【技术实现步骤摘要】
本专利技术涉及锂电池容量检测，尤其是一种基于榛子树搜索算法hkelm锂电池剩余使用寿命预测方法。
技术介绍
1、锂电池具有能量高、寿命长、轻量化等优点，被广泛应用于计算工程、航空航天、电子设备、交通运输等多个领域。然而，随着锂电池循环充放电次数的增加，将会引起锂电池的退化甚至失效引发严重事故。因此，研究锂电池剩余使用寿命(remaining useful life,rul)具有重要意义。可以让使用者获悉锂电池使用状态以便及时更换电池，避免安全事故的发生。锂电池容量随着循环放电次数的增加呈现衰减的趋势，可以反映电池使用状况，选取电池容量作为健康因子，则锂电池剩余使用寿命定义为：电池容量下降到额定容量的70％时的放电循环次数减去当前锂电池放电循环次数。目前，常用的预测方法有基于模型的预测方法和基于数据驱动的预测方法。其中，基于模型的预测方法要考虑到锂电池内部复杂的物理和化学变化，还需要大量的专业知识来建立准确的退化机制模型，因此实现锂电池rul预测非常困难。基于数据驱动的方法不需要研究锂电池内部电池老化机理和复杂的电化学过程,仅依赖于历史退化数据来预测锂电池rul，主要采用的是机器学习方法。
2、为此，我们提出一种基于榛子树搜索算法hkelm锂电池剩余使用寿命预测方法解决上述问题。
技术实现思路
1、本专利技术的目的在于提供一种基于榛子树搜索算法hkelm锂电池剩余使用寿命预测方法。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种基于榛子
4、s1、获取锂电池数据集，提取放电循环中的电池容量数据称为原始容量数据，选取容量作为健康因子；
5、s2、利用完全自适应噪声集合经验模态分解对原始容量数据进行去噪，分解为k个分量；
6、s3、计算k个分量和原始容量数据的pearson相关系数，选取相关系数大的作为去噪数据，并划分为训练集和测试集；
7、s4、采用榛子树搜索算法选取hkelm最优参数，建立基于改进hkelm锂电池剩余使用寿命预测模型；
8、s5、将训练集输入到基于改进hkelm锂电池剩余使用寿命预测模型进行训练，得到基于改进榛子树搜索算法hkelm锂电池剩余使用寿命预测模型；
9、s6、将测试集输入到训练好的锂电池剩余使用寿命预测模型中，得到预测结果；
10、s7、根据模型评价指标对预测结果进行评价。
11、进一步的，所述步骤s1中提取放电循环中的电池容量数据包括获取锂电池数据集，从数据集中提取只包含放电循环次数和电池容量的数据。
12、进一步的，所述步骤s2具体包括以下步骤：
13、s21、在原始信号中加入不同的高斯白噪音：
14、pi(t)＝p(t)+ε0wi(t),i＝1,2,...,n (1)
15、其中wi(t)(i＝1,2,...i)为满足高斯分布的噪音，i为电力负荷信号集的样本总数，ε0为当前分解阶段的信噪比。
16、s22、计算imf1，计算公式如下：
17、
18、s23、计算残差，当k＝1时，残差的计算公式如下：
19、r1(n)＝s(n)-imf1(n) (3)
20、s24、将待分解信号更新为r1(n)+ε1e1(wi(n)),重复3的步骤得到imf2：
21、
22、s25、当k＝2,3,...k,残差公式和imf公式如下：
23、rk(n)＝rk-1(n)-imfk(n) (5)
24、
25、s26、重复步骤s25，直到参拆信号不能再分解，最后，原始信号可以表示如下：
26、
27、进一步的，所述步骤s3的pearson相关系数的计算公式如下：
28、
29、其中分子是x和y的协方差，分母是x的标准差和y的标准差的乘积。
30、进一步的，所述步骤s4的hkelm是将多种函数加权构成混合极限学习机，选取高斯核函数和多项式核函数构建核函数，高斯核函数、多项式核函数和hkelm的表现形式如下：
31、
32、kpoly(x,xi)＝(m(x*xi)+n)h (10)
33、hkelm＝ωkrbf+(1-ω)kpoly (11)
34、由于混合核函数参数较多，采用榛子树搜索算法对函数中β，m，n，ω4个参数进行优化。
35、进一步的，所述步骤s4中的榛子树搜索算法的步骤如下：
