CN112487702B - 一种锂离子电池剩余使用寿命预测方法 - Google Patents
一种锂离子电池剩余使用寿命预测方法 Download PDFInfo
- Publication number
- CN112487702B CN112487702B CN202011152894.8A CN202011152894A CN112487702B CN 112487702 B CN112487702 B CN 112487702B CN 202011152894 A CN202011152894 A CN 202011152894A CN 112487702 B CN112487702 B CN 112487702B
- Authority
- CN
- China
- Prior art keywords
- capacity
- individuals
- battery
- population
- algorithm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 13
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 13
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 36
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 36
- 230000008929 regeneration Effects 0.000 claims abstract description 18
- 238000011069 regeneration method Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000006731 degradation reaction Methods 0.000 claims abstract description 16
- 230000015556 catabolic process Effects 0.000 claims abstract description 14
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000000470 constituent Substances 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 20
- 241000282461 Canis lupus Species 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 241000282421 Canidae Species 0.000 description 2
- 208000032953 Device battery issue Diseases 0.000 description 2
- 241001206881 Myrmeleon inconspicuus Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 241000219774 Griffonia Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- MYVIATVLJGTBFV-UHFFFAOYSA-M thiamine(1+) chloride Chemical compound [Cl-].CC1=C(CCO)SC=[N+]1CC1=CN=C(C)N=C1N MYVIATVLJGTBFV-UHFFFAOYSA-M 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
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
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_Capi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CapEOL；
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Xij；
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Xij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Xα，Xβ，Xδ；
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，Xp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；
Dα＝|C1·Xα-X| 式3
Dβ＝|C2·Xβ-X| 式4
Dδ＝|C3·Xδ-X| 式5
其中，Dα，Dβ，Dδ分别表示与其它个体之间的距离，Xα，Xβ，Xδ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Xα，Xβ，Xδ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Xα，Xβ，Xδ；
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Xα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CapEOL，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ωk：/>
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ωk，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ωk：/> 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ωk，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CapEOL。
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Xi＝(Ci，gi)，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，…，Xn)为N维空间中的一个个体，其中Xi∈[Upi，Lowi]，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Xij；
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Xij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Xα，Xβ，Xδ，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，Xp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。
Dα＝|C1·Xα-X| 式3
Dβ＝|C2·Xβ-X| 式4
Dδ＝|C3·Xδ-X| 式5
其中，Dα，Dβ，Dδ分别表示与其它个体之间的距离，Xα，Xβ，Xδ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Xα，Xβ，Xδ107。其中，jrand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Xα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CapEOL，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ERUL来评估预测方法的性能。其中Qk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。RULtrue为RUL实际值，RULpredicted为RUL预测值，若ERUL越接近0，所提方法RUL预测结果越精确。
ERUL＝|RULtrue-RULpredicted|
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_Capi，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_Capi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CapEOL；
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Xij；
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Xij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Xα，Xβ，Xδ；
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，Xp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；
Dα＝|C1·Xα-X| 式3
Dβ＝|C2·Xβ-X| 式4
Dδ＝|C3·Xδ-X| 式5
其中，Dα，Dβ，Dδ分别表示与其它个体之间的距离，Xα，Xβ，Xδ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Xα，Xβ，Xδ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Xα，Xβ，Xδ；
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Xα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CapEOL，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ωk：
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ωk，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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011152894.8A CN112487702B (zh) | 2020-10-26 | 2020-10-26 | 一种锂离子电池剩余使用寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011152894.8A CN112487702B (zh) | 2020-10-26 | 2020-10-26 | 一种锂离子电池剩余使用寿命预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112487702A CN112487702A (zh) | 2021-03-12 |
