[发明专利]基于相关向量回归的锂离子电池剩余寿命检测方法

说明书

本发明提供一种基于相关向量回归的锂离子电池剩余寿命检测方法，包括如下步骤：(1)数据特征提取：针对锂电池充放电数据提取出锂电池的放电电压随着时间变化的数据，根据其电压变化梯度，提取出电压变化时间作为数据特征；(2)数据特征归一化：对数据进行归一化处理；(3)搭建模型：根据相关向量机算法RVM算法模型，选择高斯核函数，搭建数据集样本到高维数据的映射，进行数据训练，从而得到RVM算法模型；(4)预测：使用相关向量机算法RVM算法模型对锂电池剩余容量进行预测，从而对电池剩余寿命进行有效检测。

技术领域

本发明属于电池寿命评估技术领域，具体涉及一种基于相关向量回归的锂离子电池剩余寿命检测方法。

背景技术

锂离子电池是新能源汽车发展的重要一环。与传统铅酸电池比起来，锂离子电池具有使用寿命长、电压高、自放电小、电池整体体积小、能量密度相对较高的特点。此外，锂离子电池充放电能量性能高，能够满足汽车在快速启动和加速时的要求。目前锂离子电池的使用已实现大规模的商业化，在风力、水力、太阳能储能电站得到大规模应用，在航天领域和军事领域，锂离子电池的需求量也在逐年提升。对于锂离子电池剩余寿命预测(RemainUse of Life，简称RUL)是锂离子电池应用的重要环节。其作用主要体现在两个方面：其一，锂离子电池寿命衰退时间较长，在某些特殊领域难以通过可靠性试验来达到寿命验证的目的，此时可以通过分析RUL来对锂电池可靠性进行估计；其二，通过对锂离子电池RUL进行评估，可以对其使用环境、使用策略进行评估，从而实现了锂离子电池的维护、维修以及使用性能优化，进一步延长锂离子电池的寿命。

随着研究的深入，目前基于模型驱动和数据驱动的锂离子电池剩余寿命方法被广泛使用。基于模型驱动的方法采取仅需要部分拟合就能得到电池寿命预测模型，缺点是预测精度相对较低，且大部分模型不能同时兼顾计算效率和预测精度问题，在实际情况下使用的价值有限。和传统基于模型的预测方法比起来，随着近年来机器学习研究的深入发展与进步，基于数据驱动模型的预测方法逐渐得到更多的关注。同传统基于模型的预测方案相比，基于数据驱动模型的预测方案不需要从锂离子电池的复杂物理模型入手，仅需要以数据为研究对象，根据锂离子电池的充放电数据以及状态数据来进行RUL预测。

RVM算法在处理非线性模型时具有很好的效果，采用核函数的技巧，将非线性的数据投射到高维空间进行数据分割。

发明内容

针对现有技术存在的缺陷，本发明提出了一种基于RVM算法的锂电池RUL检测方法。该方法与传统方法相比，预测速度更快，预测准确度也相对更高。

为实现上述发明目的，本发明技术方案如下：

一种基于相关向量回归的锂离子电池剩余寿命检测方法，包括如下步骤：

(1)数据特征提取：针对锂电池充放电数据提取出锂电池的放电电压随着时间变化的数据，根据其电压变化梯度，提取出每个循环周期中电压变化时间作为数据特征；

(2)数据特征归一化：对数据进行归一化处理；

(3)搭建模型：根据相关向量机RVM算法原理，选择高斯核函数，搭建数据集样本到高维数据的映射，进行数据训练，从而得到相关向量机RVM算法模型；

(4)预测：使用相关向量机RVM算法模型对锂电池剩余容量进行预测，从而对电池剩余寿命进行有效检测。

作为优选方式，所述步骤(1)具体为：根据锂电池放电电压随着时间变化的数据，提取出每个循环周期里相邻时间测量点之间的锂离子电池电压差，并选取与电池放电中段平台期的电压差的2倍作为阈值，选择在这个阈值范围内的电压差所对应的时间段的差值，将其组合成电压变化时序特征。

作为优选方式，所述步骤(2)具体为：对选取的数据特征值进行数据处理，由于数据特征值的数量级和锂电池剩余寿命的数量级差别很大，直接代入模型会引起误差和计算缓慢的问题，因此对输入测试数据进行归一化处理，公式如下：