CN110443377B - 一种基于免疫算法优化的支持向量机蓄电池寿命预测方法 - Google Patents

Abstract

本发明公开了一种基于免疫算法优化的支持向量机蓄电池寿命预测方法，包括将获取到的样本数据分成训练集和测试集；利用训练集对基于免疫系统优化的支持向量机模型进行训练，获得训练好的支持向量机模型；将测试集带入所述训练好的支持向量机模型中，得到预测的剩余容量；基于所述预测的剩余容量及剩余寿命计算公式预测蓄电池剩余寿命。本发明利用免疫算法去改进支持向量机算法的优化过程，增强支持向量机算法的全局搜索能力，防止其陷入局部最优解。

Description

一种基于免疫算法优化的支持向量机蓄电池寿命预测方法

技术领域

本发明属于电力设备寿命预测技术领域，具体涉及一种基于免疫算法优化的支持向量机蓄电池寿命预测方法。

背景技术

阀控式铅酸蓄电池的寿命预测受到诸多因素的影响，如何准确快捷地预测出电池的工作寿命是摆在世界各国电池应用工程师面前的一大难题。近十年来出现的阀控式铅酸蓄电池寿命预测主要分为两类：一类是基于统计规律的方法，另一类是基于性能的方法。基于统计规律的方法需要在长期使用过程中的一些经验知识的积累，只能在电池使用的经验知识相当丰富的情况下，应用于某些特定场合的电池寿命预测。基于电池性能的寿命预测都是在不同形式的性能模型的基础上在对老化过程和其他因素进行考虑。依据所使用数据信息来源的不同，可以将基于电池性能的寿命预测分为：基于数据驱动和基于机理两类。基于机理的预测是在电池本质机理的基础上分析并建立电池的老化模型和运行机理模型。其中，基于机理的预测是在电池本质机理的基础上分析并建立电池的老化模型和运行机理模型，主要关注的是电池内部因素，没有考虑到外部因素，现实中的寿命变化不会像机理模型那样理想。电池的老化过程是一个非常复杂的化学及物理过程，蓄电池的使用寿命与充放电方式、电池制作工艺、环境温度、自身的结构和化学特性等众多因素密切相关。而基于数据驱动的预测方法可以结合所有可能的内在和外在因素，由数据拟合得到的解析模型并用于寿命预测，神经网络、支持向量机等机器学习算法就是基于数据驱动算法中非常优秀的一大类算法，但是经典的此类算法的优化方法不能保证模型得到最优解。

发明内容

针对上述问题，本发明提出一种基于免疫算法优化的支持向量机蓄电池寿命预测方法，利用免疫算法去改进支持向量机算法的优化过程，增强支持向量机算法的全局搜索能力，防止其陷入局部最优解。

为了实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

一种基于免疫算法优化的支持向量机蓄电池寿命预测方法，包括：

将获取到的样本数据分成训练集和测试集；

利用训练集对基于免疫系统优化的支持向量机模型进行训练，获得训练好的支持向量机模型；

将测试集带入所述训练好的支持向量机模型中，得到预测的剩余容量；

基于所述预测的剩余容量及剩余寿命计算公式预测蓄电池剩余寿命。

优选地，所述将获取到的样本数据分成训练集和测试集步骤之前还包括：

所述对获取到的样本数据进行特征提取，并将剩余的样本数据构成特征矩阵，所述特征矩阵的列向量和行向量分别用于表示样本数据的属性和值。

优选地，所述对获取到的样本数据进行特征提取，之前还包括：

对获取到的样本数据进行清洗，获得清洗过的样本数据。

优选地，所述将获取到的样本数据分成训练集和测试集，具体为：

将获取到的样本数据按照训练测试比为4:1分成训练集和测试集。

优选地，所述样本数据包括电池型号、电池品牌、环境温度、放电电流、充电电流、放电电压、充电电压、电池内阻、开路电压、电池温度、剩余容量、投运时长；其中，剩余容量是因变量，其他均为特征变量。

优选地，所述支持向量机模型的目标函数为：

其中，m为样本的个数，ω为待学习的模型参数；C为大于0的正则化常数；l(h(x_i)-y_i)为任意损失函数；h(x_i)为支持向量机模型的预测值；x_i为第i个样本数据的特征组成的向量，y_i为该样本对应的剩余容量；

