CN112487702A - 一种锂离子电池剩余使用寿命预测方法 - Google Patents

Abstract

本发明公开了一种基于VMD‑HGWO‑SVR的锂离子电池剩余使用寿命预测方法，锂离子电池的剩余使用寿命预测是电池健康管理的重要一部分。该方法的具体步骤如下：首先使用变分模态分解方法，将锂电池容量退化数据进行多尺度分解，根据相关系数分析设定合适的阈值，将满足条件的模态函数进行重构，得到消除容量再生和噪声波动后的电池容量数据；然后，基于预处理后的电池容量数据训练SVR模型，并采用改进灰狼优化算法HGWO来优化SVR的超参数；最后，使用训练好的VMD‑HGWO‑SVR模型进行锂电池剩余使用寿命预测。本发明方法解决了锂电池容量数据中容量再生和噪声波动对锂电池剩余寿命预测精度的影响，同时对灰狼优化算法进行三处改进避免预测模型训练时陷入局部最优解，所提方法预测性能稳定，预测结果更精确。

Description

一种锂离子电池剩余使用寿命预测方法

技术领域

本发明涉及测试电池的电气状况的技术领域，尤其涉及一种锂电池剩余使用寿命预测方法。

技术背景

锂离子电池具有循环寿命长、工作温度范围广、能量密度大、无污染等优点，因此被广泛运用于电子设备、电动汽车、储能系统、航天航空等领域，在现代化社会中扮演着重要的角色。但是，在反复使用的过程中，锂电池的性能会逐渐退化而失效，导致电池易于漏电和短路影响设备系统的正常运行，甚至会造成经济损失和爆炸性灾难。因此，非常有必要对锂电池进行精确的剩余使用寿命(RUL)预测，RUL是指电池性能第一次退化到故障阈值的时间，其中故障阈值为锂电池容量退化到额定容量的70％-80％。得到精确的锂电池RUL预测结果有利于对锂电池的老化程度做出正确的判断，从而制定最优的维护策略。

近年来，锂电池剩余使用寿命预测技术得到研究者的广泛关注。其中基于数据驱动的方法越来越受到广泛的关注，利用收集到的电池电压、电流、容量等数据运用机器学习技术找出隐含信息和未来退化趋势之间的关系，来预测电池RUL，从而避免了精确地模拟锂电池物理退化过程，具有较好的普适性。

目前基于数据驱动的方法中，出现了使用粒子群优化算法(PSO)优化自回归(AR)模型参数来进行锂电池RUL预测。然而锂电池性能退化是一种非线性退化过程，但AR是一种线性模型，故有学者提出一种自适应神经网络ARNN根据电池内阻退化趋势实现间接锂电池RUL预测，但神经网络方法需要大量的数据进行模型训练耗时长。现有技术中还出现了蚁狮优化算法ALO优化SVR的参数，基于原始容量数据进行锂电池寿命预测，然而蚁狮优化算法存在陷入局部极值问题，并且原始容量数据中的容量再生和噪声波动会影响锂电池RUL预测结果的精度。

智能算法——灰狼优化算法(Grey Wolf Optimizer，GWO)由澳大利亚格里菲斯大学学者Mirjalili等人于2014年提出来的一种群智能优化算法。该算法受到了灰狼捕食猎物活动的启发而开发的一种优化搜索方法，它具有较强的收敛性能、参数少、易实现等特点，然而,它的灰狼(个体)位置更新方程存在开发能力强而探索能力弱的缺点。

发明内容

本发明针对上述背景技术中指出的问题，给出了一种基于VMD-HGWO-SVR的锂电池剩余使用寿命预测方法，实现了锂电池剩余使用寿命的长期直接预测。

本发明所采用的技术方案是：包括以下步骤：

步骤1，采集锂电池容量数据集，去除原始容量数据集中的容量再生和噪声波动：将电池容量退化数据，即原始信号x(t)分解为若干个本征模态函数IMF，计算各个IMF分量与原始信号的相关系数，根据相关系数设定阈值，将高于阈值的IMF分量进行信号重构，获得处理后的锂电池容量退化数据集

