CN113203953A - 基于改进型极限学习机的锂电池剩余使用寿命预测方法 - Google Patents

Abstract

本发明属于剩余使用寿命预测技术领域，涉及一种基于改进型极限学习机的锂电池剩余使用寿命预测方法。首先获取锂电池历史监测数据，实时采集的锂电池电流、电压、温度数据，构成训练数据集和测试数据集；构建改进型极限学习机，对训练数据集和测试数据集分别进行处理；构建相邻剩余使用寿命值对应的电流、电压、温度数据的前后相关性；利用训练好的改进型极限学习机，得到测试数据的预测结果，完成锂电池剩余使用寿命预测。本方法通过充分考虑锂电池剩余使用寿命预测数据集较小、同时考虑了不同种类数据对预测结果的影响以及同种数据之间的时间相关性，能有效提高锂电池剩余使用寿命预测的准确性，因此本发明方法具有很好的应用前景。

Description

基于改进型极限学习机的锂电池剩余使用寿命预测方法

技术领域

本发明属于剩余使用寿命预测技术领域，涉及一种基于改进型极限学习机的锂电池剩余使用寿命预测方法。

背景技术

锂电池剩余使用寿命预测对生产安全、生活安全至关重要。现有方法通常将锂电池在每个时间段的温度、电流、电压等数据作为特征，基于机器学习方法对其剩余使用寿命进行预测。

近年来，深度学习方法以其在图像分类、数据挖掘和语音识别等任务上的突出表现而备受关注。由于深度学习网络参数较多，训练深度学习网络通常需要几万甚至几百上千万的输入数据。但是，现有的锂电池数据量较小，常用的NASA锂电池剩余使用寿命预测数据集只有几百组数据。使用这样的数据集训练深度学习网络会出现欠拟合或者过拟合问题。因此，只能使用浅层的、参数量少的机器学习网络做锂电池的剩余寿命预测。近年来，极限学习机(Extreme Learning Machine，简称ELM)在样本量小的数据集学习任务中有较好的表现。ELM包含输入层、隐藏层和输出层，并随机产生输入层与隐藏层之间的参数，只有隐藏层与输出层之间的输出参数需要计算，ELM参数量远远少于深度学习网络，因此它适用于小样本数据集预测任务。但据了解，ELM在处理锂电池剩余使用寿命预测这种时间序列数据集时，存在以下问题：一、没有考虑不同类型的数据对预测结果的不同影响，例如锂电池的电流、电压、温度等数据，可能对剩余寿命的影响都是不同的，但是ELM中并没有体现；二、处理时间序列数据时，ELM没有考虑前后数据的时间相关性。因此，为了更好的预测锂电池剩余使用寿命，必须对当前ELM算法进行改进以解决上述问题。

发明内容

本发明的目的是提出一种基于改进型极限学习机的锂电池剩余使用寿命预测方法，充分考虑不同类型数据以及时间序列数据的情况，以提高锂电池剩余使用寿命的预测准确度。

本发明提出的基于改进型极限学习机的锂电池剩余使用寿命预测方法，包括以下步骤：

获取锂电池历史监测数据，包括锂电池在每个检测时间段的电流、电压、温度三类数据，将与检测数据相对应的剩余使用寿命作为标签，构成一个训练数据集；

获取实时采集的锂电池电流、电压、温度数据，构成一个测试数据集；

构建一个改进型极限学习机，改进型极限学习机使用隐藏层节点数不同的线性变换和非线性变换方法，对训练数据集和测试数据集分别进行处理；同时，改进型极限学习机在隐藏层和输出层之间构建相邻剩余使用寿命值对应的电流、电压、温度数据的前后相关性；

对改进型极限学习机进行训练，通过最小化训练数据集的预测结果与真实标签的均方误差确定改进型极限学习机的最优参数；

利用训练好的改进型极限学习机，得到测试数据的预测结果，完成锂电池剩余使用寿命预测。

本发明提出的基于改进型极限学习机的锂电池剩余使用寿命预测方法，其优点是：

本发明的基于改进型极限学习机的锂电池剩余使用寿命预测方法，通过充分考虑锂电池剩余使用寿命预测数据集较小、同时考虑了不同种类数据对预测结果的影响以及同种数据之间的时间相关性，能有效提高锂电池剩余使用寿命预测的准确性，因此本发明方法具有很好的应用前景。

