CN104459560A - 基于小波降噪和相关向量机的锂电池剩余寿命预测方法 - Google Patents

Abstract

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。

Description

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

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

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。

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。

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

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。

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。

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。

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。

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。

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%。

在上述步骤（4）中，锂电池容量数据为H ₁ , H ₂ ,…, H _n ，其中n≥1，为测量的周期数，对应的容量数据序列为[H ₁ , H ₂ ,…, H _n ]，锂电池容量数据的各个充放电周期依次为T ₁ , T ₂ ,…, T _n ，n≥1，对应的充放电周期数据序列为[T ₁ , T ₂ ,…, T _n ]；

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。

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，N是个体的数量，G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r1、r2 和 r3是随机选自于; F 是比例因子。

试验矢量在交叉操作中由和生成：         

  ；

其中，是事先定义的交叉常数，是0-1之间的随机数。

假设f(x)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：

。

在上述步骤（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T _n 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H _n+g ≥H _threshold 且H _n+g+1<H _threshold 条件的第T _n+g 个充放电周期，则锂电池在第T _n+g 个充放电周期后失效，其剩余寿命为g个充放电周期。其中H _threshold 是该锂电池失效的容量阈值。

本发明相比背景技术具有如下优点：

（1）首次提出小波二次降噪方法，并将其应用于处理测量的锂电池数据，处理后的数据更接近原始数据；

（2）相关向量机算法在差分进化算法优化选择了宽度因子后，其预测精度相对于传统的经验尝试法有明显提高。在本发明的锂电池剩余寿命预测实验实例中，剩余寿命的预测精度至少提高了4.1%。

附图说明

图1 是基于小波降噪和相关向量机的锂电池剩余寿命预测方法的流程框图；

图2 是编号为5的锂电池的容量随充放电周期的展示图；

图3 是应用Minimax方法产生小波阈值的小波降噪后锂电池容量数据展示图；

图4是应用Sqtwolog方法产生小波阈值的小波降噪后锂电池容量数据展示图；

图5是应用本发明提出的小波二次降噪方法降噪后锂电池容量数据展示图；

图6是应用差分进化算法优化相关向量机算法的宽度因子的过程；

图7是应用优化后的相关向量机对锂电池未来86个周期容量数据的预测结果。

具体实施方式

以下结合附图和例子对本发明作进一步说明。

参照图1，本发明的整体流程图由5个步骤构成：

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；

步骤2：对测量的数据执行小波二次降噪，获取原始数据；

步骤3：计算锂电池容量的失效阈值；

步骤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的宽度因子进行优化选择；

步骤5：应用经差分进化算法优化后的相关向量机算法对锂电池剩余寿命的进行预测；

步骤1中，锂电池的健康状况数据是指容量数据。

测量获取锂电池各个充放电周期的容量变化数据的方法为：测量电池容量数据时锂电池工作于两种状态：充电和放电工作状态。充电锂电池一般首先通恒定电流，当充电电压升至额定电压时，保持电压不变，直到电流降至一个设定值时，充电完成。放电时维持工作电流不变，直至电压下降至设定值，放电工作完成。一次完整的充放电过程即为一个周期，测量各个充放电周期的电池容量，即为测量数据。锂电池的容量一般是随着充放电周期而下降的。

步骤2中，小波二次降噪的方法为： 

设提取的锂电池容量数据为H ₁ , H ₂ ,…, H _n ，其中n≥1，为测量的周期数，即数据的大小。现以H(x)表示提取的数据，x 为数据的编号，且，首先，对测量数据H(x)进行小波分解，设{V _k } _k∈Z 是尺度空间，{W _k } _k∈Z 是相应分解的小波空间，则H(x)在V _k 上可分解为，其中k和i为离散化参数，Z表示实数，和分别为在2 ^k+1 分辨率下的尺度函数和小波函数，和分别是H(x)在2 ^k+1 分辨率下的逼近系数和细节系数。小波降噪中认为若某个系数的模低于该小波阈值，则该系数为噪声分解而成，故将该系数置0，随后将所有剩余的系数重构，可生成降噪后的原始数据。本发明提出的小波二次降噪方法为，对测量的数据进行两次降噪，第一次降噪采用Minimax方法生成小波阈值，其公式为：

；

第二次降噪采用Sqtwolog方法生成小波阈值，其公式为

；n≥1，为测量的周期数，即数据的大小。

Minimax方法生成的小波阈值远大于Sqtwolog方法，第一次降噪可以消除测量数据中的较大的噪声，而第二次降噪可以去除数据中较小的噪声。小波二次降噪方法可有效地消除或减弱锂电池容量测量数据中噪声。

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%。

步骤4中，提取的锂电池容量数据为H ₁ , H ₂ ,…, H _n ，其中n≥1，为测量的周期数，对应的容量数据序列为[H ₁ , H ₂ ,…, H _n ]，锂电池容量数据的各个充放电周期依次为T ₁ , T ₂ ,…, T _n ，（n≥1），对应的充放电周期数据序列为[T ₁ , T ₂ ,…, T _n ]。

差分进化算法优化选择相关向量机算法的宽度因子的过程为：

（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。

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，N是个体的数量，G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r1、r2 和 r3是随机选自于; F 是比例因子。

试验矢量在交叉操作中由和生成：         

  ；

其中，是事先定义的交叉常数，是0-1之间的随机数。

假设f(x)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：

。

本发明设置f(x)等于以x为宽度因子的相关向量机的预测数据与真实数据的Mse，即均方误差，为最小化目标函数，它表征预测数据与真实数据的紧密程度。和分别表示以和为宽度因子的相关向量机的的预测数据与真实数据的Mse。Mse的计算公式为：