所述利用训练集对基于免疫系统优化的支持向量机模型进行训练，获得训练好的支持向量机模型，具体包括以下步骤：

A)将抗原定义为优化问题，所述优化问题的表达式具体为：

式中，

为期望输出值，y_i为实际值，N为样本的个数；

B)将参数(C,g)对应为抗体，设置抗体群规模为N，并采用随机方式产生N个初始抗体v₀……v_N，其中，g为高斯核函数中的超参数；

C)对每个抗体v₀＝(C₀,g₀)，用对偶问题的方法，极小化所述优化问题，得到该抗体下的支持向量机模型参数ω₀，代入每一个训练样本得到模型的输出值

并通过实际值y_i计算抗体v₀的目标函数F(v₀)，进而得到抗体的亲和力计算公式：

D)选择亲和力高于设定阈值的n个抗体作为记忆细胞，以记录进化过程中产生的优秀抗体；

E)对步骤D)中选定的n个抗体实施克隆扩增至N个，抗体的克隆个数与其亲和力成正比，此时被选择出来的每个抗体的克隆数目用下式表示：

式中，round(·)表示取整函数，N_i表示第i个抗体的克隆个数；

示抗体规模；

F)对克隆后所得抗体进行重组和高频变异，使其保留具有优良特性的抗体的同时，增加抗体的多样性；

G)从训练集中划分出一部分作为验证集，在进化的初始阶段，训练误差和验证误差同时减小，随着训练精度的提高，验证误差的减小会变慢，当训练精度进一步提高，验证误差增大时，则停止进化，对抗体进行重新评价，判断是否满足结束条件，若满足结束条件或达到最大进化代数，则进化结束并输出优化的参数(C,g)和模型参数ω，结束算法。

优选地，所述步骤(G)中，当不满足结束条件或达到最大进化代数时，则进行下述步骤：

H)在免疫系统中，需对浓度过高的抗体进行抑制，亲和力高的抗体要得到促进，表现为抗体的生存率，按照一定的淘汰率消灭生存能力低下的抗体，然后进行免疫补充，用相应数量随机产生的新个体代替被淘汰的抗体，所述的抗体的浓度是通过抗体与抗体之间的亲和力来定义的，抗体v和抗体w之间的亲和力为：

其中，H_v,w为抗体v和抗体w的欧式距离，从而，抗体v的浓度为：

式中，L为抗体数量，T_ac为设定的亲和力阈值，抗体的生存率表示为：

式中，E_v为抗体v的生存率，A_i(i＝1,2,…,L)为抗体i与抗原的亲和力，A_v为抗体v与抗原的亲和力；

I)对H)中保留下来的抗体群进行抗体交叉、变异操作产生新的抗体，进而计算新抗体以及记忆抗体的亲和力，通过群体总量N的限定，去掉亲和力低于设定阈值的抗体，然后便可以构成新的子代抗体群，转到D)。

优选地，所述剩余寿命计算公式具体为：

式中，RC为预测的蓄电池的剩余容量，kdist表示关于相关系数的绝对值加权的欧氏距离，

表示去掉投运时长的特征向量，CT_0j表示D₀中kdist距离最小的特征向量x_0j的投运时长，D₀＝{(x₀₁,y₀₁),(x₀₂,y₀₂),…,(x_0s,y_0s)}为剩余容量大于80％的蓄电池的s个样本组成的集合，

为分别表示要求的蓄电池的投运时长和去掉投运时长的特征向量。

优选地，所述基于所述预测的剩余容量及剩余寿命计算公式预测蓄电池剩余寿命步骤之前还包括：评价预测效果。

优选地，所述评价预测效果，具体为：

利用训练数据和测试数据的实际剩余容量与预测的剩余容量，得到剩余容量的预测准确率计算公式：

式中，RC_0i为实际剩余容量，RC_i为预测的剩余容量。

与现有技术相比，本发明的有益效果：

本发明提出一种基于免疫算法优化的支持向量机蓄电池寿命预测方法，综合了所有与寿命有关的特征因素进行建模，并且能够获得全局最优解，所以模型的精度较现有模型有了一定的提高，下面是本产品与经典支持向量机蓄电池寿命预测模型针对南网某一项目模型效果的对比，基于免疫系统优化的支持向量机模型的预测精度较经典的支持向量机模型明显提高。

附图说明

图1为本发明一种实施例的基于免疫算法优化的支持向量机蓄电池寿命预测方法的流程示意图；

图2为本发明一种实施例的免疫算法优化支持向量机参数的流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明的保护范围。

下面结合附图对本发明的应用原理作详细的描述。

实施例1

人工免疫算法是一种随机优化方法，其思想是根据生物免疫机制衍生而得来的，生物免疫系统和人工免疫系统的对应关系参见表1：

表1

支持向量机是一种优良机器学习算法，基于统计学习理论的VC维和结构风险最小化原理，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以期获得最好的推广能力。