其中i为电池循环次数，VMD_Cap_i为对应循环的容量值，n为样本总数；

步骤2，设置起始预测点T，将预处理后的数据集划分为训练集和测试集，并设置电池容量失效阈值为Cap_EOL；

步骤3，利用训练集

训练SVR模型，并采用HGWO算法选择SVR模型的惩罚系数C和核宽度g两个参数；具体步骤如下：

步骤3.1，初始化HGWO算法参数：将惩罚系数C和核宽度g作为HGWO算法中个体的位置向量，初始化种群大小N，最大迭代次数M，交叉概率CR，缩放因子F，参数变量搜索范围上下界Up，Low；

步骤3.2，采用种群反向初始化策略来增加初始化种群的多样性，具体步骤如下：

步骤(1)，根据式1随机初始化P个个体组成种群X_ij；

步骤(2)，根据反向点定义产生P个个体组成的反向种群

步骤(3)，将随机初始化种群X_ij和反向种群

合并，选择出P个适应度值最小的个体，最终组成初始化种群；

步骤3.3，设置迭代计数t＝1，将种群输入SVR算法中计算种群中每个个体的适应度函数值，对适应度函数值进行排序得到三个最优个体X_α，X_β，X_δ；

步骤3.4，个体位置根据式2更新：

其中，t表示当前迭代代数，X_p表示目标的位置向量，X表示个体的位置向量，A和C为系数向量。A＝2a·r₁-a，C＝2·r₂，a为收敛因子在迭代过程中从2降到0；

步骤3.5，根据式3、式4和式5分别计算其它个体与与α，β，δ三个个体之间的距离，并根据式6更新当前个体的位置；

D_α＝|C₁·X_α-X| 式3

D_β＝|C₂·X_β-X| 式4

D_δ＝|C₃·X_δ-X| 式5

其中，D_α，D_β，D_δ分别表示与其它个体之间的距离，X_α，X_β，X_δ分别表示α，β，δ个体的当前位置，X表示当前个体的位置，X(t+1)为更新后个体的位置；

步骤3.6，更新系数向量A，C，a的值：非线性变化收敛因子策略式7来改进收敛因子a；

步骤3.7，采用DE算法对先前的最优个体X_α，X_β，X_δ进行更新，计算所有个体的适应度函数值并重新进行排序，获得更新后三个最优个体X_α，X_β，X_δ；

步骤3.8，确定t是否达到最大迭代次数，如果达到，则输出最优个体X_α惩罚系数C和核宽度g；否则，t＝t+1返回步骤3.3重复执行；

步骤4，根据设置的起始预测点T，进行起始预测点之后的锂电池容量预测；判断预测的容量值是否达到设定的容量失效阈值Cap_EOL，当达到阈值时，计算RUL预测结果，并输出评估指标结果。

作为一种优选：步骤1中去除原始容量数据集中的容量再生和噪声波动的具体算法是：

步骤1.1，初始化拉格朗日乘子

模态函数

和中心频率

设置迭代循环计数n；

步骤1.2，迭代循环n＝n+1，k＝1：K，k为分解模态的个数；

步骤1.3，更新模态函数

和中心频率ω_k：

步骤1.4，对于所有ω≥0，更新拉格朗日乘子

其中，

为原始信号经傅里叶变换后的信号；

步骤1.5，判断收敛条件：

其中，ε为收敛阈值；若满足条件则迭代更新完成，输出模态函数

和中心频率ω_k，否则返回步骤1.3继续迭代更新；

步骤1.6，分别计算所得各个IMF分量与原始信号的相关系数，得到各分量与原始信号之间相关系数分析指标结果；根据相关系数设定合适的阈值，将高于阈值的IMF分量进行信号重构，得到去除容量再生和噪声波动后的电池容量数据集。本发明的有益效果是：