     ；                                                   

其中, T为数据的编号， 是用于训练的数据数量；和分别是预测数据和真实数据。

步骤5中，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步骤如下：

相关向量机算法的预测输出为：

  ；  

其中是训练样本； 是均值为0，方差为的噪声；是输出函数，其表达式为：

；

其中为预测模型的权值；是偏差；为第u个训练样本；为核函数，高斯径向基核函数一向有优秀的非线性处理能力，故采用该函数：

；

其中为宽度因子，它对相关向量机算法的预测性能有至关重要的作用，本发明中由差分进化算法优化选择。

应用经差分进化算法优化后的相关向量机算法对T _n 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H _n+g ≥H _threshold 且H _n+g+1<H _threshold 条件的第T _n+g 个充放电周期，则锂电池在第T _n+g 个充放电周期后失效，其剩余寿命为g个充放电周期。其中H _threshold 是该锂电池失效的容量阈值。

为展示本发明提出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的过程和预测性能，在此以一个实例说明。以美国宇航局艾姆斯研究中心提供的编号为5的锂电池容量测量数据为实验对象，图2为编号为5的锂电池的容量随充放电周期的展示图，由图中可以看出，锂电池的容量均随着充放电周期有下降的趋势，但在部分周期，电池容量有快速而短暂的上升，这些一般是由于噪声干扰造成。

对编号为5的锂电池的容量数据进行小波降噪，应用Minimax方法产生小波阈值的小波降噪后锂电池容量数据如图3所示，而应用Sqtwolog方法产生小波阈值的小波降噪后锂电池容量数据如图4所示。应用本发明提出的小波二次降噪方法进行的小波降噪后锂电池容量数据如图5所示。经效果对比，可明显发现，本发明提出的降噪方法得出的锂电池的容量数据，在随着充放电周期的进行，一直在平稳的下降，更加吻合于锂电池实际的容量变化，即更加接近于原始数据。

据美国宇航局艾姆斯研究中心的研究成果表明，编号为5的锂电池的标称值为2Ah， 1.32Ah为该电池失效阈值。容量数据共采集了166个充放电周期，而前129个充放电周期为其有效周期，容量均高于1.38Ah，之后周期中该锂电池由于容量低于1.38Ah而失效，现以其前80个充放电周期的数据作为训练数据，之后86个充放电周期的数据作为测试数据，此时该锂电池的剩余寿命为49个充放电周期。在此，差分进化算法应用训练数据优化选择相关向量机的宽度因子，以测试数据检验该相关向量机的预测精度。

差分进化算法中种群规模和迭代次数分别设置为30和100，F 等于0.6; C随迭代的进行由0.9线性下降至0.3，图6为基于训练数据应用差分进化算法优化相关向量机算法的宽度因子的过程。优化选择的宽度因子为0.5011。以0.5011作为宽度因子，应用于相关向量机中，预测该锂电池在随后86个充放电周期中的容量值，与真实的测试数据容量值进行对比，预测的结果如图7所示。在本次预测中，预测结果为锂电池的有效周期可达到第125个充放电周期，剩余寿命为45个充放电周期，误差为-4个周期，测试产生的Mse为1.4331e-04。由于优化得到的宽度因子在0.1-1之间，一般在该区间通过经验尝试法设置宽度因子的取值。为了验证应用差分进化算法优化宽度因子的方法优于经验尝试法设置宽度因子的方法，故在此，分别以0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9和1为宽度因子，预测该锂电池在随后86个充放电周期中的容量值，从而计算该锂电池剩余寿命，预测的结果见表1。

 

从表1的各项结果可以得知，经差分进化算法优化了宽度因子的相关向量机，其预测的锂电池剩余寿命最准确，预测误差最小，只有-4个充放电周期，Mse也是最小。而在设置宽度因子为0.1，0.2，0.3，0.4， 0.5，0.6，0.7，0.8，0.9和1时的相关向量机，预测的误差和Mse均高于本发明提出的经差分进化算法优化了宽度因子的相关向量机算法。其中以设置宽度因子为0.3和0.5的相关向量机预测的剩余寿命误差最小，为-6，预测剩余寿命为43个充放电周期，最接近标准值。本发明提出的经差分进化算法优化了宽度因子的方法，预测的剩余寿命为45个充放电周期，误差为-4个周期，说明结果的预测精度至少可以提高4.1%。

通过该实例可以证明，本发明提出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，操作简单有效，同时具有较高的预测精度。

Claims (7)

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H ₁ , H ₂ ,…, H _n ，其中n≥1，n为测量的周期数，对应的容量数据序列为[H ₁ , H ₂ ,…, H _n ]，锂电池容量数据的各个充放电周期依次为T ₁ , T ₂ ,…, T _n ，对应的充放电周期数据序列为[T ₁ , T ₂ ,…, T _n ]；

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T _n 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H _n+g ≥H _threshold 且H _n+g+1<H _threshold 条件的第T _n+g 个充放电周期，则锂电池在第T _n+g 个充放电周期后失效，其剩余寿命为g个充放电周期，其中H _threshold 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                                               ，其中i为个体的编号，N是个体的数量，G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r1、r2 和 r3是随机选自于; F 是比例因子；

试验矢量在交叉操作中由和生成：         

  ；

其中，是事先定义的交叉常数，是0-1之间的随机数；

假设f(x)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：

。