一种基于GASVM-AUKF算法的锂电池剩余寿命预测方法与流程

本发明实施例涉及电池技术领域，尤其涉及一种基于gasvm-aukf算法的锂电池剩余寿命预测方法。

背景技术：

随着世界各国经济的发展和人口的增加，能源问题成为人们关注的焦点。锂电池由于其容量密度高，自放电率低，安全性高，循环寿命长等优点被广泛的用于人们的日常生活中。

然而，在锂电池使用过程中，由于复杂性和多种不确定因素的作用，其功能与性能均会发生不可避免的退化，最终导致锂电池的失效。锂电池的失效既可能会造成经济损失，又可能会引发重大的事故灾难。目前，现有技术中多有采用数据模型结合的思想实现锂电池rul的估算的方式对电池的容量预测以及剩余使用寿命估计。

但现有技术提供的方法噪声较大，导致滤波效果精度低，从而预测结果不准确，因此，现在亟需一种基于gasvm-aukf算法的锂电池剩余寿命预测方法来解决上述问题。

技术实现要素：

为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的一种基于gasvm-aukf算法的锂电池剩余寿命预测方法。

第一方面本发明实施例提供一种基于gasvm-aukf算法的锂电池剩余寿命预测方法，包括：

获取锂电池的容量数据，并根据所述容量数据建立状态空间方程；

基于所述状态空间方程和自适应无迹卡尔曼滤波aukf算法，获取锂电池对应的残差数据；

基于支持向量机svm算法，计算所述残差数据的预测值；

基于所述aukf算法和所述残差数据的预测值，预测所述锂电池的电池剩余寿命。

本发明实施例提供的基于gasvm-aukf算法的锂电池剩余寿命预测方法，采用aukf算法，可以实现过程噪声协方差与观测噪声协方差的自适应更新，降低噪声对整体滤波效果的影响，提高滤波精度，实现准确的剩余寿命预测结果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种基于gasvm-aukf算法的锂电池剩余寿命预测方法流程示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前，现有技术中对于电池剩余寿命的预测方式仍采用传统的数据模型结合的思想，但现有技术的这种方式未修正噪声对于整体算法的影响，导致滤波效果精度较低。

针对现有技术中存在的问题，图1是本发明实施例提供的一种基于gasvm-aukf算法的锂电池剩余寿命预测方法流程示意图，如图1所示，包括：

101、获取锂电池的容量数据，并根据所述容量数据建立状态空间方程；

102、基于所述状态空间方程和自适应无迹卡尔曼滤波aukf算法，获取锂电池对应的残差数据；

103、基于支持向量机svm算法，计算所述残差数据的预测值；

104、基于所述aukf算法和所述残差数据的预测值，预测所述锂电池的电池剩余寿命。

具体的，在步骤101中，本发明实施例首先会获取锂电池使用过程中的电池容量数据，需要说明的是，该电池容量数据是时间与容量相对应的存储数据，那么根据该电池容量数据可以建立一个以时间状态为基准的状态空间方程。具体的，本发明实施例会针对不同的电池数据选择不同的起始预测点，利用预测点之前已经记录的电池容量数据建立状态空间方程。

进一步的，在步骤102中，本发明实施例采用了自适应无迹卡尔曼滤波aukf算法对数据进行了滤波处理，可以理解的是，aukf算法是一种新型非线性滤波算法，其采用循环迭代的形式，根据已知系统参数估计状态，利用估计出的状态估算出系统参数，具有很好的适应性。通过本发明实施例提供的aukf算法结合步骤101中得到的状态空间方程，能够计算得到锂电池对应的残差数据，残差数据是指观察数据与预测数据之间的差，从而得到在起始预测点之前的每个时刻的残差数据。

在步骤103中，根据得到的残差数据，本发明实施例采用了svm算法对该残差数据的值进行了预测，需要说明的是，该svm算法实际上是一个利用相空间重构法训练好的模型，将残差数据输入该模型后即能输出相应的预测值。优选的，步骤102中得到的残差数据需要经过筛选，异常值的去除之后再进行预测。

最后，在步骤104中，本发明实施例将残差数据的预测值再结合aukf算法，预测新的模型参数，即预测t+i时刻的状态估计值t为起始预测点时刻，从而根据预测结果，结合aukf算法中的测量估计值的计算方法即可得t+i(i＝1,2，…,n)时刻的电池预测容量。

本发明实施例提供的基于gasvm-aukf算法的锂电池剩余寿命预测方法，采用aukf算法，可以实现过程噪声协方差与观测噪声协方差的自适应更新，降低噪声对整体滤波效果的影响，提高滤波精度，实现准确的剩余寿命预测结果。

在上述实施例的基础上，所述方法还包括：

在计算所述残差数据的预测值时，基于遗传算法对所述svm算法中的算法参数进行优化。

由上述实施例的内容可知，本发明实施例提供的方法采用了svm算法对残差数据进行预测。

优选的，本发明实施例在预测时，加入了遗传算法(geneticalgorithm)对svm算法中的核函数k(xi,xt)以及惩罚系数c进行优化，最终得到更加准确的残差数据