具体实施方式

本发明提出的基于改进型极限学习机的锂电池剩余使用寿命预测方法，包括以下步骤：

获取锂电池历史监测数据，包括锂电池在每个检测时间段的电流、电压、温度三类数据，将与检测数据相对应的剩余使用寿命作为标签，构成一个训练数据集；

获取实时采集的锂电池电流、电压、温度数据，构成一个测试数据集；

构建一个改进型极限学习机，考虑到不同数据对预测结果的影响不同，改进型极限学习机使用隐藏层节点数不同的线性变换和非线性变换方法，对训练数据集和测试数据集分别进行处理；同时，考虑到数据之间的时间相关性，改进型极限学习机在隐藏层和输出层之间构建相邻剩余使用寿命值对应的电流、电压、温度数据的前后相关性；

对改进型极限学习机进行训练，通过最小化训练数据集的预测结果与真实标签的均方误差确定改进型极限学习机的最优参数；

利用训练好的改进型极限学习机，得到测试数据的预测结果，完成锂电池剩余使用寿命预测。

上述锂电池剩余使用寿命预测方法中，所述的改进型极限学习机使用隐藏层节点数不同的线性变换和非线性变换方法，对训练数据集进行处理，具体过程为：

设训练数据集中，电流为

电压为

温度为

N既表示训练样本总数，t表示设备的检测次数，t＝1，2，...，N，M表示每个样本的长度，则训练数据集的特征矩阵为

将训练数据集的真实剩余使用寿命作为标签，记标签向量为

设测试数据集中，电流为

电压为

温度为

N’表示测试数据集样本总数，M表示每个样本的长度，记测试数据集的特征矩阵为

将X^tr作为改进型极限学习机的输入，改进型极限学习机的隐藏层对训练数据集X^tr实现如下线性变换：

其中，

为改进型极限学习机随机生成的参数矩阵，参数矩阵的范围在[0，1]之间，β_C、β_V、β_T矩阵中同一列的数相等，在随机初始化β_C、β_V、β_T时，随机初始化三个大小分别为1×K₁、1×K₂、1×K₃的向量β_C，1、β_V，1、β_T，1，复制该向量N次，得到β_C、β_V、β_T矩阵，K₁、K₂、K₃分别为改进型极限学习机不同输入的隐藏层节点数。

其中所述的改进型极限学习机在隐藏层和输出层之间构建相邻检测时间段数据的前后相关性，具体过程为：

改进型极限学习机在隐藏层和输出层之间，进行以下操作，对

做非线性变换，在隐藏层和输出层之间构建相邻检测时间段数据的前后相关性H^tr(t)：

其中，s₁、s₂为权重参数，用于平衡t次检测的特征值与t-1次检测的非线性变换值H^tr(t-1)对H^tr(t)的影响，s₁、s₂根据训练精度确定，取值范围为[0，1]，初始化时，

和

分别为随机生成的范围在[0，1]之间的服从正态分布的参数矩阵，ξ_C、ξ_V、ξ_T为非线性变换函数，非线性变换后，隐藏层输出矩阵为

则输出权重矩阵W_O如下：

其中，

表示矩阵H^tr的广义逆矩阵，参数s₁、s₂、K₁、K₂、K₃、ξ_C、ξ_V、ξ_T通过最小化训练数据集的预测值与真实值的均方误差来确定，权重矩阵W_O表示隐藏层输出矩阵与输出层输出矩阵之间的变换关系。其中非线性变换函数可以为Sigmoid函数、Sin函数、三角基函数或径向基函数。

其中通过最小化训练数据集的预测结果与真实寿命的均方误差确定改进型极限学习机的参数s₁、s₂、K₁、K₂、K₃、ξ_C、ξ_V、ξ_T取值，包括以下步骤：

(1)设每个参数对预测结果的影响是独立的，首先根据训练误差确定s₁的值，设定s₂、K₁、K₂、K₃、ξ_C、ξ_V、ξ_T的值，本发明的一个实施例中，取s₂＝0.5，K₁＝100，K₂＝100，K₃＝100，ξ_C、ξ_V、ξ_T取Sigmoid函数；

