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;
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。
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:xstd为标准化后的锂电池剩余使用容量数据,xi为未标准化数据,xmax和xmin分别是未标准化数据的最大值和最小值。
3.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2)的具体步骤为:
21)假设给定样本s={s=xi}ni=1(xi∈x=rn),其中xi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(xi,x)=φ(xi)φ(xj)为核函数,b为截距,αi和α*i为拉格朗日乘数,其中xi和xj为第i个和第j个特征向量。
4.根据权利要求2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tmax、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xα、xβ和xδ;
34)计算其他个体与xα、xβ和xδ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xα、xβ和xδ,直到达到最大迭代次数tmax,则算法退出,同时输出全局最优解xα;否则,令t=t+1,转向34)继续执行。
5.根据权利要求3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k1(xi,x)、sigmoid核函数k2(xi,x)、线性核函数k3(xi,x)、多项式核函数k4(xi,x),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(xi,x)=μ1k1(xi,x)+μ2k2(xi,x)+μ3k3(xi,x)+μ4k4(xi,x)
式中:μ1,μ2,μ3和μ4是线性组合的权重系数。
6.根据权利要求5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:所述核函数分别表示为:
k2(xi,x)=tanh(0.01xitx+1)
k3(xi,x)=xitx
k4(xi,x)=(0.01xitx+1)3
式中:t为转置。
7.根据权利要求4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3)中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:
8.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4)中采用相对误差re、平均绝对误差mae、均方根误差rmse对多核支持向量回归模型的预测结果进行评估:
式中:
9.根据权利要求4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:所述灰狼算法设置的种群数量为20,最大迭代次数为50,求解个数为4,取值边界为0.001到100。