专利名称：动态灰色相关向量机的锂离子电池剩余寿命预测方法
技术领域：
本发明涉及一种锂离子电池剩余寿命预测方法，具体涉及动态灰色相关向量机的锂离子电池剩余寿命预测方法。
背景技术：
锂离子电池以其优越的性能已经应用于我们生活中的各个领域，目前已经逐渐扩展到航空、航天等领域，如在轨卫星、空间站等。随着充放电循环的进行，锂离子电池内阻增大，寿命降低。对于人类难以接近的空间应用，锂离子电池的故障或寿命缩短常常引发致命故障，如美国Mars Global Surveyor飞行器失效,就是由于电池故障导致计算机系统的一系列错误，致使电池系统直面太阳照射导致过热造成安全系统失效所引发的任务失败。可见，锂离子电池剩余寿命预测是十分重要的。剩余寿命预测是个典型的时多步预测问题，而多步预测通常有两种方法1)直接法，即通过一定的数学模型直接逼近h步的预测公式；2)迭代法，即通过一定的数学模型逼近I步预测公式，然后通过对其进行迭代操作，进而预测多步。由于直接方案对训练数据的要求较高，在实际应用中通常难以满足，故本文针对锂离子电池剩余寿命预测开展迭代预测方案研究。如图2所示，锂离子电池容量退化总体呈下降趋势，局部存在明显的容量再生现象，且锂离子容量数据是典型的小样本数据。直接采用相关向量机进行迭代预测时，由于较少的数据样本很难获得较高的精度。由于迭代预测依赖于准确的单步预测，单步预测误差会随着迭代过程的进行而逐渐累积，最终导致多步预测精度急剧下降。目前，剩余寿命预测方法可分为基于模型和数据驱动两类。基于模型的方法从电池内部的电化学反应出发建立电池等效电路模型，预测精度依赖模型的准确性，而实际应用很难准确建立电池模型。数据驱动方法主要包括神经网络、支持向量机、粒子滤波方法。神经网络预测方法不需要建立系统的数学模型且具有极强的非线性映射能力，但训练时需要大量数据样本。支持向量机方法针对小样本、非线性问题具有明显优势，已经被广泛应用于预测领域，但其主要缺点是只能给出单点预测值。粒子滤波方法是概率式的预测，目前的研究较多，其主要缺点是依赖经验模型来建立状态转移方程。

发明内容
本发明为了解决现有锂离子电池剩余寿命预测方法中存在的缺点只能给出单点预测值和依赖经验模型来建立状态转移方程预测精度差的问题，提出了动态灰色相关向量机的锂离子电池剩余寿命预测方法。动态灰色相关向量机的锂离子电池剩余寿命预测方法包括下述步骤步骤一、选择锂离子电池容量训练数据，并将该数据集合作为原始数据集合；步骤二、MDGM建模，对原始数据集合进行预测；步骤三、根据预测结果更新原始数据集合中的元素；
步骤四、判断原始数据预测是否完成，若是，执行步骤五；若否，则重复预测；步骤五、根据输入为原始数据的预测值集合，输出为原始数据集合，训练相关向量机模型；步骤六、容量预测根据步骤二得到的MDGM模型进行短期预测，将该预测值输入相关向量机模型得到预测步长为10的容量预测值；步骤七、将10个容量预测值更新到原始数据集合中，构造等维新数据集合Y即在原始数据集合中从r元素开始删除10个元素，其中，r=l;步骤八、对数据集合Zf与原始数据集合进行相关性计算；步骤九、根据相关性计算结果进行判断，若相关性大于0. 9，判断为是，将Xf作为输入数据集合，执行步骤十进行递推预测；否则，将I作为输入数据集合，执行步骤十五进行递推预测；步骤十、MDGM建模，将XT作为输入数据集合进行预测；步骤十一、判断输入数据集合预测是否完成，若是，执行步骤十二 ；若否，则重复预测；步骤十二、保持向量机模型不变；步骤十三、容量预测根据步骤十一得到的MDGM模型进行短期预测，将该预测值输入相关向量机模型，得到预测步长为10的容量预测值，将10个容量预测值与失效阈值U分别进行比较，判断容量预测值是否小于失效阈值，U=L 38Ah，若是执行步骤二十，否则返回执行步骤十四；步骤十四、将10个容量预测值更新到原始数据集合中，构造等维新数据集合，r=r+10,即在原始数据集合中从第r个元素开始删除10个元素，执行步骤九；步骤十五、MDGM建模，将Xf作为输入数据集合进行预测；步骤十六、根据预测结果更新输入数据集合中的元素；步骤十七、判断输入数据集合的预测是否完成，若是，执行步骤十八；若否，则重复预测；步骤十八、根据输入为数据集合的预测值集合，输出为步骤十六中的更新后的输入数据集合，训练相关向量机模型；步骤十九、容量预测根据步骤十五得到的MDGM模型进行短期预测，将该预测值输入相关向量机模型，得到预测步长为10的容量预测值，将10个容量预测值与失效阈值U分别进行比较，判断容量预测值是否小于失效阈值，若是执行步骤二十，否则返回执行步骤十四；步骤二十、停止预测，停止预测时的容量所对应的充放电循环次数，即为锂离子电池剩余寿命预测值。