技术领域本发明涉及锂离子电池领域，特别是涉及一种卫星锂离子电池寿命的预测方法及装置。
背景技术：
锂离子电池作为新型蓄电池，比以往类型蓄电池具有较大优势，在对贮能电源电性能、可靠性要求较高的场合如低地球轨道卫星(LEO)、地球同步轨道卫星(GEO)、空间站等宇航设备，锂离子蓄电池组将成为首选对象。然而，现有技术中，测量锂离子电池寿命的过程存在较多不准确之处，导致得到的锂离子寿命误差较大，影响对锂离子电池寿命的准确评估。
技术实现要素：
本发明提供一种卫星锂离子电池寿命的预测方法及装置，用以解决现有技术中，测量锂离子电池寿命的过程存在较多不准确之处，导致得到的锂离子寿命误差较大，影响对锂离子电池寿命的准确评估的问题。一方面，本发明提供一种卫星锂离子电池寿命的预测方法，包括：分析卫星锂离子电池循环寿命试验数据的特征，以获得故障演变特征量；对所述故障演变特征量对应的容量退化数据进行去放松效应；根据所述去放松效应后的容量退化数据，进行最小二乘支持向量机LSSVM无监督学习训练，以完成预测寿命的LSSVM模型构建；通过LSSVM模型来预测电池在不同周期的电池容量，依据电池容量进行电池失效阀值外推，实现对锂电池剩余寿命RUL的实时预测。进一步，LSSVM模型公式为：其中，k(x,xi)是核函数，αi为拉格朗日因子，b为偏置项，x为所有电池容量组成的向量，xi为电池容量原始值。进一步，核函数k(x,xi)至少包括以下之一：多项式核函数k(x,xi)＝[1+(x·xi)]q；sigmoid核函数k(x,xi)＝tanh(νk(x·xi)+ck)；径向基函数k(x,xi)＝exp(-|x-xi|2/2σ2)；其中，x为所有电池容量组成的向量，xi为电池容量原始值，νk(x·xi)为位移参数，当vk>0时，其是输入数据的一个幅度调节参数，ck为一个控制映射阈值的位移参数，σ为核函数的宽度。进一步，完成预测寿命的LSSVM模型构建之后，还包括：采用均方误差MSE和平方相关系数SCC来进行模型准确度验证，验证公式如下：MSE=1NΣi=1N(xi-yi)2,]]>SCC=[Σi=1N(xi-x‾)(yi-y‾)Σi=1N(xi-x‾)2Σi=1N(yi-y‾)2]2,]]>其中，xi为电池容量原始值，yi为电池容量预测值，x为电池容量平均值，y为电池容量预测平均值，N为自然数。进一步，依据电池容量进行电池失效阀值外推，实现对锂电池剩余寿命RUL的实时预测之后，还包括：将预测的RUL与实际测量值进行误差分析，误差分析RPE公式如下：其中Cr为实际测量值，Cp为预测的RUL。另一方面，本发明还提供一种卫星锂离子电池寿命的预测装置，包括：分析模块，用于分析卫星锂离子电池循环寿命试验数据的特征，以获得故障演变特征量；处理模块，用于对所述故障演变特征量对应的容量退化数据进行去放松效应；构建模块，用于根据所述去放松效应后的容量退化数据，进行最小二乘支持向量机LSSVM无监督学习训练，以完成预测寿命的LSSVM模型构建；预测模块，用于通过LSSVM模型来预测电池在不同周期的电池容量，依据电池容量进行电池失效阀值外推，实现对锂电池剩余寿命RUL的实时预测。进一步，所述构建模块构建的LSSVM模型公式为：其中，k(x,xi)是核函数，αi为拉格朗日因子，b为偏置项，x为所有电池容量组成的向量，xi为电池容量原始值。进一步，所述构建模块在构建的LSSVM模型时，核函数k(x,xi)至少包括以下之一：多项式核函数k(x,xi)＝[1+(x·xi)]q；sigmoid核函数k(x,xi)＝tanh(νk(x·xi)+ck)；径向基函数k(x,xi)＝exp(-|x-xi|2/2σ2)；其中，x为所有电池容量组成的向量，xi为电池容量原始值，νk(x·xi)为位移参数，当vk>0时，其是输入数据的一个幅度调节参数，ck为一个控制映射阈值的位移参数，σ为核函数的宽度。