基于神经网络核函数GPR的锂电池健康状态预测方法与流程

技术特征：

1.基于神经网络核函数GPR的锂电池健康状态预测方法，其特征在于，所述锂电池健康状态预测方法包括：

基于神经网络核函数确定协方差函数，以构建GPR预测模型；

对所述GPR预测模型中的均值函数和协方差函数中的超参数进行初始化；

利用对数极大似然估计函数对所述超参数进行最优化；

将训练数据和测试数据输入到所述GPR预测模型中，以获得所述测试数据的值；

其中，i为锂电池样品的充/放电循环次数,x_i为所述锂电池训练样品在第i次充/放电循环时对应的SOH值，N表示训练数据的个数，m为测试数据的个数。

2.根据权利要求1所述的锂电池健康状态预测方法，其特征在于，基于神经网络核函数所确定的协方差函数为：

$k_1(x,x^{\′})={\mathrm{\σ}}_f^2{\sin }^{-1}\left(\frac{x^T{\mathrm{\Λ}}^{-2}{x}^{\′}}{\sqrt{(1+x^T{\mathrm{\Λ}}^{-2}x)(1+x^{\′T}{\mathrm{\Λ}}^{-2}{x}^{\′})}}\right);$

其中x表示训练数据，x′表示测试数据，Λ为协方差阵，为训练数据的方差。

3.根据权利要求1所述的锂电池健康状态预测方法，其特征在于，对所述GPR预测模型中的均值函数和协方差函数中的超参数进行初始化的步骤包括：

所述GPR预测模型的均值函数和协方差函数中的超参数记为Θ₁，将所述超参数初始化为：

Θ₁＝[a,b,l,sf]^T＝[0.1,0,0.9,2]^T；

其中a,b表示均值函数的系数，l表示协方差阵Λ，sf表示模型核函数中的

4.根据权利要求1所述的锂电池健康状态预测方法，其特征在于，所述对数极大似然估计函数为：

$\log p\left(y\right|X)=-\frac{1}{2}{y}^T{(K+{\mathrm{\σ}}^{2}I)}^{-1}y-\frac{1}{2}\log |K+{\mathrm{\σ}}^{2}I|-\frac{n}{2}\log 2\mathrm{\π};$

其中y表示输出数据，X表示训练数据，I表示单位矩阵，n为训练集中数据的个数，K表示核函数，σ表示噪声的标准差。