CN113361692B - 一种锂电池剩余寿命结合预测方法 - Google Patents
一种锂电池剩余寿命结合预测方法 Download PDFInfo
- Publication number
- CN113361692B CN113361692B CN202110721142.7A CN202110721142A CN113361692B CN 113361692 B CN113361692 B CN 113361692B CN 202110721142 A CN202110721142 A CN 202110721142A CN 113361692 B CN113361692 B CN 113361692B
- Authority
- CN
- China
- Prior art keywords
- value
- error
- prediction
- lithium battery
- model
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明涉及一种锂电池剩余寿命结合预测方法,其根据采集的锂电池容量数据,将构造好的组合模型通过优化算法求解非线性多元函数最小值来构造一种新的预测方法,通过迭代前一次预测值的误差使得结合之后预测算法精度更高,并且以标准差作为误差判断,来计算训练集的总误差以获得最优的权重值,采用以上技术方案对于锂电池寿命预测精度有较大提高。
Description
技术领域
本发明涉及锂电池技术领域,具体涉及了一种锂电池剩余寿命结合预测方法。
背景技术
在现今能源行业不断革命的时代,二次化学电池作为其中一个分支占据着重要地位。在铅酸电池、镍铬电池等分类中锂电池相比于其他电池具有高能量、自放电率低、无记忆效应等特点,已成为目前综合性能最好的电池体系,并在各行各业中广泛应用,如电子设备、能源交通、航天航空、电网储能等。
在锂电池使用过程中,由于内部电解液分解或是材料腐蚀等不可逆化学反应,会造成锂电池性能衰退,致使安全性能下降。在许多实际应用,如电动汽车、医疗设备中锂电池性能衰退可能会导致事故发生。因此需要锂电池健康管理***来实时监测锂电池状态。做好锂电池健康管理***(BMS)维护可以更好的保持锂电池性能,提升用户体验,其中的研究重点与热点是锂电池寿命预测,为保证在运行过程中的可靠与安全,进行锂电池寿命预测的研究非常有必要。
锂电池寿命预测主要是评估锂电池寿命终止时间(EOL)。一般而言,EOL可通过容量下降或内阻的增加来判定。目前现有的两种主要评估方法:一是物理模型构建的预测模型,二是数据驱动方法实现的预测模型来获取容量或内阻值。由于在锂电池使用过程中容量衰退趋势获取高效快捷,因此目前主流方案是通过容量的衰减来预测锂电池寿命,当容量低于额定70%时判定失效。但是以上两种算法存在对锂电池寿命预测准确度不够高的问题。
发明内容
针对现有技术的不足,本发明提供提出了一种基于数据驱动方法的新型结合预测模型来分析锂电池状态的衰减趋势的一种锂电池剩余寿命结合预测方法。
本发明的一种锂电池剩余寿命结合预测方法,其包括以下步骤:
包括以下步骤:
S1:获取锂电池特征数据,筛选容量数据;
S2:将容量数据分为训练集和测试集,训练集容量数据输入序列进行训练;
S3:构建锂电池支持向量回归模型,核函数为径向基函数,以sigmoid作为激活函数,获得剩余容量预测模型,并将测试集容量数据输入训练,获得初步剩余容量预测值,初步剩余容量预测值减去上一步积累误差获得剩余容量预测值f1(x);
S4:构建锂电池长短期记忆网络模型,包括输入层、隐藏层和输出层,获得剩余容量预测模型,并将训练集容量数据输入训练得出对应的初步剩余容量预测值,初步剩余容量预测值减去上一步积累误差获得剩余容量预测值f2(x);
S5:将S3和S4剩余容量预测值f1(x)、f2(x)进行计算的误差获得误差值,通过初始权值的迭代寻找到更好的近似解,求得非线性多元函数最小值,最终得出对应两种算法权重,并通过最优权值构建结合最优组合模型。
进一步,所述S2包括:将容量数据进行归一化处理,将处理后的容量数据分成训练集和测试集,训练集容量数据输入序列进行训练。
进一步,所述S3包括:
S3-1:构建锂电池支持向量回归模型的目标函数为:
其中W为分界系数,C为正则化常数,l∈为不敏感损失函数,f(xi)-yi为表示可以容忍的偏差;
