[发明专利]一种缺失观测值条件下锂电池剩余寿命预测方法

摘要

本发明涉及缺失观测值条件下锂电池剩余寿命预测方法，包括步骤：1)缺失观测值条件下的锂电池剩余寿命预测方法总体框架设计；2)预处理模块算法设计，包括引入极端学习机ELM算法、单点插值算法ELMSI设计、多重插值算法ELMMI设计；3)预测模块算法设计，包括核化极限学习机设计、多步超前预测算法设计；4)ELMMI多重插值算法模型训练；5)多步超前预测方法模型训练。本发明的有益效果是：本发明提出将多重插值算法ELMMI与不同多步超前预测方法相结合，构建基于多重插值算法的多步超前预测器，能够实现准确和稳定的估计过程。

主权项

1.一种缺失观测值条件下锂电池剩余寿命预测方法，其特征在于，包括以下步骤：步骤1：缺失观测值条件下的锂电池剩余寿命预测方法总体框架设计；基于动态极端学习机ELM进行推算和预测；预处理模块基于ELM算法设计单点插值和多重插值，预测模块基于传统ELM、核化ELM和在线顺序ELM设计多步超前预测方法；步骤2：预处理模块算法设计；基于传统ELM算法，设计单点插值和多重插值算法；步骤2‑1：引入极端学习机ELM算法；给定一组m个观测值，ELM随机分配输入权重和隐藏层偏差；ELM分析和调整输出权重，算法公式如下：式中，α为输出权值，h_i为非线性特征映射，w_i为连接第i个隐藏节点与输入节点的权值，b_i为第i个隐藏节点的门限值；ELM模型训练期间，最小化预测误差||Hα‑F||²和输出权值额定值||α||计算公式如下：其中，表示输出节点x_j的误差向量，为正则化参数，F为函数f_ELM的解；为了解决优化问题，找到下列线性系统的最小范数最小二乘解：Hα＝F   (4)公式(4)得到最小二乘解α＝H^TF；H^T利用正交投影技术获得先验信息；步骤2‑2：单点插值算法ELMSI设计：首先将观测数据集分成两个不同的子集，完备子集X_complete和不完备子集X_uncom，然后对子集X_uncom中的任何观测向量x_n，利用X_complete中的所有完备观测值来训练ELM模型；最后，定义目标特征向量X_n，并利用训练完成的ELM模型估计X_n的缺失观测值特征；步骤2‑3：多重插值算法ELMMI设计：初始状态，ELMMI将数据集分成两个子集，完全子集X_complete和不完全子集X_uncom；通过X_uncom的每个观测向量x_n，循环创建p个估计集，且满足p∈[1,5]，每个估计集生成一个矩阵大小为m×n的完全估计数据集；利用X_complete中的所有完全观测值，循环训练ELM模型，以x_n中的所有不完全观测特征为目标向量，其余观测特征为输入向量，估计不完全子集X_uncom中的缺失观测向量特征；利用相似函数λ计算最近输入的观测值x_n与完全子集X_complete中的每个观测值之间的相似度；插值算法搜索完全子集X_complete，选择l个最相近的邻接值构建数据子集X_l；以X_l中的所有观测值作为训练目标，利用x_n中所有相应的不完全观测特征作为输入向量，训练ELM模型；两次训练ELM模型，得到最终ELMMI模型，估计X_n的缺失观测值，并将完全观测值加入完全子集X_complete中；步骤3：预测模块算法设计；引入一步超前预测，设计多步超前预测算法作为锂电池剩余寿命预测方法的组成模块；基于ELM设计核化极限学习机；步骤3‑1：核化极限学习机设计；基于ELM设计核化极限学习机KELM，利用ELM模型的内核矩阵，并满足Mercer条件，如公式(5)：Ψ_KELM＝HH^T:f_KELM(x_i,x_j)＝h(x_i)·h(x_j)   (5)KELM模型的输出函数重新构建为：式中，Y和f_KELM(·)分别表示辨识矩阵和内核函数，选取m个数据值，且有公式：利用多种核函数训练KELM模型，该函数满足Mercer条件；利用小波函数WAV和径向基函数RBF训练KELM模型，建立小波函数和RBF函数的公式分别为：其中，τ，υ，和ξ分别为算法训练过程中的模型参数；步骤3‑2：多步超前预测算法设计；多步超前预测MSP分为三大类：迭代法、DirRec法和直接法；基于多重插值技术和DirRec法，设计多步超前预测的新模型，该模型在每个计算步骤之后生成新的预测模型；计算训练子集中的新预测值，丢弃上一个观测值，即每次迭代计算过程中保持训练子集的观测值数量相同；估计L个锂电池容量的新预测值公式为：式中，f_l为L阶预测步长的预测模型；步骤4：ELMMI多重插值算法模型训练；步骤4‑1：在电池老化数据集的各个周期中引入一组缺失观测值创建不完全数据集X′_uncom；缺失观测值随机导入不同的数据集周期中，训练序列的最后周期导入概率最高；步骤4‑2：选取单体电池前40％～50％电压/电流和SOC采用数据，进行ELMMI模型训练；将完备子集中的向量X_complete重写为模型训练公式为：式中，H为隐藏节点矩阵，为输出权值矩阵；利用模型函数f_ELMMI预测X′_uncom的不完备向量且导入随机缺失观测值；选取前40％～50％采样值进行模型训练，模型训练公式为：步骤4‑3：完全观测值向量表示为训练模型选取非线性模型、线性模型，并与目标参数真实值进行比较；步骤5：多步超前预测方法模型训练；对包含20％以内缺失观测值的不完全数据集，用多重插值算法对输入子集进行数据填补。