基于相关向量回归的在线预测锂离子电池剩余寿命的方法，属于锂离子电池寿命预测技术领域。它解决了现有锂离子电池采用离线方法预测剩余寿命，预测精度低的问题。它首先选取原始样本，然后进行相空间重构构造训练样本集；再初始化相关向量机RVM模型参数；RVM训练，得到RVM预测模型；得到预测值将与ynew进行比较，若则构造新的训练集WS＝WS∪INS，重新训练RVM，更新RVM预测模型；否则保持RVM预测模型不变；进行递推预测，直到预测值小于失效阈值U时预测完成，从而实现待预测锂离子电池剩余寿命的在线预测。本发明专利技术适用于锂离子电池剩余寿命的预测。
【技术实现步骤摘要】
本专利技术涉及一种，属于锂离子电池寿命预测
技术介绍
锂离子电池以其优越的性能已经应用于我们生活中的各个领域，目前已经逐渐扩展到航空、航天等领域，如在轨卫星、空间站等。随着充放电循环的进行，锂离子电池内阻增大，寿命降低。对于人类难以接近的空间应用，锂离子电池的故障或寿命缩短常常引发 致命故障，如美国Mars Global Surveyor飞行器失效,就是由于电池故障导致计算机系统的一系列错误，致使电池系统直面太阳照射导致过热造成安全系统失效所引发的任务失败。可见，锂离子电池剩余寿命预测是十分重要的，特别是空间应用的锂离子电池，其剩余寿命在线预测更为重要。目前，剩余寿命预测方法可分为基于模型和数据驱动两类。基于模型的方法从电池内部的电化学反应出发建立电池等效电路模型，预测精度依赖模型的准确性，而实际应用很难准确建立电池模型。数据驱动方法主要包括神经网络、支持向量机、粒子滤波方法和相关向量机法。神经网络预测方法不需要建立系统的数学模型且具有极强的非线性映射能力，但训练时需要大量数据样本。支持向量机方法针对小样本、非线性问题具有明显优势，已经被广泛应用于预测领域，但其主要缺点是只能给出单点预测值。粒子滤波方法是概率式的预测，目前的研究较多，其主要缺点是依赖经验模型来建立状态转移方程。与支持向量机类似的相关向量机(Relevance Vector Machine, RVM)是由美国Tipping博士 2000年提出的基于概率学习的稀疏Bayesian学习理论的算法模型。基于核函数的相关向量机，不仅能够反映输出结果的概率信息，并且拥有泛化能力强、固定超参数、学习算法简单易实现的优点，已经开始用于预测领域。其主要优点是在给出预测结果的同时还能够输出预测结果的置信区间，这对于使用者来说更具指导意义。目前，针对锂离子电池剩余寿命的各种预测方法大多是离线方法，即根据样品的历史数据建立的一个离线预测模型。离线模型一经建立就不再更新，但在线应用时由于其负载工况剧烈变化，离线的预测模型适应性较差，预测精度较低。目前，基于相关向量回归的锂离子电池剩余寿命预测方法仍然没有有效的在线预测策略来实现在线的、快速的预测。
技术实现思路
本专利技术是为了解决现有锂离子电池采用离线方法预测剩余寿命，预测精度低的问题，提供一种。本专利技术所述，它包括以下步骤步骤一选取待预测锂离子电池容量数据IS = (C1, C2,…Cn)作为原始样本,Ci为电池容量，单位为Ah, i = I, 2, "^n, η为正整数；进行相空间重构构造训练样本集设定嵌入维数I = 5,迟延d = I,得到训练样本集 Kx1, Yi)，(X2，y2)，…，(Xn-1，yn-i)}，其中 Xj = (Cj, CJ+1,…，Cjtl^1), y」=CJ+1, j = 1，2,…n-1,其中X = (X1, X2, ···, Xlrf)为相关向量机RVM模型输入数据，y = (y1; y2, ···,Yn-i)为相关向量机RVM模型的输出数据；步骤二 初始化相关向量机RVM模型参数相关向量机RVM模型的数学表达式为y = Φ ω + ε，其中ω = (ω。，…，ωτ为模型的权值，ε = ( ε j, ε 2，…ε ^1)为高斯噪声，且ε」 Ν(0, σ 2)，σ2为RVM模型输出数据y的噪声方差，Φ 为 nX(n+l)的矩阵,且 Φ = K (X」，Xlri)为核函数权利要求1.一种基于相关同量回归的在线预测锂离于电池剩余寿命的万法，其特征在于它包括以下步骤 步骤一选取待预测锂离子电池容量数据is = (C1, C2,…Cn)作为原始样本，Ci为电池容量，单位为Ah, i = I, 2,为正整数； 进行相空间重构构造训练样本集设定嵌入维数I = 5,迟延d = I,得到训练样本集{(xj yj)，(x2j y2)，…，(xn_]_，yn_i)}，其中 x』一(Cj-, Cj+1,…，，Yj- — Cj+1, j — 1,2，...n_l，其中x = (X1, x2,，Xlrf)为相关向量机RVM模型输入数据，y = (y1; y2,…，yn_x)为相关向量机RVM模型的输出数据； 步骤二 初始化相关向量机RVM模型参数 相关向量机RVM模型的数学表达式为y = 0) Co + e， 其中0 = (0。，…，(Olrf)T为模型的权值， e = ( e e2，- e n_x)为高斯噪声，且e」 N(0，o 2)，o 2为RVM模型输出数据y的噪声方差， ①为nX (n+1)的矩阵，且O = 小2... U'^j= K(xj, Xlrf)为核函数2.根据权利要求I所 述的，其特征在于预测误差限PEB = 0.1o3.根据权利要求I或2所述的，其特征在于所述失效阈值U = I. 38Ah。全文摘要，属于锂离子电池寿命预测
它解决了现有锂离子电池采用离线方法预测剩余寿命，预测精度低的问题。它首先选取原始样本，然后进行相空间重构构造训练样本集；再初始化相关向量机RVM模型参数；RVM训练，得到RVM预测模型；得到预测值将与ynew进行比较，若则构造新的训练集WS＝WS∪INS，重新训练RVM，更新RVM预测模型；否则保持RVM预测模型不变；进行递推预测，直到预测值小于失效阈值U时预测完成，从而实现待预测锂离子电池剩余寿命的在线预测。本专利技术适用于锂离子电池剩余寿命的预测。文档编号G06F19/00GK102968573SQ20121054370公开日2013年3月13日 申请日期2012年12月14日 优先权日2012年12月14日专利技术者周建宝, 刘大同, 马云彤, 彭宇, 彭喜元 申请人:哈尔滨工业大学本文档来自技高网...