S3-2:使用公式得到边界上的向量支撑分界线,引入松弛变量以及拉格朗日乘子αi转化为SVR的对偶函数,再引入KKT条件最终得到SVR的对偶函数:
S3-3:将训练集容量数据xi输入进行训练,将测试集的容量数据x输入,最后得到剩余容量预测值f1(x)。
进一步,所述S4的包括:
S4-1:构建锂电池长短期记忆网络模型,确定锂电池长短期记忆网络模型的输入层、隐藏层和输出层;输入层的神经元个数对应输入的训练集容量数据特征,并初始化网络权重,隐藏层包括LSTM神经网络单元、dropout层、全连接层和激活层,输出层为神经网络测试集容量数据,LSTM神经网络由多个相同结构单元组成,并通过遗忘门、输入门及输出门来控制信息的更新与使用;对于给定序列
x=(x1,x2,……,xn)
应用一个标准的RNN模型,通过迭代:
hin=fa(wxhixn+whihihin-1+bn)
hn=whihhin+bh
其中w为权重系数,矩阵wxhi表示输入层到隐藏层的权重系数矩阵,whihi为隐藏层之间的权重系数矩阵,xn为当前时刻的输入,hin-1为上一次迭代的隐藏层,b为偏置向量,fa为激活函数;最终获得hit为此刻迭代的隐藏层,计算出隐藏层序列:
hi=(hi1,hi2,……,hin)
和一个输出序列:
h=(h1,h2,……,hn);
S4-2:将隐藏层的RNN细胞替换为LSTM细胞,具有长期记忆能力,最终得到:
it=σ(wi[ht-1,xt]+bi)
ft=σ(wf[ht-1,xt]+bf)
ct=ftct-i+ittanh(wα[ht-1,xt]+bc)
Ot=σ(wo[ht-1,xt]+bo)
ht=Ottanh(ct)
其中it、ft、ct、Ot、ht分别为当前一次预测的输入门、遗忘门、细胞状态、输出门以及最后的输出结果;w和b分别为对应的权重系数矩阵和偏置项;σ和tanh分别为sigmoid和双曲正切激活函数;
S4-3:按照前向计算方法计算输入门输出值,通过反向计算输入门与输出门的误差项,根据误差项获得每个权重的梯度,并通过随机梯度下降算法更新权重得出ht,通过ht的迭代获得剩余容量预测值f2(x)。
进一步,所述S5的包括:
S5-1:S3和S4分别获得的剩余容量预测值f1(x)、f2(x)对应权系数组合,结合预测值为:
ft=k1f1+k2f2
其中k1与k2分别为f1(x)、f2(x)对应的权系数,表示锂电池支持向量回归模型与锂电池长短期记忆网络模型的误差值对应的权系数;
两种方法的预测误差分别为:
yi与fi分别表示每种方法训练过程中的每个值对应的真实值与预测值,n为训练集总数,得到每种预测方法对应的平均误差值ei,因此结合预测误差为:
et=yt-ft=k1e1+k2e2
其中yt与ft表示每种训练方法的真实值与预测值的集合,预测方法的预测权系数为:
Kt=[k1,k2]T;
使用两种算法的误差平方和分别为:
其中et表示经过每种算法中的一个样本对应的误差,第一种与第二种方法的误差以及误差矩阵为:
Et=[E1,E2]T
总的误差平方和可以写成:
记R=[1,1]T,结合预测的限制条件表示成非线性规划模型为:
其需要满足:
通过加权使得获得的标准差最小,最终通过最优权值得到优化后的组合模型。
进一步,所述方法还包括:评价预测方法,所述评价预测方法是构建所述S5的结合最优组合模型后,通过均方根误差、绝对平均误差、绝对误差百分比、均方误差作为评价指标,输出结果。
进一步,所述评价预测方法由所述S5的结合最优组合模型获得的剩余容量预测值最小值的最优权值进行组合使用测试集进行测试得出结果,预测公式如下:
其中MAE为绝对平均误差,MAPE为绝对误差百分比,MSE为均方误差,RMSE为均方根误差。
与现有技术相比,本发明的有益效果如下:
1、本发明筛选锂电池特征选择容量进行预测,在每次预测过程中记录了每次预测的差值,在下个循环周期预测时加入误差影响,使预测算法精度更高。
2、将两个不同模型以标准差作为判别,每次求解一个二次规划子问题来确定最优权重的方向,通过减少价值函数来获取迭代的移动步长,不断重复得到训练集的最小误差,获得总误差最小的权重值。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,在附图中:
图1为本发明实施例流程示意图;
图2为本发明实施例与现有的两种方法剩余容量预测值精确度曲线图;
具体实施方式
