CN114881246A - 基于集成学习的锂电池剩余使用寿命预测方法及系统 - Google Patents

基于集成学习的锂电池剩余使用寿命预测方法及系统 Download PDF

Info

Publication number
CN114881246A
CN114881246A CN202210495663.XA CN202210495663A CN114881246A CN 114881246 A CN114881246 A CN 114881246A CN 202210495663 A CN202210495663 A CN 202210495663A CN 114881246 A CN114881246 A CN 114881246A
Authority
CN
China
Prior art keywords
lithium battery
time
training
service life
data
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.)
Pending
Application number
CN202210495663.XA
Other languages
English (en)
Inventor
吴家菊
孔令刚
康时嘉
左洪福
程铮
刘金
郑翠芳
许娟
陆晓华
刘珍珍
刘岩
王涵
齐天永
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
COMPUTER APPLICATION RESEARCH INST CHINA ACADEMY OF ENGINEERING PHYSICS
Nanjing University of Aeronautics and Astronautics
Original Assignee
COMPUTER APPLICATION RESEARCH INST CHINA ACADEMY OF ENGINEERING PHYSICS
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by COMPUTER APPLICATION RESEARCH INST CHINA ACADEMY OF ENGINEERING PHYSICS, Nanjing University of Aeronautics and Astronautics filed Critical COMPUTER APPLICATION RESEARCH INST CHINA ACADEMY OF ENGINEERING PHYSICS
Priority to CN202210495663.XA priority Critical patent/CN114881246A/zh
Publication of CN114881246A publication Critical patent/CN114881246A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于集成学习的锂电池剩余使用寿命预测方法及系统，属于装备综合保障的剩余使用寿命预测技术与计算科学交叉领域，解决现有技术采用单一的机器学习算法很难精确预测锂电池的剩余使用寿命的问题。本发明对获取的锂电池的原始数据进行转换，转换后得到时间序列数据集，其中，原始数据是指某块锂电池随时间周期的充放电数据；基于时间序列数据集训练多个基本学习器；基于遗传算法集成训练后的多个基本学习器，得到集成模型；将待预测的锂电池的时间序列数据输入集成模型进行预测，得到锂电池的剩余使用寿命。本发明用于锂电池的剩余使用寿命预测，也可推广应用于其他单部件以及装备系统剩余使用寿命预测。

Description

基于集成学习的锂电池剩余使用寿命预测方法及系统
技术领域
一种基于集成学习的锂电池剩余使用寿命预测方法及系统，用于锂电池剩余使用寿命预测，属于装备综合保障中剩余使用寿命预测技术与计算科学交叉领域。
背景技术