进一步，还包括：验证模块，用于采用均方误差MSE和平方相关系数SCC来进行模型准确度验证，验证公式如下：MSE=1NΣi=1N(xi-yi)2,]]>SCC=[Σi=1N(xi-x‾)(yi-y‾)Σi=1N(xi-x‾)2Σi=1N(yi-y‾)2]2,]]>其中，xi为电池容量原始值，yi为电池容量预测值，x为电池容量平均值，y为电池容量预测平均值，N为自然数。进一步，还包括：误差分析模块，用于将预测的RUL与实际测量值进行误差分析，误差分析RPE公式如下：其中Cr为实际测量值，Cp为预测的RUL。本发明提供的预测方法在对容量退化数据进行去放松效应之后，构建预测寿命的LSSVM模型，再通过该模型进行寿命的预测，预测结果准确，解决了测量锂离子电池寿命的过程存在较多不准确之处，导致得到的锂离子寿命误差较大，影响对锂离子电池寿命的准确评估的问题。附图说明图1是本发明实施例中卫星锂离子电池寿命的预测方法的流程图；图2是本发明实施例中卫星锂离子电池寿命的预测装置结构示意图；图3是本发明实施例中卫星锂离子电池寿命的预测装置优选结构示意图；图4是本发明优选实施例中锂离子电池循环寿命预测方法的流程图；图5是本发明优选实施例中利用LSSVM构建循环寿命预测模型示意图；图6是本发明优选实施例中锂离子电池原始电池容量衰退数据曲线图；图7是本发明优选实施例中去放松效应后电池容量衰退数据曲线图；图8是本发明优选实施例中用于训练LSSVM模型的5号电池模型验证曲线图一；图9是本发明优选实施例中用于训练LSSVM模型的5号电池模型验证曲线图二；图10是本发明优选实施例中#5电池在40周期时的循环寿命预测曲线图；图11是本发明优选实施例中#6电池在40周期时的循环寿命预测曲线图；图12是本发明优选实施例中#5电池在70周期时的循环寿命预测曲线图；图13是本发明优选实施例中#6电池在70周期时的循环寿命预测曲线图；图14是本发明优选实施例中#5和#6电池在40周期时的循环寿命预测误差分析图；图15是本发明优选实施例中#5和#6电池在70周期时的循环寿命预测误差分析图。具体实施方式为了解决现有技术中，测量锂离子电池寿命的过程存在较多不准确之处，导致得到的锂离子寿命误差较大，影响对锂离子电池寿命的准确评估的问题，本发明提供了一种卫星锂离子电池寿命的预测方法及装置，以下结合附图以及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不限定本发明。本发明实施例提供了一种卫星锂离子电池寿命的预测方法，该方法的流程如图1所示，包括S101至S104：S101，分析卫星锂离子电池循环寿命试验数据的特征，以获得故障演变特征量；S102，对故障演变特征量对应的容量退化数据进行去放松效应；S103，根据去放松效应后的容量退化数据，进行最小二乘支持向量机LSSVM无监督学习训练，以完成预测寿命的LSSVM模型构建；S104，通过LSSVM模型来预测电池在不同周期的电池容量，依据电池容量进行电池失效阀值外推，实现对锂电池剩余寿命RUL的实时预测。本发明实施例提供的预测方法在对容量退化数据进行去放松效应之后，构建预测寿命的LSSVM模型，再通过该模型进行寿命的预测，预测结果准确，解决了测量锂离子电池寿命的过程存在较多不准确之处，导致得到的锂离子寿命误差较大，影响对锂离子电池寿命的准确评估的问题。在实现过程中，LSSVM模型公式为：其中，k(x,xi)是核函数，αi为拉格朗日因子，b为偏置项，x为所有电池容量组成的向量，xi为电池容量原始值。其中，核函数k(x,xi)至少包括以下之一：多项式核函数k(x,xi)＝[1+(x·xi)]q；sigmoid核函数k(x,xi)＝tanh(νk(x·xi)+ck)；径向基函数k(x,xi)＝exp(-|x-xi|2/2σ2)；其中，x为所有电池容量组成的向量，xi为电池容量原始值，νk(x·xi)为位移参数，当vk>0时，其是输入数据的一个幅度调节参数，ck为一个控制映射阈值的位移参数，σ为核函数的宽度。