请参见图1,实施案例一种锂电池剩余寿命结合预测方法,其包括以下步骤:
S1:获取锂电池特征数据,筛选容量数据;
S2:将容量数据分为训练集和测试集,训练集容量数据输入序列进行训练;
S3:构建锂电池支持向量回归模型,核函数为径向基函数,以sigmoid作为激活函数,获得剩余容量预测模型,并将测试集容量数据输入训练,获得初步剩余容量预测值,初步剩余容量预测值减去上一步积累误差获得剩余容量预测值f1(x);
S4:构建锂电池长短期记忆网络模型,包括输入层、隐藏层和输出层,获得剩余容量预测模型,并将训练集容量数据输入训练得出对应的初步剩余容量预测值,初步剩余容量预测值减去上一步积累误差获得剩余容量预测值f2(x);
S5:将S3和S4剩余容量预测值f1(x)、f2(x)进行计算的误差获得误差值,通过初始权值的迭代寻找到更好的近似解,求得非线性多元函数最小值,最终得出对应两种算法权重,并通过最优权值构建结合最优组合模型。
参见图2,再将锂电池特征数据输入最优组合模型得出剩余容量预测值。
S1的进一步具体实施方式:
S1-1,获取锂电池特征数据:在锂电池充电过程测试中包括数个标准的充放电制度并伴随EIS阻抗测试的进行,测试中包括充放电电流、电压、阻抗容量等特征;
S1-2,筛选容量数据:锂电池放电容量可以直观的描述锂电池的寿命所占百分比因此将每次充放电之后的放电容量记录作为预测特征。
S2的进一步具体实施方式:首先对锂电池容量实现数据归一化,并将归一化后的数据分为训练集和测试集,训练集容量数据输入序列进行训练。
S3的进一步具体实施方式:
a.设置模型参数,将特征步长定为2,设置不同时刻锂电池容量为f(xi)再对其进行重构如下:
式中左边的2个容量组成的向量作为模型的训练样本,右边得出的容量作为标签。
b.建立锂电池支持向量回归模型:核函数选取径向基函数(RBF),以sigmoid作为激活函数,损失函数的值定为0.1,构建预测模型:
其中W为分界系数,C为正则化常数,l∈为不敏感损失函数,f(xi)-yi为表示可以容忍的偏差;
c.得到边界上的向量支撑分界线,引入松弛变量以及拉格朗日乘子αi转化为SVR的对偶函数,再引入KKT条件最终得到SVR的对偶函数:
表示式中由SVR的对偶函数中拉格朗日函数求偏导得到,使公式/>的样本即为SVR的支持向量,b为决定超分界线的参数;通过b得到的预测模型,输出每次预测的锂电池容量f(xi),并将获得的锂电池容量加入训练集中再次训练,扩展下一步预测的训练集。根据该式以及当前时刻之前的一个时刻容量重构下一时刻的模型输入,继而预测下一个容量值;
d.对于预测获得的容量值减去上一步积累误差获得最终锂电池支持向量回归预测的剩余容量预测值f1(x);
S4的进一步具体实施方式:
a.对输入容量数据定义原始容量时间序列为{f(x1),f(x2),f(x3),……f(xi)}。设定数据输入的特征维度为2,对训练数据进行重构。
b.构建锂电池长短期记忆网络模型,确定锂电池长短期记忆网络模型的输入层、隐藏层和输出层;输入层的神经元个数对应输入的训练集容量数据特征,并初始化网络权重,隐藏层包括LSTM神经网络单元、dropout层、全连接层和激活层,输出层为神经网络测试集容量数据,LSTM神经网络由多个相同结构单元组成,并通过遗忘门、输入门及输出门来控制信息的更新与使用;对于给定序列
x=(x1,x2,……,xn)
应用一个标准的RNN模型,通过迭代:
hin=fa(wxhixn+whihihin-1+bn)
hn=whihhin+bh
其中w为权重系数,矩阵wxhi表示输入层到隐藏层的权重系数矩阵,whihi为隐藏层之间的权重系数矩阵,xn为当前时刻的输入,hin-1为上一次迭代的隐藏层,b为偏置向量,fa为激活函数;最终获得hit为此刻迭代的隐藏层,计算出隐藏层序列:
hi=(hi1,hi2,……,hin)
和一个输出序列:
h=(h1,h2,……,hn);
S4-2:将隐藏层的RNN细胞替换为LSTM细胞,具有长期记忆能力,最终得到:
it=σ(wi[ht-1,xt]+bi)
ft=σ(wf[ht-1,xt]+bf)
ct=ftct-i+ittanh(wα[ht-1,xt]+bc)
Ot=σ(wo[ht-1,xt]+bo)
ht=Ottanh(ct)
其中it、ft、ct、Ot、ht分别为当前一次预测的输入门、遗忘门、细胞状态、输出门以及最后的输出结果;w和b分别为对应的权重系数矩阵和偏置项;σ和tanh分别为sigmoid和双曲正切激活函数;
