CN109633449A - 基于灰色向量机的矿用锂电池寿命预测方法及管理*** - Google Patents
基于灰色向量机的矿用锂电池寿命预测方法及管理*** Download PDFInfo
- Publication number
- CN109633449A CN109633449A CN201811396523.7A CN201811396523A CN109633449A CN 109633449 A CN109633449 A CN 109633449A CN 201811396523 A CN201811396523 A CN 201811396523A CN 109633449 A CN109633449 A CN 109633449A
- Authority
- CN
- China
- Prior art keywords
- prediction
- model
- rvm
- dgm
- capacity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Landscapes
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于灰色向量机的矿用锂电池寿命预测方法及管理***。该寿命预测方法采用矿用锂离子电池容量作为训练样本建立灰色RVM回归预测模型;根据训练样本数据建立DGM,将DGM的预测值作为输入、原始训练样本作为输出,训练得到RVM回归预测模型;采用DGM(1,1)做容量短期预测,并将预测值作为RVM回归预测模型的输入,获得获得容量的短期回归预测结果及预测概率值,并引入新陈代谢过程,更新训练样本数据;采用灰色关联分析判断相关性,并以此结果对RVM模型进行动态的更新,获得新的相关向量,以获得该方法长期趋势预测结果。本发明通过实时采集锂电池监测数据,获得了更准确地矿用锂电池的寿命预测精度。
Description
技术领域
本发明涉及一种基于灰色向量机的矿用锂电池寿命预测方法及管理***,属于锂电池管理技术领域。
背景技术
锂电池具有单体工作电压高、体积小、重量轻、能量密度高、循环使用寿命长、自放电电流小、无记忆效应、无污染和性价比高等优点,因而广泛应用于通信、交通、采矿等各行业。锂电池包括电芯和保护电路两个部分,大型锂电池的保护电路功能强大,又称管理***,其作用主要是保障各节电池容量的均匀性、及时诊断出电池出现的问题、防止电池的过充电和过放电、准确地获得电池的荷电状态等。
由于锂电池价格较高,科学使用锂电池、延长其使用寿命,对于降低生产成本、提高环保水平都具有现实意义。但是,由于噪声、测量误差等的存在,现有锂电池管理***对锂电池寿命的预测还处于低水平状态。
发明内容
本发明目的在于提供一种基于灰色向量机的锂电池寿命预测方法及管理***,能够显著提高对锂电池的寿命预测水平。
为实现上述目的,一种基于灰色向量机的矿用锂电池寿命预测方法,包括以下步骤:
第一步、选用预测模型DGM(1,1),定义如下:
x(1)(k+1)=β1x(1)(k)+β2;
通过对矿用锂电池循环寿命试验数据进行仿真分析,DGM(1,1)是对GM(1,1)模型进一步精确化,在一定程度上提高了预测的稳定性。
第二步、选择矿用锂离子电池循环寿命容量样本数据作为初始训练数据,将样本归一化处理,把所有数据都转化为[-1,1]之间的数,消除循环周期次数与容量之间的数量级差别;
第三步、初始化RVM模型参数:核函数选择高斯核函数,K(x,xi)=exp(-||x-xi||2/r2),进行EM迭代运算,噪声方差σ2=0.1var(x),收敛条件δ取0.1,权重w设置为
其中r为带宽;
第四步、按照第一步中预测模型建立预测方程
以DGM(1,1)求解β1和β2;原始非负训练数据序列为其一次累加生成序列为:
其中将X(1)代入第一步的公式中,得到:
Y=Bβ
其中β=(β1,β2)T,为参序列,
则DGM微分方程x(1)(k+1)=β1x(1)(k)+β2的最小二乘估计参数列满足β=(BTB)- 1BTY,进而计算可得β1和β2;
取则一次累加生成序列的估计值为:
还原可得DGM(1,1)预测模型:
通过建立的DGM(1,1)迭代计算,更新原始训练数据;
第五步、建立RVM回归预测模型
通过第三步中DGM(1,1)模型对原始训练数据的预测值作为RVM模型的输入数据,原始训练数据作为RVM的输出数据,采用EM迭代算法训练RVM模型,得到RVM回归模型;
第六步、锂电池容量预测
采用DGM(1,1)模型算法对电池容量按设定步长的趋势预测,将预测值输入第三步中训练得到的RVM回归模型中,得到电池容量的预测结果及概率范围;
第七步、预测结束判断
判断电池容量预测值是否大于设定的容量失效阀值,若大于设定的容量失效阀值,转至第八步继续进行预测;若小于设定的容量预测阀值,则预测结束,并将容量预测结果及其置信区间转换为RUL值以及相应的置信区间,并与实际的RUL进行对比,以验证本文方法的有效性;
第八步、相关性分析
采用新陈代谢方法,将第六步中的电池容量的预测结果更新原始训练数据,得到新的训练数据;新的训练数据输入DGM(1,1)模型算法中进行短期预测;最后用灰色关联分析方法分析新训练数据与原始训练数据之间的关联度;若二者之间关联度较大,大于设定值,返回第六步继续预测;反之,跳转至第五步重新训练RVM回归模型,获得新的RVM模型,并继续预测。
