[发明专利]锂离子电池寿命的早期预测方法

权利要求书

1.一种锂离子电池寿命的早期预测方法，其步骤是：

S1、锂离子电池早期老化特征提取

其特征在于：

S2、快速搜索聚类的早期老化特征筛选

快速搜索聚类方法过程是：

①对于由N个电池和S个特征组成的电池早期老化特征数据集

(1≤n≤N,1≤i≤S)，n和i分别表示电池和特征的编号，表示第n个电池的第i个特征；x_norm表示归一化后得到的早期老化特征数据，即

其中，X_min与X_max分别表示X的最大值与最小值；

②特征x_i与x_j之间的欧几里得距离表示为

其中，与分别表示第n个电池的第i个和第j个特征，d_ij表示特征之间的欧几里得距离；

③特征x_i的局部密度ρ_i表示为

其中，局部密度ρ_i表示其他特征与特征x_i之间的距离小于截止距离d_c的特征总数；

④对特征x_i的局部密度进行降序排序，并得到相应的排序下标

{ρ_i}＝ρ_i1≥ρ_i2≥...≥ρ_ij≥...≥ρ_iS，1≤i≤S，1≤j≤S，控制距离δ_i为

⑤由控制距离δ_i与局部密度ρ_i得到特征x_i的决策值γ_i，即

γ_i＝δ_i*ρ_i (5)

其中，较大的γ_i值对应的特征x_i被选作聚类中心特征；

⑥当非中心特征x_i和x_j属于不同的簇时，由ρ_i和ρ_j计算簇的边界密度B_i，如果B_i大于或等于ρ_i和ρ_j的平均值的最大值，则将特征x_i分配给一个聚类簇C，边界密度B_i为

其中，i表示属于聚类簇C的第i个特征；

S3、锂离子电池早期寿命预测

①输入数据集为{T_n,y_n}，T_n与y_n分别表示第n个电池的筛选特征与寿命的观测值，弱学习器表示为h(T)，初始化权值向量设迭代次数为k，当前时刻的权值分布为D_k，训练输入数据得到的弱学习器表示为h_k(T)；

②弱学习器h_k(T)在训练集上的预测误差即

其中，M表示预测误差的上确界，也就是最大预测误差；

④总体预测误差ε_k表示为

⑤当前预测器的权重系数为

其中，

⑥更新训练集的权值分布，更新过程表示为

其中，表示一个规范化因子；

最后得到强学习器的权重向量W＝(w₁,w₂,...,w_k)，其中

⑦根据得到的权重构建强学习器，强学习表示为

⑧BP神经网络隐含层的输出表示为

h_t＝f₁(w_hX_t+b_h) (13)

其中，X_t表示输入的特征数据，h_t为隐含层输出，w_h为隐含层与输入层神经元之间的权重，b_h表隐含层的偏置，f₁为隐含层激活函数，这里选择为sigmoid函数，即

⑨输出层的激活函数为线性函数，输出层的输出表示为

o_t＝f₂(w_oh_t+b_o) (14)

其中，o_t表示输出层输出结果，也就是BP神经网络的预测值，w_o和b_o分别表示输出层的权重与偏置，f₂为purelin激活函数；

⑩每一时刻预测的均方误差作为损失函数，表示为

其中，o_t，y_t分别为神经网络输出值与实际输出值，n_train为训练集样本数；

权重与偏置参数的更新过程表示为

其中，η表示学习率，与表示损失函数J对于w与b的偏导数。