[發明專利]一種缺失觀測值條件下鋰電池剩余壽命預測方法

有效

• 申請號: 201910011104.5
• 申請日: 2019-01-07
• 公開（公告）號: CN109815995B
• 公開（公告）日: 2020-10-27
• 發明（設計）人: 汪秋婷;沃奇中;戚偉;肖鐸;劉泓
• 申請（專利權）人: 浙江大學城市學院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F17/16;G06F17/18;G06N3/04;G06N3/08
• 代理公司: 杭州九洲專利事務所有限公司 33101
• 代理人: 張羽振

1.一種缺失觀測值條件下鋰電池剩余壽命預測方法，其特征在于，包括以下步驟：

步驟1：缺失觀測值條件下的鋰電池剩余壽命預測方法總體框架設計；基于動態極端學習機ELM進行推算和預測；預處理模塊基于ELM算法設計單點插值和多重插值，預測模塊基于傳統ELM、核化ELM和在線順序ELM設計多步超前預測方法；

步驟2：預處理模塊算法設計；基于傳統ELM算法，設計單點插值和多重插值算法；

步驟2-1：引入極端學習機ELM算法；給定一組m個觀測值，ELM隨機分配輸入權重和隱藏層偏差；ELM分析和調整輸出權重，算法公式如下：

式中，α為輸出權值，h_i為非線性特征映射，w_i為連接第i個隱藏節點與輸入節點的權值，b_i為第i個隱藏節點的門限值；ELM模型訓練期間，最小化預測誤差||Hα-F||²和輸出權值額定值||α||計算公式如下：

其中，表示輸出節點x_j的誤差向量，為正則化參數，F為函數f_ELM的解；為了解決優化問題，找到下列線性系統的最小范數最小二乘解：

Hα＝F (4)

公式(4)得到最小二乘解α＝H^TF；H^T利用正交投影技術獲得先驗信息；

步驟2-2：單點插值算法ELMSI設計：首先將觀測數據集分成兩個不同的子集，完備子集X_complete和不完備子集X_uncom，然后對子集X_uncom中的任何觀測向量x_n，利用X_complete中的所有完備觀測值來訓練ELM模型；最后，定義目標特征向量X_n，并利用訓練完成的ELM模型估計X_n的缺失觀測值特征；

步驟2-3：多重插值算法ELMMI設計：初始狀態，ELMMI將數據集分成兩個子集，完備子集X_complete和不完備子集X_uncom；通過X_uncom的每個觀測向量x_n，循環創建p個估計集，且滿足p∈[1,5]，每個估計集生成一個矩陣大小為m×n的完全估計數據集；利用X_complete中的所有完全觀測值，循環訓練ELM模型，以x_n中的所有不完全觀測特征為目標向量，其余觀測特征為輸入向量，估計不完備子集X_uncom中的缺失觀測向量特征；利用相似函數λ計算最近輸入的觀測值x_n與完備子集X_complete中的每個觀測值之間的相似度；插值算法搜索完備子集X_complete，選擇l個最相近的鄰接值構建數據子集X_l；以X_l中的所有觀測值作為訓練目標，利用x_n中所有相應的不完全觀測特征作為輸入向量，訓練ELM模型；兩次訓練ELM模型，得到最終ELMMI模型，估計X_n的缺失觀測值，并將完全觀測值加入完備子集X_complete中；

步驟3：預測模塊算法設計；引入一步超前預測，設計多步超前預測算法作為鋰電池剩余壽命預測方法的組成模塊；基于ELM設計核化極限學習機；

步驟3-1：核化極限學習機設計；基于ELM設計核化極限學習機KELM，利用ELM模型的內核矩陣，并滿足Mercer條件，如公式(5)：

Ψ_KELM＝HH^T:f_KELM(x_i,x_j)＝h(x_i)·h(x_j) (5)