对于隐藏层设置为三层,遗忘率分别为0.1,0.4,0.2,设定求解器为自适应矩估计,梯度阈值定为1防止出现梯度***,以0.005作为初始学习速率进行长短期记忆网络建模。
c.将标准化处理后的时间序列划分的训练集输入预测模型中得出对应的预测值。
d.对于预测获得的容量值减去上一步积累误差获得最终锂电池长短期记忆网络预测的剩余容量预测值f2(x)。
参见图2,所述S5的具体实施方案:
S3和S4分别获得的剩余容量预测值f1(x)、f2(x)对应权系数组合,结合预测值为:
ft=k1f1+k2f2
其中k1与k2分别为f1(x)、f2(x)对应的权系数,表示锂电池支持向量回归模型与锂电池长短期记忆网络模型的误差值对应的权系数;
两种方法的预测误差分别为:
yi与fi分别表示每种方法训练过程中的每个值对应的真实值与预测值,n为训练集总数,得到每种预测方法对应的平均误差值ei,因此结合预测误差为:
et=yt-ft=k1e1+k2e2
其中yt与ft表示每种训练方法的真实值与预测值的集合,预测方法的预测权系数为:
Kt=[k1,k2]T;
记使用两种算法的误差平方和分别为:
其中et表示经过每种算法中的一个样本对应的误差,第一种与第二种方法的误差以及误差矩阵为:
Et=[E1,E2]T
总的误差平方和可以写成:
记R=[1,1]T,结合预测的限制条件表示成非线性规划模型为:
其需要满足:
通过加权使得获得的标准差最小,最终通过最优权值得到优化后的组合模型。
对实施方案进一步改进,还包括评价预测方法,所述评价预测方法是构建所述S5的结合最优组合模型后,通过均方根误差、绝对平均误差、绝对误差百分比、均方误差作为评价指标,输出结果。
对实施方案进一步改进,所述评价预测方法由所述S5的结合最优组合模型获得的剩余容量预测值最小值的最优权值进行组合使用测试集进行测试得出结果,预测公式如下:
其中MAE为绝对平均误差,MAPE为绝对误差百分比,MSE为均方误差,RMSE为均方根误差。
获得本发明方法与现有锂电池支持向量回归方法和锂电池长短期记忆网络的误差参数表:
预测方法 | MAE | MAPE | MSE | RMSE |
支持向量回归 | 5.3*10-5 | 3.8*10-5 | 1.3*10-4 | 6.8*10-3 |
长短期记忆网络 | 5.7*10-5 | 4.1*10-5 | 1.2*10-4 | 7.2*10-3 |
本发明 | 5.1*10-5 | 3.6*10-5 | 1.1*10-4 | 6.5*10-3 |
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种锂电池剩余寿命结合预测方法,其特征在于:
包括以下步骤:
S1:获取锂电池特征数据,筛选容量数据;
S2:将容量数据分为训练集和测试集,训练集容量数据输入序列进行训练;
S3:构建锂电池支持向量回归模型,核函数为径向基函数,以sigmoid作为激活函数,获得剩余容量预测模型,并将测试集容量数据输入训练,获得初步剩余容量预测值,初步剩余容量预测值减去上一步积累误差获得剩余容量预测值f1(x);所述S3包括:
S3-1:构建锂电池支持向量回归模型的目标函数为:
其中W为分界系数,C为正则化常数,l∈为不敏感损失函数,f(xi)-yi为表示可以容忍的偏差;
S3-2:使用公式得到边界上的向量支撑分界线,引入松弛变量以及拉格朗日乘子αi转化为SVR的对偶函数,再引入KKT条件最终得到SVR的对偶函数:
S3-3:将训练集容量数据xi输入进行训练,将测试集的容量数据x输入,最后得到剩余容量预测值f1(x);
S4:构建锂电池长短期记忆网络模型,包括输入层、隐藏层和输出层,获得剩余容量预测模型,并将训练集容量数据输入训练得出对应的初步剩余容量预测值,初步剩余容量预测值减去上一步积累误差获得剩余容量预测值f2(x);所述S4的包括:
S4-1:构建锂电池长短期记忆网络模型,确定锂电池长短期记忆网络模型的输入层、隐藏层和输出层;输入层的神经元个数对应输入的训练集容量数据特征,并初始化网络权重,隐藏层包括LSTM神经网络单元、dropout层、全连接层和激活层,输出层为神经网络测试集容量数据,LSTM神经网络由多个相同结构单元组成,并通过遗忘门、输入门及输出门来控制信息的更新与使用;对于给定序列
