[發明專利]一種基于動態時變權重的鋰電池容量集成預測方法

有效

• 申請號: 202010114694.7
• 申請日: 2020-02-25
• 公開（公告）號: CN111337833B
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 程玉杰;呂琛;宋登巍
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G01R31/367
• 分類號: G01R31/367
• 代理公司: 北京京萬通知識產權代理有限公司 11440
• 代理人: 萬學堂

1.一種基于動態時變權重的鋰電池容量集成預測方法，該方法步驟如下：

步驟一、將鋰電池退化數據分為訓練數據集、驗證數據集、測試數據集三部分；

步驟二、選取幾個基元算法，利用訓練數據集訓練各個基元算法；

步驟三、基于訓練好的各基元算法預測模型，在驗證區間進行預測，并計算預測相對誤差；

步驟四、依據驗證區間的預測相對誤差計算各基元預測算法權重；

步驟五、在測試區間對預測相對誤差進行互補預測；

步驟六、計算預測相對誤差在測試區間的預測平均值作為時變權重誘導因子；

步驟七、利用訓練數據集和驗證數據集訓練各基元預測算法；

步驟八、基于步驟七訓練好的基元算法，在測試區間進行預測；

步驟九、基于V-IOWA實現實時的權重分配；

步驟十、將每個基元算法的預測結果與每個時刻的相應權重進行乘積并求和，得到最終的集成預測結果。

2.根據權利要求1所述的一種基于動態時變權重的鋰電池容量集成預測方法，其特征在于：所述步驟四所述各基元預測算法權重計算方法如下：

假設鋰電池真實容量退化數據為{x_t,t＝1,2,…,N}，各基元預測算法在驗證區間的預測結果為{x_{λ_index(it)},i＝1,2,…,m}，計算在t時間段內的基元算法預測誤差平方和：

其中，e_{λ_index(it)}＝x_t-x_{λ_index(it)}，為鋰電池容量真實值和基元預測算法預測結果的差值，ω_i為各基元算法的權重。

3.根據權利要求2所述的一種基于動態時變權重的鋰電池容量集成預測方法，其特征在于：所述權重的計算過程可以視為一個如下所示的最優化過程，通過優化算法就可以得到適用的單項模型集成權重序列：

其中，S為通過公式(6)計算得來的預測誤差平方和，ω_i為各基元算法的權重。

4.根據權利要求1所述的一種基于動態時變權重的鋰電池容量集成預測方法，其特征在于：所述步驟五的互補預測方法，即對于其中一個基元預測算法在驗證區間的預測相對誤差，利用其它的基元預測算法對其在測試區間進行預測。

5.根據權利要求1所述的一種基于動態時變權重的鋰電池容量集成預測方法，其特征在于：所述步驟九所述的基于V-IOWA實現實時的權重分配，即根據步驟六計算的時變權重誘導因子，將步驟四中基于驗證區間數據計算得來的較大的權重分配給較小的時變權重誘導因子所對應的基元預測算法在測試區間的預測結果。

6.根據權利要求1所述的一種基于動態時變權重的鋰電池容量集成預測方法，其特征在于：在步驟一前，收集電池容量退化數據{x_t}(S1)。

7.根據權利要求1所述的一種基于動態時變權重的鋰電池容量集成預測方法，其特征在于：

所述的步驟一：將電池退化數據{x_t}分為三部分，即訓練數據集{x_t1}＝{x₁,x₂,…,x_q}、驗證數據集{x_t2}＝{x_q+1,x_q+2,…,x_N}和測試數據集{x_t3}＝{x_N+1,x_N+2,…,x_Y}；

所述的步驟二：選取基元預算法，選取m個基元預測算法，利用訓練數據集{x_t1}訓練各個基元算法，進行預測模型訓練{x_t1}得到m個訓練好的預測模型{f_j,j＝1,2,…,m}；

所述的步驟三，基于訓練好的各基元算法預測模型，在驗證區間進行預測，并計算預測相對誤差；

所述的步驟十，將每個基元算法的預測結果與每個時刻的相應權重進行乘積并求和，按照公式(8)，將步驟七所計算的測試區間內m個預測結果序列乘以步驟九所分配的各個時刻所對應的權重，并進行求和，得到最終的集成預測結果，

其中，下標a_index(it)表示將序列{a_1t,a_2t,…,a_mt}中的元素由小到大排列后第i個小的數所對應的位置，ω＝{ω₁,ω₂,...,ω_m}為從大到小排列的權重系數。