基于ls-svm的概率集成学习锂离子电池剩余寿命预测方法
【专利摘要】基于LS-SVM的概率集成学习锂离子电池剩余寿命预测方法，涉及一种电池剩余寿命预测方法。本发明为了解决传统的预测模型的预测精度有限的问题和稳定性不好的问题。本发明构建LS-SVM预测模型，构造输入向量并选择合适的输入向量维数及超参数范围，在一定范围内随机选择多组参数构成多个LS-SVM集成学习模型的子模型，并将子模型结果进行集成输出，极大程度上减小了精确确定参数的难度，并大幅度提高了预测准确性及稳定程度。本发明适用于电池剩余寿命预测。
【专利说明】基于LS-SVM的概率集成学习锂离子电池剩余寿命预测方 法
【技术领域】
[0001] 本发明涉及一种电池剩余寿命预测方法。
【背景技术】
[0002] 目前，我国极大部分长寿命卫星（8?15年）电源是由太阳电池阵-蓄电池组组成 的联合电源，在卫星光照期，太阳能电池将光能直接转换为电能，向卫星供电并给蓄电池组 充电；在阴影期，蓄电池向卫星供电。蓄电池主要由镍镉蓄电池或氢镍蓄电池组成。为满足 各种高效益应用卫星对电源系统的需求，空间电源逐步向大功率、长寿命、轻质量、小体积 和低成本方向发展。锂离子电池和传统镍镉或氢镍蓄电池相比，具有工作电压高、体积小， 重量轻，比能量高、寿命长和自放电率小等优点，成为可以替代传统电池的第三代卫星用储 能电源。如果航天器中的储能电源采用锂离子蓄电池，那么将使得储能电源在电源分系统 所占重量从30%?40%降低至10%?15%，降低了航天器的发射成本，提高了有效载荷。
[0003] 由于蓄电池组是卫星在阴影期的唯一能源，而蓄电池组的性能退化至无法满足卫 星的正常供电需求或者蓄电池组失效，卫星将无法正常工作。而锂离子电池由于自身存在 充放电管理、性能衰退等问题，因此在锂离子电池使用过程中必须充分考虑存储、使用和维 护的可靠性和安全性。调查显示，电源系统故障是导致航天器任务失败的主要原因。例如， 1999年美国的太空试验AFRL由于电池内部阻抗异常导致试验的失败，2006年美国Mars Global Surveyor飞行器失效是由于电池系统直面太阳照射导致过热造成安全系统失效所 引发的任务失败。对于航空航天应用而言，锂离子电池的可靠工作显得尤为重要。因此，针 对锂离子电池的剩余寿命（Remaining Useful Life, RUL)估计，开展研究工作具有重大的 意义。
[0004] LS-SVM模型中的参数选择会对预测结果造成重大影响，如利用传统的十倍交叉验 证的方法确定优化参数，多次训练确定的参数相差极大，导致模型的预测结果差异性很大， 甚至有预测曲线与真实情况及其不相符的情况发生。
【发明内容】
[0005] 本发明为了解决传统的预测模型的预测精度有限的问题和稳定性不好的问题，进 而提出了基于LS-SVM的概率集成学习锂离子电池剩余寿命预测方法。
[0006] 基于LS-SVM的概率集成学习锂离子电池剩余寿命预测方法的实现过程为：
[0007] 步骤一：获得电池容量数据，并对提取的数据进行预处理：
[0008] 获得锂离子电池充放电循环实验中的电池容量数据，根据数组的类型，提取电池 放电过程中的容量数据集；为了防止错误的数据造成的滤波发散及参数估计不准确，剔除 离群点数据，即剔除错误的数据，得到锂离子电池容量数据F ;选取数据个数占电池容量数 据F的P %时作为预测起始点后，将起始点之前的数据划分为总训练集，起始点之后的数 据划分为总测试集；
[0009] 步骤二：构造输入向量，根据预测模型确定模型超参数范围，包括以下步骤：
[0010] 步骤2. 1 :构造输入向量：
[0011] 锂离子电池容量数据F是一组一维的原始数据，将总训练集中每N+1个连续的数 据构造成一个维数为N+1的训练向量，L1个连续的输入数据构成Ll-Ν个N+1维的训练向 量，构成原始训练向量集J〇,并设向量个数1等于L1-N ;每个训练向量的前N个数构成输入 向量，形成一个维数为N的输入向量X，Ll-Ν个输入向量X构成输入向量集X ;每个训练向 量的最后一个数所在的时刻作为预测时间点，此数据作为该预测时间点的真实输出数值， 即预测真值y，Ll-Ν个预测真值y构成预测真值矩阵Y ;假设N的值为N〇 ;
[0012] 步骤2. 2 :设定模型超参数：
[0013] LS-SVM模型用公式.