x=(x1,x2,……,xn)
应用一个标准的RNN模型,通过迭代:
hin=fa(wxhixn+whihihin-1+bn)
hn=whihhin+bh
其中w为权重系数,矩阵wxhi表示输入层到隐藏层的权重系数矩阵,whihi为隐藏层之间的权重系数矩阵,xn为当前时刻的输入,hin-1为上一次迭代的隐藏层,b为偏置向量,fa为激活函数;最终获得hit为此刻迭代的隐藏层,计算出隐藏层序列:
hi=(hi1,hi2,……,hin)
和一个输出序列:
h=(h1,h2,……,hn);
S4-2:将隐藏层的RNN细胞替换为LSTM细胞,具有长期记忆能力,最终得到:
it=σ(wi[ht-1,xt]+bi)
ft=σ(wf[ht-1,xt]+bf)
ct=ftct-i+ittanh(wα[ht-1,xt]+bc)
Ot=σ(wo[ht-1,xt]+bo)
ht=Ottanh(ct)
其中it、ft、ct、Ot、ht分别为当前一次预测的输入门、遗忘门、细胞状态、输出门以及最后的输出结果;w和b分别为对应的权重系数矩阵和偏置项;σ和tanh分别为sigmoid和双曲正切激活函数;
S4-3:按照前向计算方法计算输入门输出值,通过反向计算输入门与输出门的误差项,根据误差项获得每个权重的梯度,并通过随机梯度下降算法更新权重得出ht,通过ht的迭代获得剩余容量预测值f2(x);
S5:将S3和S4剩余容量预测值f1(x)、f2(x)进行计算的误差获得误差值,通过初始权值的迭代寻找到更好的近似解,求得非线性多元函数最小值,最终得出对应两种算法权重,并通过最优权值构建结合最优组合模型;所述S5的包括:
S5-1:S3和S4分别获得的剩余容量预测值f1(x)、f2(x)对应权系数组合,结合预测值为:
ft=k1f1+k2f2
其中k1与k2分别为f1(x)、f2(x)对应的权系数,表示支持向量回归模型与长短期记忆网络模型的误差值对应的权系数;
两种方法的预测误差分别为:
yi与fi分别表示每种方法训练过程中的每个值对应的真实值与预测值,n为训练集总数,得到每种预测方法对应的平均误差值ei,因此结合预测误差为:
et=yt-ft=k1e1+k2e2
其中yt与ft表示每种训练方法的真实值与预测值的集合,预测方法的预测权系数为:
Kt=[k1,k2]T;
使用两种算法的误差平方和分别为:
其中et表示经过每种算法中的一个样本对应的误差,第一种与第二种方法的误差以及误差矩阵为:
Et=[E1,E2]T
总的误差平方和可以写成:
记R=[1,1]T,结合预测的限制条件表示成非线性规划模型为:
其需要满足:
通过加权使得获得的标准差最小,最终通过最优权值得到优化后的组合模型。
2.根据权利要求1所述一种锂电池剩余寿命结合预测方法,其特征在于:
所述S2包括:将容量数据进行归一化处理,将处理后的容量数据分成训练集和测试集,训练集容量数据输入序列进行训练。
3.根据权利要求1所述一种锂电池剩余寿命结合预测方法,其特征在于:所述方法还包括:评价预测方法。
4.根据权利要求3所述一种锂电池剩余寿命结合预测方法,其特征在于:所述评价预测方法是构建所述S5的结合最优组合模型后,通过均方根误差、绝对平均误差、绝对误差百分比、均方误差作为评价指标,输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110721142.7A CN113361692B (zh) | 2021-06-28 | 2021-06-28 | 一种锂电池剩余寿命结合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110721142.7A CN113361692B (zh) | 2021-06-28 | 2021-06-28 | 一种锂电池剩余寿命结合预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361692A CN113361692A (zh) | 2021-09-07 |
CN113361692B true CN113361692B (zh) | 2023-05-23 |
Family