【技术保护点】
一种基于相关同量回归的在线预测锂离于电池剩余寿命的万法，其特征在于：它包括以下步骤：步骤一：选取待预测锂离子电池容量数据IS＝(C1，C2，…Cn)作为原始样本，Ci为电池容量，单位为Ah，i＝1，2，…，n，n为正整数；进行相空间重构构造训练样本集：设定嵌入维数l＝5，迟延d＝1，得到训练样本集{(x1，y1)，(x2，y2)，…，(xn？l，yn？l)}，其中xj＝(Cj，Cj+1，…，Cj+l？1)，yj＝Cj+l，j＝1，2，…n？l，其中x＝(x1，x2，…，xn？l)为相关向量机RVM模型输入数据，y＝(y1，y2，…，yn？l)为相关向量机RVM模型的输出数据；步骤二：初始化相关向量机RVM模型参数：相关向量机RVM模型的数学表达式为y＝Φω+ε，其中ω＝(ω0，…，ωn？l)T为模型的权值，ε＝(ε1，ε2，…εn？l)为高斯噪声，且εj～N(0，σ2)，σ2为RVM模型输出数据y的噪声方差，Φ为n×(n+1)的矩阵，且Φ＝[φ1，φ2…φn？l]T，φj＝[1，K(xj，x1)，…，K(xj，xj)…K(xj，xn？l)]K(xj，xn？l)为核函数：K(xj,xn-l)=exp(-||xj-xn-l||2η2),η为核参数；设定核参数η＝3，最大迭代次数iter＝1000，{αk}＝0.1，k＝0，1…n？l，αk为权值ωk的超参数，σ2＝var(y)*0.1；步骤三：RVM训练：步骤三一：计算ω的协方差∑和均值μ：∑＝(σ？2ΦTΦ+A)？1，μ＝σ？2∑ΦTyT其中，∑为(n？l+1)×(n？l+1)的矩阵，μ为(n？l+1)×1的列向量，μ＝(μ0，μ1，…，μn？l)T，A＝diag(α0，α1，…，αn？l)；步骤三二：使用迭代估计法计算得到新的αk和σ2，记为和(σ2)new：αknew=γkμk2,(σ2)new=||y-Φμ||n-l-Σk=0n-lγk,其中γk＝1？αk∑kk，μk为ωk的均值，∑kk为协方差∑的第k个对角线元素；设定迭代次数参数L＝1；步骤三三：将和(σ2)new带入步骤三一的公式中，重复步骤三一和步骤三二，更新μ和∑，令L＝L+1，重复该步骤三三，直到L＞iter时迭代结束，迭代结束时的(σ2)new记为步骤四：步骤三中迭代结束后，删除与ωk＝0所对应x中的xj，剩余xj称为相关向量RVs，所有相关向量RVs组成相关向量集ISRV，由此获得RVM预测模型h为预测步长，方差为并得到工作集WS，WS＝ISRV；步骤五：将新增样本集INS＝[xnew，ynew]中xnew输入到RVM预测模型，得到预测值将与ynew进行比较，若则构造新的训练集WS＝WS∪INS，重新训练RVM，更新RVM预测模型；否则保持RVM预测模型不变；PEB为预测误差限，y^new=μTφnew,σnew2=σMP2+φnewTΣφnew,σnew2为预测值的方差；步骤六：重复步骤三至步骤五，进行递推预测，直到预测值小于失效阈值U时预测完成，从而实现待预测锂离子电池剩余寿命的在线预测。FDA00002590473000021.jpg,FDA00002590473000024.jpg,FDA00002590473000025.jpg,FDA00002590473000026.jpg,FDA00002590473000027.jpg,FDA00002590473000028.jpg,FDA00002590473000029.jpg,FDA000025904730000210.jpg...
【技术特征摘要】
【专利技术属性】
技术研发人员：周建宝，刘大同，马云彤，彭宇，彭喜元，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：
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。