基于集成学习的锂电池剩余使用寿命预测方法及系统技术方案

本发明专利技术公开了一种基于集成学习的锂电池剩余使用寿命预测方法及系统，属于装备综合保障的剩余使用寿命预测技术与计算科学交叉领域，解决现有技术采用单一的机器学习算法很难精确预测锂电池的剩余使用寿命的问题。本发明专利技术对获取的锂电池的原始数据进行转换，转换后得到时间序列数据集，其中，原始数据是指某块锂电池随时间周期的充放电数据；基于时间序列数据集训练多个基本学习器；基于遗传算法集成训练后的多个基本学习器，得到集成模型；将待预测的锂电池的时间序列数据输入集成模型进行预测，得到锂电池的剩余使用寿命。本发明专利技术用于锂电池的剩余使用寿命预测，也可推广应用于其他单部件以及装备系统剩余使用寿命预测。他单部件以及装备系统剩余使用寿命预测。他单部件以及装备系统剩余使用寿命预测。

【技术实现步骤摘要】
基于集成学习的锂电池剩余使用寿命预测方法及系统


[0001]一种基于集成学习的锂电池剩余使用寿命预测方法及系统，用于锂电池剩余使用寿命预测，属于装备综合保障中剩余使用寿命预测技术与计算科学交叉领域。

技术介绍

[0002]锂电池的性能会随着循环充放电次数的增加产生一定程度的退化。作为储能和供能单元，锂电池的退化往往会造成一整套系统的故障，甚至会造成许多安全事故。因此，随着锂电池的应用范围日益普及，对电池的可用性进行安全评估就成为了非常必要的工作，其安全性问题以及可靠性问题亟需解决。随着电池的充放电，电池内阻逐渐增大，电池的容量不断减小，一般认为当电池剩余容量下降到初始容量的70％
‑
80％，电池寿命就会终止，此时为了保证锂电池的安全性，将不再继续使用该电池供电。锂电池剩余容量的变化直接表征充放电循环期间电池的退化程度。因此，锂电池剩余容量可以直接用作评估电池性能下降的健康因子，以预测锂电池的剩余使用寿命。剩余使用寿命对锂电池的安全评估有着非常直观而且重要的意义，因此，一直是锂电池研究领域的热门方向。
[0003]由于锂电池在正常工作时，内部的物理变化和电化学反应较为复杂，并且退化过程的分析需要考虑一些物理特性，预测通常存在模型参数较多、实际应用困难的缺陷，且易受噪声和环境因素干扰，难以跟踪负载动态特性，动态精度、鲁棒性和适应性较差，往往过于复杂而难以实现，并且模型的通用性有限，泛化效果无法确定。
[0004]数据驱动方法通过探究挖掘输出响应与输入的内在关系，即可建立可以逼近退化规律的统计学模型，预测电池达到失效阈值的时间或周期，逐渐成为近年来剩余寿命预测领域的主要方向。当前的数据驱动方法大多是基于单一的机器学习算法开发的，如支持向量回归，随机森林，多层感知机等，如“CN113361197A
‑
一种锂电池剩余使用寿命预测方法及系统”和“CN113203953B
‑
基于改进型极限学习机的锂电池剩余使用寿命预测方法”。使用一种单一的机器学习算法很难精确预测锂电池的剩余使用寿命，除此之外，在众多机器学习算法的竞争中，很难从中选择一种或一个类型的算法专门用来预测锂电池的剩余使用寿命。而且，单一方法的可移植性较差，往往只能适应单一数据集。
[0005]CN103293487B
‑
基于集成模型的锂离子电池寿命预测方法是对训练集进行了多次采样，得到多个训练集，然后只在一种类型算法，即单调回声状态网络模型上进行训练。显然，其通过对数据集进行多次采样确实能够保持训练集的不同，能够对单调回声状态网络模型的参数进行改进，但是最终还是只使用了一种模型，以单一算法模型(单调回声状态网络模型)进行参数改进来避免使用交叉验证或者专家经验的方法得到回声状态网络的参数，且直接使用平均值来融合，由于无法保证每个单一模型对集成模型的贡献度都是均等的，还会降低预测精度等。
[0006]综上所述，现有的锂电池剩余使用寿命预测方法存在如下技术问题：
[0007]1.现有技术采用单一的机器学习算法很难精确预测锂电池的剩余使用寿命的问题，即单一的机器学习算法的抗干扰能力弱，只适合挖掘单一类型的数据，泛化能力弱，当
数据稍有变动时，算法表现能力会很差；
[0008]2.现有技术采用单一的机器学习算法，只能适应单一数据集，从而造成可移植性较差的问题。

