基于小波降噪和相关向量机的锂电池剩余寿命预测方法
【专利摘要】基于小波降噪和相关向量机的锂电池剩余寿命预测方法，涉及一种估计锂电池健康状况并预测其剩余寿命的方法，包括以下步骤：测量锂电池随着充放电周期的健康状况数据；对测量的锂电池容量数据进行小波二次降噪；计算锂电池失效的容量阈值；基于锂电池容量数据序列和充放电周期数据序列，应用差分进化算法对相关向量机算法的宽度因子进行优化选择；应用经差分进化算法优化后的相关向量机算法预测锂电池的剩余寿命。本发明操作方法简单有效，可精确地预测锂电池的剩余寿命。
【专利说明】基于小波降噪和相关向量机的锂电池剩余寿命预测方法
【技术领域】
[0001] 本发明涉及基于小波降噪和相关向量机的锂电池剩余寿命预测方法，具体来说， 涉及通过小波二次降噪提取原始数据，并基于该数据应用相关向量机算法建立预测模型对 锂电池的剩余寿命进行预测的方法。
【背景技术】
[0002] 锂电池广泛地应用于便携式电子设备、电动汽车以及军事电子系统等设备中，锂 电池的失效将会引起设备的性能下降、功能失灵、反应迟缓以及其他电子故障。因此对锂 电池的剩余寿命进行预测，是十分必要的。
[0003] 锂电池的健康状况一般应用其电池容量进行表征，而容量数据在不断的充放电周 期中通过测量获得。由于在测量过程中不可避免地存在电磁干扰、测量误差、随机负载以及 锂电池内部的不可预知物理或化学的行为，故测量得到的锂电池容量数据中一般包含各种 类型及不同大小的噪声，从而导致无法准确地进行寿命预测。
[0004] 小波降噪是一种新兴的原始数据提取方法，通过小波分解与重构，可提取原始数 据，消除或减弱噪声。然而，由于锂电池容量数据的噪声为多类型及不同大小的特点，故应 用基本的小波降噪算法难以较好地去除。相关向量机是一种基于贝叶斯框架的回归预测算 法，运算速度快，适用于在线检测，已有研究证明相关向量机的预测精度高于支持向量机和 神经网络等常用算法。相关向量机算法中核函数的宽度因子对预测精度有极大的影响，以 往多采用经验尝试法获得，锂电池剩余寿命预测精度偏低。
【发明内容】
[0005] 本发明要解决的技术问题是，克服现有技术存在的上述缺陷，提出一种基于小波 降噪和相关向量机的锂电池剩余寿命预测方法，具有可有效去除噪声及提取原始数据，并 可精确预测锂电池剩余寿命的优点。
[0006] 该方法首先通过小波二次降噪的方法处理测量的锂电池容量数据，去除噪声并提 取有效的原始数据，然后通过应用基于差分进化算法优化了宽度因子的相关向量机算法预 测该锂电池的剩余寿命，即剩余充放电周期。
[0007] 本发明解决其技术问题所采用的技术方案为： 基于小波降噪和相关向量机的锂电池剩余寿命预测方法，包括以下步骤： (1) 通过测量获取锂电池各个充放电周期的健康状况数据； (2) 对测量的锂电池容量数据进行小波二次降噪； (3) 计算锂电池失效的容量阈值； (4) 基于锂电池容量数据序列和充放电周期数据序列，应用差分进化算法对相关向量 机算法的宽度因子进行优化选择； (5 )应用经差分进化算法优化后的相关向量机算法预测锂电池的剩余寿命。
[0008] 在上述步骤（1)中，锂电池的健康状况数据是指锂电池的容量数据。
[0009] 在上述步骤（2)中，小波二次降噪的方法为对测量到的锂电池容量数据分别进行 两次小波降噪，去除噪声信号。
[0010] 在上述步骤（3)中，锂电池失效的容量阈值一般是该锂电池标称容量的65%-75%。
[0011] 在上述步骤（4)中，锂电池容量数据为& &…&，其中η彡1，为测量的周期 数，对应的容量数据序列为[//；, &…，私]，锂电池容量数据的各个充放电周期依次为^ 心…，7；，η彡1，对应的充放电周期数据序列为[心心…，7；]; 应用差分进化算法对相关向量机算法的宽度因子进行优化选择的过程为： (4. 1)初始化差分进化算法，包括种群个体及规模、比例因子、交叉常数和迭代次数等， 其中需要优化的宽度因子被映射为个体； (4. 2)通过突变操作生成突变矢量； (4. 3)通过交叉操作生成试验矢量； (4. 4)通过选择操作选择下一代个体； (4. 5)重复（4. 2) -（4. 4)直至迭代结束，输出结果。