同时,本发明还提供一种锂电池管理***,该锂电池管理***包含上述锂电池寿命预测方法。
本发明选择电池容量作为原始训练数据,建立动态灰色预测模型,将其产生的预测值作为RVM模型输入数据,设定相应失效阈值,获取灰色关联分布与原始训练数据的相关性判断,进行预测目标完成的判断,进而将容量预测值及预测方法转换为置信区间。
与现有技术相比,本发明对锂电池寿命预测更加精准,根据该方法的预测结果,可以进一步优化管理***,最大化电池能量利用率,有效地延长电池使用寿命。
附图说明
图1为本发明流程图。
具体实施方式
下面结合附图对本发明进一步说明:
一种基于灰色向量机的矿用锂电池寿命预测方法,包括以下步骤:
第一步、选用预测模型DGM(1,1),定义如下:
x(1)(k+1)=β1x(1)(k)+β2;
通过对矿用锂电池循环寿命试验数据进行仿真分析,DGM(1,1)是对GM(1,1)模型进一步精确化,在一定程度上提高了预测的稳定性。
第二步、选择矿用锂离子电池循环寿命容量样本数据作为初始训练数据,将样本归一化处理,把所有数据都转化为[-1,1]之间的数,消除循环周期次数与容量之间的数量级差别;
第三步、初始化RVM模型参数:核函数选择高斯核函数,K(x,xi)=exp(-||x-xi||2/r2),进行EM迭代运算,噪声方差σ2=0.1var(x),收敛条件δ取0.1,权重w设置为
其中r为带宽;
第四步、按照第一步中预测模型建立预测方程
以DGM(1,1)求解β1和β2;原始非负训练数据序列为其一次累加生成序列为:
其中将X(1)代入第一步的公式中,得到:
Y=Bβ
其中β=(β1,β2)T,为参序列,
则DGM微分方程x(1)(k+1)=β1x(1)(k)+β2的最小二乘估计参数列满足β=(BTB)- 1BTY,进而计算可得β1和β2;
取则一次累加生成序列的估计值为:
还原可得DGM(1,1)预测模型:
通过建立的DGM(1,1)迭代计算,更新原始训练数据;
第五步、建立RVM回归预测模型
通过第三步中DGM(1,1)模型对原始训练数据的预测值作为RVM模型的输入数据,原始训练数据作为RVM的输出数据,采用EM迭代算法训练RVM模型,得到RVM回归模型;
第六步、锂电池容量预测
采用DGM(1,1)模型算法对电池容量按设定步长的趋势预测,将预测值输入第三步中训练得到的RVM回归模型中,得到电池容量的预测结果及概率范围;
第七步、预测结束判断
判断电池容量预测值是否大于设定的容量失效阀值,若大于设定的容量失效阀值,转至第八步继续进行预测;若小于设定的容量预测阀值,则预测结束,并将容量预测结果及其置信区间转换为RUL值以及相应的置信区间,并与实际的RUL进行对比,以验证本文方法的有效性;
第八步、相关性分析
采用新陈代谢方法,将第六步中的电池容量的预测结果更新原始训练数据,得到新的训练数据;新的训练数据输入DGM(1,1)模型算法中进行短期预测;最后用灰色关联分析方法分析新训练数据与原始训练数据之间的关联度;若二者之间关联度较大,大于设定值,返回第六步继续预测;反之,跳转至第五步重新训练RVM回归模型,获得新的RVM模型,并继续预测。
第八步中所述灰色关联分析方法采用斜率灰色关联度分析法,该方法是在传统灰色关联分析方法上的改进,分辨率较高、适合矿用锂离子电池容量退化趋势分析,具体公式如下:
假设两个数据序列和两者之间的关联度关系系数计算公式为:
其中,Δxk=xk+1-xk,Δyk=yk+1-yk,
最后得出两个数据序列之间的关联度:
第三步中所述带宽r为核心参数,决定模型的稀疏性和精确性,带宽越小,相关向量越密集、拟合精度越高,同时模型的复杂度也增加,计算时间增长,还可能造成模型过拟合,使模型失去稀疏性,所以带宽要根据矿用锂电池的特点选择合适的,所述带宽优选r=5。
第三步中所述EM迭代算法迭代次数越多,计算越精确,但是迭代次数多了增加计算负担,所以本申请循环迭代次数取1200。
本发明还提供一种矿用锂电池管理***,该锂电池管理***包含上述任一所述的锂电池寿命预测方法。
Claims (5)
1.一种基于灰色向量机的矿用锂电池寿命预测方法,其特征在于,包括以下步骤:
第一步、选用预测模型DGM(1,1),定义如下:
x(1)(k+1)=β1x(1)(k)+β2;
第二步、选择矿用锂离子电池循环寿命容量样本数据作为初始训练数据,将样本归一化处理,把所有数据都转化为[-1,1]之间的数,消除循环周期次数与容量之间的数量级差别;
第三步、初始化RVM模型参数:核函数选择高斯核函数,K(x,xi)=exp(-||x-xi||2/r2),进行EM迭代运算,噪声方差σ2=0.1var(x),收敛条件δ取0.1,权重w设置为其中r为带宽;
第四步、按照第一步中预测模型建立预测方程
以DGM(1,1)求解β1和β2;原始非负训练数据序列为其一次累加生成序列为:
其中将X(1)代入第一步的公式中,得到:
Y=Bβ
其中β=(β1,β2)T,为参序列,
则DGM微分方程x(1)(k+1)=β1x(1)(k)+β2的最小二乘估计参数列满足β=(BTB)-1BTY,进而计算可得β1和β2;
