[發明專利]基于改進型極限學習機的鋰電池剩余使用壽命預測方法

有效

• 申請號: 202110362770.0
• 申請日: 2021-04-02
• 公開（公告）號: CN113203953B
• 公開（公告）日: 2022-03-25
• 發明（設計）人: 高晟耀;宋艷;郭慶穩;李沂濱;高輝
• 申請（專利權）人: 中國人民解放軍92578部隊;山東大學
• 主分類號: G01R31/367
• 分類號: G01R31/367;G01R31/392;G06N3/04;G06N3/08
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 羅文群

本發明屬于剩余使用壽命預測技術領域，涉及一種基于改進型極限學習機的鋰電池剩余使用壽命預測方法。首先獲取鋰電池歷史監測數據，實時采集的鋰電池電流、電壓、溫度數據，構成訓練數據集和測試數據集；構建改進型極限學習機，對訓練數據集和測試數據集分別進行處理；構建相鄰剩余使用壽命值對應的電流、電壓、溫度數據的前后相關性；利用訓練好的改進型極限學習機，得到測試數據的預測結果，完成鋰電池剩余使用壽命預測。本方法通過充分考慮鋰電池剩余使用壽命預測數據集較小、同時考慮了不同種類數據對預測結果的影響以及同種數據之間的時間相關性，能有效提高鋰電池剩余使用壽命預測的準確性，因此本發明方法具有很好的應用前景。

技術領域

本發明屬于剩余使用壽命預測技術領域，涉及一種基于改進型極限學習機的鋰電池剩余使用壽命預測方法。

背景技術

鋰電池剩余使用壽命預測對生產安全、生活安全至關重要。現有方法通常將鋰電池在每個時間段的溫度、電流、電壓等數據作為特征，基于機器學習方法對其剩余使用壽命進行預測。

近年來，深度學習方法以其在圖像分類、數據挖掘和語音識別等任務上的突出表現而備受關注。由于深度學習網絡參數較多，訓練深度學習網絡通常需要幾萬甚至幾百上千萬的輸入數據。但是，現有的鋰電池數據量較小，常用的NASA鋰電池剩余使用壽命預測數據集只有幾百組數據。使用這樣的數據集訓練深度學習網絡會出現欠擬合或者過擬合問題。因此，只能使用淺層的、參數量少的機器學習網絡做鋰電池的剩余壽命預測。近年來，極限學習機(Extreme Learning Machine，簡稱ELM)在樣本量小的數據集學習任務中有較好的表現。ELM包含輸入層、隱藏層和輸出層，并隨機產生輸入層與隱藏層之間的參數，只有隱藏層與輸出層之間的輸出參數需要計算，ELM參數量遠遠少于深度學習網絡，因此它適用于小樣本數據集預測任務。但據了解，ELM在處理鋰電池剩余使用壽命預測這種時間序列數據集時，存在以下問題：一、沒有考慮不同類型的數據對預測結果的不同影響，例如鋰電池的電流、電壓、溫度等數據，可能對剩余壽命的影響都是不同的，但是ELM中并沒有體現；二、處理時間序列數據時，ELM沒有考慮前后數據的時間相關性。因此，為了更好的預測鋰電池剩余使用壽命，必須對當前ELM算法進行改進以解決上述問題。

發明內容

本發明的目的是提出一種基于改進型極限學習機的鋰電池剩余使用壽命預測方法，充分考慮不同類型數據以及時間序列數據的情況，以提高鋰電池剩余使用壽命的預測準確度。

本發明提出的基于改進型極限學習機的鋰電池剩余使用壽命預測方法，包括以下步驟：

獲取鋰電池歷史監測數據，包括鋰電池在每個檢測時間段的電流、電壓、溫度三類數據，將與檢測數據相對應的剩余使用壽命作為標簽，構成一個訓練數據集；

獲取實時采集的鋰電池電流、電壓、溫度數據，構成一個測試數據集；

構建一個改進型極限學習機，改進型極限學習機使用隱藏層節點數不同的線性變換和非線性變換方法，對訓練數據集和測試數據集分別進行處理；同時，改進型極限學習機在隱藏層和輸出層之間構建相鄰剩余使用壽命值對應的電流、電壓、溫度數據的前后相關性；

對改進型極限學習機進行訓練，通過最小化訓練數據集的預測結果與真實標簽的均方誤差確定改進型極限學習機的最優參數；

利用訓練好的改進型極限學習機，得到測試數據的預測結果，完成鋰電池剩余使用壽命預測。

本發明提出的基于改進型極限學習機的鋰電池剩余使用壽命預測方法，其優點是：

本發明的基于改進型極限學習機的鋰電池剩余使用壽命預測方法，通過充分考慮鋰電池剩余使用壽命預測數據集較小、同時考慮了不同種類數據對預測結果的影響以及同種數據之間的時間相關性，能有效提高鋰電池剩余使用壽命預測的準確性，因此本發明方法具有很好的應用前景。

具體實施方式