本发明实施例提供了一种蓄电池寿命预测方法，具体包括以下步骤：

步骤(1)对获取到的样本数据进行特征筛选，删除完全无关的样本数据，并将剩余的样本数据构成特征矩阵，所述特征矩阵的列向量和行向量分别用于表示样本数据的属性和值；

在本发明实施例的一种具体实时方式中，所述样本数据主要包括充放电实验数据，具体包括：电池型号、电池品牌、环境温度、放电电流、充电电流、放电电压、充电电压、电池内阻、开路电压、电池温度、剩余容量以及投运时长，其中，所述剩余容量为标签数据(即待输出数据)，其它均为特征变量。由于所述剩余容量为连续值，因此本发明的求解问题属于标准的回归问题。

优选地，在步骤(1)中的对样本数据进行特征提取之前还包括：对样本数据进行清洗，获得清洗过的样本数据；

步骤(2)将所述剩余的样本数据分成训练集和测试集；

在本发明实施例的一种具体实时方式中，所述步骤(2)具体为：

将所述剩余的样本数据按训练测试比4:1随机分成训练集和测试集；

步骤(3)利用训练集对基于免疫系统优化的支持向量机模型进行训练，获得训练好的模型；

在本发明实施例的一种具体实施方式中，所述步骤(3)具体包括以下子步骤：

(3.1)设训练集样本数据为D＝{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)}，n为样本个数，x_i为第i个样本数据的特征组成的向量，y_i为该样本对应的标签，即剩余容量，则用于训练数据的支持向量机模型的目标函数为：

其中，m为样本的个数，ω为待学习的模型参数；C为大于0的正则化常数；l(h(x_i)-y_i)为任意损失函数，一般采用指数损失函数，0/1损失函数等；h(x_i)为支持向量机模型的预测值，；一般支持向量机模型都会采用核方法，将线性学习器ω^Tx转化为非线性学习器，即：

h(x)＝ω^Tφ(x)

其中，φ(·)是某种映射，根据映射，写出核函数κ(·,·)：

κ(x_i,x_j)＝φ(x_i)^Tφ(x_j)

常用的核函数有线性核、高斯核等，在本发明的一种具体实施例中，所述核函数采用的是高斯核函数，高斯核函数中

有超参数g需要调优。

因此，得到需要调优的参数为核函数参数g和正则化参数C，待学习的参数为模型参数ω。

(3.2)利用免疫算法给支持向量机模型做参数(C,g)调优，以及支持向量机模型训练，这样可以找到全局最优参数C、g及对应的模型参数ω，参数调优详细过程如下：

A)抗原识别：将抗原定义为优化问题，所述优化问题的表达式具体为：

式中，

为期望输出值，y_i为实际值，N为样本的个数；

B)初始化抗体群：将参数(C,g)对应为抗体，设置抗体群规模为N，并采用随机方式产生N个初始抗体v₀……v_N；

C)计算抗体的亲和力：对每个抗体v₀＝(C₀,g₀)，用对偶问题的方法，极小化上述优化问题，从而得到该抗体下的支持向量机模型参数ω₀，代入每一个训练样本得到模型的输出值

并通过实际值y_i计算抗体v₀的目标函数F(v₀)，进而得到抗体的亲和力计算公式为：

D)生成记忆细胞：选择亲和力高于设定阈值的n个抗体作为记忆细胞，以记录进化过程中产生的优秀抗体；

E)对记忆细胞实施克隆扩增：对步骤D)中选定的n个抗体(记忆细胞)实施克隆扩增至N个，抗体的克隆个数与其亲和力成正比，即抗体的亲和力越高，克隆个数相应地也越多。此时被选择出来的每个抗体的克隆数目可用下式表示：

式中，round(·)表示取整函数，N_i表示第i个抗体的克隆个数；

示抗体规模。

F)对克隆后所得抗体进行重组和高频变异，使其保留具有优良特性的抗体的同时，增加抗体的多样性；

G)结束条件：从训练集中划分出一部分作为验证集，在进化的初始阶段，训练误差和验证误差同时减小，随着训练精度的提高，验证误差的减小会变慢，当训练精度进一步提高，验证误差增大时，就要停止进化，以避免SVM的过学习现象。对抗体进行重新评价，判断是否满足结束条件，若满足结束条件或达到最大进化代数，则进化结束并输出优化的参数(C,g)和模型参数ω，算法结束；否则继续进行下面的操作。