锂电池的性能会随着循环充放电次数的增加产生一定程度的退化。作为储能和供能单元，锂电池的退化往往会造成一整套系统的故障，甚至会造成许多安全事故。因此，随着锂电池的应用范围日益普及，对电池的可用性进行安全评估就成为了非常必要的工作，其安全性问题以及可靠性问题亟需解决。随着电池的充放电，电池内阻逐渐增大，电池的容量不断减小，一般认为当电池剩余容量下降到初始容量的70％-80％，电池寿命就会终止，此时为了保证锂电池的安全性，将不再继续使用该电池供电。锂电池剩余容量的变化直接表征充放电循环期间电池的退化程度。因此，锂电池剩余容量可以直接用作评估电池性能下降的健康因子，以预测锂电池的剩余使用寿命。剩余使用寿命对锂电池的安全评估有着非常直观而且重要的意义，因此，一直是锂电池研究领域的热门方向。
由于锂电池在正常工作时，内部的物理变化和电化学反应较为复杂，并且退化过程的分析需要考虑一些物理特性，预测通常存在模型参数较多、实际应用困难的缺陷，且易受噪声和环境因素干扰，难以跟踪负载动态特性，动态精度、鲁棒性和适应性较差，往往过于复杂而难以实现，并且模型的通用性有限，泛化效果无法确定。
数据驱动方法通过探究挖掘输出响应与输入的内在关系，即可建立可以逼近退化规律的统计学模型，预测电池达到失效阈值的时间或周期，逐渐成为近年来剩余寿命预测领域的主要方向。当前的数据驱动方法大多是基于单一的机器学习算法开发的，如支持向量回归，随机森林，多层感知机等，如“CN113361197A-一种锂电池剩余使用寿命预测方法及系统”和“CN113203953B-基于改进型极限学习机的锂电池剩余使用寿命预测方法”。使用一种单一的机器学习算法很难精确预测锂电池的剩余使用寿命，除此之外，在众多机器学习算法的竞争中，很难从中选择一种或一个类型的算法专门用来预测锂电池的剩余使用寿命。而且，单一方法的可移植性较差，往往只能适应单一数据集。
CN103293487B-基于集成模型的锂离子电池寿命预测方法是对训练集进行了多次采样，得到多个训练集，然后只在一种类型算法，即单调回声状态网络模型上进行训练。显然，其通过对数据集进行多次采样确实能够保持训练集的不同，能够对单调回声状态网络模型的参数进行改进，但是最终还是只使用了一种模型，以单一算法模型(单调回声状态网络模型)进行参数改进来避免使用交叉验证或者专家经验的方法得到回声状态网络的参数，且直接使用平均值来融合，由于无法保证每个单一模型对集成模型的贡献度都是均等的，还会降低预测精度等。
综上所述，现有的锂电池剩余使用寿命预测方法存在如下技术问题：
1.现有技术采用单一的机器学习算法很难精确预测锂电池的剩余使用寿命的问题，即单一的机器学习算法的抗干扰能力弱，只适合挖掘单一类型的数据，泛化能力弱，当数据稍有变动时，算法表现能力会很差；
2.现有技术采用单一的机器学习算法，只能适应单一数据集，从而造成可移植性较差的问题。
发明内容
针对上述研究的问题，本发明的目的在于提供一种基于集成学习的锂电池剩余使用寿命预测方法及系统，解决现有技术采用单一的机器学习算法很难精确预测锂电池的剩余使用寿命的问题，即单一的机器学习算法的抗干扰能力弱，只适合挖掘单一类型的数据，泛化能力弱，当数据稍有变动时，算法表现能力会很差。
为了达到上述目的，本发明采用如下技术方案：
一种基于集成学习的锂电池剩余使用寿命预测方法，包括如下步骤：
步骤1、对获取的锂电池的原始数据进行转换，转换后得到时间序列数据集，其中，原始数据是指某块锂电池随时间周期的充放电数据，时间序列数据集包括训练集、验证集和测试集；
步骤2、基于时间序列数据集训练多个基本学习器；
步骤3、基于遗传算法集成训练后的多个基本学习器，得到集成模型；
步骤4、将待预测的锂电池的时间序列数据输入集成模型进行预测，得到锂电池的剩余使用寿命。
进一步，所述步骤1的具体步骤为：
步骤1.1、根据使用场景，给定时间窗大小，即充放电过程比较频繁，则给定小的时间窗否则，给定大的时间窗；
步骤1.2、根据时间窗，将原始数据转换为时间序列数据，其中，基于时间窗的大小，得到时间窗大小为L的时间序列数据RULt-1，RULt-2，...RULt-L，RULt表示时刻t的时间序列数据，L表示时间窗的大小；
步骤1.3、将原始数据转换完后，得到时间序列数据集。
进一步，所述步骤2中的多个基本学习器为相关向量机、随机森林、弹性网络、自回归模型和长短期记忆网络。
