[发明专利]基于灰狼算法和多核支持向量回归的锂电池寿命预测方法

权利要求书

1.一种基于灰狼算法和多核支持向量回归的锂电池寿命预测方法，其特征在于，所述方法包括如下步骤：

1)数据提取与处理：提取锂电池循环测试中的容量退化数据作为电池剩余使用寿命的直接指标因子，对电池容量数据进行标准化预处理，并将标准化后的数据分为测试集和训练集；

2)多核支持向量回归预测模型构建：构建多核支持向量回归算法模型，在高维空间线性拟合非线性的训练数据；步骤2)的具体步骤为：

21)假设给定样本其中x_i为第i个特征向量，n为样本个数，R表示实数集；

22)利用支持向量回归方法，将样本集从低维空间通过非线性映射到高维空间，非线性映射的支持向量回归表达式表述为：

式中：K(x_i,x)＝φ(x_i)φ(x_j)为核函数，α_i和为拉格朗日乘数，其中x_i和x_j为第i个和第j个特征向量；

所述非线性映射的支持向量回归表达式中核函数分别选择高斯核函数、sigmoid核函数、线性核函数、多项式核函数，将其线性组合，以智能优化算法优化线性组合方程的系数；所述线性组合的数学表达式为：

K(x_i,x)＝μ₁K₁(x_i,x)+μ₂K₂(x_i,x)+μ₃K₃(x_i,x)+μ₄K₄(x_i,x) (12)

式中：μ₁，μ₂，μ₃和μ₄是线性组合的权重系数；

所述核函数分别表示为：

式中：T为转置；

3)灰狼算法优化：采用灰狼算法对多核支持向量回归算法模型中的混合核函数权重系数进行优化；步骤3)的灰狼算法具体步骤包括：

31)设置种群大小N、求解个数d、最大迭代次数t_max、搜索范围ub、lb；

32)初始化最优解a，参数向量P和参数向量Q的参数值，设置迭代次数t＝1；

33)计算每个可能解的目标函数值，并依据大小进行排序，选出前三优化值，定为X_α、X_β和X_δ；

34)计算其他个体与X_α、X_β和X_δ的距离，更新当前每个个体的位置；

35)计算并比较新种群的目标函数值，选出新的前三优化值X_α、X_β和X_δ，直到达到最大迭代次数t_max，则算法退出，同时输出全局最优解X_α；否则，令t＝t+1，转向34)继续执行；

利用灰狼算法优化非线性映射的支持向量回归表达式的权重系数，目标函数值选取实际容量值和预测容量值之间的均方误差MSE：

式中：和y_i分别是第i次循环的预测容量和实际容量，n表示样本个数；

4)模型训练与预测：将标准化后的锂电池容量数据训练集送入多核支持向量回归模型中进行训练，用训练好的模型对锂电池容量退化进行预测。

2.根据权利要求1所述的基于灰狼算法和多核支持向量回归的锂电池寿命预测方法，其特征在于：所述步骤1)中对电池容量数据进行标准化预处理的方法为：

式中：x_std为标准化后的锂电池剩余使用容量数据，x_i为未标准化数据，x_max和x_min分别是未标准化数据的最大值和最小值。