36、s41、种群初始化，形成一组随机分布在空间中的代表性解即随机生成一定数量的榛树；
37、s42、拟合函数，计算个体拟合函数；
38、s43、生长计算阶段，计算树木在共享资源竞争中对彼此的影响；
39、s44、果实散射阶段，探索搜索空间，以找到超越当前区域的有希望的解；
40、s45、根扩展阶段，在树周围进行混乱的局部搜索以寻找有希望的解；
41、s46、当满足终止条件时，停止寻找，返回最优解。
42、进一步的，所述步骤s6中锂电池剩余使用寿命(rul)定义为电池容量下降到额定容量的70％时的放电循环次数n减去当前锂电池放电循环次数t，rul公式如下：
43、rul＝n-t (12)。
44、进一步的，所述步骤s7中模型评价指标公式选取均方根误差(rmse)和决定系数(r2)对模型的结果进行评价，公式如下：
45、
46、
47、其中，n为序列长度，xt为真实值，为预测值。
48、与现有技术相比，本专利技术的有益效果是：
49、本专利技术根据完全自适应噪声集合经验模态分解对原始容量数据进行分解去噪，采用pearson相关系数分析各个分解量和原始容量数据的相关性，取相关性最大的作为去噪数据，并分为训练集和测试集，将训练集输入到基于改进hkelm锂电池剩余使用寿命预测模型进行训练，得到基于改进榛子树搜索算法hkelm锂电池剩余使用寿命预测模型，将测试集输入到训练好的锂电池剩余使用寿命预测模型中，得到预测结果锂电池剩余使用寿命，本专利技术提高了锂电池剩余使用寿命预测的精度和效率，对于提高锂电池的稳定性和安全性具有重要的实际工程意义。
本文档来自技高网...【技术保护点】
1.一种基于榛子树搜索算法HKELM锂电池剩余使用寿命预测方法，其特征在于，具体包括以下步骤：
2.根据如权利要求1所述的基于榛子树搜索算法HKELM锂电池剩余使用寿命预测方法的合成方法，其特征在于：所述步骤S1中提取放电循环中的电池容量数据包括获取锂电池数据集，从数据集中提取只包含放电循环次数和电池容量的数据。
3.根据权利要求1所述的基于榛子树搜索算法HKELM锂电池剩余使用寿命预测方法，其特征在于：所述步骤S2具体包括以下步骤：
4.根据权利要求1所述的基于榛子树搜索算法HKELM锂电池剩余使用寿命预测方法的合成方法，其特征在于：所述步骤S3的Pearson相关系数的计算公式如下：
5.根据权利要求1所述的基于榛子树搜索算法HKELM锂电池剩余使用寿命预测方法的合成方法，其特征在于：所述步骤S4的HKELM是将多种函数加权构成混合极限学习机，选取高斯核函数和多项式核函数构建核函数，高斯核函数、多项式核函数和HKELM的表现形式如下：
6.根据权利要求1所述的基于榛子树搜索算法HKELM锂电池剩余使用寿命预测方法的合
7.根据权利要求1所述的基于榛子树搜索算法HKELM锂电池剩余使用寿命预测方法的合成方法，其特征在于：所述步骤S6中锂电池剩余使用寿命(RUL)定义为电池容量下降到额定容量的70％时的放电循环次数n减去当前锂电池放电循环次数t，RUL公式如下：
8.根据权利要求1所述的基于榛子树搜索算法HKELM锂电池剩余使用寿命预测方法，其特征在于：所述步骤S7中模型评价指标公式选取均方根误差(RMSE)和决定系数(R2)对模型的结果进行评价，公式如下：
...【技术特征摘要】
1.一种基于榛子树搜索算法hkelm锂电池剩余使用寿命预测方法，其特征在于，具体包括以下步骤：
2.根据如权利要求1所述的基于榛子树搜索算法hkelm锂电池剩余使用寿命预测方法的合成方法，其特征在于：所述步骤s1中提取放电循环中的电池容量数据包括获取锂电池数据集，从数据集中提取只包含放电循环次数和电池容量的数据。
3.根据权利要求1所述的基于榛子树搜索算法hkelm锂电池剩余使用寿命预测方法，其特征在于：所述步骤s2具体包括以下步骤：
4.根据权利要求1所述的基于榛子树搜索算法hkelm锂电池剩余使用寿命预测方法的合成方法，其特征在于：所述步骤s3的pearson相关系数的计算公式如下：
5.根据权利要求1所述的基于榛子树搜索算法hkelm锂电池剩余使用寿命预测方法的合成方法，其特征在于：所述步骤s4的hk...
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。