ID=77536777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110721142.7A Active CN113361692B (zh) | 2021-06-28 | 2021-06-28 | 一种锂电池剩余寿命结合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361692B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115223271B (zh) * | 2022-06-28 | 2024-05-07 | 东软睿驰汽车技术(沈阳)有限公司 | 车辆剩余信息误差的关注度获得方法及相关装置 |
CN117350174B (zh) * | 2023-12-04 | 2024-04-02 | 国网天津市电力公司营销服务中心 | 预测智能电表剩余寿命的方法、***、电子设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016107246A1 (zh) * | 2014-12-29 | 2016-07-07 | 合肥工业大学 | 基于小波降噪和相关向量机的锂电池剩余寿命预测方法 |
CN109543317A (zh) * | 2018-04-28 | 2019-03-29 | 北京航空航天大学 | 一种pemfc剩余使用寿命预测的方法及装置 |
CN109815995A (zh) * | 2019-01-07 | 2019-05-28 | 浙江大学城市学院 | 一种缺失观测值条件下锂电池剩余寿命预测方法 |
CN110568374A (zh) * | 2019-09-02 | 2019-12-13 | 东北电力大学 | 基于考虑内外特性的锂离子电池剩余使用寿命预测方法 |
US10852439B1 (en) * | 2020-04-30 | 2020-12-01 | Beihang University | Global ionospheric total electron content prediction system |
-
2021
- 2021-06-28 CN CN202110721142.7A patent/CN113361692B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016107246A1 (zh) * | 2014-12-29 | 2016-07-07 | 合肥工业大学 | 基于小波降噪和相关向量机的锂电池剩余寿命预测方法 |
CN109543317A (zh) * | 2018-04-28 | 2019-03-29 | 北京航空航天大学 | 一种pemfc剩余使用寿命预测的方法及装置 |
CN109815995A (zh) * | 2019-01-07 | 2019-05-28 | 浙江大学城市学院 | 一种缺失观测值条件下锂电池剩余寿命预测方法 |
CN110568374A (zh) * | 2019-09-02 | 2019-12-13 | 东北电力大学 | 基于考虑内外特性的锂离子电池剩余使用寿命预测方法 |
US10852439B1 (en) * | 2020-04-30 | 2020-12-01 | Beihang University | Global ionospheric total electron content prediction system |
Non-Patent Citations (1)
Title |
---|
锂电池剩余寿命的ELM间接预测方法;姜媛媛;刘柱;罗慧;王辉;;电子测量与仪器学报(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113361692A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107797067B (zh) | 一种基于深度学习的锂离子电池寿命迁移预测方法 | |
Li et al. | Lithium-ion battery capacity estimation—A pruned convolutional neural network approach assisted with transfer learning | |
CN111880099B (zh) | 一种储能电站站内电池单体寿命预测方法及*** | |
