[发明专利]一种基于FIG-ABC-SVR算法的锂离子电池剩余使用寿命预测方法

说明书

本发明公开了一种基于FIG‑ABC‑SVR的锂离子电池剩余使用寿命预测方法，锂离子电池剩余使用寿命预测是电池健康管理的核心。该方法的具体步骤如下：首先，使用模糊信息粒化方法，将锂电池容量退化数据的时间序列划分为若干个子序列，作为操作窗口，将每一个产生的窗口进行模糊化，生成容量模糊粒子；然后，利用ABC‑SVR模型预测模糊粒子的两个参数。最后，对预测的模糊粒子进行整合，对缺失的容量数据采用插值法补全，得到完整的容量时间序列值，通过与容量阈值比较，进一步得到锂电池的剩余使用寿命。本发明方法解决了SVR长期预测效果精度差的问题，同时，模糊信息粒化减少了SVR的训练样本数量，提高了计算效率，所提出的方法预测效果更精确，可广泛应用于锂电池剩余使用寿命预测。

技术领域

本发明涉及测试电池的电气状况的技术领域，尤其涉及一种锂电池剩余使用寿命预测方法。

技术背景

锂离子电池具有工作电压高，自放电率底、比能量高、无记忆性、环境友好、循环寿命长、体积灵活等优点，因此广泛使用于电动汽车，航空航天，交通运输以及移动电子设备等领域。然而，随着电池不断使用，充放电循环次数不断增加，电池内部会发生不可逆转的化学反应，具体表现为内阻增大、最大可用容量减少、峰值功率减小等。锂电池退化会大大地削减设备的性能，降低设备的可靠性，甚至带来安全隐患。因此，精确预测锂电池的剩余使用寿命(RUL)意义重大。锂电池的RUL指的是锂电池衰退到某一规定的失效阈值之前所要经历的循环次数。锂电池的退化状态可以使用电池的容量和内阻来评价，一般使用容量来表征退化状态，通常认为电池容量衰退到初值容量的70％到80％时，电池达到其失效阈值。

为了准确预测锂电池的剩余使用寿命，科研人员在该领域投入大量的研究工作。现阶段，锂电池的剩余使用寿命预测方法可以大致分为三大类，基于模型方法、数据驱动方法和混合的方法。模型的方法试图通过电池内部反应机理来建立一个准确的数学模型来描述电池的退化现象，因此，模型的方法精度虽然较高，但模型过于复杂，实际应用效率不高。基于数据驱动的方法是通过历史的数据，如电压、电流温度等，来提取与容量退化之间的隐藏信息，该方法不需要了解锂电池的退化机理，避免了复杂的机理建模，另外该方法在具有预测精度高模型训练快，普适性好等优点，因此得到了广泛使用。融合方法是使用模型方法和数据驱动相结合来预测锂电池的RUL，近年来也得到广泛的关注。

在基于数据驱动的锂电池剩余寿命预测方法中，支持向量回归(SVR)是一种典型的算法。为了得到更好的预测效果，有学者提出了使用人工蜂群优化的支持向量回归(ABC-SVR)来预测锂电池的RUL。虽然使用改进后的支持向量回归预测锂电池的RUL会取得较好的结果，但是，仍然改变不了支持向量回归长期预测精度较差的问题。

发明内容

针对现有技术存在的长期预测结果较差导致剩余寿命预测结果精度不高的问题，本发明给出了一种基于FIG-ABC-SVR的锂电池剩余使用寿命预测方法，实现了更为精确的锂电池RUL预测。

本发明所采用的技术方案是：包括以下步骤：

步骤1，采集电池的容量数据。选择预测起始点ST，将容量数据划分为训练集和测试集，并设置容量的失效阈值Cap_EOL。

步骤2，使用模糊信息粒化算法将训练集的容量数据划分为若干个信息粒，即模糊窗口。提取每一个窗口的最大值和最小值，构造相应的时间序列和其中win为窗口的数量。

步骤3，利用上一步得到的窗口最大值与最小值时间序列构造新的训练集和使用两个训练集分别训练SVR模型，并采用ABC算法搜索SVR模型的惩罚系数c和核函数半径g两个参数:具体步骤如下:

步骤3.1，初始化ABC算法的两个参数：将惩罚系数c和核函数半径g作为ABC算法中的待优化参数x_i(蜜源)，初始化蜂群规模NP，蜜源数量FoodNumber，最大迭代次数M，蜜源连续没有被更新的阈值Limit，以及参数取值的上下界ub和lb，x_i的初始解由式1产生；