【权利要求】
1.基于LS-SVM的概率集成学习锂离子电池剩余寿命预测方法，其特征在于它包括下 述步骤： 步骤一：获得电池容量数据，并对提取的数据进行预处理： 获得锂离子电池充放电循环实验中的电池容量数据，根据数组的类型，提取电池放电 过程中的容量数据集；剔除错误的数据，得到锂离子电池容量数据F ;选取数据个数占电池 容量数据F的P %时作为预测起始点后，将起始点之前的数据划分为总训练集，起始点之 后的数据划分为总测试集； 步骤二：构造输入向量，根据预测模型确定模型超参数范围，包括以下步骤： 步骤2. 1 :构造输入向量： 锂离子电池容量数据F是一组一维的原始数据，将总训练集中每N+1个连续的数据构 造成一个维数为N+1的训练向量，L1个连续的输入数据构成Ll-Ν个N+1维的训练向量，构 成原始训练向量集J〇,并设向量个数1等于Ll-Ν;每个训练向量的前N个数构成输入向量， 形成一个维数为N的输入向量x，Ll-N个输入向量X构成输入向量集X ;每个训练向量的最 后一个数所在的时刻作为预测时间点，此数据作为该预测时间点的真实输出数值，即预测 真值y，Ll-Ν个预测真值y构成预测真值矩阵Y ;假设N的值为队； 步骤2. 2 :设定模型超参数： LS-SVM模型用公式
表达；其中，q为一个已知向量，f(q)为已知 向量q经过LS-SVM模型计算得到的预测值，rd为已知输入向量，c为已知输入向量的个数， c个rd构成已知输入向量集R ; a d为矩阵形式的Lagrange乘子α中的一个元素，b为偏 移值，α和b的公式如下：
其中，
Y为正则化参数，Ω为核矩阵，Ω的第u 行、第v列的元素为：
其中，ru，rv表示R中的某个元素，核函数K为：
其中，σ为核参数； 将输入向量X作为已知向量q，输入向量集X作为已知输入向量集R，即已知输入向量 r的个数c等于输入向量X向量个数1 ;选取耦合模拟退火算法，在[eXp(-10)，eXp(10)]的 范围内搜寻参数寻优的初值；搜寻得到的参数初值后，使用基于遍历寻优的网格搜索方法， 通过在Y和σ构成的二维平面上进行网格划分，在每一个网格交点上，测试该点所训练的 LS-SVM模型的预测误差Ε，并选择Ε最小的点所对应的超参数值γ和〇，作为此次寻优过 程中的最优参数； 步骤2. 3 :求取模型系数： 完成步骤2. 1、步骤2. 2后，即构建了所用的已知输入向量r和已知向量q并且得到了 确定的模型超参数，利用两个输入向量计算出如式（3)所示的一个核函数，将每个核函数 都作为核矩阵的一个元素，按照式（2)构建核矩阵Ω ;进一步按照公式（1)求出Lagrange 乘子α和偏移值b ; 步骤2. 4 :不断更新已知输入向量集R和已知向量q，进行单步预测： 步骤（I):首先将原始训练向量集Jo中的最后一个向量的后N个数据作为已知向量q， 已知输入向量集R与步骤2. 3中相同； 步骤（II):向公式
所示的LS-SVM模型中输入已知向量q，并将 α和b代入，即可得到一点预测值f (q)，实现单步预测；利用此点已知向量q的后N-1个数 和此点单步预测值构造下一点输入的已知向量，并将此点的已知向量q加入到当前已知输 入向量集R中，即R中元素的个数加1，作为下一点的已知输入向量集R ; 步骤2. 5 :重复步骤2. 4(11)完成多步预测，得到容量数据预测值，绘制容量数据预测 值曲线； 步骤2. 6 :选择输入向量维数及超参数范围： 重复三次执行步骤2. 2-步骤2. 5,若得到的容量数据预测值曲线皆不呈下降趋势或 在一定范围内与已知的失效阈值线无交点，则此刻的维数％不满足条件，将队加上或者减 去10后重新记为队，返回步骤2. 1直至满足上述要求，即至少有一条容量数据预测值曲线 呈下降趋势或者在一定范围内与已知的失效阈值线有交点； 将一条曲线呈下降趋势且在一定范围内与已知的失效阈值线有交点的情况记为条件 一；若至少一条曲线满足条件一，将队加上或减去1?5后重新记为队，找到容量数据预 测值曲线存在加速下降情况且发生条件一概率最大的队值作为最优输入向量维数；确定输 入向量维数N后，执行步骤2. 