CN107037373B (zh) | 基于神经网络的蓄电池剩余电量预测方法 | |
CN111856287B (zh) | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 | |
Wang et al. | Rapid ultracapacitor life prediction with a convolutional neural network | |
CN113361692B (zh) | 一种锂电池剩余寿命结合预测方法 | |
CN111680848A (zh) | 基于预测模型融合的电池寿命预测方法及存储介质 | |
CN113406521B (zh) | 一种基于特征分析的锂电池健康状态在线估计方法 | |
CN112734002B (zh) | 一种基于数据层和模型层联合迁移学习的寿命预测方法 | |
CN113156325A (zh) | 一种对电池的健康状态进行估计的方法 | |
CN111707956B (zh) | 多类型锂离子电池组管理***的健康状态和剩余寿命预测方法 | |
CN115201686B (zh) | 一种不完备充放电数据下的锂离子电池健康状态评估方法 | |
CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和*** | |
Xie et al. | Residual life prediction of lithium-ion batteries based on data preprocessing and a priori knowledge-assisted CNN-LSTM | |
Zhang et al. | A novel state-of-health prediction method based on long short-term memory network with attention mechanism for lithium-ion battery | |
Dong et al. | Data-driven predictive prognostic model for power batteries based on machine learning | |
Vilsen et al. | Transfer learning for adapting battery state-of-health estimation from laboratory to field operation | |
CN114578234A (zh) | 一种考虑因果性特征的锂离子电池退化与容量预测模型 | |
Zhang et al. | Remaining useful life prediction of lithium-ion batteries based on TCN-DCN fusion model combined with IRRS filtering | |
Sarmah et al. | Numerical and experimental investigation of state of health of Li-ion battery | |
Yin et al. | A new state‐of‐health estimation method for Li‐ion batteries based on interpretable belief rule base with expert knowledge credibility | |
Li et al. | State of health estimation and prediction of electric vehicle power battery based on operational vehicle data | |
Li et al. | Remaining useful life prediction of lithium battery based on ACNN-Mogrifier LSTM-MMD | |
CN116184209A (zh) | 一种适用于动力电池热失控的预警方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |