基于多核相关向量机的锂电池剩余使用寿命预测方法技术

本发明专利技术涉及一种基于多核相关向量机的锂电池剩余使用寿命预测方法，包括以下步骤：

【技术实现步骤摘要】
基于多核相关向量机的锂电池剩余使用寿命预测方法


[0001]本专利技术涉及电池系统管理领域，更具体地说，涉及一种基于多核相关向量机的锂电池剩余使用寿命预测方法
。

技术介绍

[0002]锂离子电池凭借高能量密度
、
低自放电
、
无污染和长寿命等优点，被广泛应用到储能
、
电动汽车及小型电子设备等领
。
然而，随着锂离子电池不断地循环使用，电池内部结构会发生重大改变，导致电池的性能不断退化，比如电池的可循环锂损失，
SEI
膜增厚或分解，电解液分解和集电极腐蚀等，进而导致电池剩余使用寿的衰减
。
不同应用领域对电池性能等级要求不同，准确预测锂离子电池
RUL
，能够提前获知电池的剩余寿命信息，可及时对到达失效阈值的电池进行更换，保障电池安全可靠运行，避免因电池失效导致设备性能下降或者停机，甚至发生危险的事故
。
[0003]在电池性能劣化的过程中，通常可以直接观察或测量到以下变化：电阻内阻增大，充电温度变高，持续放电时间变短
。
上述物理量的变化含有电池性能劣化程度的信息，但可监测参数与电池状态间的映射关系十分复杂，所以找到可以有效预测电池剩余使用寿命的方法难度较大
。
近年来，锂离子电池朝着更快充电速度和更高能量密度的方向发展，这使得电池性能衰退状态的准确评估和综合管控问题面临更大危机，电池故障率升高，热失控风险加剧，严重威胁设备和人身安全
。
因此为确保系统中的电池安全高效的工作，电池管理系统需要获取有关电池剩余使用寿命，这也对电池管理技术提出了更高的要求
。

