【技术实现步骤摘要】
结合多源退化特征的自适应增量式电池RUL预测方法
[0001]本专利技术属于寿命预测和增量学习
,涉及结合多源退化特征的自适应增量式电池RUL预测方法。
技术介绍
[0002]锂离子电池(LIBs)由于其广泛的工作温度范围和高能量密度,广泛应用于航空航天、电动汽车、移动电子设备等领域。建立准确、有效的残余有效生命预测模型一直是利比亚国际实验室健康管理系统(BMS)的核心问题。电池RUL的分秒预测可以提高使用安全性,延长电池寿命。
[0003]电池RUL预测主要有三种方法:模型驱动、数据驱动和混合方法。基于模型的预测方法采用电池的物理模型或电化学方程,从电池的物理结构中探讨其退化机理,具有性能稳定的优点。然而,缺点是它需要准确的电池电化学和物理方程式,不适合离线测试。数据驱动的RUL预测依赖于深度学习算法来建立神经网络模型,以探索电池寿命退化与相关数据之间的相关性。数据驱动的预测方法利用了统计方法的精确分析和神经网络强大的学习能力,在不了解电池操作模型的情况下,实现了高效和快速的模型逼近。数据驱动的RUL预测算法最显著的优点是,它不需要知道电池的确切模型,只需要一定数量的退化数据即可完成,因此已成为电池寿命预测的主流方法。
[0004]数据驱动的电池RUL预测方法主要包括人工神经网络、支持向量机、支持向量回归、粒子滤波等。其中,人工神经网络由于其强大的非线性处理能力、自适应性和自学习能力,旨在模拟人脑神经系统的运行,并在电池寿命预测问题中发光。现有技术中有人使用混合门控递归单元CNN来学习充电曲线 ...
【技术保护点】
【技术特征摘要】
1.结合多源退化特征的自适应增量式电池RUL预测方法,其特征在于:该方法包括以下步骤:步骤(1),利用差分热伏安法提取表面温度和终端电压数据中的多源退化特征,得到具有自适应噪声的HI预处理;步骤(2),HI数据矩阵作为SC
‑
SCN的输入,利用元启发式算法沙猫群优化,优化随机配置网络中的正则化参数,得到参数自适应增量神经网络SC
‑
SCN;步骤(3),利用步骤(2)中得到的参数自适应增量神经网络SC
‑
SCN对自适应增量式电池RUL进行预测。2.根据权利要求1所述的一种结合多源退化特征的自适应增量式电池RUL预测方法,其特征在于:步骤(1)中详细方法为:通过计算电池恒流充放电过程中电池表面温度和终端电压的熵增比,得到DTV,其离散表达式如式(1):式中,T、t、V和k分别表示温度、时间、电压和时间步长,V
(t)
表示在t时刻的终端电压,T
v(t)
为表面温度。3.根据权利要求1所述的一种结合多源退化特征的自适应增量式电池RUL预测方法,其特征在于:步骤(2)中的详细步骤为:步骤一:参数初始化:初始化Sand Cat(pop)的总体大小、迭代(iter)、搜索超参数的上下界(ub和lb)、维数(D)、最大隐藏节点数(L
max
)、候选节点(T
max
)、容错性(ε),将给定范围[lb,ub]内的参数值r初始化为Sand
r
;步骤二:构建和训练SCN:使用L
max
,T
max
,ε和Sand
r
来构建和训练SCN,并训练数据集;步骤三:计算沙猫的适合度:使用均方根误差(RMSE)作为SC
‑
SCN的适应度函数,RMSE可计算为:其中,y
i
为第i个数据点的真值,为第i个数据点的SCN输出,N表示样本总数;步骤四:更新参数r:步骤五:获得最终的参数r:重复步骤二到步骤五,直到SCN满足设定条件,从而得到r的最优值和最小适应度;步骤六:获取SCN的输出:计算出r最优值后,训练SCN,得到电池RUL预测值。4.根据权利要求3所述的结合多源退化特征的自适应增量式电池RUL预测方法,其特征在于:步骤二中数据集训练方法为:假设已经构建了L
‑
1个带有隐藏节点的SCN,输出结果如下所示:
g其中表示一个激活函数β表示输出的权重,模型训练数据集输入为X={x1,x2,...,x
N
},x
i
=[x
i,1
,...,x
i,d
]
T
;w
j
和b
j
为第j节点的随机权值和偏差:w
j
=λ
×
(2
×
rand(n,T
max
)
‑
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。