一种锂离子电池RUL时间序列预测方法技术

本发明专利技术公开了一种锂离子电池RUL时间序列预测方法,包括以下步骤；采用灰色关联分析方法确定预测模型的输入变量；然后重构确定的输入变量，恢复系统多维非线性状态空间；最后通过混沌优化算法使KECA的核参数达到全局最优，利用KECA对重构后的相空间时间序列进行特征提取，并将特征向量作为NARX神经网络的输入，得到最终的车用锂离子电池RUL预测值，本发明专利技术具有较优的非线性动态预测能力,较高的精确度及泛化能力。及泛化能力。及泛化能力。

【技术实现步骤摘要】
一种锂离子电池RUL时间序列预测方法

：
[0001]本专利技术涉及一种锂离子电池参数据的预测算方法，特别是一种锂离子电池 RUL时间序列预测方法。

技术介绍
：
[0002]锂电池存在绿色环保、比能量大及使用寿命长等诸多优势，目前正广泛应用于新能源汽车、手机通信、智能电网及医疗器械等多个领域。但随着锂离子电池的频繁使用，会出现内阻增加、容量减少等老化现象，并引发一系列安全问题，因此锂离子电池必须进行及时维护，准确在线估计锂电池剩余使用寿命(RUL)，以保证其具有较好的安全工作能力。但由于锂电池RUL与电压、电流及温度等电池模型外部参数呈现高度复杂的非线性关系，因此使得对RUL的精确预测不容易。近年来，对锂离子电池剩余寿命比较热门的研究大概可归纳为基于数据驱动及各种预测算法的融合等方法。如王竹晴等学者采用核主成分分析 (KPCA)对相关数据进行特征提取，然后将自适应神经网络与模糊推理系统进行有效融合，得到预测模型，并用于实时预测锂电池RUL，实验结果显示剩余寿命预测精度得到了显著提高；胡天中等提出了多尺度深度神经网络预测模型，利用经验模态分解方法及相关性分析将实验数据分解成主趋势数据和波动数据，然后深度置信网络和长短期记忆网络分别进行训练及预测，获得了较好的预测性能。
[0003]以上研究多数采用一维数据样本或者单变量时间序列对模型进行训练及预测，包含的信息比较单一，不够全面。KPCA能够从实验采集到的一维状态空间数据中提炼出与系统密切相关的非线性特征量，同时还具有降噪及消除实验数据变量之间的相关性等功能，但它是通过方差的形式评价系统主成分所携带的信息量，并且它的核函数及相应参数的选取存在一定的不确定性，致使在主成分提取过程中出现丢失信息的现象。因此，如何采用灰色关联分析方法确定预测模型的输入变量；然后重构确定的输入变量，恢复系统多维非线性状态空间；最后通过混沌优化算法使KECA的核参数达到全局最优，利用KECA对重构后的相空间时间序列进行特征提取，并将特征向量作为NARX神经网络的输入，得到最终的车用锂离子电池RUL预测值。

技术实现思路
：
[0004]针对现有技术的不足，本专利技术提供了一种锂离子电池RUL时间序列预测方法：采用灰色关联分析方法确定预测模型的输入变量；然后重构确定的输入变量，恢复系统多维非线性状态空间；最后通过混沌优化算法使KECA的核参数达到全局最优，利用KECA对重构后的相空间时间序列进行特征提取，并将特征向量作为NARX神经网络的输入，得到最终的车用锂离子电池RUL预测值，包括以下步骤：
[0005](1)采集锂离子电池退化状态监测到的数据；
[0006](2)采用灰色关联从采集到的数据中选择KECA
‑
NARX预测模型的输入变量；
[0007](3)采用C
‑
C法确定嵌入维数和时间延迟，经计算，最后确定τ＝3和m＝8，利用上述
结果通过相空间重构确定训练样本集为{(x
i
，y
i
)}，x
i
∈R
N
×
M
，y
i
∈R
N
×1，测试样本集为{(x
t
，y
t
)}，x
t
∈R
N
×
M
，y
t
∈R
N
×1；
[0008](4)利用x∈R
N
×
M
，通过混沌优化算法确定KECA的全局最优核参数；
[0009](5)采用KECA方法提取x∈R
N
×
M
的核主成分集t，的核主成分集t
t
；
[0010](6)通过相空间重构重新构造训练样本集(t，y)；
[0011](7)以核主成分集t
t
作为NARX输入，得到NARX预测模型的预测输出值。
[0012]优选的，步骤(1)所述锂离子电池退化状态监测到的数据，是锂离子电池在(20
±
5)℃的环境中进行充放电，实验过程中同步采集终端电压、输出电流、温度、充电器电压及充电器电流等数据，并记录数据采集时间及最大可用容量。电池的阻抗采用电化学阻抗谱法获取，其频率扫描范围为0.1HZ～5HZ。
[0013]优选的，步骤(2)所述灰色关联分析是通过研究不同的曲线的几何接近性来评估它们之间的关系，接近性越高则意味着相关性越紧密。
[0014]优选的，步骤(3)所述相空间重构是依据Takens定理，对于采集到的锂离子电池系统时间序列{x(i)，i＝1，2，A，N}，只要找到一个恰当的嵌入维m，使得 m≥2d+1(d为混沌吸引子的关联维数)，则可通过时间延迟τ重构相空间R
m
。
[0015]优选的，步骤(4)所述的确定全局最优核参数，其步骤如下：
[0016]1)令k＝0，r＝0，f
*
＝f(0)，c
′
i
＝a
i
，d
′
i
＝b
i
‑
a
i
，任取n个初始值h
0，i
(h
0，i
∈(0，1))，使h
0，i
之间相互差异不大，令由此可得n条不同初始值的轨迹，其混沌变量为h
i
；
[0017]2)载波，利用下式(1)以载波的形式将n个h
k，i
变成z
k，i
变量，也即
[0018]z
k，i
＝c
′
i
+d
′
i
h
k，i
ꢀꢀ
(1)
[0019]3)将以上n个z
k，i
变量代入式z
n+1
＝4z
n
(1
‑
z
n
)，进行如下的迭代搜索，
[0020]If f(z
k，i
)＜f
*
then f
*
＝f(z
k，i
)else放弃z
k，i
；
[0021]4)k＝k+1，z
k+1，i
＝4z
k，i
(1
‑
z
k，i
)；
[0022]5)循环执行步骤2和步骤4，如果在有限的循环步骤内，使f
*
的值维持不变，则执行下面步骤；
[0023]6)通过式(2)得到新的变量h
k，i
，再次循环执行步骤2和步骤4，如果f
*
的值在一定循环步骤内固定不便，则执行以下步骤7；
[0024][0025]7)令r＝r+1，利用式(3)缩小迭代搜索的范围，继续循环执行步骤2和步骤4，如果f...