进一步，所述步骤2中基于训练集训练各基本学习器的训练方式为：通过梯度下降法，不断迭代减小各基本学习器预测得到时间序列数据的预测值与锂电池真实剩余容量的实际值之间的误差，当误差达到给定精度要求或者训练次数达到最大迭代次数时，训练结束；
误差公式为：
Figure BDA0003628800580000031
其中，n表示训练集的大小，
Figure BDA0003628800580000032
表示训练集中第i个时间序列数据的预测值，yi表示第i个时间序列数据的真实值。
进一步，所述步骤3的具体步骤为：
步骤3.1、实数化编码相关向量机、随机森林、弹性网络、自回归模型和长短期记忆网络的权重分别为a，b，c，d，e，即随机给定一个[0，1]之间的实数；
步骤3.2、给定种群大小；
步骤3.3、计算适应度函数为：
Figure BDA0003628800580000033
其中，n表示训练集的大小，
Figure BDA0003628800580000034
表示时间序列数据i在基本学习器j上的预测结果，j＝1，2，3，4，5，yi表示时间序列数据i的真实值；
步骤3.4、基于种群大小和适应度函数进行遗传操作，遗传操作包括选择、交叉和变异；
步骤3.5、遗传操作后，若达到最大迭代次数，得到的权重a，b，c，d，e为最优权重、适应度函数的值为最小值，将最优权重作为对应基本学习器的权重，最终的多个基本学习器构成集成模型，否则，重新给定权重a，b，c，d，e后，再执行步骤3.3。
一种基于集成学习的锂电池剩余使用寿命预测系统，包括：
转换模块：对获取的锂电池的原始数据进行转换，转换后得到时间序列数据集，其中，原始数据是指某块锂电池随时间周期的充放电数据，时间序列数据集包括训练集、验证集、测试集；
训练模块：基于时间序列数据集训练多个基本学习器；
集成模型：基于遗传算法集成训练后的多个基本学习器，得到集成模型；
预测模块：将待预测的锂电池的时间序列数据输入集成模型进行预测，得到锂电池的剩余使用寿命。
进一步，所述转换模块的具体实现步骤为：
步骤1.1、根据使用场景，给定时间窗大小，若充放电过程比较频繁，则给定小的时间窗，否则，给定大的时间窗；
步骤1.2、根据时间窗，将原始数据转换为时间序列数据，其中，基于时间窗的大小，得到时间窗大小为L的时间序列数据RULt-1，RULt-2，...RULt-L，RULt表示时刻t的时间序列数据，L表示时间窗的大小；
步骤1.3、将原始数据转换完后，得到时间序列数据集。
进一步，所述训练模块中的多个基本学习器为相关向量机、随机森林、弹性网络、自回归模型和长短期记忆网络。
进一步，所述训练模块中基于训练集训练各基本学习器的训练方式为：通过梯度下降法，不断迭代减小各基本学习器预测得到时间序列数据的预测值与锂电池真实剩余容量的实际值之间的误差，当误差达到给定要求或者训练次数达到最大迭代次数时，训练结束；
误差公式为：
Figure BDA0003628800580000041
其中，n表示训练集的大小，
Figure BDA0003628800580000042
表示训练集中第i个时间序列数据的预测值，yi表示第i个时间序列数据的真实值。
进一步，所述集成模型的具体实现步骤为：
步骤3.1、实数化编码相关向量机、随机森林、弹性网络、自回归模型和长短期记忆网络的权重分别为a，b，c，d，e，即随机给定一个[0，1]之间的实数；
步骤3.2、给定种群大小；
步骤3.3、计算适应度函数为：
Figure BDA0003628800580000043
其中，n表示训练集的大小，
Figure BDA0003628800580000044
表示时间序列数据i在基本学习器j上的预测结果，j＝1，2，3，4，5，yi表示时间序列数据i的真实值；
步骤3.4、基于种群大小和适应度函数进行遗传操作，遗传操作包括选择、交叉和变异；
步骤3.5、遗传操作后，若达到最大迭代次数，得到的权重a，b，c，d，e为最优权重、适应度函数的值为最小值，将最优权重作为对应基本学习器的权重，最终的多个基本学习器构成集成模型，否则，重新给定权重a，b，c，d，e后，再执行步骤3.3。