1、本发明通过VMD方法去除原始容量数据中的容量再生和噪声波动，降低了容量再生和噪声波动对RUL预测精度的影响。

2、本发明对传统的灰狼优化算法GWO进行了三处改进，在初始阶段采用反向生成种群策略来增加初始化种群的多样性，提高了搜索的效率，在迭代寻优过程中提出一种新型非线性变化收敛因子策略来均衡算法的搜索能力，并通过DE算法更新个体先前的最佳位置，使传统算法跳出局部最优解，得到改进后的优化算法HGWO，使用HGWO算法优化支持向量回归SVR模型的惩罚系数和核宽度。

3、基于此VMD-HGWO-SVR融合算法有效的提高了锂电池RUL预测性能的稳定性和预测结果的精度。

附图说明

图1为本发明方法总体流程示意图。

图2为改进灰狼优化算法HGWO收敛因子对比图。

图3为锂离子电池容量退化曲线图。

图4为去除容量再生和噪声波动后的电池容量数据和原始数据对比图。

图5为B5锂离子电池在起始预测周期为80时不同算法的电池容量预测结果图

图6为B6锂离子电池在起始预测周期为80时不同算法的电池容量预测结果图

图7为B7锂离子电池在起始预测周期为80时不同算法的电池容量预测结果图

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式进行详细描述。采用美国国家航空航天局卓越故障预测研究中心(NASA)提供的锂电池数据集，选取B5、B6、B7三个电池作为具体实施例中的数据集。

基于VMD-HGWO-SVR的锂离子电池剩余使用寿命预测方法，如图1所示，此融合算法的具体步骤如下：

步骤1，对电池容量数据集200，采用VMD方法，将原始容量数据集200，即原始信号x(t)分解为若干个本征模态函数IMF，IMF为一个调幅调频信号，计算各个IMF分量与原始信号的相关系数，根据相关系数设定合适的阈值，去除容量再生和噪声波动201，获得处理后的锂电池容量退化数据集。具体步骤为：

步骤1.1，初始化拉格朗日乘子

模态函数

和中心频率

设置迭代循环计数n＝0。

步骤1.2，迭代循环n＝n+1，k＝1∶K，k为分解模态的个数。

步骤1.3，更新模态函数

和中心频率ω_k：

其中，α为惩罚因子。

步骤1.4，对于所有ω≥0，更新拉格朗日乘子

其中，

为原始信号经傅里叶变换后的信号。

步骤1.5，判断收敛条件：

其中，ε为收敛阈值。若满足条件则迭代更新完成，输出模态函数

和中心频率ω_k，否则返回步骤1.3继续迭代更新。

步骤1.6，分别计算所得各个IMF分量与原始信号的相关系数，以电池B5为例，得到的各分量相关系数如表1所示。根据相关系数设定阈值为0.1，将高于阈值的IMF分量进行信号重构，得到去除容量再生和噪声波动后的电池容量数据集

其中i为电池循环数，VMD_Capi为对应循环的容量值，n为样本总数。

表1 IMF分量与原始信号相关系数分析

分量	IMF1	IMF2	IMF3	IMF4	IMF5
						相关系数	0.9977	0.1158	0.0536	0.0358	0.0261

步骤2，设置起始预测点202，定义为T，将数据集划分为训练数据集203和测试数据集204。设置电池容量失效阈值为Cap_EOL。

步骤3，基于去除容量再生和噪声波动的电池容量退化训练集

训练SVR模型，并采用改进灰狼优化算法(HGWO)选择SVR模型的惩罚系数C和核宽度g两个参数。建立VMD-HGWO-SVR锂离子电池剩余使用寿命直接预测模型。具体步骤如下：

步骤3.1，初始化参数100：将上述SVR两个待优化参数作为改进优化算法中个体的位置向量，即X_i＝(C_i，g_i)，初始化种群大小N，最大迭代次数M，交叉概率CR，缩放因子F，缩放因子上下界beta_max，beta_min，参数变量搜索范围上下界Up，Low。

步骤3.2，种群初始化的好坏极大影响算法寻优效率，传统优化算法采用随机初始化种群的策略得到的种群多样性差。本发明采用反向生成种群策略来改进初始化种群方式，产生初始化个体种群101。从而增加初始化种群的多样性，从而保证了初始化种群的质量提高了算法的搜索性能。

