基于小波降噪和相關(guān)向量機的鋰電池剩余壽命預(yù)測方法
【專利摘要】基于小波降噪和相關(guān)向量機的鋰電池剩余壽命預(yù)測方法，涉及一種估計鋰電池健康狀況并預(yù)測其剩余壽命的方法，包括以下步驟：測量鋰電池隨著充放電周期的健康狀況數(shù)據(jù)；對測量的鋰電池容量數(shù)據(jù)進行小波二次降噪；計算鋰電池失效的容量閾值；基于鋰電池容量數(shù)據(jù)序列和充放電周期數(shù)據(jù)序列，應(yīng)用差分進化算法對相關(guān)向量機算法的寬度因子進行優(yōu)化選擇；應(yīng)用經(jīng)差分進化算法優(yōu)化后的相關(guān)向量機算法預(yù)測鋰電池的剩余壽命。本發(fā)明操作方法簡單有效，可精確地預(yù)測鋰電池的剩余壽命。
【專利說明】基于小波降噪和相關(guān)向量機的鋰電池剩余壽命預(yù)測方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及基于小波降噪和相關(guān)向量機的鋰電池剩余壽命預(yù)測方法，具體來說， 涉及通過小波二次降噪提取原始數(shù)據(jù)，并基于該數(shù)據(jù)應(yīng)用相關(guān)向量機算法建立預(yù)測模型對 鋰電池的剩余壽命進行預(yù)測的方法。

【背景技術(shù)】
[0002] 鋰電池廣泛地應(yīng)用于便攜式電子設(shè)備、電動汽車以及軍事電子系統(tǒng)等設(shè)備中，鋰 電池的失效將會引起設(shè)備的性能下降、功能失靈、反應(yīng)遲緩以及其他電子故障。因此對鋰 電池的剩余壽命進行預(yù)測，是十分必要的。
[0003] 鋰電池的健康狀況一般應(yīng)用其電池容量進行表征，而容量數(shù)據(jù)在不斷的充放電周 期中通過測量獲得。由于在測量過程中不可避免地存在電磁干擾、測量誤差、隨機負(fù)載以及 鋰電池內(nèi)部的不可預(yù)知物理或化學(xué)的行為，故測量得到的鋰電池容量數(shù)據(jù)中一般包含各種 類型及不同大小的噪聲，從而導(dǎo)致無法準(zhǔn)確地進行壽命預(yù)測。
[0004] 小波降噪是一種新興的原始數(shù)據(jù)提取方法，通過小波分解與重構(gòu)，可提取原始數(shù) 據(jù)，消除或減弱噪聲。然而，由于鋰電池容量數(shù)據(jù)的噪聲為多類型及不同大小的特點，故應(yīng) 用基本的小波降噪算法難以較好地去除。相關(guān)向量機是一種基于貝葉斯框架的回歸預(yù)測算 法，運算速度快，適用于在線檢測，已有研究證明相關(guān)向量機的預(yù)測精度高于支持向量機和 神經(jīng)網(wǎng)絡(luò)等常用算法。相關(guān)向量機算法中核函數(shù)的寬度因子對預(yù)測精度有極大的影響，以 往多采用經(jīng)驗嘗試法獲得，鋰電池剩余壽命預(yù)測精度偏低。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明要解決的技術(shù)問題是，克服現(xiàn)有技術(shù)存在的上述缺陷，提出一種基于小波 降噪和相關(guān)向量機的鋰電池剩余壽命預(yù)測方法，具有可有效去除噪聲及提取原始數(shù)據(jù)，并 可精確預(yù)測鋰電池剩余壽命的優(yōu)點。
[0006] 該方法首先通過小波二次降噪的方法處理測量的鋰電池容量數(shù)據(jù)，去除噪聲并提 取有效的原始數(shù)據(jù)，然后通過應(yīng)用基于差分進化算法優(yōu)化了寬度因子的相關(guān)向量機算法預(yù) 測該鋰電池的剩余壽命，即剩余充放電周期。
[0007] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案為： 基于小波降噪和相關(guān)向量機的鋰電池剩余壽命預(yù)測方法，包括以下步驟： (1) 通過測量獲取鋰電池各個充放電周期的健康狀況數(shù)據(jù)； (2) 對測量的鋰電池容量數(shù)據(jù)進行小波二次降噪； (3) 計算鋰電池失效的容量閾值； (4) 基于鋰電池容量數(shù)據(jù)序列和充放電周期數(shù)據(jù)序列，應(yīng)用差分進化算法對相關(guān)向量 機算法的寬度因子進行優(yōu)化選擇； (5 )應(yīng)用經(jīng)差分進化算法優(yōu)化后的相關(guān)向量機算法預(yù)測鋰電池的剩余壽命。
[0008] 在上述步驟（1)中，鋰電池的健康狀況數(shù)據(jù)是指鋰電池的容量數(shù)據(jù)。
[0009] 在上述步驟（2)中，小波二次降噪的方法為對測量到的鋰電池容量數(shù)據(jù)分別進行 兩次小波降噪，去除噪聲信號。
[0010] 在上述步驟（3)中，鋰電池失效的容量閾值一般是該鋰電池標(biāo)稱容量的65%-75%。