在完成预测寿命的LSSVM模型构建之后，还可以验证模型的准确度，则可以采用均方误差(MSE)和平方相关系数(SCC)来进行模型准确度验证，验证公式如下：MSE=1NΣi=1N(xi-yi)2,]]>SCC=[Σi=1N(xi-x‾)(yi-y‾)Σi=1N(xi-x‾)2Σi=1N(yi-y‾)2]2,]]>其中，xi为电池容量原始值，yi为电池容量预测值，为电池容量平均值，为电池容量预测平均值，N为自然数。进一步，在依据电池容量进行电池失效阀值外推，实现对锂电池剩余寿命RUL的实时预测之后，还可以将预测的RUL与实际测量值进行误差分析，误差分析RPE公式如下：其中Cr为实际测量值，Cp为预测的RUL。本发明实施例还提供了一种卫星锂离子电池寿命的预测装置，其结构示意如图2所示，包括依次耦合的：分析模块10，用于分析卫星锂离子电池循环寿命试验数据的特征，以获得故障演变特征量；处理模块20，用于对所述故障演变特征量对应的容量退化数据进行去放松效应；构建模块30，用于根据所述去放松效应后的容量退化数据，进行最小二乘支持向量机LSSVM无监督学习训练，以完成预测寿命的LSSVM模型构建；预测模块40，用于通过LSSVM模型来预测电池在不同周期的电池容量，依据电池容量进行电池失效阀值外推，实现对锂电池剩余寿命RUL的实时预测。其中，所述构建模块构建的LSSVM模型公式为：其中，k(x,xi)是核函数，αi为拉格朗日因子，b为偏置项，x为所有电池容量组成的向量，xi为电池容量原始值。LSSVM的核函数选取上，LSSVM的非线性建模主要依赖于特征空间方法和核函数技巧。核函数思想主要在于使求解运算在输入空间进行，而不是在特征空间进行，同时保证二者有着理论上确定的对应关系。选择不同的核函数，将会形成不同的算法，数据会映射到不同的空间，意味着采取不同的标准对相似性核相似程度进行估价。在LSSVM算法中，不同的核函数将形成不同的算法，用得比较多的主要有三类：多项式核函数k(x,xi)＝[1+(x·xi)]q，为q阶多项式核函数；sigmoid核函数k(x,xi)＝tanh(νk(x·xi)+ck)，这时的LSSVM算法中包含了一个隐层的多层感知器，隐层结点是由算法自动确定的，而且算法不存在困扰神经网络的局部极小点的问题；径向基函数k(x,xi)＝exp(-|x-xi|2/2σ2)，其中由于径向基核函数对应的特征空间是无穷维的，有限的样本在该特征空间中肯定是线性可分的，因此采用径向基核的核函数；其中，x为所有电池容量组成的向量，xi为电池容量原始值，νk(x·xi)为位移参数，当vk>0时，其是输入数据的一个幅度调节参数，ck为一个控制映射阈值的位移参数，σ为核函数的宽度。LSSVM模型的参数选取过程中，LSSVM中的两个为正的参数σ2和γ是未知的，σ为核函数的宽度，取值过大将使模型过早收敛，达不到预测的目的，γ为错误惩罚因子，取值较大可以使训练样本数据和测试结果拟合的更好，即提高测试精度。核参数σ2由k一折交叉验证方法来确定。k一折交叉验证法具体步骤为：①将(γ，σ2)的训练样本集随机地分成k个互不相交的子集，每个折的大小大致相等。②利用k-1个训练子集，对给定的一组参数建立回归模型，利用剩下的最后一个子集的均方差MSE评估参数的性能。根据以上过程重复k次，因此每个子集都有机会进行测试，③根据k次迭代后得到的均方差的平均值来估计期望泛化误差，最后选择一组最优的参数。上述装置还可以如图3所示，包括：验证模块50，与构建模块30和预测模块40耦合，用于采用均方误差MSE和平方相关系数SCC来进行模型准确度验证，验证公式如下：MSE=1NΣi=1N(xi-yi)2,]]>SCC=[Σi=1N(xi-x‾)(yi-y‾)Σi=1N(xi-x‾)2Σi=1N(yi-y‾)2]2;]]>误差分析模块60，与预测模块40耦合，用于将预测的RUL与实际测量值进行误差分析，误差分析RPE公式如下：其中，xi为电池容量原始值，yi为电池容量预测值，为电池容量平均值，为电池容量预测平均值，N为自然数，Cr为实际测量值，Cp为预测的RUL。