对于N维空间，设X＝(X₁，X₂，…，X_n)为N维空间中的一个个体，其中X_i∈[Up_i，Low_i]，i＝1，2，…，n，其反向个体

其中

其中，Up和Low分别表示设定的搜索范围上下界，防止越界。具体步骤如下：

步骤(1)，根据式1随机初始化P个个体组成种群X_ij；

步骤(2)，根据上述定义产生P个个体组成的反向种群

步骤(3)，将随机初始化种群X_ij和反向种群

合并，将种群输入SVR算法中计算该种群中每个个体的适应度值并进行排序，选择出P只适应度值最小的个体，最终组成初始化种群。

步骤3.3，设置迭代计数t102，设置t＝1，将种群输入SVR算法中计算父代种群中每个个体的适应度函数值，适应度值最小的个体称为α为最优解，其次是β、δ个体，其余表示为ω个体103。即对适应度函数值进行排序得到三个最优个体X_α，X_β，X_δ，表示距离目标最近的三个个体。

步骤3.4，在寻优过程中，α、β、δ个体估计目标可能的位置，个体根据与目标的距离来不断更新当前个体的位置104，缩短与目标的距离，得到待优化问题的最优解。寻优过程中，个体位置根据式2更新。

其中，t表示当前迭代代数，X_p表示目标的位置向量，X表示个体的位置向量，A和C为系数向量。A＝2a·r₁-a，C＝2·r₂，a为收敛因子在迭代过程中从2降到0。

步骤3.5，假设α、β、δ个体更能确定目标的位置，在α个体主导β、δ个体寻找目标。保存当前三个最优解的位置，其它的个体根据这三个最优位置来不断更新自己的位置，达到逼近目标的目的。根据式3、式4和式5分别计算其它个体与与α，β，δ三个体之间的距离，并根据式6更新当前个体的位置。

D_α＝|C₁·X_α-X| 式3

D_β＝|C₂·X_β-X| 式4

D_δ＝|C₃·X_δ-X| 式5

其中，D_α，D_β，D_δ分别表示与其它个体之间的距离，X_α，X_β，X_δ分别表示α，β，δ个体的当前位置，X表示当前个体的位置，X(t+1)为更新后个体的位置。

步骤3.6，在算法迭代寻优过程中，收敛因子a并不是以线性的方式从2变化到0的，因此提出一种新型非线性变化收敛因子控制策略更新系数向量A，C，a的值105。

式7体现算法的整个迭代过程，其中t为当前迭代次数，M为最大迭代次数。如图2所示，改进后的收敛因子a随着迭代次数呈现非线性变化，在迭代初期通过控制a缓慢的进行变化，提高算法的全局搜索能力，迭代后期控制a快速的变化，更快的收敛于局部最优解。所以，改进后的收敛因子可以较好的均衡算法的搜索能力。

步骤3.7，根据式8式9、和式10采用DE的突变、交叉和选择操作产生新个体，更新先前的最优个体α，β，δ106，防止陷入局部最优解，计算所有个体的适应度函数值并重新进行排序，获得更新后三个最优个体X_α，X_β，X_δ107。其中，j_rand是位于[1，d]之间的随机数，d表示解的维数。

步骤3.8，判断是否终止迭代108，即确定t是否达到最大迭代次数，如果达到，则输出最优个体X_α和对应的适应度函数值；否则，t＝t+1返回步骤3.3重复执行。最终输出最优超参数C和g 109，并提供给SVR预测模型205。

步骤4，基于训练样本

进行训练，得到VMD-HGWO-SVR锂电池剩余使用寿命预测模型206，根据原先设置的起始预测点T，进行起始预测点之后的锂电池容量预测。判断预测的容量值是否达到设定的容量失效阈值Cap_EOL，当达到阈值时，计算输出RUL预测结果208。并通过计算评估指标207，输出相应的预测性的评估指标结果209。