H)抗体的抑制和促进。在免疫系统中，为保持抗体的多样性，通常对浓度过高的抗体进行抑制，亲和力高的抗体要得到促进，表现为抗体的生存率，按照一定的淘汰率消灭生存能力低下的抗体，然后进行免疫补充，用相应数量随机产生的新个体代替被淘汰的抗体。这里抗体的浓度是通过抗体与抗体之间的亲和力来定义的，抗体v和抗体w之间的亲和力为：

其中，H_v,w为抗体v和抗体w的欧式距离，从而，抗体v的浓度为：

式中，L为抗体数量，T_ac为设定的亲和力阈值，抗体的生存率表示为：

式中，E_v为抗体v的生存率，A_i(i＝1,2,…,L)为抗体i与抗原的亲和力，A_v为抗体v与抗原的亲和力。

I)进行交叉、变异等进化操作，从而产生子代抗体群：对H)中保留下来的抗体群进行抗体交叉、变异等操作产生新的抗体，进而计算新抗体以及记忆抗体的亲和力，通过群体总量N的限定，去掉亲和力低于设定阈值的抗体，然后便可以构成新的子代抗体群，转到D)；

步骤(4)将测试集带入所述训练好的支持向量机模型中，得到预测的剩余容量；

步骤(5)基于所述预测的剩余容量及剩余寿命计算公式预测蓄电池剩余寿命；

在本发明实施例的一种具体实施方式中，所述步骤(5)具体为：

由于当剩余容量小于或者等于蓄电池容量的80％时，蓄电池寿命终结，此时的投运时长(CT)为蓄电池的总寿命(LF)，对于剩余容量大于80％的电池组，总寿命(LF)减去投运时长(CT)即为预测的剩余寿命(RF):RF＝LF-CT。

对任一蓄电池组(x,y)，其剩余寿命计算公式：

式中，RC为预测的蓄电池的剩余容量，kdist表示关于相关系数的绝对值加权的欧氏距离，

表示去掉投运时长的特征向量，CT_0j表示D₀中kdist距离最小的特征向量x_0j的投运时长，D₀＝{(x₀₁,y₀₁),(x₀₂,y₀₂),…,(x_0s,y_0s)}为剩余容量大于80％的蓄电池的s个样本组成的集合，

为分别表示要求的蓄电池的投运时长和去掉投运时长的特征向量。

实施例2

基于与实施例1相同的发明构思，本发明实施例与实施例1的区别在于，所述方法还包括：

步骤(7)评价预测效果；

在本发明实施例的一种具体实施方式中，为了评价预测的效果，利用训练数据和测试数据的实际剩余容量(RC₀)与预测的剩余容量(RC)，可得到剩余容量的预测准确率计算公式：

式中，RC_0i为实际剩余容量，RC_i为预测的剩余容量。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种基于免疫算法优化的支持向量机蓄电池寿命预测方法，其特征在于，包括：

将获取到的样本数据分成训练集和测试集；

利用训练集对基于免疫系统优化的支持向量机模型进行训练，获得训练好的支持向量机模型；

将测试集带入所述训练好的支持向量机模型中，得到预测的剩余容量；

基于所述预测的剩余容量及剩余寿命计算公式预测蓄电池剩余寿命；

所述支持向量机模型的目标函数为：

其中，m为样本的个数，ω为待学习的模型参数；C为大于0的正则化常数；l(h(x_i)-y_i)为任意损失函数；h(x_i)为支持向量机模型的预测值；x_i为第i个样本数据的特征组成的向量，y_i为该样本对应的剩余容量；