[0011] 在上述步驟（4)中，鋰電池容量數(shù)據(jù)為& &…&，其中η彡1，為測量的周期 數(shù)，對應(yīng)的容量數(shù)據(jù)序列為[//；, &…，私]，鋰電池容量數(shù)據(jù)的各個充放電周期依次為^ 心…，7；，η彡1，對應(yīng)的充放電周期數(shù)據(jù)序列為[心心…，7；]; 應(yīng)用差分進化算法對相關(guān)向量機算法的寬度因子進行優(yōu)化選擇的過程為： (4. 1)初始化差分進化算法，包括種群個體及規(guī)模、比例因子、交叉常數(shù)和迭代次數(shù)等， 其中需要優(yōu)化的寬度因子被映射為個體； (4. 2)通過突變操作生成突變矢量； (4. 3)通過交叉操作生成試驗矢量； (4. 4)通過選擇操作選擇下一代個體； (4. 5)重復(fù)（4. 2) -（4. 4)直至迭代結(jié)束，輸出結(jié)果。
[0012] 差分進化算法是一種基于種群個體的隨機搜索算法。差分進化算法隨機生成個體 = ,其中i為個體的編號，#是個體的數(shù)量，^是當(dāng)前迭代次數(shù)，差分進化算 法包括突變、交叉和選擇三個操作過程； 突變矢量在突變操作中由下述公式生成：

【權(quán)利要求】
1. 基于小波降噪和相關(guān)向量機的鋰電池剩余壽命預(yù)測方法，其特征在于，包括以下步 驟： (1) 通過測量獲取鋰電池各個充放電周期的健康狀況數(shù)據(jù)； (2) 對測量的鋰電池容量數(shù)據(jù)進行小波二次降噪； (3) 計算鋰電池失效的容量閾值； (4) 基于鋰電池容量數(shù)據(jù)序列和充放電周期數(shù)據(jù)序列，應(yīng)用差分進化算法對相關(guān)向量 機算法的寬度因子進行優(yōu)化選擇； (5 )應(yīng)用經(jīng)差分進化算法優(yōu)化后的相關(guān)向量機算法預(yù)測鋰電池的剩余壽命。
2. 根據(jù)權(quán)利要求1所述的基于小波降噪和相關(guān)向量機的鋰電池剩余壽命預(yù)測方法，其 特征在于，所述步驟（1)中，鋰電池的健康狀況數(shù)據(jù)是指鋰電池的容量數(shù)據(jù)。
3. 根據(jù)權(quán)利要求1所述的基于小波降噪和相關(guān)向量機的鋰電池剩余壽命預(yù)測方法，其 特征在于，所述步驟（2)中，小波二次降噪的方法為對測量到的鋰電池容量數(shù)據(jù)分別進行兩 次小波降噪，去除噪聲信號。
4. 根據(jù)權(quán)利要求1所述的基于小波降噪和相關(guān)向量機的鋰電池剩余壽命預(yù)測方法，其 特征在于，所述步驟（3)中，鋰電池失效的容量閾值是鋰電池標(biāo)稱容量的65%-75%。
5. 根據(jù)權(quán)利要求1所述的基于小波降噪和相關(guān)向量機的鋰電池剩余壽命預(yù)測方法，其 特征在于，所述步驟（4)中，鋰電池容量數(shù)據(jù)為/? &…&，其中η彡1，η為測量的周期 數(shù)，對應(yīng)的容量數(shù)據(jù)序列為[//；, &…，私]，鋰電池容量數(shù)據(jù)的各個充放電周期依次為^ 心…，7；，對應(yīng)的充放電周期數(shù)據(jù)序列為[匕心…，7；]; 應(yīng)用差分進化算法對相關(guān)向量機算法的寬度因子進行優(yōu)化選擇的過程為： (4. 1)初始化差分進化算法，包括種群個體及規(guī)模、比例因子、交叉常數(shù)和迭代次數(shù)等， 其中需要優(yōu)化的寬度因子被映射為個體； (4. 2)通過突變操作生成突變矢量； (4. 3)通過交叉操作生成試驗矢量； (4. 4)通過選擇操作選擇下一代個體； (4. 5)重復(fù)（4. 2) -（4. 4)直至迭代結(jié)束，輸出結(jié)果。
6. 根據(jù)權(quán)利要求1所述的基于小波降噪和相關(guān)向量機的鋰電池剩余壽命預(yù)測方法，其 特征在于，所述步驟（5)中，剩余壽命是指鋰電池發(fā)生失效前剩余的充放電周期數(shù)； 應(yīng)用經(jīng)差分進化算法優(yōu)化后的相關(guān)向量機算法預(yù)測鋰電池的剩余壽命的方法為：對 7；之后每個充放電周期的鋰電池容量進行連續(xù)預(yù)測，找到第一次滿足且 ,條件的第個充放電周期，則鋰電池在第個充放電周期后失效，其剩余 壽命為^個充放電周期，其中是該鋰電池失效的容量閾值。
7. 根據(jù)權(quán)利要求5所述的基于小波降噪和相關(guān)向量機的鋰電池剩余壽命預(yù)測方法，其 特征在于，差分進化算法是一種基于種群個體的隨機搜索算法，差分進化算法隨機生成個 體名<(? = 1，2，...，奶，其中/為個體的編號，#是個體的數(shù)量，^是當(dāng)前迭代次數(shù)，差分進化 算法包括突變、交叉和選擇三個操作過程； 突變矢量在突變操作中由下述公式生成：
其中rl、r2和r3是隨機選自于{U，…; /7是比例因子； 試驗矢量在交叉操作中由匕<?和名.￡?生成：
其中〇€[0,1],是事先定義的交叉常數(shù)，1^?^是0- 1之間的隨機數(shù)； 假設(shè)是一個需要最小化的適應(yīng)度函數(shù)，下一代個體的生成由選擇操作完成：
【文檔編號】G01R31/36GK104459560SQ201410833574
【公開日】2015年3月25日 申請日期:2014年12月29日 優(yōu)先權(quán)日:2014年12月29日
【發(fā)明者】何怡剛, 張朝龍, 佐磊, 項勝, 尹柏強 申請人:合肥工業(yè)大學(xué)