(2)s₁在[0，1]范围内每隔0.01取一次值，则s₁的所有可能取值有100个，对s₁的每一次取值，计算训练数据集的预测结果

此时训练数据集的预测误差为

其中

表示第i个训练样本的预测剩余寿命值，

表示第i个训练样本的真实剩余寿命值；

(3)计算与每个s₁值相对应的预测误差，将与最小预测误差对应的s₁值作为s₁的最优值；

(4)参数s₁取最优值，设定K₁、K₂、K₃、ξ_C、ξ_V、ξ_T的值，对参数s₂重复步骤(2)和步骤(3)，得到s₂的最优值；

(5)参数s₁、s₂取最优值，设定K₂、K₃、ξ_C、ξ_V、ξ_T的值，K₁在[0，1000]范围内每隔50取一个值，对K₁的每一次取值，按照步骤(2)的方法计算训练数据集的预测误差MSE值，根据与每个K₁取值相对应的预测误差，将与最小预测误差相对应的K₁值作为K₁的最优值；

(6)参数s₁、s₂、K₁取最优值，设定K₃、ξ_C、ξ_V、ξ_T的值，然后对参数K₂按照步骤(5)得到K₂的最优值；

(7)参数s₁、s₂、K₁、K₂取最优值，设定ξ_C、ξ_V、ξ_T的值，然后对参数K₃按照步骤(5)得到K₃的最优值；

(8)参数s₁、s₂、K₁、K₂、K₃取最优值，设定ξ_V、ξ_T的值，ξ_C分别设为Sigmoid函数、Sin函数、三角基函数或径向基函数，对每个函数取值按照步骤(2)的方法计算训练数据集的预测误差MSE值，根据与每种函数相对应的预测误差，将与最小预测误差相对应的函数作为ξ_C的最优函数；

(9)参数s₁、s₂、K₁、K₂、K₃、ξ_C取最优值，设定ξ_T的值，ξ_V设为Sigmoid函数、Sin函数、三角基函数或径向基函数，对每个函数取值按照步骤(2)计算训练数据集的预测误差MSE值，根据与每种函数相对应的预测误差，将与最小预测误差对应的函数作为ξ_V的最优函数；

(10)参数s₁、s₂、K₁、K₂、K₃、ξ_C、ξ_V取最优值，ξ_T设为Sigmoid函数、Sin函数、三角基函数或径向基函数，对每个函数取值按照步骤(2)计算训练数据集的预测误差MSE值，根据与每种函数相对应的预测误差，将与最小预测误差对应的函数作为ξ_T的最优函数。

上述锂电池剩余使用寿命预测方法中，所述的利用训练好的改进型极限学习机，得到测试数据的预测结果，包括以下步骤

(1)将测试数据集

输入改进型极限学习机，经过输入层与隐藏层之间的线性变换，得到

(2)改进型极限学习机的隐藏层与输出层之间进行非线性变换操作如下：

(3)改进型极限学习机的输出层输出测试数据集的最终输出结果

其中，

为改进型极限学习机预测的测试数据集的剩余使用寿命，实现基于改进型极限学习机的锂电池剩余使用寿命预测。

本发明提出的基于改进型极限学习机的锂电池剩余使用寿命预测方法，首先获取锂电池以往监测数据，包括锂电池在每个时间段的电流、电压、温度三类数据，将这些数据对应的剩余使用寿命作为标签，构成训练数据集；然后获取实时采集的锂电池电流、电压、温度数据，构成测试数据集；在构建改进型ELM网络，考虑到不同数据对预测结果的影响不同，改进型ELM网络将不同数据分别使用隐藏层节点数不同的线性变换和非线性变换方法进行处理；同时，考虑到数据之间的时间相关性，改进型ELM网络在隐藏层和输出层之间构建相邻时间数据的前后相关性；训练改进型ELM网络，通过最小化训练数据集的预测结果与真实标签的均方误差确定网络的最优参数；利用训练好的模型得到测试数据的预测结果，完成锂电池剩余使用寿命预测。