优选实施例本发明实施例是研究NCA/C电池体系的卫星锂离子电池预测方法，为实现卫星新型第三代高能贮能电源未来在轨高效应用、精确管理奠定基础。本发明实施例提出一种基于退化数据和最小二乘支持向量机(LSSVM)的卫星锂离子电池寿命(循环寿命)预测方法，目的是解决现有的锂离子电池循环寿命预测过程中，没有一个较为准确的预测方法，导致电量计算不准确的问题。本发明实施例是通过如下方案实现的：1)分析锂离子电池循环寿命试验数据的特征，获得故障演变特征量。2)由于电池容量的测量(EIS)是在充电过程后放置一段时间后进行(此时间称为放松时间)，会引起下一周期的电池容量突增，而且放置的时间的不确定也会影响电池剩余寿命的预测。因而，针对卫星蓄电池故障演变特征量容量，需要对电池的容量退化数据进行去放松效应。3)利用去放松效应后的容量退化数据，进行LSSVM无监督学习训练，并完成模型构建。4)利用LSSVM构建模型，预测电池在不同周期后的电池容量分布，依据电池失效阀值外推模型实现对锂电池剩余寿命(RUL)的实时预测。5)对预测的RUL与实际测量寿命进行误差分析。本发明上述的最小二乘支持向量机方法，是将支持向量分类机的不等式约束条件，更改为在等式的约束条件下，然后通过求解对偶问题课的问题解为一系列线性方程组的解。这样，最小二乘支持向量机只需要求解一个线性方程组就可得到分类面，比起标准的支持向量机需求二次规划问题要简单的多，且存储量得以减少，训练速度得以提高。采用的最小二乘支持向量机(LSSVM)的优点在于小样本学习能力和泛化能力强，其推导过程如下：LSSVM是在标准SVM的目标函数中增加了误差平方和项。对于非线性系统，考虑非线性回归函数：f(x)＝ωT·φ(xk)+b(1)其中：x∈Rn,y∈R，ω表示权向量，非线性函数将输入空间映射为高维特征空间，于是LSSVM可定义如下优化问题，γ为正则化参数：minω,b,eJ(ω,ξ)=12ωTω+12γΣk=1Nξk2---(2)]]>s.t.yk＝ωT·φ(xk)+b+ek,k＝1,...,N(3)再引入Lagrange函数，把约束优化问题转化为无约束优化：L(ω,b,ξ,α)=J(ω,ξ)-Σk=1Nαk[ωT·φ(xk)+b+ξ-yk]---(4)]]>再根据KKT条件，对式(4)求偏导：∂L∂ω=0→ω=ΣK=1NαKφ(xk)∂L∂b=0→ΣK=1NαK=0∂L∂ξ=0→αK=γξk∂L∂αk=0→ωT·φ(xk)+b+ξk-yk---(5)]]>消去ω和ξ，求解方程(5)：01T1K+γ-1Iba=0Y---(6)]]>用最小二乘计算a和b，得到LSSVM模型为：f(x)=Σi=1kαkk(x,xk)+b---(7)]]>上述公式(7)中的k等于i，只是表述方式上存在不同。本发明实施例的基于退化数据和LSSVM的锂离子电池循环寿命预测方法的流程如图4所示。首先，对电池退化数据去放松效应，其次分别利用不同周期的退化数据样本进行LSSVM无监督学习训练并建立相应模型，然后分别预测电池在不同周期后的电池容量(分布)，依据电池失效阀值外推模型实现对锂电池剩余寿命(RUL)的实时预测，最后对预测得到的RUL与实际测量寿命进行误差分析以及与标准SVM进行比较。与现有技术相比，本发明有益效果如下：本发明提供一种基于退化数据和LSSVM的锂离子电池循环寿命预测方法，对退化数据进行去放松效应处理，然后采用LSSVM训练电池退化数据，跟踪退化趋势，优点在于小样本学习能力和泛化能力强，在不给出锂电池容量退化分布函数的情况下，利用LSSVM训练退化数据建立模型。依据失效阈值实现对RUL实时预测，并进行误差分析以及与标准的SVM进行比较。下面结合实例对上述过程进行详细说明。实施例1本发明实施例提供了如何利用LSSVM构建循环寿命预测模型，见图5，具体实现步骤如下。