[发明专利]一种基于支持向量回归算法的锂电池剩余寿命预测方法

权利要求书

1.一种基于支持向量回归算法的锂电池剩余寿命预测方法,其特征在于，包括如下步骤：

1)特征提取:对锂电池运行过程中产生的数据进行监测，从中提取锂电池放电的电压时间序列数据，并根据需要对提取的电压时间序列数据进行特征生成，按照相等电压差的原则对放电过程中的电压变化数据进行整理；

2)构建模型:构建SVR算法模型，建立样本空间到高维空间的映射，使非平稳的训练数据在高维空间被线性拟合；

3)训练并预测:将所提取的放电过程中的电压变化数据送入SVR模型中进行训练，并用所学习到的高维映射关系对锂电池RUL进行预测。

2.根据权利要求1所述的一种基于支持向量回归算法的锂电池剩余寿命预测方法,其特征在于，所述步骤1)具体为：按照相等电压差原则选择一个放电电压区间，即提取放电过程中电压从某一高电压下降到某一低电压所需的时间，将其组成为电压变化时序特征。

3.根据权利要求1所述的一种基于支持向量回归算法的锂电池剩余寿命预测方法,其特征在于，所述步骤2)具体为：依托SVR算法建立模型，将在特征提取阶段所提取到的电压时序数据和电池RUL数据整合为完整数据集D＝{(x₁,y₁),(x₂,y₂),…,(x_N,y_N)}，对于样本(x,y)，SVR假设可容忍模型输出值f(x)与真实值y之间最多有ε的差别，即仅当f(x)与y之间的差别绝对值大于ε时才计算损失；于是，SVR算法可将问题形式化为：

其中，w和b分别表示SVR算法在高维空间所构造的拟合曲线的法向量和位移项，C为正则化常数；l为ε不敏感损失函数，具体如下式：

其中，z表示SVR算法的拟合值与真实值的误差，ε为误差的阈值；

这表明SVR算法以其输出值f(x)为中心向两侧各扩展ε的长度，只要锂电池RUL的真实值y处于以拟合值f(x)为中心的2ε宽度内，就认为SVR算法的预测是可接受的；

若引入松弛变量ξ_i和即认为上述提到的2ε扩展区并非刚性扩展区，而是有所松弛的扩展，则式(1)可表示为：

由式(3)可知，通过输出值f(x)、真实值y、扩展长度ε与松弛变量ξ_i和的相互制约关系，最终可明确判断真实值y是否落在了以输出值f(x)为中心，扩展长度2ε为宽度的弹性区域内，并由此可知SVR算法的预测是否准确；

SVR算法通过在高维空间构建预测曲线及其弹性扩展区域来对所提取到的放电电压时间序列数据和电池RUL数据进行学习，通过不断调整预测值以及弹性扩展区域的大小来逼近真实值，最终完成建模。

4.根据权利要求1所述的一种基于支持向量回归算法的锂电池剩余寿命预测方法,其特征在于，所述步骤3)具体为：对所选择的特征数据进行处理，由于所选定的特征数据的数量级和量纲与锂电池剩余容量的数量级和量纲相差较大，因此需要对所提取的特征数据进行标准化处理，便于模型进行处理和运算，具体公式如下所示：

其中，x'是经标准化处理后的数据，x是未经标准化处理的原数据，μ是数据的均值，σ是数据的标准差；

使用训练得到的基于SVR算法的锂电池RUL预测模型对锂电池进行预测，采用RMSE对模型的预测结果进行评估：

其中，表示真实数据，y_i表示模型的输出，k表示测试集包含样本个数。