KELM模型的輸出函數重新構建為：

式中，Y和f_KELM(·)分別表示辨識矩陣和內核函數，選取m個觀測值，且有公式：

利用多種核函數訓練KELM模型，該函數滿足Mercer條件；利用小波函數WAV和徑向基函數RBF訓練KELM模型，建立小波函數和RBF函數的公式分別為：

其中，τ，υ，ζ和ξ分別為算法訓練過程中的模型參數；

步驟3-2：多步超前預測算法設計；多步超前預測MSP分為三大類：迭代法、DirRec法和直接法；基于多重插值技術和DirRec法，設計多步超前預測的新模型，該模型在每個計算步驟之后生成新的預測模型；

計算訓練子集中的新預測值，丟棄上一個觀測值，即每次迭代計算過程中保持訓練子集的觀測值數量相同；估計L個鋰電池容量的新預測值公式為：

式中，f_l為L階預測步長的預測模型；

步驟4：ELMMI多重插值算法模型訓練；

步驟4-1：在電池老化數據集的各個周期中引入一組缺失觀測值創建不完全數據集X_u'_ncom；缺失觀測值隨機導入不同的數據集周期中，訓練序列的最后周期導入概率最高；

步驟4-2：選取單體電池前40％～50％電壓/電流和SOC采用數據，進行ELMMI模型訓練；將完備子集中的向量X_complete重寫為模型訓練公式為：

式中，H為隱藏節點矩陣，為輸出權值矩陣；利用模型函數f_ELMMI預測X′_uncom的不完備向量x_n∈X_complete，且導入隨機缺失觀測值；選取前40％～50％采樣值進行模型訓練，模型訓練公式為：

步驟4-3：完全觀測值向量表示為訓練模型選取非線性模型、線性模型，并與目標參數真實值進行比較；

步驟5：多步超前預測方法模型訓練；對包含20％以內缺失觀測值的不完全數據集，用多重插值算法對輸入子集進行數據填補。

2.根據權利要求1所述的缺失觀測值條件下鋰電池剩余壽命預測方法，其特征在于，所述步驟2-3中，基于ELM的多重插值算法ELMMI還包括以下步驟：

輸入：X_m×n為一個不完全數據集，Γ為ELM模型的參數集；

定義：c^mis為一個觀測值的缺失特征，c^obs為一個觀測值的可觀測特征，d^mis為不完全觀測值，d^obs為完全觀測值，X為總觀測數據集，X_complete為X的完備子集，X_uncom為X的不完備子集，X_estmation為完全觀測值的估計集，為某兩個觀測值x_n和x_m之間的相似度；

式中，GRC為灰色關聯系數，表示為GRC(x_nj,x_mj)＝0.5/(|x_nj-x_mj||+0.5)；

1)將X分解為X_complete和X_uncom；

2)將X_uncom用c^mis數據集表示，并從小到大排列；

3)歸一化X_complete和X_uncom；

在p個數據集內，滿足p＝(1:1:5)，進行以下步驟：

當n滿足公式進行步驟4)到步驟12)；

4)利用參數X_complete重寫為x_n，訓練ELM模型；

式中，H為隱藏節點矩陣，為輸出權值矩陣，為完備子集中的可觀測值；

5)利用模型函數f_ELM預測X_uncom的不完全觀測值x_n，x_n∈X_uncom

重寫完全觀測值表達式為

當m滿足時，進行步驟6)和步驟7)；

6)計算權值系數γ：

γ＝(2β-1)/10

式中，β為參數系數；

7)計算相似度方程：

M取值循環結束；

8)按照參數X_complete降序排列寫出方程λ；

9)當方程值λ最大時，選出l個觀測值，滿足

10)利用下式訓練ELM模型：

11)利用f_ELM估計缺失值x_n∈X_uncom，公式為

重寫完全觀測值表達式為

12)將代替參數集X_complete中向量；

n取值循環結束；

13)返回估計集X_estimation(a)＝X_complete；

p取值循環結束。