2-步骤2. 5,选择满足条件一的超参数为可用超参数；重复p 次，p e [10, 1〇〇]，执行步骤2. 2-步骤2. 5,得到i组超参数范围作为LS-SVM集成学习模 型的超参数选择范围； 步骤三：LS-SVM集成学习模型构建及预测，包括以下步骤： 步骤3. 1 :构建LS-SVM集成学习模型： 在每组超参数范围内随机选择j组参数，
，在i组参数范围内共选择i*j 组参数，分别按照步骤二中的步骤2. 3-步骤2. 5进行i*j个LS-SVM模型的构建，将每个 LS-SVM模型被称为LS-SVM集成学习模型的子模型，所有的LS-SVM集成学习模型的子模型 共同组成LS-SVM集成学习模型，并得到i*j个LS-SVM集成学习模型的子模型的趋势预测 结果
步骤3. 2 :LS-SVM集成学习模型的预测输出： 将i*j个LS-SVM集成学习模型的子模型的输出结果进行如式（4)的平均处理即可得 到预测结果；根据趋势退化的预测结果，绘制出退化曲线并根据已知失效阈值计算RUL预 测值；
步骤四：根据RULP的区间估计，输出预测结果： LS-SVM集成学习模型得到的容量数据预测值曲线与失效阈值线的交点记为EOP，其对 应时刻记为tOT ;预测起始点记为S0P，其对应时刻记为tS()P ;RUL为锂离子电池的预测剩余 寿命，则锂离子电池的预测剩余寿命RULP表示为：
重复步骤二、三，得到多组集成学习 RULP预测结果后，检测预测结果是否满足正态分布 的形式：
其中，RULa"ay为RULP的数值构成的一个数据组，μ为数据组RUL a"ay的平均值，δ为 数据组RULmay的方差； 检验多个RUL值满足正态分布后，利用极大似然原理计算正态分布公式中包含的参数 μ、S，并根据μ、δ的数值绘制出RULP的概率密度曲线，并计算RULP的概率置信区间，将 得到的RUL P的概率密度曲线和置信区间作为概率分布信息和区间估计的最终预测输出结 果。
2. 根据权利要求1所述的基于LS-SVM的概率集成学习锂离子电池剩余寿命预测方法， 其特征在于，步骤一中的P %在60%-70%选取。
3. 根据权利要求1或2所述的基于LS-SVM的概率集成学习锂离子电池剩余寿命预测 方法，其特征在于，步骤2. 2中最优参数的寻优过程是按照以下步骤实现的： 将原始训练向量集J〇进行k折交叉验证k < 1，对模型的误差进行估计和分析，其步骤 下： 步骤（a):将原始训练向量集1中的1个向量等间隔k取出Ι/k个向量组成向量组tz， z e [l，k]，若1/k不是整数，则取1/k结果的整数部分；将^作为测试集，除h以外的tz 作为训练集； 步骤（b):用训练集训练每个网格交点的超参数所构建的LS-SVM模型，利用测试集来 验证LS-SVM模型的准确性，计算容量相对误差平均值E:
其中，ez为每个LS-SVM模型的容量相对误差，
这样就完成了一次交叉检验； 步骤（c):依次选取〖2-%作为测试集，除选取的测试集以外的tz作为训练集，重复步 骤（b); 步骤（d):取步骤（b)、步骤（c)中获得最小E值时的超参数作为此次寻优过程中的最 优超参数。
4. 根据权利要求1或2所述的基于LS-SVM的概率集成学习锂离子电池剩余寿命预测 方法，其特征在于，步骤四中计算RULP的概率置信区间是分别在68%、95%、99 (%概率下的 置信区间。
【文档编号】G06K9/66GK104156791SQ201410437025
【公开日】2014年11月19日 申请日期:2014年8月29日 优先权日:2014年8月29日
【发明者】刘大同, 王少军, 卢斯远, 彭宇, 彭喜元 申请人:哈尔滨工业大学