具体的，遗传算法优化svm算法包括如下步骤：

1、利用aukf算法获得的残差数据，选取一部分作训练集，后面的一部分作为测试集，建立训练模型。

2、然后设置种群数，最大进化代数，交叉概率，变异概率以及参数对的上下限，并在时间t＝0时随机生成初始变量。

3、将当前群体中的个体作为超参数进行训练，使用验证数据集训练svm以获得目标函数，目标点的位置和目前位置的最佳目标值。

4、选择，交叉和变异群体，使用svm训练更新解决方案的位置，目标点的位置和最佳目标值，设定进化世代t＝t+1。

5、如果达到最大代数，则将σ，c，γ的最优参数作为超参数，通过训练数据集获得最优模型，否则执行步骤3继续迭代。

6、使用步骤5获得的模型训练新的残差数据。

遗传算法与svm算法得到的是一个预测的残差数据，利用n个一步预测即可得到n步预测效果：

在上述实施例的基础上，所述根据所述容量数据建立状态空间方程，包括：

在所述容量数据中确定起始预测点；

根据所述起始预测点之前的容量数据和最小二乘法，建立所述状态空间方程。

由上述实施例的内容可知，本发明实施例会根据容量数据建立状态空间方程，在实际操作过程中，本发明实施例会根据不同的电池数据，选用不同的起始预测点，利用预测点之前的实验数据并结合最小二乘法建立相应的状态空间方程，预测点之后的数据作为测试样本，验证本发明实施例预测的准确性。

具体在仿真实验过程中，本发明实施例选用了nasa中b0005、b0006、b0007、b0018四组电池数据进行仿真实验，所建立的状态空间方程为：

其中，xk＝[ak,bk,ck,dk]，k表示循环次数，xk表示状态模型参数，qk表示容量的观测值，此外，wk与vk分别表示状态高斯白噪声与观测高斯白噪声。

在上述实施例的基础上，所述基于所述状态空间方程和自适应无迹卡尔曼滤波aukf算法，获取锂电池对应的残差数据，包括：

对所述状态空间方程进行无损变换；

基于无损变换的结果预测并更新噪声协方差矩阵，以得到锂电池对应的残差数据。

本发明实施例在状态空间方程的基础上，利用aukf算法得到了起始预测点之前的t个残差数据，其具体流程为：

1)、基于状态空间方程，进行无损ut变换，具体过程如下：

状态空间方程如下：

计算2n+1个sigma点，即采样点，这里的n指的是状态的维数。优选的，在本发明实施例中因为状态向量维数为4，所以n＝4。

其中，表示矩阵方根的第i列。

然后计算采样点相应的权值得到ut变换的结果：

2)预测部分：

利用上述两组公式获得一组采样点(称为sigma点集)及其对应权值：

计算2n+1个sigma点集的一步预测，i＝1,2,…,2n+1：

x⁽ⁱ⁾(k+1|k)＝f[k,x⁽ⁱ⁾(k|k)]；

计算系统状态量的一步预测及协方差矩阵，它由sigma点集的预测值加权求和得到：

3)、更新部分：

根据一步预测值，再次使用ut变换，产生新的sigma点集：

将由上述步骤得到的预测sigma点集代入观测方程，得到预测的观测量，i＝1,2,…,2n+1：

z⁽ⁱ⁾(k+1|k)＝h[x⁽ⁱ⁾(k+1|k)]；

将得到的观测预测值，通过加权求和得到系统预测的均值及协方差：

然后计算kalman增益:

计算系统的状态更新和协方差更新：

计算测量估计值：

最后，进行过程噪声协方差与观测噪声协方差更新：

其中，zk表示锂电池的容量值，对应于状态空间方程中的qk，通过aukf算法得到t时刻之前的残差数据e1:t，即aukf算法中状态更新部分对应的每一个k值对应一个残差数据。

在上述实施例的基础上，所述基于支持向量机svm算法，计算所述残差数据的预测值，包括：

根据ε-svr的支持向量机和径向基核函数，计算所述残差数据的预测值。

由上述实施例的内容可知，本发明实施例利用svm算法，对残差数据进行训练，其中优选的选用对残差数据更为敏感的ε-svm方法，将所得的残差数据通过筛选，去除异常值之后，作为ε-svm的输入，训练得到新的预测残差数据，其中，选用的svm核函数为径向基核函数，其具体表达式为：

在上述实施例的基础上，所述基于所述aukf算法和所述残差数据的预测值，预测所述锂电池的电池剩余寿命，包括：

基于所述aukf算法和所述残差数据的预测值，计算锂电池预测容量；

若所述锂电池预测容量大于预设容量阈值，则判定预测准确，以得到所述锂电池的电池剩余寿命。

可以理解的是，将得到的新的残差值重新代入到aukf算法中，此时，不需要再加入新的测量值，改变aukf算法只能进行一步预测的缺陷，从而达到多步预测的目的。利用aukf算法得到新的估计值之后，与容量阈值进行对比，当到达之前定义的容量阈值之后，则此时rul为预测起始点到失效阈值点之间的时间，并将预测起始点与失效点之间所有的估计容量值与测试集，即真实容量值进行均方根误差，绝对误差百分比等指标分析对比，从而验证预测的准确性。

那么通过对后续时刻容量值的准确估计，就可以得到锂电池的电池剩余寿命。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行每个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。