[发明专利]基于LS-SVM的概率集成学习锂离子电池剩余寿命预测方法

摘要

基于LS-SVM的概率集成学习锂离子电池剩余寿命预测方法，涉及一种电池剩余寿命预测方法。本发明为了解决传统的预测模型的预测精度有限的问题和稳定性不好的问题。本发明构建LS-SVM预测模型，构造输入向量并选择合适的输入向量维数及超参数范围，在一定范围内随机选择多组参数构成多个LS-SVM集成学习模型的子模型，并将子模型结果进行集成输出，极大程度上减小了精确确定参数的难度，并大幅度提高了预测准确性及稳定程度。本发明适用于电池剩余寿命预测。

主权项

基于LS‑SVM的概率集成学习锂离子电池剩余寿命预测方法，其特征在于它包括下述步骤：步骤一：获得电池容量数据，并对提取的数据进行预处理：获得锂离子电池充放电循环实验中的电池容量数据，根据数组的类型，提取电池放电过程中的容量数据集；剔除错误的数据，得到锂离子电池容量数据F；选取数据个数占电池容量数据F的ρ％时作为预测起始点后，将起始点之前的数据划分为总训练集，起始点之后的数据划分为总测试集；步骤二：构造输入向量，根据预测模型确定模型超参数范围，包括以下步骤：步骤2.1：构造输入向量：锂离子电池容量数据F是一组一维的原始数据，将总训练集中每N+1个连续的数据构造成一个维数为N+1的训练向量，L1个连续的输入数据构成L1‑N个N+1维的训练向量，构成原始训练向量集J0，并设向量个数l等于L1‑N；每个训练向量的前N个数构成输入向量，形成一个维数为N的输入向量x，L1‑N个输入向量x构成输入向量集X；每个训练向量的最后一个数所在的时刻作为预测时间点，此数据作为该预测时间点的真实输出数值，即预测真值y，L1‑N个预测真值y构成预测真值矩阵Y；假设N的值为N0；步骤2.2：设定模型超参数：LS‑SVM模型用公式表达；其中，q为一个已知向量，f(q)为已知向量q经过LS‑SVM模型计算得到的预测值，rd为已知输入向量，c为已知输入向量的个数，c个rd构成已知输入向量集R；αd为矩阵形式的Lagrange乘子α中的一个元素，b为偏移值，α和b的公式如下：其中，维数为c，γ为正则化参数，Ω为核矩阵，Ω的第u行、第v列的元素为：Ωu,v＝K(ru,rv)，u,v＝1,……,c    (2)其中，ru,rv表示R中的某个元素，核函数K为：K(ru,rv)＝exp(‑||ru‑rv||2/σ2)    (3)其中，σ为核参数；将输入向量x作为已知向量q，输入向量集X作为已知输入向量集R，即已知输入向量r的个数c等于输入向量x向量个数l；选取耦合模拟退火算法，在[exp(‑10),exp(10)]的范围内搜寻参数寻优的初值；搜寻得到的参数初值后，使用基于遍历寻优的网格搜索方法，通过在γ和σ构成的二维平面上进行网格划分，在每一个网格交点上，测试该点所训练的LS‑SVM模型的预测误差E，并选择E最小的点所对应的超参数值γ和σ，作为此次寻优过程中的最优参数；步骤2.3：求取模型系数：完成步骤2.1、步骤2.2后，即构建了所用的已知输入向量r和已知向量q并且得到了确定的模型超参数，利用两个输入向量计算出如式(3)所示的一个核函数，将每个核函数都作为核矩阵的一个元素，按照式(2)构建核矩阵Ω；进一步按照公式(1)求出Lagrange乘子α和偏移值b；步骤2.4：不断更新已知输入向量集R和已知向量q，进行单步预测：步骤(I)：首先将原始训练向量集J0中的最后一个向量的后N个数据作为已知向量q，已知输入向量集R与步骤2.3中相同；步骤(II)：向公式所示的LS‑SVM模型中输入已知向量q，并将α和b代入，即可得到一点预测值f(q)，实现单步预测；利用此点已知向量q的后N‑1个数和此点单步预测值构造下一点输入的已知向量，并将此点的已知向量q加入到当前已知输入向量集R中，即R中元素的个数加1，作为下一点的已知输入向量集R；步骤2.5：重复步骤2.4(II)完成多步预测，得到容量数据预测值，绘制容量数据预测值曲线；步骤2.6：选择输入向量维数及超参数范围：重复三次执行步骤2.2—步骤2.5，若得到的容量数据预测值曲线皆不呈下降趋势或在一定范围内与已知的失效阈值线无交点，则此刻的维数N0不满足条件，将N0加上或者减去10后重新记为N0，返回步骤2.1直至满足上述要求，即至少有一条容量数据预测值曲线呈下降趋势或者在一定范围内与已知的失效阈值线有交点；将一条曲线呈下降趋势且在一定范围内与已知的失效阈值线有交点的情况记为条件一；若至少一条曲线满足条件一，将N0加上或减去1～5后重新记为N0，找到容量数据预测值曲线存在加速下降情况且发生条件一概率最大的N0值作为最优输入向量维数；确定输入向量维数N后，执行步骤2.2—步骤2.5，选择满足条件一的超参数为可用超参数；重复p次，p∈[10,100]，执行步骤2.2—步骤2.5，得到i组超参数范围作为LS‑SVM集成学习模型的超参数选择范围；步骤三：LS‑SVM集成学习模型构建及预测，包括以下步骤：步骤3.1：构建LS‑SVM集成学习模型：在每组超参数范围内随机选择j组参数，j∈[1,13]，在i组参数范围内共选择i*j组参数，分别按照步骤二中的步骤2.3—步骤2.5进行i*j个LS‑SVM模型的构建，将每个LS‑SVM模型被称为LS‑SVM集成学习模型的子模型，所有的LS‑SVM集成学习模型的子模型共同组成LS‑SVM集成学习模型，并得到i*j个LS‑SVM集成学习模型的子模型的趋势预测结果fk，k＝1,2,…,i*j；步骤3.2：LS‑SVM集成学习模型的预测输出：将i*j个LS‑SVM集成学习模型的子模型的输出结果进行如式(4)的平均处理即可得到预测结果；根据趋势退化的预测结果，绘制出退化曲线并根据已知失效阈值计算RUL预测值；fF=1i*jΣk=1i*jfk---(4)]]>步骤四：根据RULp的区间估计，输出预测结果：LS‑SVM集成学习模型得到的容量数据预测值曲线与失效阈值线的交点记为EOP，其对应时刻记为tEOP；预测起始点记为SOP，其对应时刻记为tSOP；RUL为锂离子电池的预测剩余寿命，则锂离子电池的预测剩余寿命RULp表示为：RULp＝tEOP‑tSOP    (5)重复步骤二、三，得到多组集成学习RULp预测结果后，检测预测结果是否满足正态分布的形式：g(x)=12πδexp(-(RULarray-μ)22δ2)---(6)]]>其中，RULarray为RULp的数值构成的一个数据组，μ为数据组RULarray的平均值，δ为数据组RULarray的方差；检验多个RUL值满足正态分布后，利用极大似然原理计算正态分布公式中包含的参数μ、δ，并根据μ、δ的数值绘制出RULp的概率密度曲线，并计算RULp的概率置信区间，将得到的RULp的概率密度曲线和置信区间作为概率分布信息和区间估计的最终预测输出结果。