本发明首先采用灰色模型对小样本数据进行趋势预测，然后采用相关向量机进行回归预测，同时输出预测结果的概率信息。最后针对多步预测问题，采用相关性分析动态地更行预测模型，从而提高预测精度。本发明采用了支持向量机类似的相关向量机(Relevance Vector Machine, RVM)是由美国Tipping博士 2000年提出的基于概率学习的稀疏Bayesian学习理论的算法模型。基于核函数的相关向量机，不仅能够反映输出结果的概率信息，并且拥有泛化能力强、固定超参数、学习算法简单易实现的优点，已经广泛应用于预测领域。本发明在组合模型的基础上，提出动态训练的灰色相关向量机模型。将短期预测结果不断地更新到训练数据序列中，然后进行相关性分析，根据相关性进行重新训练，进而提高多步迭代预测的精度。同时，RVM还能输出预测结果的概率信息，对于实际应用具
有重要意义。


图1为本发明所述的动态灰色相关向量机的锂离子电池剩余寿命预测方法的方法流程图；图2为锂离子电池容量退化曲线图；图3为4个电池容量退化曲线图，图中X表示横坐标充放电周期,Y表示纵坐标电池容量；图4为Battery #5锂离子电池容量退化曲线预测曲线图；图5为Battery #6锂离子电池容量退化曲线预测曲线图；图6为Battery #7锂离子电池容量退化曲线预测曲线图。
具体实施例方式具体实施方式
一、结合图1具体说明本实施方式，本实施方式所述的动态灰色相关向量机的锂离子电池剩余寿命预测方法，包括下述步骤
步骤一、选择锂离子电池容量训练数据，并将该数据集合作为原始数据集合；步骤二、MDGM建模，对原始数据集合进行预测；步骤三、根据预测结果更新原始数据集合中的元素；步骤四、判断原始数据预测是否完成，若是，执行步骤五；若否，则重复预测；步骤五、根据输入为原始数据的预测值集合，输出为原始数据集合，训练相关向量机模型；步骤六、容量预测根据步骤二得到的MDGM模型进行短期预测，将该预测值输入相关向量机模型得到预测步长为10的容量预测值；步骤七、将10个容量预测值更新到原始数据集合中，构造等维新数据集合# ,即在原始数据集合中从r元素开始删除10个元素，所述的10个容量预测值为经过十次充放电次数的充放电的电池容量，其中，r=l;步骤八、对数据集合尤 与原始数据集合进行相关性计算；步骤九、根据相关性计算结果进行判断，若相关性大于0. 9，判断为是，将U作为输入数据集合，执行步骤十进行递推预测；否则，将A=作为输入数据集合，执行步骤十五进行递推预测；步骤十、MDGM建模，将A:作为输入数据集合进行预测；步骤十一、判断输入数据集合预测是否完成，若是，执行步骤十二 ；若否，则重复预测；步骤十二、保持向量机模型不变；
步骤十三、容量预测根据步骤十一得到的MDGM模型进行短期预测，将该预测值输入相关向量机模型，得到预测步长为10的容量预测值，将10个容量预测值与失效阈值U分别进行比较，判断容量预测值是否小于失效阈值，U=L 38Ah，若是执行步骤二十，否则返回执行步骤十四；步骤十四、将10个容量预测值更新到原始数据集合中，构造等维新数据集合，r=r+10,即在原始数据集合中从第r个元素开始删除10个元素，执行步骤九；步骤十五、MDGM建模，将X,=作为输入数据集合进行预测；步骤十六、根据预测结果更新输入数据集合中的元素；步骤十七、判断输入数据集合I"的预测是否完成，若是，执行步骤十八；若否，则重复预测；步骤十八、根据输入为Xm:1数据集合的预测值集合，输出为步骤十六中的更新后的输入数据集合，训练相关向量机模型；步骤十九、容量预测根据步骤十五得到的MDGM模型进行短期预测，将该预测值输入相关向量机模型，得到预测步长为10的容量预测值，将10个容量预测值与失效阈值U分别进行比较，判断容量预测值是否小于失效阈值，若是执行步骤二十，否则返回执行步骤十四； 步骤二十、停止预测，停止预测时的容量所对应的充放电循环次数，即为锂离子电池剩余寿命预测值。