[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

说明书

本发明公开了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，包括步骤：1）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；2）多核支持向量回归预测模型构建；3）灰狼算法优化；4）模型训练与预测：将标准化后的锂电池容量变化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。通过灰狼算法寻找多个核函数线性组合方程的权重系数，解决了单核支持向量回归模型对锂电池容量退化回升过程和非线性特性表达能力有限以及模型预测精度较低的问题，同时本发明有着良好的拓展性，可以与其他方法进行融合，从而进一步提高预测性能。

技术领域

本发明涉及锂电池状态估计技术领域，具体地指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。

背景技术

锂电池被广泛应用于通信、交通、航空航天等领域，但同时也存在安全隐患，爆炸、自燃等事件时有发生。锂电池安全事故发生的原因有很多，电池性能的退化就是其中一个重要原因。因此，针对锂电池剩余使用寿命预测的研究就变得十分重要。剩余使用寿命的精准预测可以指导锂电池的管理、更换和系统维护，防止因电池失效或过早更换造成重大损失。

随着锂电池剩余使用寿命预测技术的不断进步，国内外对锂电池剩余使用寿命预测的研究逐渐深入，其预测方法主要可分为两类：

一是基于机理退化模型。基于模型的方法虽然取得了良好的效果，但是由于电池内部的变化比较复杂，这种方法容易受到各种环境干扰的影响，难以实现对锂电池的精确建模。

二是基于数据驱动。与基于机理退化模型的方法相比，数据驱动方法仅依赖于对锂电池历史数据的挖掘。如今越来越多的学者使用数据驱动的方法来预测锂电池的剩余使用寿命。其中支持向量回归模型是研究热点，但锂电池退化过程的容量回升会影响预测算法的性能，传统的单核支持向量回归模型在实际应用中很难进行有效的预测。

发明内容

本发明的目的在于克服现有技术的不足，而提出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，采用一种融合多个核函数共同构建支持向量回归模型的方法，从而有效提高支持向量回归模型的预测精度。

为实现上述目的，本发明所设计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，其特殊之处在于，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；

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；

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。

优选地，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。

优选地，所述步骤2）的具体步骤为：

所述步骤2）的具体步骤为：