取则一次累加生成序列的估计值为:
还原可得DGM(1,1)预测模型:
通过建立的DGM(1,1)迭代计算,更新原始训练数据;
第五步、建立RVM回归预测模型
通过第三步中DGM(1,1)模型对原始训练数据的预测值作为RVM模型的输入数据,原始训练数据作为RVM的输出数据,采用EM迭代算法训练RVM模型,得到RVM回归模型;
第六步、锂电池容量预测
采用DGM(1,1)模型算法对电池容量按设定步长的趋势预测,将预测值输入第三步中训练得到的RVM回归模型中,得到电池容量的预测结果及概率范围;
第七步、预测结束判断
判断电池容量预测值是否大于设定的容量失效阀值,若大于设定的容量失效阀值,转至第八步继续进行预测;若小于设定的容量预测阀值,则预测结束,并将容量预测结果及其置信区间转换为RUL值以及相应的置信区间,并与实际的RUL进行对比,以验证本文方法的有效性;
第八步、相关性分析
采用新陈代谢方法,将第六步中的电池容量的预测结果更新原始训练数据,得到新的训练数据;新的训练数据输入DGM(1,1)模型算法中进行短期预测;最后用灰色关联分析方法分析新训练数据与原始训练数据之间的关联度;若二者之间关联度较大,大于设定值,返回第六步继续预测;反之,跳转至第五步重新训练RVM回归模型,获得新的RVM模型,并继续预测。
2.根据权利要求1所述的矿用锂电池寿命预测方法,其特征在于,第八步中所述灰色关联分析方法为斜率灰色关联度分析法,公式如下:
假设两个数据序列和两者之间的关联度关系系数计算公式为:
其中,Δxk=xk+1-xk,Δyk=yk+1-yk,
最后得出两个数据序列之间的关联度:
3.根据权利要求2所述的矿用锂电池寿命预测方法,其特征在于,第三步中所述带宽r=5。
4.根据权利要求3所述的锂电池寿命预测方法,其特征在于,第三步中所述EM迭代运算的最大循环迭代次数取1200。
5.一种矿用锂电池管理***,其特征在于,包含权利要求1至权利要求4任一所述的锂电池寿命预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811396523.7A CN109633449A (zh) | 2018-11-22 | 2018-11-22 | 基于灰色向量机的矿用锂电池寿命预测方法及管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811396523.7A CN109633449A (zh) | 2018-11-22 | 2018-11-22 | 基于灰色向量机的矿用锂电池寿命预测方法及管理*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109633449A true CN109633449A (zh) | 2019-04-16 |
Family
ID=66068819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811396523.7A Withdrawn CN109633449A (zh) | 2018-11-22 | 2018-11-22 | 基于灰色向量机的矿用锂电池寿命预测方法及管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109633449A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110187280A (zh) * | 2019-05-20 | 2019-08-30 | 天津大学 | 一种基于灰色模型的锂电池剩余寿命概率预测的方法 |
CN110187281A (zh) * | 2019-05-22 | 2019-08-30 | 天津大学 | 基于充电阶段健康特征的锂电池健康状态估算的方法 |
CN110398697A (zh) * | 2019-07-23 | 2019-11-01 | 北京工业大学 | 一种基于充电过程的锂离子健康状态估计方法 |
CN111273352A (zh) * | 2020-01-15 | 2020-06-12 | 中国煤炭地质总局勘查研究总院 | 地质构造智能检测方法、装置与电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103033761A (zh) * | 2012-12-17 | 2013-04-10 | 哈尔滨工业大学 | 动态灰色相关向量机的锂离子电池剩余寿命预测方法 |
-
2018
- 2018-11-22 CN CN201811396523.7A patent/CN109633449A/zh not_active Withdrawn
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103033761A (zh) * | 2012-12-17 | 2013-04-10 | 哈尔滨工业大学 | 动态灰色相关向量机的锂离子电池剩余寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
姜玉叶: "矿用锂离子电池状态监测与寿命预测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110187280A (zh) * | 2019-05-20 | 2019-08-30 | 天津大学 | 一种基于灰色模型的锂电池剩余寿命概率预测的方法 |
CN110187281A (zh) * | 2019-05-22 | 2019-08-30 | 天津大学 | 基于充电阶段健康特征的锂电池健康状态估算的方法 |
CN110187281B (zh) * | 2019-05-22 | 2021-06-04 | 天津大学 | 基于充电阶段健康特征的锂电池健康状态估算的方法 |
CN110398697A (zh) * | 2019-07-23 | 2019-11-01 | 北京工业大学 | 一种基于充电过程的锂离子健康状态估计方法 |
CN111273352A (zh) * | 2020-01-15 | 2020-06-12 | 中国煤炭地质总局勘查研究总院 | 地质构造智能检测方法、装置与电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107066722B (zh) | 一种基于电化学模型的动力电池***荷电状态和健康状态的联合估计方法 | |
CN109633449A (zh) | 基于灰色向量机的矿用锂电池寿命预测方法及管理*** | |
CN110398697B (zh) | 一种基于充电过程的锂离子健康状态估计方法 | |
CN111832220A (zh) | 一种基于编解码器模型的锂离子电池健康状态估算方法 | |
CN109993270A (zh) | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 | |
CN113064093B (zh) | 储能电池荷电状态与健康状态联合估算方法及*** | |
CN112269134B (zh) | 一种基于深度学习的电池soc和soh联合估计方法 | |
CN104569844B (zh) | 阀控密封式铅酸蓄电池健康状态监测方法 | |
CN112415414A (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
CN113702843B (zh) | 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法 | |
CN110442941A (zh) | 一种基于改进粒子滤波与过程噪声多特征融合算法的电池状态跟踪与rul预测方法 | |
CN112684363A (zh) | 一种基于放电过程的锂离子电池健康状态估计方法 | |
CN109815995A (zh) | 一种缺失观测值条件下锂电池剩余寿命预测方法 | |
Navas et al. | Modelling Li-ion batteries using equivalent circuits for renewable energy applications | |
CN114660464A (zh) | 一种锂离子电池荷电状态估算方法 | |
CN113011101A (zh) | 一种储能参与调频辅助服务优化的控制方法及其*** | |
CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
Ardeshiri et al. | Gated recurrent unit least-squares generative adversarial network for battery cycle life prediction | |
CN115308608A (zh) | 一种全钒液流电池电压预测方法、装置及介质 | |
CN109617153A (zh) | 一种矿用锂电池管理*** | |
Schmitt et al. | State-of-health estimation by virtual experiments using recurrent decoder–encoder based lithium-ion digital battery twins trained on unstructured battery data | |
CN114280490A (zh) | 一种锂离子电池荷电状态估计方法及*** | |
CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
CN116756575B (zh) | 基于bgain-dd网络的非侵入式负荷分解方法 | |
CN113075553A (zh) | 改进粒子群算法优化的bp神经网络锂离子电池soc估算*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190416 |
|
WW01 | Invention patent application withdrawn after publication |