为了评估本发明锂电池RUL预测模型，采用均方根误差RMSE，平均绝对百分比误差MAPE，R²系数，RUL绝对误差E_RUL来评估预测方法的性能。其中Q_k表示电池容量的实际值，

表示电池容量的预测值，

表示电池实际容量的平均值，n为容量预测值的总个数。若RMSE、MAPE越接近0，R²系数越接近1则所提方法预测性能越好。RUL_true为RUL实际值，RUL_predicted为RUL预测值，若E_RUL越接近0，所提方法RUL预测结果越精确。

E_RUL＝|RUL_true-RUL_predicted|

下面结合实例采用NASA提供的锂电池数据集B5、B6、B7电池，来验证VMD-HGWO-SVR锂电池剩余使用寿命预测模型的稳定性和准确性。

三个电池放电容量与循环周期之间的关系如图3所示，三个电池额定容量为2Ah，电池失效阈值设定为1.4Ah，由于B7电池的容量退化曲线不能达到该阈值，因此设定B7电池失效阈值为1.5Ah。

以B5电池为例通过VMD方法去除原始容量数据中的容量再生和噪声波动后电池容量退化曲线如图4所示。设置起始预测周期(T＝70，T＝80，T＝90，T＝100)，起始预测周期T之前的数据作为训练集

来训练HGWO-SVR模型，训练输入为循环周期数i，训练输出为电池容量VMD_Cap_i，T之后的数据作为测试集。当预测的电池容量达到电池容量失效阈值时，视为电池寿命终止，计算RUL预测结果并输出相应预测性能指标。

将本发明VMD-HGWO-SVR锂电池寿命预测方法与VMD-SVR、VMD-ALO-SVR方法进行实验预测效果对比。图5至图7分别给出了三种方法下B5、B6、B7三种电池在起始预测周期为80的容量预测结果，可以发现所提方法相比于其它方法，电池容量预测结果更接近实际容量曲线，可以很好的捕捉电池容量的全局退化趋势。表2、表3、表4分别给出了不同电池在不同起始预测周期的RUL预测结果，本发明方法在不同起始预测周期的RUL预测误差均低于4个循环周期，相比于其它方法RUL预测结果更加精确，受不同起始预测点影响小，预测性能稳定。表5、表6、表7给出了三个电池在不同起始预测周期的预测性能指标，与其它方法比较可见，本发明方法RUL预测性能稳定，具有更小的RMSE、MAPE，R2系数更接近于1。

表2 B5电池RUL预测结果

表3 B6电池RUL预测结果

表4 B7电池RUL预测结果

表5 B5电池RUL预测性能指标分析

表6 B6电池RUL预测性能指标分析

表7 B7电池RUL预测性能指标分析

本发明针对锂离子电池剩余使用寿命预测问题，提出一种VMD-HGWO-SVR方法。本发明运用变分模态分解先将原始容量数据进行分解，得到若干个分量，然后根据各分量与原始数据之间的相关系数分析，设定合适的阈值进行分量重构，得到去除容量再生和噪声波动的容量数据集，降低了容量再生和噪声波动对RUL预测精度的影响。本发明对灰狼优化算法GWO进行了改进，在初始阶段采用反向生成种群策略来增加初始化种群的多样性，确保初始化种群的质量提高了算法的搜索性能；在迭代寻优过程中提出一种新型非线性收敛因子策略来均衡算法的搜索能力；通过DE算法更新个体先前的最佳位置，使传统灰狼优化算法跳出局部最优解。得到改进后的优化算法HGWO，基于处理后的电池容量数据集进行预测模型训练，使用HGWO算法优化支持向量回归SVR模型的惩罚系数和核宽度。通过本发明，可以提供稳定的锂电池RUL预测性能和较为精确的RUL预测结果，从而为锂电池设备运行维护，提供有效可靠的剩余使用寿命预测信息。

Claims (2)

1.一种锂离子电池剩余使用寿命预测方法，其特征在于，该方法具体包括如下步骤：

步骤1，采集锂电池容量数据集，去除原始容量数据集中的容量再生和噪声波动：将电池容量退化数据，即原始信号x(t)分解为若干个本征模态函数IMF，计算各个IMF分量与原始信号的相关系数，根据相关系数设定阈值，将高于阈值的IMF分量进行信号重构，获得处理后的锂电池容量退化数据集

