基于改进型极限学习机的锂电池剩余使用寿命预测方法技术

本发明专利技术属于剩余使用寿命预测技术领域，涉及一种基于改进型极限学习机的锂电池剩余使用寿命预测方法。首先获取锂电池历史监测数据，实时采集的锂电池电流、电压、温度数据，构成训练数据集和测试数据集；构建改进型极限学习机，对训练数据集和测试数据集分别进行处理；构建相邻剩余使用寿命值对应的电流、电压、温度数据的前后相关性；利用训练好的改进型极限学习机，得到测试数据的预测结果，完成锂电池剩余使用寿命预测。本方法通过充分考虑锂电池剩余使用寿命预测数据集较小、同时考虑了不同种类数据对预测结果的影响以及同种数据之间的时间相关性，能有效提高锂电池剩余使用寿命预测的准确性，因此本发明专利技术方法具有很好的应用前景。

【技术实现步骤摘要】
基于改进型极限学习机的锂电池剩余使用寿命预测方法
本专利技术属于剩余使用寿命预测
，涉及一种基于改进型极限学习机的锂电池剩余使用寿命预测方法。
技术介绍
锂电池剩余使用寿命预测对生产安全、生活安全至关重要。现有方法通常将锂电池在每个时间段的温度、电流、电压等数据作为特征，基于机器学习方法对其剩余使用寿命进行预测。近年来，深度学习方法以其在图像分类、数据挖掘和语音识别等任务上的突出表现而备受关注。由于深度学习网络参数较多，训练深度学习网络通常需要几万甚至几百上千万的输入数据。但是，现有的锂电池数据量较小，常用的NASA锂电池剩余使用寿命预测数据集只有几百组数据。使用这样的数据集训练深度学习网络会出现欠拟合或者过拟合问题。因此，只能使用浅层的、参数量少的机器学习网络做锂电池的剩余寿命预测。近年来，极限学习机(ExtremeLearningMachine，简称ELM)在样本量小的数据集学习任务中有较好的表现。ELM包含输入层、隐藏层和输出层，并随机产生输入层与隐藏层之间的参数，只有隐藏层与输出层之间的输出参数需要计算，ELM参数量远远少本文档来自技高网...

【技术保护点】
1.一种基于改进型极限学习机的锂电池剩余使用寿命预测方法，包括以下步骤：/n获取锂电池历史监测数据，构成一个训练数据集；/n获取实时采集的锂电池数据，构成一个测试数据集；/n构建一个改进型极限学习机，改进型极限学习机使用隐藏层节点数不同的线性变换和非线性变换方法，对训练数据集和测试数据集分别进行处理；同时，改进型极限学习机在隐藏层和输出层之间构建相邻剩余使用寿命值对应的电流、电压、温度数据的前后相关性；/n对改进型极限学习机进行训练，通过最小化训练数据集的预测结果与真实标签的均方误差确定改进型极限学习机的最优参数；/n利用训练好的改进型极限学习机，得到测试数据的预测结果，完成锂电池剩余使用寿命...

【技术特征摘要】
1.一种基于改进型极限学习机的锂电池剩余使用寿命预测方法，包括以下步骤：
获取锂电池历史监测数据，构成一个训练数据集；
获取实时采集的锂电池数据，构成一个测试数据集；
构建一个改进型极限学习机，改进型极限学习机使用隐藏层节点数不同的线性变换和非线性变换方法，对训练数据集和测试数据集分别进行处理；同时，改进型极限学习机在隐藏层和输出层之间构建相邻剩余使用寿命值对应的电流、电压、温度数据的前后相关性；
对改进型极限学习机进行训练，通过最小化训练数据集的预测结果与真实标签的均方误差确定改进型极限学习机的最优参数；
利用训练好的改进型极限学习机，得到测试数据的预测结果，完成锂电池剩余使用寿命预测。


2.如权利要求1所述的锂电池剩余使用寿命预测方法，其特征在于其中所述的改进型极限学习机使用隐藏层节点数不同的线性变换和非线性变换方法，对训练数据集进行处理，具体过程为：
设训练数据集中，电流为电压为温度为N表示训练样本总数，t表示检测次数，t＝1,2,...,N，M表示每个样本的长度，则训练数据集的特征矩阵为将训练数据集的真实剩余使用寿命作为标签，记标签向量为
设测试数据集中，电流为电压为温度为N’表示测试数据集样本总数，M表示每个样本的长度，记测试数据集的特征矩阵为
将Xtr作为改进型极限学习机的输入，改进型极限学习机的隐藏层对训练数据集Xtr实现如下线性变换：









其中，和为改进型极限学习机随机生成的参数矩阵，参数矩阵的范围在[0,1]之间，βC、βV、βT矩阵中同一列的数相等，在随机初始化βC、βV、βT时，随机初始化三个大小分别为1×K1、1×K2、1×K3的向量βC,1、βV,1、βT,1，复制该向量N次，得到βC、βV、βT矩阵，K1、K2、K3分别为改进型极限学习机不同输入的隐藏层节点数。


3.如权利要求2所述的锂电池剩余使用寿命预测方法，其特征在于其中所述的改进型极限学习机在隐藏层和输出层之间构建相邻检测时间段数据的前后相关性，具体过程为：
改进型极限学习机在隐藏层和输出层之间，进行以下操作，对做非线性变换，在隐藏层和输出层之间构建相邻检测时间段数据的前后相关性Htr(t)：









其中，s1、s2为权重参数，用于平衡t次检测的特征值与t-1次检测的非线性变换值Htr(t-1)对Htr(t)的影响，s1、s2根据训练精度确定，取值范围为[0,1]，初始化时，和分别为随机生成的范围在[0,1]之间的服从正态分布的参数矩阵，ξC、ξV、ξT为非线性变换函数，非线性变换后，隐藏层输出矩阵为则输出权重矩阵WO如下：



其中，表示矩阵Htr的广义逆矩阵，参数s1、s2、K1、K2、K3、ξC、ξV、ξT通过最小化训练数据集的预测值与真实值的均方误差来确定，权重矩阵WO表示隐藏层输出矩阵与输出层输出矩阵之间的变换关系。


4.如权利要求3所述的锂电池剩余使用寿命预测方法，其特征在于其中所述的非线性变...

【专利技术属性】
技术研发人员：高晟耀，宋艳，郭庆稳，李沂滨，高辉，
申请(专利权)人：中国人民解放军九二五七八部队，山东大学，
类型：发明
国别省市：北京;11