[发明专利]基于相关向量回归的锂离子电池剩余寿命检测方法

权利要求书

1.一种基于相关向量回归的锂离子电池剩余寿命检测方法，其特征在于包括如下步骤：

(1)数据特征提取：针对锂电池充放电数据提取出锂电池的放电电压随着时间变化的数据，根据其电压变化梯度，提取出每个循环周期中电压变化时间作为数据特征；

(2)数据特征归一化：对数据进行归一化处理；

(3)搭建模型：根据相关向量机RVM算法原理，选择高斯核函数，搭建数据集样本到高维数据的映射，进行数据训练，从而得到相关向量机RVM算法模型；

(4)预测：使用相关向量机RVM算法模型对锂电池剩余容量进行预测，从而对电池剩余寿命进行有效检测。

2.根据权利要求1所述的一种基于相关向量回归的锂离子电池剩余寿命检测方法，特征在于：所述步骤(1)具体为：根据锂电池放电电压随着时间变化的数据，提取出每个循环周期里相邻时间测量点之间的锂离子电池电压差，并选取与电池放电中段平台期的电压差的2倍作为阈值，选择在这个阈值范围内的电压差所对应的时间段的差值，将其组合成电压变化时序特征。

3.根据权利要求1所述的一种基于相关向量回归的锂离子电池剩余寿命检测方法，特征在于，所述步骤(2)具体为：对选取的数据特征值进行数据处理，由于数据特征值的数量级和锂电池剩余寿命的数量级差别很大，直接代入模型会引起误差和计算缓慢的问题，因此对输入测试数据进行归一化处理，公式如下：

其中t_i’是经过归一化处理后的数据，t_i是处理前的数据，min(t)是原始输入数据里最小的值，max(t)是原始输入数据里最大的值；对于模型的预测精度，采用均方根误差RMSE和平均绝对误差MAE来进行预测效果评估：

其中N表示总样本数目，observed_t表示实际观测值，predicted_t表示模型预测值。

4.根据权利要求1所述的一种基于相关向量回归的锂离子电池剩余寿命检测方法，特征在于，所述步骤(3)具体为：根据相关向量机RVM算法建立模型，将每个电池循环周期中提取到的电压变化特征和电池剩余寿命数据组合，建立映射数据集：{(t₁.y₁),(t₂,y₂)……(t_n,y_n)}，其中t_i(i∈[1,n])是第i个循环周期的电压变化时间，y_i(i∈[1,n])是第i个循环周期的电池剩余寿命，选择高斯核函数，设定核函数初始参量；对每个输入数据，设定默认的超参数α，以及方差σ²，代入模型中；采用简化计算的思路，将超参数α、方差σ²近似表示为：

其中，矩阵Φ的第i行表示数据t_i代入上述核函数后得到的向量，α’_i表示为迭代数据t_i对应的超参数，(σ²)’表示迭代后的方差，令矩阵A＝diag(α₁,α₂,...,α_n)，其中α_i(i∈[1,n])是数据t_i对应的超参数，矩阵Σ＝(σ^-2Φ^TΦ+A)^-1，μ_i＝σ^-2ΣΦ^Tt_i，y＝(y₁,y₂,...,y_n)，μ＝(μ₁,μ₂,...,μ_n)，N为样本数据的总数目，参数r_i定义为r_i＝1-α_iΣ_ii；

利用上式将超参数α和方差σ²进行迭代；设定迭代误差为0.00001，重复迭代直至满足收敛要求；通过得到的超参数和方差对新输入量的预测值和方差进行输出估计：

y_n+1＝μ^Tφ(t_n+1)

σ²(y_n+1)＝σ²+φ(t_n+1)^TΣφ(t_n+1)

其中y_n+1是基于新的样本t_n+1得到的预测值，而σ²(y_n+1)是预测值的方差，式中函数φ(t_n+1)表示对数据t_n+1进行核函数变化后的结果；

根据预测值和方差，不仅可以得到锂离子电池寿命的预期分布，而且由于预测是基于概率的预测，因此能在电池还未达到失效阈值时，根据已有的预测值和方差，给出电池剩余容量的95％置信区间；分析置信区间，即可对电池是否趋近于失效进行判断。