[發明專利]基于稀疏系數多核相關向量機的鋰電池剩余壽命預測方法

有效

• 申請號: 201710447298.4
• 申請日: 2017-06-14
• 公開（公告）號: CN107015165B
• 公開（公告）日: 2020-01-17
• 發明（設計）人: 張朝龍;何怡剛;袁莉芬;李志剛;項勝;尹柏強
• 申請（專利權）人: 安慶師范大學
• 主分類號: G01R31/367
• 分類號: G01R31/367;G01R31/392
• 代理公司: 34112 安徽合肥華信知識產權代理有限公司
• 代理人: 余成俊

本發明公開了一種基于稀疏系數多核相關向量機的鋰電池剩余壽命預測方法，應用集合經驗模態分解去噪提取接近原本數據的去噪數據，并基于該數據應用稀疏系數多核相關向量機建立預測模型對鋰電池的剩余壽命進行預測；具體方法為：測量鋰電池隨著充放電周期的健康狀況數據；對鋰電池的容量測量數據進行集合經驗模態分解去噪；計算鋰電池失效的容量閾值；基于鋰電池的容量去噪數據序列和充放電周期數據序列，應用粒子群算法優化生成稀疏系數多核相關向量機的稀疏系數；應用稀疏系數多核相關向量機預測鋰電池的剩余壽命。本發明操作方法簡單有效，可精確地預測鋰電池的剩余壽命。

技術領域

本發明涉及鋰電池剩余壽命預測領域，具體涉及一種基于稀疏系數多核相關向量機的鋰電池剩余壽命預測方法。

背景技術

鋰電池是電動汽車、電子消費品以及便攜式儀表等設備中重要的供能和儲能部件，鋰電池的失效將會引起設備的性能下降﹑功能失靈﹑反應遲緩以及其他電子故障。因此對鋰電池的剩余壽命進行預測，是十分必要的。

鋰電池的健康狀況一般應用其電池容量進行表征，而容量數據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、隨機負載以及鋰電池內部的不可預知物理或化學的行為，故鋰電池的容量測量數據中一般包含各種類型及不同大小的噪聲，從而導致無法準確地進行壽命預測。

集合經驗模態分解(ensemble empirical mode decomposition，EEMD)去噪是一種新穎的不平穩信號去噪方法，通過判斷和原本數據相關的本征模態函數(intrinsicmode function，IMF)，即可重組接近原本數據的去噪數據。相關向量機是一種基于貝葉斯框架的回歸預測算法，運算速度快，適用于在線檢測，已有研究證明相關向量機的預測精度高于支持向量機和神經網絡等常用算法。核函數是相關向量機的重要組成部分，它將輸入數據映射至一個高維特征空間。單核學習方法是相關向量機核函數的常用方法，然而該方法易于忽略訓練數據中的部分有用信息，從而導致次優的泛化性能和預測性能。

發明內容

本發明要解決的技術問題是，克服現有技術存在的上述缺陷，提出一種基于稀疏系數多核相關向量機的鋰電池剩余壽命預測方法，應用集合經驗模態分解去噪提取接近原本數據的去噪數據，并基于該數據應用稀疏系數多核相關向量機建立預測模型對鋰電池的剩余壽命進行預測，具有可有效去除噪聲及提取接近原本數據的去噪數據，并可精確預測鋰電池剩余壽命的優點。

本發明解決其技術問題所采用的技術方案為：

基于稀疏系數多核相關向量機的鋰電池剩余壽命預測方法，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據；

(2)對鋰電池的容量測量數據進行集合經驗模態分解(ensemble empirical modedecomposition，EEMD)去噪；

(3)計算鋰電池失效的容量閾值；

(4)基于鋰電池的容量去噪數據序列和充放電周期數據序列，應用粒子群算法優化生成稀疏系數多核相關向量機的稀疏系數；

(5)應用稀疏系數多核相關向量機預測鋰電池的剩余壽命。

所述的基于稀疏系數多核相關向量機的鋰電池剩余壽命預測方法，其特征在于，所述步驟(1)中，鋰電池的健康狀況數據是指鋰電池的容量數據。