基于相关向量回归的在线预测锂离子电池剩余寿命的方法

摘要

基于相关向量回归的在线预测锂离子电池剩余寿命的方法，属于锂离子电池寿命预测技术领域。它解决了现有锂离子电池采用离线方法预测剩余寿命，预测精度低的问题。它首先选取原始样本，然后进行相空间重构构造训练样本集；再初始化相关向量机RVM模型参数；RVM训练，得到RVM预测模型；得到预测值将与y_new进行比较，若则构造新的训练集WS＝WS∪INS，重新训练RVM，更新RVM预测模型；否则保持RVM预测模型不变；进行递推预测，直到预测值小于失效阈值U时预测完成，从而实现待预测锂离子电池剩余寿命的在线预测。本发明适用于锂离子电池剩余寿命的预测。

主权项

1.一种基于相关同量回归的在线预测锂离于电池剩余寿命的万法，其特征在于：它包括以下步骤：步骤一：选取待预测锂离子电池容量数据IS＝(C₁，C₂，…C_n)作为原始样本，C_i为电池容量，单位为Ah，i＝1，2，…，n，n为正整数；进行相空间重构构造训练样本集：设定嵌入维数l＝5，迟延d＝1，得到训练样本集{(x₁，y₁)，(x₂，y₂)，…，(x_n-l，y_n-l)}，其中x_j＝(C_j，C_j+1，…，C_j+l-1)，y_j＝C_j+l，j＝1，2，…n-l，其中x＝(x₁，x₂，…，x_n-l)为相关向量机RVM模型输入数据，y＝(y₁，y₂，…，y_n-l)为相关向量机RVM模型的输出数据；步骤二：初始化相关向量机RVM模型参数：相关向量机RVM模型的数学表达式为y＝Φω+ε，其中ω＝(ω₀，…，ω_n-l)^T为模型的权值，ε＝(ε₁，ε₂，…ε_n-l)为高斯噪声，且ε_j～N(0，σ²)，σ²为RVM模型输出数据y的噪声方差，Φ为n×(n+1)的矩阵，且Φ＝[φ₁，φ₂…φ_n-l]^T，φ_j＝[1，K(x_j，x₁)，…，K(x_j，x_j)…K(x_j，x_n-l)]K(x_j，x_n-l)为核函数：$K(x_j,x_{n-l})=\exp (-\frac{{\left|\right|x_j-x_{n-l}\left|\right|}^2}{{\eta }^2}),$η为核参数；设定核参数η＝3，最大迭代次数iter＝1000，{α_k}＝0.1，k＝0，1…n-l，α_k为权值ω_k的超参数，σ²＝var(y)*0.1；步骤三：RVM训练：步骤三一：计算ω的协方差∑和均值μ：∑＝(σ^-2Φ^TΦ+A)^-1，μ＝σ^-2∑Φ^Ty^T其中，∑为(n-l+1)×(n-l+1)的矩阵，μ为(n-l+1)×1的列向量，μ＝(μ₀，μ₁，…，μ_n-l)^T，A＝diag(α₀，α₁，…，α_n-l)；步骤三二：使用迭代估计法计算得到新的α_k和σ²，记为和(σ²)^new：${\alpha }_k^{\mathrm{new}}=\frac{{\gamma }_k}{{\mu }_k^2},$${\left({\sigma }^2\right)}^{\mathrm{new}}=\frac{\left|\right|y-\mathrm{\Phi \mu }\left|\right|}{n-l-\underset{k=0}{\overset{n-l}{\Sigma }}{\gamma }_k},$其中γ_k＝1-α_k∑_kk，μ_k为ω_k的均值，∑_kk为协方差∑的第k个对角线元素；设定迭代次数参数L＝1；步骤三三：将和(σ²)^new带入步骤三一的公式中，重复步骤三一和步骤三二，更新μ和∑，令L＝L+1，重复该步骤三三，直到L＞iter时迭代结束，迭代结束时的(σ²)^new记为步骤四：步骤三中迭代结束后，删除与ω_k＝0所对应x中的x_j，剩余x_j称为相关向量RVs，所有相关向量RVs组成相关向量集IS_RV，由此获得RVM预测模型h为预测步长，方差为并得到工作集WS，WS＝IS_RV；步骤五：将新增样本集INS＝[x_new，y_new]中x_new输入到RVM预测模型，得到预测值将与y_new进行比较，若则构造新的训练集WS＝WS∪INS，重新训练RVM，更新RVM预测模型；否则保持RVM预测模型不变；PEB为预测误差限，${\hat{y}}_{\mathrm{new}}={\mu }^T{\phi }_{\mathrm{new}},$${\sigma }_{\mathrm{new}}^2={\sigma }_{\mathrm{MP}}^2+{\phi }_{\mathrm{new}}^T\Sigma {\phi }_{\mathrm{new}},$${\sigma }_{\mathrm{new}}^2$为预测值的方差；步骤六：重复步骤三至步骤五，进行递推预测，直到预测值小于失效阈值U时预测完成，从而实现待预测锂离子电池剩余寿命的在线预测。