| CN112487702B true CN112487702B (zh) | 2024-04-05 |
Family
ID=74927382
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011152894.8A Active CN112487702B (zh) | 2020-10-26 | 2020-10-26 | 一种锂离子电池剩余使用寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112487702B (zh) |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113486569B (zh) * | 2021-06-04 | 2023-10-10 | 江苏科技大学 | 一种离心泵剩余寿命预测方法 |
| CN113205233B (zh) * | 2021-06-10 | 2022-08-19 | 湖北东湖实验室 | 基于灰狼算法和多核支持向量回归的锂电池寿命预测方法 |
| CN113406525B (zh) * | 2021-06-15 | 2023-06-02 | 金陵科技学院 | 一种基于优化变分模态分解的锂电池组剩余寿命预测方法 |
| CN113533986A (zh) * | 2021-07-16 | 2021-10-22 | 厦门爱维达科技工程有限公司 | 一种基于VMD-Hilbert的蓄电池内阻测量方法与系统 |
| CN113850016B (zh) * | 2021-08-16 | 2024-04-05 | 国网江苏省电力有限公司技能培训中心 | 一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法 |
| CN113689039A (zh) * | 2021-08-25 | 2021-11-23 | 南昌师范学院 | 一种锂离子电池rul时间序列预测方法 |
| CN113960482A (zh) * | 2021-09-03 | 2022-01-21 | 西南科技大学 | 基于改进灰狼粒子滤波的锂电池荷电状态智能预测方法 |
| CN114091590A (zh) * | 2021-11-11 | 2022-02-25 | 西南大学 | 基于改进灰狼优化算法的差异代谢物分析方法及系统 |
| CN113884937B (zh) * | 2021-11-22 | 2022-08-30 | 江南大学 | 基于分解集成策略的锂离子电池剩余寿命预测方法及系统 |
| CN113985294B (zh) * | 2021-12-29 | 2022-04-01 | 山东大学 | 一种电池剩余寿命的预估方法及装置 |
| CN114662252B (zh) * | 2022-02-25 | 2022-10-18 | 佳木斯大学 | 一种用于提高复杂网络化随机系统性能指标的方法 |
| CN114660497A (zh) * | 2022-03-17 | 2022-06-24 | 哈尔滨理工大学 | 一种针对容量再生现象的锂离子电池寿命预测方法 |
| CN115032541B (zh) * | 2022-04-13 | 2023-12-05 | 北京理工大学 | 一种锂离子电池容量退化预测方法及装置 |
| CN114936514B (zh) * | 2022-04-20 | 2022-12-02 | 东北电力大学 | 一种基于改进灰色模型的锂离子电池寿命预测方法及装置 |
| CN114779088B (zh) * | 2022-04-20 | 2023-05-12 | 哈尔滨工业大学 | 基于最大期望-无迹粒子滤波的电池剩余使用寿命预测方法 |
| CN115327385A (zh) * | 2022-07-29 | 2022-11-11 | 武汉理工大学 | 一种动力电池soc值估算方法及系统 |
| CN115877223B (zh) * | 2023-03-03 | 2023-07-04 | 浙江天能新材料有限公司 | 锂电池检测方法、装置、设备及存储介质 |
| CN117054893B (zh) * | 2023-10-12 | 2024-03-29 | 宁德时代新能源科技股份有限公司 | 电池容量预测模型的训练方法、电池容量预测方法及装置 |
| CN118050644B (zh) * | 2024-02-04 | 2024-07-12 | 淮阴工学院 | 一种氢燃料电池性能衰退预测方法、装置及介质 |
| CN118501722B (zh) * | 2024-07-18 | 2024-10-11 | 中电建新能源集团股份有限公司 | 电池的声信号处理方法、装置以及计算机设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107064800A (zh) * | 2016-11-29 | 2017-08-18 | 北京交通大学 | 锂离子电池剩余使用寿命的实时预测方法 |
| CN109993270A (zh) * | 2019-03-27 | 2019-07-09 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN110687451A (zh) * | 2019-08-28 | 2020-01-14 | 武汉科技大学 | 基于误差补偿的支持向量机锂电池剩余寿命预测方法 |
-
2020
- 2020-10-26 CN CN202011152894.8A patent/CN112487702B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107064800A (zh) * | 2016-11-29 | 2017-08-18 | 北京交通大学 | 锂离子电池剩余使用寿命的实时预测方法 |
| CN109993270A (zh) * | 2019-03-27 | 2019-07-09 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
| WO2020191801A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN110687451A (zh) * | 2019-08-28 | 2020-01-14 | 武汉科技大学 | 基于误差补偿的支持向量机锂电池剩余寿命预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于变分模态分解和高斯过程回归的锂离子电池剩余寿命预测方法;吴祎;王友仁;;计算机与现代化;20200215(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112487702A (zh) | 2021-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112487702B (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
| CN111563611B (zh) | 面向图卷积网络的云数据中心可再生能源时空预测方法 | |
| CN108596212B (zh) | 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法 | |
| CN112036084B (zh) | 一种相似产品寿命迁移筛选方法和系统 | |
| CN110163410B (zh) | 一种基于神经网络-时间序列的线损电量预测方法 | |
| CN112116144B (zh) | 一种区域配电网短期负荷预测方法 | |
| Yuan et al. | Evoq: Mixed precision quantization of dnns via sensitivity guided evolutionary search | |
| CN113065704B (zh) | 一种非侵入式负荷分解模型的超参数优化和后处理方法 | |
| CN111859733B (zh) | 一种基于蚁群算法的汽车排气系统可靠性优化方法 | |
| CN112507613B (zh) | 一种秒级超短期光伏功率预测方法 | |
| CN115907131B (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 | |
| CN114660497A (zh) | 一种针对容量再生现象的锂离子电池寿命预测方法 | |
| Hu et al. | Multi-objective optimization estimation of state of health for lithium-ion battery based on constant current charging profile | |
| Zhou et al. | A light-weight feature extractor for lithium-ion battery health prognosis | |
| CN112257348B (zh) | 一种锂电池长期退化趋势预测方法 | |
| CN116306226B (zh) | 一种燃料电池性能退化预测方法 | |
| CN117007974A (zh) | 一种基于模型融合的固态电池soc估计方法 | |
| CN116540134A (zh) | 一种基于gwo-lstm的锂离子电池健康状态估计方法 | |
| Li et al. | Probabilistic neural network-based flexible estimation of lithium-ion battery capacity considering multidimensional charging habits | |
| CN115330085A (zh) | 基于深度神经网络且无未来信息泄露的风速预测方法 | |
| Zhang et al. | Ensemble optimization approach based on hybrid mode decomposition and intelligent technology for wind power prediction system | |
| Wang et al. | State-of-health estimation for lithium-ion batteries based on hierarchical feature construction and GWO-SCNs | |
| CN118735546A (zh) | 基于人工智能的碳排放预测方法及系统 | |
| Yang et al. | Trend Analysis of Power Quality Basing on Deep Belief Network | |
| Wu et al. | A health index-based approach for fuel cell lifetime estimation |
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 |