第一步：选择合适的退化数据作为训练样本，基于径向基函数在LSSVM回归预测应用中优越表现，选取径向基函数作为本方案的LSSVM核函数。第二步：初始化模型，即利用初始化径向基核函数的核宽度σ和惩罚因子γ。第三步：利用LSSVM交叉验证函数tunelssvm优化求解核宽度σ和惩罚因子γ。第四步：将核宽度σ和惩罚系数γ代入LSSVM训练模型，利用trainlssvm命令求解模型参数和b值后训练建立模型。第五步：验证模型。用均方误差(MSE)和平方相关系数(SCC)来定义模型的精确性。其中，MSE越小，SCC越接近于1，模型拟合度越高。MSE=1NΣi=1N(xi-yi)2---(8)]]>SCC=[Σi=1N(xi-x‾)(yi-y‾)Σi=1N(xi-x‾)2Σi=1N(yi-y‾)2]2---(9)]]>其中，xi为电池容量原始值，yi为电池容量预测值。第六步：依据失效阀值进行RUL预测，并进行相应误差分析。实施例2本发明实施例是对所述的基于退化数据和LSSVM建立锂离子电池循环寿命预测模型的验证。本实施例中，采用NASAPCoE研究中心的锂离子电池试验数据进行了验证，并对试验验证结果进行了对比分析。选取试验数据集中的#05，#06和#07电池容量衰退试验数据，并以70％电池容量(从2Ah下降到约1.4Ah)作为锂离子电池寿命的阈值。首先，电池容量的测量(EIS)会导致容量出现放松效应，如图6所示的曲线尖峰即为松散效应，采取基于数学形态的方式对容量数据进行去放松效应，如图7所示。然后，合理选取LSSVM模型的核函数及模型参数。LSSVM模型的表达式为：其中，k(x,xi)是核函数，αi为拉格朗日因子，b为偏置项。要建立精确的回归模型关键先要选取合适核函数以及核函数参数的优化选取包括核宽度σ和惩罚因子γ，然后通过LSSVM训练算法精确计算式(10)中的αi和b值，建立相应的模型。将#5的前50周期和#5的前100周期的退化数据作为LSSVM训练样本并进行回归预测，结果如图8和图9所示。计算此时的均方值MSE和平方相关系数SCC如表1所示，表1表示#5的模型的MSE和SCC。表1MSESCC前50周期6.649921e-0060.994767前100周期8.664163e-0060.999164由表1可得出，此时模型的MSE很小，SCC趋向于1，由图8和图9可见模型的拟合效果良好，所以利用LSSVM能够建立比较精确退化模型。实施例3本发明实施例所述的是在分别利用#5和#6的前40周期和前70周期的退化数据建立模型1和模型2的基础上，分别在对应的模型1向后预测60周期和模型2向后预测30周期，然后依据电池容量的阀值(70％)进行寿命预测。利用LSSVM算法中的SIMLSSVM命令进行RUL预测。预测寿命与实际寿命之间的差距就是预测误差，同样用用均方值(MSE)和平方相关系数(SCC)来，同时还增加相对误差(RPE)来线性表示误差，如式(11)所示。RPE=|Cr-CpCp|×100%---(11)]]>其中，Cr为实际测量值，Cp为预测值。在40周期时所做预测结果如图10和图11所示，在70周期时所做预测结果如图12和13所示，在40周期时所做预测的相对误差如图14所示，#6在70周期时所做预测的相对误差如图15所示。RUL预测结果的MSE和SCC以及相对误差(RPE)如表2所示，表2表示#5和#6预测结果的误差分析。表2由图14和图15可以看出在70周期时预测的相对误差要小于40周期，且随着预测周期数的不断增大，相对误差会逐渐增大。由表1和表2可以量化地看出在70周期时预测的MSE要小于40周期，SCC也越靠近于1。这是因为相对于40周期来说，70周期时具有更多训练样本，能更好的拟合退化趋势，预测精度有所提高。尽管为示例目的，已经公开了本发明的优选实施例，本领域的技术人员将意识到各种改进、增加和取代也是可能的，因此，本发明的范围应当不限于上述实施例。