[发明专利]基于LS-SVM的概率集成学习锂离子电池剩余寿命预测方法

说明书

技术领域

本发明涉及一种电池剩余寿命预测方法。

背景技术

目前，我国极大部分长寿命卫星(8～15年)电源是由太阳电池阵-蓄电池组组成的联合电源，在卫星光照期，太阳能电池将光能直接转换为电能，向卫星供电并给蓄电池组充电；在阴影期，蓄电池向卫星供电。蓄电池主要由镍镉蓄电池或氢镍蓄电池组成。为满足各种高效益应用卫星对电源系统的需求，空间电源逐步向大功率、长寿命、轻质量、小体积和低成本方向发展。锂离子电池和传统镍镉或氢镍蓄电池相比，具有工作电压高、体积小，重量轻，比能量高、寿命长和自放电率小等优点，成为可以替代传统电池的第三代卫星用储能电源。如果航天器中的储能电源采用锂离子蓄电池，那么将使得储能电源在电源分系统所占重量从30％～40％降低至10％～15％，降低了航天器的发射成本，提高了有效载荷。

由于蓄电池组是卫星在阴影期的唯一能源，而蓄电池组的性能退化至无法满足卫星的正常供电需求或者蓄电池组失效，卫星将无法正常工作。而锂离子电池由于自身存在充放电管理、性能衰退等问题，因此在锂离子电池使用过程中必须充分考虑存储、使用和维护的可靠性和安全性。调查显示，电源系统故障是导致航天器任务失败的主要原因。例如，1999年美国的太空试验AFRL由于电池内部阻抗异常导致试验的失败，2006年美国Mars Global Surveyor飞行器失效是由于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。对于航空航天应用而言，锂离子电池的可靠工作显得尤为重要。因此，针对锂离子电池的剩余寿命(Remaining Useful Life,RUL)估计，开展研究工作具有重大的意义。

LS-SVM模型中的参数选择会对预测结果造成重大影响，如利用传统的十倍交叉验证的方法确定优化参数，多次训练确定的参数相差极大，导致模型的预测结果差异性很大，甚至有预测曲线与真实情况及其不相符的情况发生。

发明内容

本发明为了解决传统的预测模型的预测精度有限的问题和稳定性不好的问题，进而提出了基于LS-SVM的概率集成学习锂离子电池剩余寿命预测方法。

基于LS-SVM的概率集成学习锂离子电池剩余寿命预测方法的实现过程为：

步骤一：获得电池容量数据，并对提取的数据进行预处理：

获得锂离子电池充放电循环实验中的电池容量数据，根据数组的类型，提取电池放电过程中的容量数据集；为了防止错误的数据造成的滤波发散及参数估计不准确，剔除离群点数据，即剔除错误的数据，得到锂离子电池容量数据F；选取数据个数占电池容量数据F的ρ％时作为预测起始点后，将起始点之前的数据划分为总训练集，起始点之后的数据划分为总测试集；

步骤二：构造输入向量，根据预测模型确定模型超参数范围，包括以下步骤：

步骤2.1：构造输入向量：

锂离子电池容量数据F是一组一维的原始数据，将总训练集中每N+1个连续的数据构造成一个维数为N+1的训练向量，L1个连续的输入数据构成L1-N个N+1维的训练向量，构成原始训练向量集J₀，并设向量个数l等于L1-N；每个训练向量的前N个数构成输入向量，形成一个维数为N的输入向量x，L1-N个输入向量x构成输入向量集X；每个训练向量的最后一个数所在的时刻作为预测时间点，此数据作为该预测时间点的真实输出数值，即预测真值y，L1-N个预测真值y构成预测真值矩阵Y；假设N的值为N₀；

步骤2.2：设定模型超参数：

LS-SVM模型用公式表达；其中，q为一个已知向量，f(q)为已知向量q经过LS-SVM模型计算得到的预测值，r_d为已知输入向量，c为已知输入向量的个数，c个r_d构成已知输入向量集R；α_d为矩阵形式的Lagrange乘子α中的一个元素，b为偏移值，α和b的公式如下：

其中，维数为c，γ为正则化参数，Ω为核矩阵，Ω的第u行、第v列的元素为：

Ω_u,v＝K(r_u,r_v)，u,v＝1,……,c    (2)

其中，r_u,r_v表示R中的某个元素，核函数K为：

K(r_u,r_v)＝exp(-||r_u-r_v||²/σ²)    (3)