所述利用训练集对基于免疫系统优化的支持向量机模型进行训练，获得训练好的支持向量机模型，具体包括以下步骤：

A)将抗原定义为优化问题，所述优化问题的表达式具体为：

式中，

为期望输出值，y_i为实际值，N为样本的个数；

B)将参数(C,g)对应为抗体，设置抗体群规模为N，并采用随机方式产生N个初始抗体v₀……v_N，其中，g为高斯核函数中的超参数；

C)对每个抗体v₀＝(C₀,g₀)，用对偶问题的方法，极小化所述优化问题，得到该抗体下的支持向量机模型参数ω₀，代入每一个训练样本得到模型的输出值

并通过实际值y_i计算抗体v₀的目标函数F(v₀)，进而得到抗体的亲和力计算公式：

D)选择亲和力高于设定阈值的n个抗体作为记忆细胞，以记录进化过程中产生的优秀抗体；

E)对步骤D)中选定的n个抗体实施克隆扩增至N个，抗体的克隆个数与其亲和力成正比，此时被选择出来的每个抗体的克隆数目用下式表示：

式中，round(·)表示取整函数，N_i表示第i个抗体的克隆个数；

示抗体规模；

F)对克隆后所得抗体进行重组和高频变异，使其保留具有优良特性的抗体的同时，增加抗体的多样性；

G)从训练集中划分出一部分作为验证集，在进化的初始阶段，训练误差和验证误差同时减小，随着训练精度的提高，验证误差的减小会变慢，当训练精度进一步提高，验证误差增大时，则停止进化，对抗体进行重新评价，判断是否满足结束条件，若满足结束条件或达到最大进化代数，则进化结束并输出优化的参数(C,g)和模型参数ω，结束算法；

所述剩余寿命计算公式具体为：

式中，RC为预测的蓄电池的剩余容量，kdist表示关于相关系数的绝对值加权的欧氏距离，

表示去掉投运时长的特征向量，CT_0j表示D₀中kdist距离最小的特征向量x_0j的投运时长，D₀＝{(x₀₁,y₀₁),(x₀₂,y₀₂),…,(x_0s,y_0s)}为剩余容量大于80％的蓄电池的s个样本组成的集合，CT,

为分别表示要求的蓄电池的投运时长和去掉投运时长的特征向量。

2.根据权利要求1所述的一种基于免疫算法优化的支持向量机蓄电池寿命预测方法，其特征在于，所述将获取到的样本数据分成训练集和测试集步骤之前还包括：

对获取到的样本数据进行特征提取，并将剩余的样本数据构成特征矩阵，所述特征矩阵的列向量和行向量分别用于表示样本数据的属性和值。

3.根据权利要求2所述的一种基于免疫算法优化的支持向量机蓄电池寿命预测方法，其特征在于，所述对获取到的样本数据进行特征提取，之前还包括：

对获取到的样本数据进行清洗，获得清洗过的样本数据。

4.根据权利要求1所述的一种基于免疫算法优化的支持向量机蓄电池寿命预测方法，其特征在于，所述将获取到的样本数据分成训练集和测试集，具体为：

将获取到的样本数据按照训练测试比为4:1分成训练集和测试集。

5.根据权利要求1所述的一种基于免疫算法优化的支持向量机蓄电池寿命预测方法，其特征在于：所述样本数据包括电池型号、电池品牌、环境温度、放电电流、充电电流、放电电压、充电电压、电池内阻、开路电压、电池温度、剩余容量、投运时长；其中，剩余容量是因变量，其他均为特征变量。

6.根据权利要求5所述的一种基于免疫算法优化的支持向量机蓄电池寿命预测方法，其特征在于，所述步骤(G)中，当不满足结束条件或达到最大进化代数时，则进行下述步骤：

H)在免疫系统中，需对浓度过高的抗体进行抑制，亲和力高的抗体要得到促进，表现为抗体的生存率，按照一定的淘汰率消灭生存能力低下的抗体，然后进行免疫补充，用相应数量随机产生的新个体代替被淘汰的抗体，所述的抗体的浓度是通过抗体与抗体之间的亲和力来定义的，抗体v和抗体w之间的亲和力为：

其中，H_v,w为抗体v和抗体w的欧式距离，从而，抗体v的浓度为：

式中，L为抗体数量，T_ac为设定的亲和力阈值，抗体的生存率表示为：

式中，E_v为抗体v的生存率，A_i(i＝1,2,…,L)为抗体i与抗原的亲和力，A_v为抗体v与抗原的亲和力；

I)对H)中保留下来的抗体群进行抗体交叉、变异操作产生新的抗体，进而计算新抗体以及记忆抗体的亲和力，通过群体总量N的限定，去掉亲和力低于设定阈值的抗体，然后便可以构成新的子代抗体群，转到D)。

7.根据权利要求1所述的一种基于免疫算法优化的支持向量机蓄电池寿命预测方法，其特征在于：所述基于所述预测的剩余容量及剩余寿命计算公式预测蓄电池剩余寿命步骤之前还包括：评价预测效果。

8.根据权利要求7所述的一种基于免疫算法优化的支持向量机蓄电池寿命预测方法，其特征在于：所述评价预测效果，具体为：

利用训练数据和测试数据的实际剩余容量与预测的剩余容量，得到剩余容量的预测准确率计算公式：

式中，RC_0i为实际剩余容量，RC_i为预测的剩余容量。

Images