技术实现思路

[0009]针对上述研究的问题，本专利技术的目的在于提供一种基于集成学习的锂电池剩余使用寿命预测方法及系统，解决现有技术采用单一的机器学习算法很难精确预测锂电池的剩余使用寿命的问题，即单一的机器学习算法的抗干扰能力弱，只适合挖掘单一类型的数据，泛化能力弱，当数据稍有变动时，算法表现能力会很差。
[0010]为了达到上述目的，本专利技术采用如下技术方案：
[0011]一种基于集成学习的锂电池剩余使用寿命预测方法，包括如下步骤：
[0012]步骤1、对获取的锂电池的原始数据进行转换，转换后得到时间序列数据集，其中，原始数据是指某块锂电池随时间周期的充放电数据，时间序列数据集包括训练集、验证集和测试集；
[0013]步骤2、基于时间序列数据集训练多个基本学习器；
[0014]步骤3、基于遗传算法集成训练后的多个基本学习器，得到集成模型；
[0015]步骤4、将待预测的锂电池的时间序列数据输入集成模型进行预测，得到锂电池的剩余使用寿命。
[0016]进一步，所述步骤1的具体步骤为：
[0017]步骤1.1、根据使用场景，给定时间窗大小，即充放电过程比较频繁，则给定小的时间窗否则，给定大的时间窗；
[0018]步骤1.2、根据时间窗，将原始数据转换为时间序列数据，其中，基于时间窗的大小，得到时间窗大小为L的时间序列数据RUL
t
‑1，RUL
t
‑2，...RUL
t
‑
L
，RUL
t
表示时刻t的时间序列数据，L表示时间窗的大小；
[0019]步骤1.3、将原始数据转换完后，得到时间序列数据集。
[0020]进一步，所述步骤2中的多个基本学习器为相关向量机、随机森林、弹性网络、自回归模型和长短期记忆网络。
[0021]进一步，所述步骤2中基于训练集训练各基本学习器的训练方式为：通过梯度下降法，不断迭代减小各基本学习器预测得到时间序列数据的预测值与锂电池真实剩余容量的实际值之间的误差，当误差达到给定精度要求或者训练次数达到最大迭代次数时，训练结束；
[0022]误差公式为：
[0023]其中，n表示训练集的大小，表示训练集中第i个时间序列数据的预测值，y
i
表示第i个时间序列数据的真实值。
[0024]进一步，所述步骤3的具体步骤为：
[0025]步骤3.1、实数化编码相关向量机、随机森林、弹性网络、自回归模型和长短期记忆网络的权重分别为a，b，c，d，e，即随机给定一个[0，1]之间的实数；
[0026]步骤3.2、给定种群大小；
[0027]步骤3.3、计算适应度函数为：其中，n表示训练集的大小，表示时间序列数据i在基本学习器j上的预测结果，j＝1，2，3，4，5，y
i
表示时间序列数据i的真实值；
[0028]步骤3.4、基于种群大小和适应度函数进行遗传操作，遗传操作包括选择、交叉和变异；
[0029]步骤3.5、遗传操作后，若达到最大迭代次数，得到的权重a，b，c，d，e为最优权重、适应度函数的值为最小值，将最优权重作为对应基本学习器的权重，最终的多个基本学习器构成集成模型，否则，重新给定权重a，b，c，d，e后，再执行步骤3.3。
[0030]一种基于集成学习的锂电池剩余使用寿命预测系统，包括：
[0031]转换模块：对获取的锂电池的原始数据进行转换，转换后得到时间序列数据集，其中，原始数据是指某块锂电池随时间周期本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集成学习的锂电池剩余使用寿命预测方法，其特征在于，包括如下步骤：步骤1、对获取的锂电池的原始数据进行转换，转换后得到时间序列数据集，其中，原始数据是指某块锂电池随时间周期的充放电数据，时间序列数据集包括训练集、验证集和测试集；步骤2、基于时间序列数据集训练多个基本学习器；步骤3、基于遗传算法集成训练后的多个基本学习器，得到集成模型；步骤4、将待预测的锂电池的时间序列数据输入集成模型进行预测，得到锂电池的剩余使用寿命。2.根据权利要求1所述的一种基于集成学习的锂电池剩余使用寿命预测方法，其特征在于，所述步骤1的具体步骤为：步骤1.1、根据使用场景，给定时间窗大小，即充放电过程比较频繁，则给定小的时间窗否则，给定大的时间窗；步骤1.2、根据时间窗，将原始数据转换为时间序列数据，其中，基于时间窗的大小，得到时间窗大小为L的时间序列数据RUL
t
‑1，RUL
t
‑2，...RUL
t
‑
L
，RUL
t
表示时刻t的时间序列数据，L表示时间窗的大小；步骤1.3、将原始数据转换完后，得到时间序列数据集。3.根据权利要求2所述的一种基于集成学习的锂电池剩余使用寿命预测方法，其特征在于，所述步骤2中的多个基本学习器为相关向量机、随机森林、弹性网络、自回归模型和长短期记忆网络。4.根据权利要求3所述的一种基于集成学习的锂电池剩余使用寿命预测方法，其特征在于，所述步骤2中基于训练集训练各基本学习器的训练方式为：通过梯度下降法，不断迭代减小各基本学习器预测得到时间序列数据的预测值与锂电池真实剩余容量的实际值之间的误差，当误差达到给定精度要求或者训练次数达到最大迭代次数时，训练结束；误差公式为：其中，n表示训练集的大小，表示训练集中第i个时间序列数据的预测值，y
i
表示第i个时间序列数据的真实值。5.根据权利要求4所述的一种基于集成学习的锂电池剩余使用寿命预测方法，其特征在于，所述步骤3的具体步骤为：步骤3.1、实数化编码相关向量机、随机森林、弹性网络、自回归模型和长短期记忆网络的权重分别为a，b，c，d，e，即随机给定一个[0，1]之间的实数；步骤3.2、给定种群大小；步骤3.3、计算适应度函数为：其中，n表示训练集的大小，表示时间序列数据i在基本学习器j上的预测结果，j＝1，2，3，4，5，y
i
表示时间序列数据i的真实值；步骤3.4、基于种群大小和适应度函数进行遗传操作，遗传操作包括选择、交叉和变异；步骤3.5、遗传操作后，若达到最大迭代次数，得到的权重a，b，c，d，e为最优权重、适应
度函数的值为最小值，将最优权重作为对应基本学习器的权重，最终的多个基本学习器构成集成模型，否则，重新给定权重a，b，c，d，e后，再执行步骤3.3。6.一种基于集成...

【专利技术属性】
技术研发人员：吴家菊，孔令刚，康时嘉，左洪福，程铮，刘金，郑翠芳，许娟，陆晓华，刘珍珍，刘岩，王涵，齐天永，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：