[发明专利]基于改进型极限学习机的锂电池剩余使用寿命预测方法

说明书

本发明属于剩余使用寿命预测技术领域，涉及一种基于改进型极限学习机的锂电池剩余使用寿命预测方法。首先获取锂电池历史监测数据，实时采集的锂电池电流、电压、温度数据，构成训练数据集和测试数据集；构建改进型极限学习机，对训练数据集和测试数据集分别进行处理；构建相邻剩余使用寿命值对应的电流、电压、温度数据的前后相关性；利用训练好的改进型极限学习机，得到测试数据的预测结果，完成锂电池剩余使用寿命预测。本方法通过充分考虑锂电池剩余使用寿命预测数据集较小、同时考虑了不同种类数据对预测结果的影响以及同种数据之间的时间相关性，能有效提高锂电池剩余使用寿命预测的准确性，因此本发明方法具有很好的应用前景。

技术领域

本发明属于剩余使用寿命预测技术领域，涉及一种基于改进型极限学习机的锂电池剩余使用寿命预测方法。

背景技术

锂电池剩余使用寿命预测对生产安全、生活安全至关重要。现有方法通常将锂电池在每个时间段的温度、电流、电压等数据作为特征，基于机器学习方法对其剩余使用寿命进行预测。

近年来，深度学习方法以其在图像分类、数据挖掘和语音识别等任务上的突出表现而备受关注。由于深度学习网络参数较多，训练深度学习网络通常需要几万甚至几百上千万的输入数据。但是，现有的锂电池数据量较小，常用的NASA锂电池剩余使用寿命预测数据集只有几百组数据。使用这样的数据集训练深度学习网络会出现欠拟合或者过拟合问题。因此，只能使用浅层的、参数量少的机器学习网络做锂电池的剩余寿命预测。近年来，极限学习机(Extreme Learning Machine，简称ELM)在样本量小的数据集学习任务中有较好的表现。ELM包含输入层、隐藏层和输出层，并随机产生输入层与隐藏层之间的参数，只有隐藏层与输出层之间的输出参数需要计算，ELM参数量远远少于深度学习网络，因此它适用于小样本数据集预测任务。但据了解，ELM在处理锂电池剩余使用寿命预测这种时间序列数据集时，存在以下问题：一、没有考虑不同类型的数据对预测结果的不同影响，例如锂电池的电流、电压、温度等数据，可能对剩余寿命的影响都是不同的，但是ELM中并没有体现；二、处理时间序列数据时，ELM没有考虑前后数据的时间相关性。因此，为了更好的预测锂电池剩余使用寿命，必须对当前ELM算法进行改进以解决上述问题。

发明内容

本发明的目的是提出一种基于改进型极限学习机的锂电池剩余使用寿命预测方法，充分考虑不同类型数据以及时间序列数据的情况，以提高锂电池剩余使用寿命的预测准确度。

本发明提出的基于改进型极限学习机的锂电池剩余使用寿命预测方法，包括以下步骤：

获取锂电池历史监测数据，包括锂电池在每个检测时间段的电流、电压、温度三类数据，将与检测数据相对应的剩余使用寿命作为标签，构成一个训练数据集；

获取实时采集的锂电池电流、电压、温度数据，构成一个测试数据集；

构建一个改进型极限学习机，改进型极限学习机使用隐藏层节点数不同的线性变换和非线性变换方法，对训练数据集和测试数据集分别进行处理；同时，改进型极限学习机在隐藏层和输出层之间构建相邻剩余使用寿命值对应的电流、电压、温度数据的前后相关性；

对改进型极限学习机进行训练，通过最小化训练数据集的预测结果与真实标签的均方误差确定改进型极限学习机的最优参数；

利用训练好的改进型极限学习机，得到测试数据的预测结果，完成锂电池剩余使用寿命预测。

本发明提出的基于改进型极限学习机的锂电池剩余使用寿命预测方法，其优点是：

本发明的基于改进型极限学习机的锂电池剩余使用寿命预测方法，通过充分考虑锂电池剩余使用寿命预测数据集较小、同时考虑了不同种类数据对预测结果的影响以及同种数据之间的时间相关性，能有效提高锂电池剩余使用寿命预测的准确性，因此本发明方法具有很好的应用前景。

具体实施方式