技术实现思路

[0004]本专利技术要解决的技术问题在于，提供一种基于多核相关向量机的锂电池剩余使用寿命预测方法，其能够准确预测电池剩余使用寿命，可在线获知电池性能退化信息，确保电池运行的安全性和效率
。
[0005]本专利技术解决其技术问题所采用的技术方案是：构造一种基于多核相关向量机的锂电池剩余使用寿命预测方法，包括以下步骤：
[0006]S1、
数据提取处理：使用变分模态分解技术对提取的健康因子和健康状态估计值进行去噪处理，并将处理后的数据分为训练集和测试集，为后续模型训练和测试提供数据支撑；
[0007]S2、
模型建立与优化：设置多核相关向量机回归模型中两个核函数各自的权重
w、
高斯核函数参数和拉普拉斯核函数参数
γ2＝
1/
σ2，并用贝叶斯优化算法优化多核相关向量机的相关参数：先验函数通过使用高斯过程回归对目标函数进行建模，基于已搜索过的点计算其他点处函数值的均值和方差，再根据均值和方差构造采集函数，用来确定下次迭代时的最优采样点，得到相关参数最佳取值，最后利用最佳参数构造
VMD
‑
BO
‑
HKRVM
预测模型；
[0008]S3、
电池剩余使用寿命的在线预测：基于特征提取和参数设置结果，构建包括健康
因子
、
健康状态和剩余使用寿命的数据集；将数据集分别按同一节电池数据
0.60∶0.40、0.50∶0.50
的比例和不同节电池的数据分为训练集
、
测试集，在训练
VMD
‑
HKRVM
模型的同时验证其准确性；构建改进多核模型，以上述操作条件作为输入量，以电池剩余使用寿命作为输出量，利用已有的数据集训练改进极限学习机模型，确立健康因子
、
与电池健康状态与剩余使用寿命的对应关系，实现对电池健康状态的在线预测
。
[0009]按上述方案，所述步骤
S1
中，提取的健康因子和健康状态估计值包括：
[0010]峰值温度到达时间：电池充电阶段充电起始点到温度最高点所花费的时间；
[0011]恒压阶段等电流差充电时间：提取恒压阶段电流值从
1.5A
下降至
0.5A
的时间间隔，作为评估电池性能水平的健康因子；
[0012]恒流阶段等电压差充电时间：提取恒流阶段电压从
3.8V
升至
4.2V
的时间间隔，作为评估电池性能水平的健康因子；
[0013]充电阶段平均充电电压：计算充电过程中的平均充电电压，作为反映电池性能水平的因子；
[0014]健康状态：电池当前的性能和容量与电池初始设计性能和容量之间的比例关系
。
[0015]按上述方案，在所述步骤
S3
中，电池剩余使用寿命的在线预测的具体计算方法如下：
[0016]①
假定给出数据集其中，
x
i
为预测模型的输入向量，即为前文提取的健康因子
HF1、HF2、HF3、HF4
和
SOH
的预测值；
t
i
为模型的目标变量，为锂离子电池的循环寿命；
n
为输入
、
输出向量的数目；则
t
i
的条件概率分布表示为：
[0017]p(t
i
|x
i
，
ω
，
β
)
＝
N(t|y(x)
，
β
‑1)
[0018]y(x)
＝
ω
T
K(x)
[0019]式中，
β
＝
σ2，为模型噪声：
K(x)
为核函数；
ω
＝
(
ω1，
ω2，
...
，
ω
n
)
为核函数相对应的权重；
y(x)
为线性模型的均值；
[0020]②
假设目标变量
t
i
为独立分布，将输入向量
x
的
N
次观测数据所形成的矩阵记为
X
，其对应的目标值记为
t
＝
(t1，
t2，
...
，
t
n
)
，则寿命预测模型的似然函数表示为：
[0021][0022]③
引入考虑零均值的权重
ω
的高斯先验概率分布，
RVM
为每个权重参数
ω
i
都单独分配一个超参数
α
i
，权重先验的形式为：
[0023][0024]其中，
α
i
为对应权重
ω
i
的精度，
α
＝
(
α1，
α2，
...
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多核相关向量机的锂电池剩余使用寿命预测方法，其特征在于，包括以下步骤：
S1、
数据提取处理：使用变分模态分解技术对提取的健康因子和健康状态估计值进行去噪处理，并将处理后的数据分为训练集和测试集，为后续模型训练和测试提供数据支撑；
S2、
模型建立与优化：设置多核相关向量机回归模型中两个核函数各自的权重
w、
高斯核函数参数和拉普拉斯核函数参数
γ2＝
1/
σ2，并用贝叶斯优化算法优化多核相关向量机的相关参数：先验函数通过使用高斯过程回归对目标函数进行建模，基于已搜索过的点计算其他点处函数值的均值和方差，再根据均值和方差构造采集函数，用来确定下次迭代时的最优采样点，得到相关参数最佳取值，最后利用最佳参数构造
VMD
‑
BO
‑
HKRVM
预测模型；
S3、
电池剩余使用寿命的在线预测：基于特征提取和参数设置结果，构建包括健康因子
、
健康状态和剩余使用寿命的数据集；将数据集分别按同一节电池数据
0.60:0.40、0.50:0.50
的比例和不同节电池的数据分为训练集
、
测试集，在训练
VMD
‑
HKRVM
模型的同时验证其准确性；构建改进多核模型，以上述操作条件作为输入量，以电池剩余使用寿命作为输出量，利用已有的数据集训练改进极限学习机模型，确立健康因子
、
与电池健康状态与剩余使用寿命的对应关系，实现对电池健康状态的在线预测
。2.
根据权利要求1所述的基于多核相关向量机的锂电池剩余使用寿命预测方法，其特征在于，所述步骤
S1
中，提取的健康因子和健康状态估计值包括：峰值温度到达时间：电池充电阶段充电起始点到温度最高点所花费的时间；恒压阶段等电流差充电时间：提取恒压阶段电流值从
1.5A
下降至
0.5A
的时间间隔，作为评估电池性能水平的健康因子；恒流阶段等电压差充电时间：提取恒流阶段电压从
3.8V
升至
4.2V
的时间间隔，作为评估电池性能水平的健康因子；充电阶段平均充电电压：计算充电过程中的平均充电电压，作为反映电池性能水平的因子；健康状态：电池当前的性能和容量与电池初始设计性能和容量之间的比例关系
。3.
根据权利要求2所述的基于多核相关向量机的锂电池剩余使用寿命预测方法，其特征在于，在所述步骤
S3
中，电池剩余使用寿命的在线预测的具体计算方法如下：
①
假定给出数据集其中，
x
i
为预测模型的输入向量，即为前文提取的健康因子
HF1、HF2、HF3、HF4
和
SOH
的预测值；
t
i
为模型的目标变量，为锂离子电池的循环寿命；
n
为输入
、
输出向量的数目；则
t
i
的条件概率分布表示为：
p(t
i
|x
i
，
ω
，
β
)
＝
N(t|y(x)
，
β
‑1)y(x)
＝
ω
T
K(x)
式中，
β
＝
σ2，为模型噪声；
K(x)
为核函数；
ω
＝
(
ω1，
ω2，
...
，
ω
n
)
为核函数相对应的权重；
y(x)
为线性模型的均值；
②
假设目标变量
t
i
为独立分布，将输入向量
x
的
N
次观测数据所形成的矩阵记为
X
，其对应的目标值记为
t
＝
(t1,t2，
...
，
t
n
)
，则寿命预测模型的似然函数表示为：
③
引入考虑零均值的权重
ω
的高斯先验概率分布，
RVM
为每个权重参数
ω
i
都单独分配一个超参数
α
i
，权重先验的形式为：其中，
α
i
为对应权重
ω
i
的精度，
α
＝
(
α1，
α2，
...
，
α
n
)
...

【专利技术属性】
技术研发人员：王蒋静，应肖磊，余豪华，王荣历，方云辉，毛佰一，陈宇，曾德龙，许耀杰，黄湘云，吴增俣，
申请(专利权)人：国网浙江省电力有限公司宁波供电公司国网浙江省电力有限公司宁波市奉化区供电公司，
类型：发明
国别省市：