其中i为电池循环次数，VMD_Cap_i为对应循环的容量值，n为样本总数；

步骤2，设置起始预测点T，将预处理后的数据集划分为训练集和测试集，并设置电池容量失效阈值为Cap_EOL；

步骤3，利用训练集

训练SVR模型，并采用HGWO算法选择SVR模型的惩罚系数C和核宽度g两个参数；具体步骤如下：

步骤3.1，初始化HGWO算法参数：将惩罚系数C和核宽度g作为HGWO算法中个体的位置向量，初始化种群大小N，最大迭代次数M，交叉概率CR，缩放因子F，参数变量搜索范围上下界Up，Low；

步骤3.2，采用种群反向初始化策略来增加初始化种群的多样性，具体步骤如下：

步骤(1)，根据式1随机初始化P个个体组成种群X_ij；

步骤(2)，根据反向点定义产生P个个体组成的反向种群

步骤(3)，将随机初始化种群X_ij和反向种群

合并，选择出P个适应度值最小的个体，最终组成初始化种群；

步骤3.3，设置迭代计数t＝1，将种群输入SVR算法中计算种群中每个个体的适应度函数值，对适应度函数值进行排序得到三个最优个体X_α，X_β，X_δ；

步骤3.4，个体位置根据式2更新：

其中，t表示当前迭代代数，X_p表示目标的位置向量，X表示当前个体的位置，X(t+1)为更新后个体的位置；A和C为系数向量。A＝2a·r₁-a，C＝2·r₂，a为收敛因子在迭代过程中从2降到0；

步骤3.5，根据式3、式4和式5分别计算其它个体与与α，β，δ三个个体之间的距离，并根据式6更新当前个体的位置；

D_α＝|C₁·X_α-X| 式3

D_β＝|C₂·X_β-X| 式4

D_δ＝|C₃·X_δ-X| 式5

其中，D_α，D_β，D_δ分别表示与其它个体之间的距离，X_α，X_β，X_δ分别表示α，β，δ个体的当前位置；

步骤3.6，更新系数向量A，C，a的值：非线性变化收敛因子策略式7来改进收敛因子a；

步骤3.7，采用DE算法对先前的最优个体X_α，X_β，X_δ进行更新，计算所有个体的适应度函数值并重新进行排序，获得更新后三个最优个体X_α，X_β，X_δ；

步骤3.8，确定t是否达到最大迭代次数，如果达到，则输出最优个体X_α惩罚系数C和核宽度g；否则，t＝t+1返回步骤3.3重复执行；

步骤4，根据设置的起始预测点T，进行起始预测点之后的锂电池容量预测；判断预测的容量值是否达到设定的容量失效阈值Cap_EOL，当达到阈值时，计算RUL预测结果，并输出评估指标结果。

2.根据权利要求书1所述的锂离子电池剩余使用寿命预测方法，其特征在于：步骤1中去除原始容量数据集中的容量再生和噪声波动的具体算法是：

步骤1.1，初始化拉格朗日乘子

模态函数

和中心频率

设置迭代循环计数n；

步骤1.2，迭代循环n＝n+1，k＝1∶K，k为分解模态的个数；

步骤1.3，更新模态函数

和中心频率ω_k：

步骤1.4，对于所有ω≥0，更新拉格朗日乘子

其中，

为原始信号经傅里叶变换后的信号；

步骤1.5，判断收敛条件：

其中，ε为收敛阈值；若满足条件则迭代更新完成，输出模态函数

和中心频率ω_k，否则返回步骤1.3继续迭代更新；

步骤1.6，分别计算所得各个IMF分量与原始信号的相关系数，得到各分量与原始信号之间相关系数分析指标结果；根据相关系数设定合适的阈值，将高于阈值的IMF分量进行信号重构，得到去除容量再生和噪声波动后的电池容量数据集。

Images