在预测锂电池剩余使用寿命时，电池的电流、电压、温度值通常作为预测算法的输入特征。将某个时间段内测量的电流、电压、温度值进行变换处理后，输入到预测算法，可以得到电池的剩余使用寿命。每次测量时，测量的时间段长度可以不相等。但是改进型ELM要求输入数据长度相等，因此需要对这些数据进行预处理。预处理具体方法为：将每次测量的数据划分为相等的分数，然后取每一份数据的均值、方差、回归系数等特征。例如，剩余使用寿命为N₁小时，测量了电池持续工作t₁分钟的电流、电压、温度数据；而当剩余使用寿命为N₂小时时，测量了电池持续工作t₂分钟的电流、电压、温度数据。当数据采样频率相同时，这两次采集的数据长度不同。为了将数据处理为适合作为机器学习算法输入的数据，可以将两次数据都划分为n份，并计算每一份的均值、方差、回归系数。经过上述处理，电流、电压、温度数据的长度都变为3*n(每一份都提取了3种特征)。

Claims (6)

1.一种基于改进型极限学习机的锂电池剩余使用寿命预测方法，包括以下步骤：

获取锂电池历史监测数据，构成一个训练数据集；

获取实时采集的锂电池数据，构成一个测试数据集；

构建一个改进型极限学习机，改进型极限学习机使用隐藏层节点数不同的线性变换和非线性变换方法，对训练数据集和测试数据集分别进行处理；同时，改进型极限学习机在隐藏层和输出层之间构建相邻剩余使用寿命值对应的电流、电压、温度数据的前后相关性；

对改进型极限学习机进行训练，通过最小化训练数据集的预测结果与真实标签的均方误差确定改进型极限学习机的最优参数；

利用训练好的改进型极限学习机，得到测试数据的预测结果，完成锂电池剩余使用寿命预测。

2.如权利要求1所述的锂电池剩余使用寿命预测方法，其特征在于其中所述的改进型极限学习机使用隐藏层节点数不同的线性变换和非线性变换方法，对训练数据集进行处理，具体过程为：

设训练数据集中，电流为

电压为

温度为

N表示训练样本总数，t表示检测次数，t＝1,2,...,N，M表示每个样本的长度，则训练数据集的特征矩阵为

将训练数据集的真实剩余使用寿命作为标签，记标签向量为

设测试数据集中，电流为

电压为

温度为

N’表示测试数据集样本总数，M表示每个样本的长度，记测试数据集的特征矩阵为

将X^tr作为改进型极限学习机的输入，改进型极限学习机的隐藏层对训练数据集X^tr实现如下线性变换：

其中，

和

为改进型极限学习机随机生成的参数矩阵，参数矩阵的范围在[0,1]之间，β_C、β_V、β_T矩阵中同一列的数相等，在随机初始化β_C、β_V、β_T时，随机初始化三个大小分别为1×K₁、1×K₂、1×K₃的向量β_C,1、β_V,1、β_T,1，复制该向量N次，得到β_C、β_V、β_T矩阵，K₁、K₂、K₃分别为改进型极限学习机不同输入的隐藏层节点数。

3.如权利要求2所述的锂电池剩余使用寿命预测方法，其特征在于其中所述的改进型极限学习机在隐藏层和输出层之间构建相邻检测时间段数据的前后相关性，具体过程为：

改进型极限学习机在隐藏层和输出层之间，进行以下操作，对

做非线性变换，在隐藏层和输出层之间构建相邻检测时间段数据的前后相关性H^tr(t)：

其中，s₁、s₂为权重参数，用于平衡t次检测的特征值与t-1次检测的非线性变换值H^tr(t-1)对H^tr(t)的影响，s₁、s₂根据训练精度确定，取值范围为[0,1]，初始化时，

