[发明专利]基于相关向量回归的在线预测锂离子电池剩余寿命的方法

说明书

技术领域

本发明涉及一种基于相关向量回归的在线预测锂离子电池剩余寿命的方法，属于锂离子电池寿命预测技术领域。

背景技术

锂离子电池以其优越的性能已经应用于我们生活中的各个领域，目前已经逐渐扩展到航空、航天等领域，如在轨卫星、空间站等。随着充放电循环的进行，锂离子电池内阻增大，寿命降低。对于人类难以接近的空间应用，锂离子电池的故障或寿命缩短常常引发致命故障，如美国Mars Global Surveyor飞行器失效，就是由于电池故障导致计算机系统的一系列错误，致使电池系统直面太阳照射导致过热造成安全系统失效所引发的任务失败。可见，锂离子电池剩余寿命预测是十分重要的，特别是空间应用的锂离子电池，其剩余寿命在线预测更为重要。

目前，剩余寿命预测方法可分为基于模型和数据驱动两类。基于模型的方法从电池内部的电化学反应出发建立电池等效电路模型，预测精度依赖模型的准确性，而实际应用很难准确建立电池模型。数据驱动方法主要包括神经网络、支持向量机、粒子滤波方法和相关向量机法。神经网络预测方法不需要建立系统的数学模型且具有极强的非线性映射能力，但训练时需要大量数据样本。支持向量机方法针对小样本、非线性问题具有明显优势，已经被广泛应用于预测领域，但其主要缺点是只能给出单点预测值。粒子滤波方法是概率式的预测，目前的研究较多，其主要缺点是依赖经验模型来建立状态转移方程。与支持向量机类似的相关向量机(Relevance Vector Machine，RVM)是由美国Tipping博士2000年提出的基于概率学习的稀疏Bayesian学习理论的算法模型。基于核函数的相关向量机，不仅能够反映输出结果的概率信息，并且拥有泛化能力强、固定超参数、学习算法简单易实现的优点，已经开始用于预测领域。其主要优点是在给出预测结果的同时还能够输出预测结果的置信区间，这对于使用者来说更具指导意义。

目前，针对锂离子电池剩余寿命的各种预测方法大多是离线方法，即根据样品的历史数据建立的一个离线预测模型。离线模型一经建立就不再更新，但在线应用时由于其负载工况剧烈变化，离线的预测模型适应性较差，预测精度较低。

目前，基于相关向量回归的锂离子电池剩余寿命预测方法仍然没有有效的在线预测策略来实现在线的、快速的预测。

发明内容

本发明是为了解决现有锂离子电池采用离线方法预测剩余寿命，预测精度低的问题，提供一种基于相关向量回归的在线预测锂离子电池剩余寿命的方法。

本发明所述基于相关向量回归的在线预测锂离子电池剩余寿命的方法，它包括以下步骤：

步骤一：选取待预测锂离子电池容量数据IS＝(C₁，C₂，…C_n)作为原始样本，C_i为电池容量，单位为Ah，i＝1，2，…，n，n为正整数；

进行相空间重构构造训练样本集：设定嵌入维数l＝5，迟延d＝1，得到训练样本集{(x₁，y₁)，(x₂，y₂)，…，(x_n-l，y_n-l)}，其中x_j＝(C_j，C_j+1，…，C_j+l-1)，y_j＝C_j+l，j＝1，2，…n-l，其中x＝(x₁，x₂，…，x_n-l)为相关向量机RVM模型输入数据，y＝(y₁，y₂，…，y_n-l)为相关向量机RVM模型的输出数据；

步骤二：初始化相关向量机RVM模型参数：

相关向量机RVM模型的数学表达式为y＝Φω+ε，

其中ω＝(ω₀，…，ω_n-l)^T为模型的权值，

ε＝(ε₁，ε₂，…ε_n-l)为高斯噪声，且ε_j～N(0，σ²)，σ²为RVM模型输出数据y的噪声方差，

Φ为n×(n+1)的矩阵，且Φ＝[φ₁，φ₂…φ_n-l]^T，