本实施方式采用的短期预测步长的选取需要根据实际问题而定，步长大了会导致预测精度较差，步长过短效率较低。所选取的锂离子电池实验数据，根据实验证明步长选为10较适合。本实施方式构造的新序列与训练数据序列进行相关性计算，采用灰色关联分析，根据序列曲线几何形状的相似程度来判断其联系是否紧密。曲线越接近，相应序列之间的关联度就越大，反之就越小。锂离子电池容量退化总体上呈线性下降趋势，所以采用斜率关联度的方法计算两个序列的灰色关联系数。根据灰色关联系数的大小来判断是否需要进行重新训练，灰色关联系数的取值范围需要根据实际问题进行选取，取值过大可能会造成预测精度较大，取值太大会导致训练频繁，降低效率。
具体实施方式
二、本实施方式与具体实施方式
一所述的动态灰色相关向量机的锂离子电池剩余寿命预测方法的区别在于，步骤一所述的选择锂离子电池容量训练数据，并将该数据集合作为原始数据集合的具体过程为选取当前时刻之前60个充放电循环的锂离子电池容量数据集合X(°) = {x(°) (1)，^
(2)，…x(°) (i)…，x(°) (n)}作为原始数据集合，其中，n=60。
具体实施方式
三、本实施方式与具体实施方式
二所述的动态灰色相关向量机的锂离子电池剩余寿命预测方法的区别在于，步骤二所述的MDGM建模，对原始数据集合进行预测的具体过程为A、建立灰色微分方程将选取的原始数据集合作为MDGM(1，I)模型的输入数据集合，根据公式(I)获取x(1)(k)
权利要求
1.动态灰色相关向量机的锂离子电池剩余寿命预测方法，其特征在于它包括下述步骤 步骤一、选择锂离子电池容量训练数据，并将该数据集合作为原始数据集合； 步骤二、MDGM建模，对原始数据集合进行预测； 步骤三、根据预测结果更新原始数据集合中的元素； 步骤四、判断原始数据预测是否完成，若是，执行步骤五；若否，则重复预测； 步骤五、根据输入为原始数据的预测值集合，输出为原始数据集合，训练相关向量机模型； 步骤六、容量预测根据步骤二得到的MDGM模型进行短期预测，将该预测值输入相关向量机模型得到预测步长为10的容量预测值； 步骤七、将10个容量预测值更新到原始数据集合中，构造等维新数据集合Zf ,即在原始数据集合中从r元素开始删除10个元素， 其中，r=l ； 步骤八、对数据集合AT与原始数据集合进行相关性计算； 步骤九、根据相关性计算结果进行判断，若相关性大于O. 9，判断为是，将ZT作为输入数据集合，执行步骤十进行递推预测；否则，将#作为输入数据集合，执行步骤十五进行递推预测； 步骤十、MDGM建模，将作为输入数据集合进行预测； 步骤十一、判断输入数据集合预测是否完成，若是，执行步骤十二 ；若否，则重复预测； 步骤十二、保持向量机模型不变； 步骤十三、容量预测根据步骤十一得到的MDGM模型进行短期预测，将该预测值输入相关向量机模型，得到预测步长为10的容量预测值，将10个容量预测值与失效阈值U分别进行比较，判断容量预测值是否小于失效阈值，U=L 38Ah，若是执行步骤二十，否则返回执行步骤十四； 步骤十四、将10个容量预测值更新到原始数据集合中，构造等维新数据集合，r =r+ΙΟ,即在原始数据集合中从第r个元素开始删除10个元素，执行步骤九； 步骤十五、MDGM建模，将I作为输入数据集合进行预测； 步骤十六、根据预测结果更新输入数据集合中的元素； 步骤十七、判断输入数据集合YT的预测是否完成，若是，执行步骤十八；若否，则重复预测； 步骤十八、根据输入为ΑΓ数据集合的预测值集合，输出为步骤十六中的更新后的输入数据集合，训练相关向量机模型； 步骤十九、容量预测根据步骤十五得到的MDGM模型进行短期预测，将该预测值输入相关向量机模型，得到预测步长为10的容量预测值，将10个容量预测值与失效阈值U分别进行比较，判断容量预测值是否小于失效阈值，若是执行步骤二十，否则返回执行步骤十四； 步骤二十、停止预测，停止预测时的容量所对应的充放电循环次数，即为锂离子电池剩余寿命预测值。