和

分别为随机生成的范围在[0,1]之间的服从正态分布的参数矩阵，ξ_C、ξ_V、ξ_T为非线性变换函数，非线性变换后，隐藏层输出矩阵为

则输出权重矩阵W_O如下：

其中，

表示矩阵H^tr的广义逆矩阵，参数s₁、s₂、K₁、K₂、K₃、ξ_C、ξ_V、ξ_T通过最小化训练数据集的预测值与真实值的均方误差来确定，权重矩阵W_O表示隐藏层输出矩阵与输出层输出矩阵之间的变换关系。

4.如权利要求3所述的锂电池剩余使用寿命预测方法，其特征在于其中所述的非线性变换函数为Sigmoid函数、Sin函数、三角基函数或径向基函数。

5.如权利要求3所述的锂电池剩余使用寿命预测方法，其特征在于其中所述的对改进型极限学习机进行训练，通过最小化训练数据集的预测结果与真实寿命的均方误差确定改进型极限学习机的参数s₁、s₂、K₁、K₂、K₃、ξ_C、ξ_V、ξ_T取值，包括以下步骤：

(1)设定s₂、K₁、K₂、K₃、ξ_C、ξ_V、ξ_T的值；

(2)s₁在[0,1]范围内每隔0.01取一次值，则s₁的所有可能取值有100个，对s₁的每一次取值，计算训练数据集的预测结果

此时训练数据集的预测误差为

其中

表示第i个训练样本的预测剩余寿命值，Y_i ^tr表示第i个训练样本的真实剩余寿命值；

(3)计算与每个s₁值相对应的预测误差，将与最小预测误差对应的s₁值作为s₁的最优值；

(4)参数s₁取最优值，设定K₁、K₂、K₃、ξ_C、ξ_V、ξ_T的值，对参数s₂重复步骤(2)和步骤(3)，得到s₂的最优值；

(5)参数s₁、s₂取最优值，设定K₂、K₃、ξ_C、ξ_V、ξ_T的值，K₁在[0，1000]范围内每隔50取一个值，对K₁的每一次取值，按照步骤(2)的方法计算训练数据集的预测误差MSE值，根据与每个K₁取值相对应的预测误差，将与最小预测误差相对应的K₁值作为K₁的最优值；

(6)参数s₁、s₂、K₁取最优值，设定K₃、ξ_C、ξ_V、ξ_T的值，然后对参数K₂按照步骤(5)得到K₂的最优值；

(7)参数s₁、s₂、K₁、K₂取最优值，设定ξ_C、ξ_V、ξ_T的值，然后对参数K₃按照步骤(5)得到K₃的最优值；

(8)参数s₁、s₂、K₁、K₂、K₃取最优值，设定ξ_V、ξ_T的值，ξ_C分别设为Sigmoid函数、Sin函数、三角基函数或径向基函数，对每个函数取值按照步骤(2)的方法计算训练数据集的预测误差MSE值，根据与每种函数相对应的预测误差，将与最小预测误差相对应的函数作为ξ_C的最优函数；

(9)参数s₁、s₂、K₁、K₂、K₃、ξ_C取最优值，设定ξ_T的值，ξ_V设为Sigmoid函数、Sin函数、三角基函数或径向基函数，对每个函数取值按照步骤(2)计算训练数据集的预测误差MSE值，根据与每种函数相对应的预测误差，将与最小预测误差对应的函数作为ξ_V的最优函数；

(10)参数s₁、s₂、K₁、K₂、K₃、ξ_C、ξ_V取最优值，ξ_T设为Sigmoid函数、Sin函数、三角基函数或径向基函数，对每个函数取值按照步骤(2)计算训练数据集的预测误差MSE值，根据与每种函数相对应的预测误差，将与最小预测误差对应的函数作为ξ_T的最优函数。

6.如权利要求1所述的锂电池剩余使用寿命预测方法，其特征在于其中所述的利用训练好的改进型极限学习机，得到测试数据的预测结果，包括以下步骤

(1)将测试数据集

输入改进型极限学习机，经过输入层与隐藏层之间的线性变换，得到

(2)改进型极限学习机的隐藏层与输出层之间进行非线性变换操作如下：

(3)改进型极限学习机的输出层输出测试数据集的最终输出结果

其中，

为改进型极限学习机预测的测试数据集的剩余使用寿命，实现基于改进型极限学习机的锂电池剩余使用寿命预测。