【技术保护点】

【技术特征摘要】
1.一种锂离子电池RUL时间序列预测方法，通过灰色关联分析方法选取KECA
‑
NARX模型的输入量，并进行相空间重构；采用KECA算法提取多维状态相空间的样本数据时间序列的主成分，并作为NARX模型的输入，采用混沌优化算法使KECA的核参数达到全局最优，得到锂离子电池最终的使用寿命预测值；包括如下方法步骤：(1)采集锂离子电池退化状态监测到的数据；(2)采用灰色关联从采集到的数据中选择KECA
‑
NARX预测模型的输入变量；(3)采用C
‑
C法确定嵌入维数和时间延迟，经计算，最后确定τ＝3和m＝8，利用上述结果通过相空间重构确定训练样本集为{(x
i
，y
i
)}，x
i
∈R
N
×
M
，y
i
∈R
N
×1，测试样本集为{(x
t
，y
i
)}，x
t
∈R
N
×
M
，y
t
∈R
N
×1；(4)利用x∈R
N
×
M
，通过混沌优化算法确定KECA的全局最优核参数；(5)采用KECA方法提取x∈R
N
×
M
的核主成分集t，的核主成分集t
t
；(6)通过相空间重构重新构造训练样本集(t，y)；(7)以核主成分集t
t
作为NARX输入，得到NARX预测模型的预测输出值。2.根据权利要求1所述的一种锂离子电池RUL时间序列预测方法，其特征在于步骤(1)所述采集锂离子电池退化状态监测到的数据，是锂离子电池在(20
±
5)℃的环境中进行充放电，实验过程中同步采集终端电压、输出电流、温度、充电器电压及充电器电流等数据，并记录数据采集时间及最大可用容量，电池的阻抗采用电化学阻抗谱法获取，其频率扫描范围为0.1HZ～5HZ。3.根据权利要求1所述的一种锂离子电池RUL时间序列预测方法，其特征在于步骤(2)所述灰色关联分析是通过研究不同的曲线的几何接近性来评估它们之间的关系，接近性越高则意味着相关性越紧密。4.根据权利要求1所述的一种锂离子电池RUL时间序列预测方法，其特征在于步骤(3)所述相空间重构是依据Takens定理，对于采集到的锂离子电池系统时间序列{x(i)，i＝1，2，A，N}，只要找到一个恰当的嵌入维m，使得m≥2d+1(d为混沌吸引子的关联维数)，则可通过时间延迟τ重构相空间R
m
。5.根据权利要求1所述的一种锂离子电池RUL时间序列预测方法，其特征在于步骤(4)所述的确定全局最优核参数，其步骤如下：1)令k＝0，r＝o，f
*
＝f(0)，c
′
i
＝a
i
，d
′
i
＝b
i
‑
a
i
，任取n个初始值h
0，i
(h
0，i
∈(0，1))，使h
0，i
之间相互差异不大，令由此可得n条不同初始值的轨迹，其混沌变量为h
i
；2)载波，利用下式(1)以载波的形式将n个h
k，i
变成z
k，i
变量，也即z
k，i
＝c
′

【专利技术属性】
技术研发人员：徐东辉，徐向阳，
申请(专利权)人：南昌师范学院，
类型：发明
国别省市：