2)e
L
‑1＝f
‑
f
L
‑1＝[e
L
‑
1,1
,...,e
L
‑
1,m
]
ꢀꢀꢀꢀ
(2)其中e
L
‑1表示当前误差，f表示当前拥有L个节点的网络值，f
L
‑1表示上一阶段游泳L
‑
1个节点的网络值，e
L
‑
1,1
表示第L
‑
1个隐藏层节点对第一个输出层节点的误差、
…
、e
L
‑
1,m
第L
‑
1个隐藏层节点对第m个输出层节点的误差；若误差e
L
‑1未能达到预定误差限，以增量学习的方法添加β
L
,g
L
，其中g
L
的权重为w
L
，偏置为b
L
，更新f
L
＝f
L
‑1+β
L
g
L
，直到误差e
L
‑1达到给定误差限；(2)假设对于都有0＜‖g‖＜b
g
，给定0＜r＜1和非负实数序列{μ
L
}，其中μ
L
满足且μ
L
≤(1
‑
r)，隐藏节点L＝1,2,...表示为：其中δ
L
表示节点L的值，δ
L,q
表示第L个隐藏层节点对应第q个输出层节点的值，r是自设定的数值，μ
L
是一个非负实数序列，e
L
‑
1,q
表示第L
‑
1个隐藏层节点对应第q个输出层节点的误差，||﹒||表示范数计算；如果生成的随机基函数g
L
满足式(4)其中e
L
‑
1,q
表示第L
‑
1个隐藏层节点对应第q个输出层节点的误差，g
L
表示随机基函数，b
g
表示随机基函数的偏置，δ
L,q
表示第L个隐藏层节点对应第q个输出层节点的值；且输出权重由式(5)其中β
L,q
表示输出权重，e
L
‑
1,q
表示第L
‑
1个隐藏层节点对应第q个输出层节点的误差，g
L
表示随机基函数，||﹒||表示范数计算；计算得到，则得出结论其中：
式(4)中的监督机制通过计算最佳的权重w
L
和偏置b
L
得到合适的新增节点，达到满足式(7)的数理条件：<e
L
‑1,g
L
>2/||g
L
||2ꢀꢀꢀꢀ
(7)其中e
L
‑
1,q

【专利技术属性】
技术研发人员：李少波，廖子豪，周鹏，张安思，李传江，
申请(专利权)人：贵州大学，
类型：发明
国别省市：