2.根据权利要求1所述的动态灰色相关向量机的锂离子电池剩余寿命预测方法，其特征在于步骤一所述的选择锂离子电池容量训练数据，并将该数据集合作为原始数据集合的具体过程为 选取当前时刻之前60个充放电循环的锂离子电池容量数据集合X(°) = {x(°) (1)，x(tl)
3.根据权利要求2所述的动态灰色相关向量机的锂离子电池剩余寿命预测方法，其特征在于步骤二所述的MDGM建模，对原始数据集合进行预测的具体过程为 Α、建立灰色微分方程将选取的原始数据集合作为MDGM(1，I)模型的输入数据集合，根据公式(I)获取x(1)(k) Xm (k) = YiXmO),(I) 其中，k=l, 2，…，η 根据公式(2)获得输入数据一次累加生成数据集合Χ(1)Χ(1) = {χ(1)⑴，χ(1)⑵，…x(1) (k)…，χ(1) (η)} (2) 根据公式(3)获得构建灰色微分方程
4.根据权利要求3所述的动态灰色相关向量机的锂离子电池剩余寿命预测方法，其特征在于步骤三所述的根据预测结果更新原始数据集合中的元素的具体过程为 a、令.F1(I)= ，根据公式(6)得到x(°) (k)的预测值
5.根据权利要求4所述的动态灰色相关向量机的锂离子电池剩余寿命预测方法，其特征在于步骤四所述的判断原始数据预测是否完成的具体过程为 C、判断m是否小于60，判断为是，m=m+l,执行步骤e，判断为否，则得到最终更新的数据集合Jfw ={产(I),严(2),产(H).}，该集合为MDGM(1，I)模型的预测集合； d、k = k+1,将1-Hl)代入公式(6)得到预测得至IJ X(0) (k)的预测值产W，将产《更新到第m-Ι次更新的数据集合中，得到第m次更新的数据集合尤^⑶⑴^⑶，…#^)…，# )，执行步骤C。
6.根据权利要求5所述的动态灰色相关向量机的锂离子电池剩余寿命预测方法，其特征在于步骤五所述的根据输入为原始数据的预测值集合，输出为原始数据集合，训练相关向量机模型；的具体过程为 原始数据的预测值集合I力相关向量机模型的输入，原始数据集合Xft0为相关向量机模型的输出；进行相关向量机模型训练； 所述的相关向量机模型的数学表达式为A =CIV,^-, 其中，ω = (ω0,…ω」···，ωη)τ为模型的权值，j = 0，1，…，η ; ε = ( ε工，ε 2，…ε η)为高斯噪声，且εη Ν(0，σ2) ;σ2为相关向量机模型的输出数据集合Χ(°)的噪声方差；Φ是一个 ηΧ (η+1)的矩阵，且 O = R1, Φ2- φη]τ, #( = [I,Κ(^,χ；0)),···,mf',if -)···Κ^.χ^)]， =1, 2*"11，尤保°)，圹)为核函数
7.根据权利要求6所述的动态灰色相关向量机的锂离子电池剩余寿命预测方法，其特征在于步骤六所述根据步骤二得到的MDGM模型进行短期预测，将该预测值输入相关向量机模型得到预测步长为10的容量预测值的具体过程为 所述的10步长分别为OK;,■■■，=，其中，h=l，2，…，10 ;将€;’无工...$,...，匕代入公式(17)，根据公式(18)和(19)得到的相关向量机模型中得到最终的预测值th:
全文摘要
动态灰色相关向量机的锂离子电池剩余寿命预测方法，本发明涉及动态灰色相关向量机的锂离子电池剩余寿命预测方法。本发明为了解决现有锂离子电池剩余寿命预测方法中存在的缺点只能给出单点预测值和依赖经验模型来建立状态转移方程预测精度差的问题。本发明首先采用灰色模型对小样本数据进行趋势预测；然后采用相关向量机进行回归预测；最后针对多步预测问题，采用相关性分析动态地更行预测模型，即在组合模型的基础上，将短期预测结果不断地更新到训练数据序列中，进行相关性分析，根据相关性进行重新训练，进而提高多步迭代预测的精度。本发明适用于锂离子电池领域。
文档编号G01R31/36GK103033761SQ201210547920
公开日2013年4月10日 申请日期2012年12月17日 优先权日2012年12月17日
发明者彭宇, 刘大同, 周建宝, 郭力萌, 彭喜元 申请人:哈尔滨工业大学