[0012] 差分进化算法是一种基于种群个体的随机搜索算法。差分进化算法随机生成个体 = ,其中i为个体的编号，#是个体的数量，^是当前迭代次数，差分进化算 法包括突变、交叉和选择三个操作过程； 突变矢量在突变操作中由下述公式生成：
【权利要求】
1. 基于小波降噪和相关向量机的锂电池剩余寿命预测方法，其特征在于，包括以下步 骤： (1) 通过测量获取锂电池各个充放电周期的健康状况数据； (2) 对测量的锂电池容量数据进行小波二次降噪； (3) 计算锂电池失效的容量阈值； (4) 基于锂电池容量数据序列和充放电周期数据序列，应用差分进化算法对相关向量 机算法的宽度因子进行优化选择； (5 )应用经差分进化算法优化后的相关向量机算法预测锂电池的剩余寿命。
2. 根据权利要求1所述的基于小波降噪和相关向量机的锂电池剩余寿命预测方法，其 特征在于，所述步骤（1)中，锂电池的健康状况数据是指锂电池的容量数据。
3. 根据权利要求1所述的基于小波降噪和相关向量机的锂电池剩余寿命预测方法，其 特征在于，所述步骤（2)中，小波二次降噪的方法为对测量到的锂电池容量数据分别进行两 次小波降噪，去除噪声信号。
4. 根据权利要求1所述的基于小波降噪和相关向量机的锂电池剩余寿命预测方法，其 特征在于，所述步骤（3)中，锂电池失效的容量阈值是锂电池标称容量的65%-75%。
5. 根据权利要求1所述的基于小波降噪和相关向量机的锂电池剩余寿命预测方法，其 特征在于，所述步骤（4)中，锂电池容量数据为/? &…&，其中η彡1，η为测量的周期 数，对应的容量数据序列为[//；, &…，私]，锂电池容量数据的各个充放电周期依次为^ 心…，7；，对应的充放电周期数据序列为[匕心…，7；]; 应用差分进化算法对相关向量机算法的宽度因子进行优化选择的过程为： (4. 1)初始化差分进化算法，包括种群个体及规模、比例因子、交叉常数和迭代次数等， 其中需要优化的宽度因子被映射为个体； (4. 2)通过突变操作生成突变矢量； (4. 3)通过交叉操作生成试验矢量； (4. 4)通过选择操作选择下一代个体； (4. 5)重复（4. 2) -（4. 4)直至迭代结束，输出结果。
6. 根据权利要求1所述的基于小波降噪和相关向量机的锂电池剩余寿命预测方法，其 特征在于，所述步骤（5)中，剩余寿命是指锂电池发生失效前剩余的充放电周期数； 应用经差分进化算法优化后的相关向量机算法预测锂电池的剩余寿命的方法为：对 7；之后每个充放电周期的锂电池容量进行连续预测，找到第一次满足且 ,条件的第个充放电周期，则锂电池在第个充放电周期后失效，其剩余 寿命为^个充放电周期，其中是该锂电池失效的容量阈值。
7. 根据权利要求5所述的基于小波降噪和相关向量机的锂电池剩余寿命预测方法，其 特征在于，差分进化算法是一种基于种群个体的随机搜索算法，差分进化算法随机生成个 体名<(? = 1，2，...，奶，其中/为个体的编号，#是个体的数量，^是当前迭代次数，差分进化 算法包括突变、交叉和选择三个操作过程； 突变矢量在突变操作中由下述公式生成：
其中rl、r2和r3是随机选自于{U，…; /7是比例因子； 试验矢量在交叉操作中由匕<?和名.￡?生成：
其中〇€[0,1],是事先定义的交叉常数，1^?^是0- 1之间的随机数； 假设是一个需要最小化的适应度函数，下一代个体的生成由选择操作完成：
【文档编号】G01R31/36GK104459560SQ201410833574
【公开日】2015年3月25日 申请日期:2014年12月29日 优先权日:2014年12月29日
【发明者】何怡刚, 张朝龙, 佐磊, 项胜, 尹柏强 申请人:合肥工业大学