结合多源退化特征的自适应增量式电池RUL预测方法技术

本发明专利技术公开了结合多源退化特征的自适应增量式电池RUL预测方法，属于电池RUL预测技术邻域，该方法中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，有效地消除了融合数据的容量再生现象和噪声对预测过程的影响。然后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

【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来学习充电曲线中的退化特征和时间依赖性，并利用新的电压和电流数据实现了电池的SOH估计。也有人公开了一个有效的长周期电池健康管理方法，首先比较性能差异FFNN和NARXRNN 30周期预测，然后选择更准确的长周期电池预测，并实验证明该方法具有误差小的优点和复杂性误差低，复杂性低的优点。还有人采用弹性均方反向传播方法对长短期数据进行自适应优化，得到了一种小批量数据训练预测方法。此外，还有文献记载：比较了各种混合模型驱动的方法，结果表明，该组合的LSTM+GPR模型具有最优的预测精度，能够实现单步和多步推进容量预测的准确结果。深度学习需要预先确定网络结构，这几乎不适用于工艺行业，特别是对于具有实时要求的电池寿命预测。
[0005]上述基于神经网络的方法需要预先确定预测模型的隐层结构。电池的退化数据在实时运行过程中不断增长，固定的隐层节点和层数不能满足类似的实时工业要求。选择节点数过多，预测前期数据少，模型拟合不足；固定节点数过少，预测后期输入数据增加导致模型过拟合不足，严重影响电池RUL预测的精度，威胁电池使用安全。
[0006]针对上述问题，有人采用一种构造的增量方法，随机配置网络(SCN)，可以有效地解决上述问题，它的特点是从一个小网络开始随机生成一组权值，并使用监督机制验证其满足普遍近似条件，从中选择最佳集合权值，逐步生成隐层节点；采用最小二乘法来确定输出的权重。硫氰酸盐具有收敛速度快、网络成本低、泛化性强等优点；它不仅可以用于分类
研究，还可以用于回归预测。在硫氰酸盐中，是一个重要的正则化超参数，它决定了隐层节点的权值和偏差选择。需要根据输入数据的体积和类型进行手动调整。元启发式算法的出现为神经网络超参数的自适应选择提供了一种解决方案。为了解决SCN在大规模数据回归中的缺陷，有文献记载：首先在稀疏搜索算法中引入了逻辑映射和突变算子，然后与SCN结合，得到了一个有效的回归CSSA
‑
SCN。与构造结构不同，另外的文献记载：对ISSA提出的ISSA
‑
FSCN。在一种改进的稀疏搜索算法的优化条件下，修正了隐层节点数，实现了超参数自适应。

技术实现思路

[0007]本专利技术要解决的技术问题是：提供结合多源退化特征的自适应增量式电池RUL预测方法，旨在解决锂离子电池的剩余有效使用寿命预测问题。
[0008]本专利技术采取的技术方案为：结合多源退化特征的自适应增量式电池RUL预测方法，该方法包括以下步骤：
[0009]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；
[0010]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；
[0011]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。
[0012]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)：
[0013][0014]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。
[0015]进一步地，上述步骤(2)中的详细步骤为：
[0016]步骤一：参数初始化：
[0017]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
；
[0018]步骤二：构建和训练SCN：
[0019]使用L
max
，T
max
，ε和Sand
r
来构建和训练SCN，并训练数据集；
[0020]步骤三：计算沙猫的适合度：
[0021]使用均方根误差(RMSE)作为SC
‑
SCN的适应度函数，RMSE可计算为：
[0022][0023]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；
[0024]步骤四：更新参数r：
[0025]步骤五：获得最终的参数r：
[0026]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；
[0027]步骤六：获取SCN的输出：
[0028]计算出r最优值后，训练SCN，得到电池RUL预测值。
[0029]进一步地，上述步骤二中数据集训练方法为：
[0030]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：
[0031][0032]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：本文档来自技高网...

【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
)
‑
...

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