[发明专利]基于集成模型的锂离子电池寿命预测方法

说明书

技术领域

本发明涉及一种锂离子电池寿命预测方法。

背景技术

单调回声状态网络虽然从预测精度上对锂离子电池剩余寿命预测进行改善，但是由于回声状态网络的自由参数的设置缺乏严密的理论体系的指导，所以想要得到预先设置的预测精度，必须使用交叉验证或者专家经验的方法得到回声状态网络的参数，但是这种方法繁琐而且费时。而且由于神经网络内部的不透明性，导致输出的不稳定性，这将大大限制单调回声状态网络的应用。

发明内容

本发明是为了解决现有的锂离子电池寿命预测适用性低、稳定性差的问题，从而提供一种基于集成模型的锂离子电池寿命预测方法。

基于集成模型的锂离子电池寿命预测方法，它由以下步骤实现：

步骤一、对电池循环充放电试验测试数据进行预处理，得到等压降时间序列作为输入数据集和锂离子电池剩余容量序列作为输出数据集；将原始数据集分为训练数据集Train dataset和测试数据集Test dataset；

步骤二、采用Bagging算法对训练数据集Train dataset进行二次重采样，得到T个新的训练集；

步骤三、建立单调回声状态网络模型，所述单调回声状态网络模型中输入维数为L、储备池规模为N和输出维数为M；L、N和M均为正整数；

步骤四、初始化单调回声状态网络内部连接权值，重复步骤四一至步骤四三T次，得到T个未经训练的单调回声状态网络子模型；

步骤四一、随机建立N×L维输入权值矩阵Wⁱⁿ，N×N维内部连接权值矩阵W₀和N×M维反馈权值矩阵W^back；

步骤四二、根据公式：

W₁＝W₀/|λ_max|

获得W₁，其中|λ_max|是W₀的最大特征值的绝对值，此时W₁的谱半径为1；

步骤四三、根据公式：

W＝αW₁

式中：α＜1；

此时内部连接权值具有小于1的谱半径，完成一次未经训练的单调回声状态网络子模型的建立；

步骤五、设置单调回声状态网络模型的第一自由参数集，所述第一自由参数集包括储备池规模N₁、谱半径sr₁、输入单元尺度IS₁和输入单元位移IF₁，使其满足单调回声状态网络输出RUL预测值大于RUL真实值，并使得T/2个单调回声状态网络模型的自由参数集为第一自由参数集；

设置单调回声状态网络模型的第二自由参数集，所述第二自由参数集包括储备池规模N₂、谱半径sr₂、输入单元尺度IS₂和输入单元位移IF₂，使其满足MONESN输出RUL预测值小于RUL真实值；使得剩余的T/2个单调回声状态网络模型的自由参数集为第二自由参数集；

步骤六、集成单调回声状态网络模型的输出RUL_i，并采用测试数据集Test dataset驱动集成单调回声状态网络模型，根据公式：

RULF=1TΣi=1TRULi]]>

获得锂离子电池剩余寿命预测值，完成基于集成模型的锂离子电池寿命预测。

采用Bagging算法对训练数据集Train dataset进行二次重采样，得到T个新的训练集的具体方法是：

步骤A1、给定训练数据集Train dataset＝{(x₁，y₁)，(x₂，y₂)，...，(x_m，y_m)}，使用基本学习算法为f，建立T个子模型；