本发明同现有技术相比，其有益效果表现在：
一、本发明基于遗传算法将5种不同的基本学习器集成得到集成模型，集成模型从不同角度挖掘锂电池的数据特征来预测锂电池的剩余使用寿命，相比于其他单一模型，有更好的泛化性能和鲁棒性，预测结果更加准确，且更具说服性；
二、本发明将锂电池的原始数据根据不同使用场景弹性设定时间窗来得到时间序列数据，便于能够根据使用者的意图和目的，或者通过多次训练模型来确定最优时间窗，从而能够更加准确地预测锂电池的电池容量。
附图说明
图1是本发明的流程示意图；
图2是本发明使用遗传算法得到集成模型的流程示意图；
图3是本发明中得到的集成模型与相关向量机的预测结果对比图；
图4是本发明中得到的集成模型与随机森林的预测结果对比图；
图5是本发明中得到的集成模型与弹性网络的预测结果对比图；
图6是本发明中得到的集成模型与自回归模型的预测结果对比图；
图7是本发明中得到的集成模型与长短期记忆网络的预测结果对比图；
图8是本发明中得到的集成模型与5种单一基本学习器的误差对比图。
具体实施方式
下面将结合附图及具体实施方式对本发明作进一步的描述。
一种新的基于集成学习的方法用来模拟锂电池电量容量的退化过程，并预测其剩余使用寿命。使用集成学习的方法在于，可以综合多个基本学习器对锂电池剩余使用寿命预测的结果，降低性能较差方法所占的比例，提高性能好方法所占的比例，使得整体的模型实现最优。集成模型与基本学习器相比，有更好的泛化效果和鲁棒性。
在集成学习中，一般来说，基础学习器之间的差异越大，集成的“多样性”就越大，集成模型的泛化性就越强。总之，基础学习器之间的相关性越低，集成学习的优势就越明显。为了提高集成学习算法的预测精度，基本学习器算法应该尽可能多样化。本发明提出的集成学习算法结合了5种不同类型的算法，它们都可以应用到锂电池容量退化等类似的时间序列数据预测问题上。
本文提出的集成学习算法结合了5种不同类型的算法，它们都可以应用到时间序列数据预测问题。包括相关向量机(基于贝叶斯)、随机森林(基于集成树)、弹性网络(基于回归模型)、自回归模型(基于随机性模型)和长短期记忆网络(基于人工神经网络)。
本发明设计了一种基于集成学习的锂电池剩余使用寿命预测方法，本发明提出的模型可以预测锂电池的剩余使用寿命，相比于其他单一模型，本发明有更好的泛化性能和鲁棒性，预测结果更加准确，且更具说服性。
相关向量机(基于贝叶斯)是一种用于回归和分类的贝叶斯稀疏核算法，相对于支持向量机来说，它的优点在于，相关向量机的超参数不需要通过交叉验证得到；而且核函数可以任意指定，不是必须要正定的；相关向量机得到的解要比支持向量机更稀疏的解。
随机森林(基于集成树)是一种bagging类集成学习算法，由多棵决策树构成，且森林中的每一棵决策树之间没有关联，模型的最终输出由森林中的每棵决策树的平均值决定。
弹性网络(基于回归模型)是一种线性模型，它在目标函数里同时使用L1，L2惩罚项。这样的组合既学习了一个稀疏的模型(类似最小绝对收缩和选择算法Lasso)，同时也保持了岭回归的正则属性。
自回归模型(基于随机性模型)是用自身做回归变量的过程，即利用前期若干时刻的随机变量的线性组合来描述以后某时刻随机变量的线性回归模型。
长短期记忆网络(基于人工神经网络)是一种用于处理时间序列数据的神经网络。主要是为了解决循环神经网络长序列训练过程中的梯度消失问题。
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。为了验证本发明的效用，特在马里兰大学先进寿命周期工程中心(Centerfor Advanced Life Cycle Engineering，CALCE)的CS2_35号锂离子电池数据集进行仿真实验验证，具体如下：
本发明首先训练5种不同类型的基本学习器，然后使用遗传算法，确定5种基本学习器的最优权重，将5种基本学习器综合成一种新的集成模型。
首先将包含数据的excel文件通过pd.read_excel读入，并通过pd转换为DataFrame类型，然后根据列名筛选计算出锂电池剩余容量，得到随时间周期变化(此为实验人员测量的时间周期，大约为30秒左右)的881个电池容量数据，即原始数据。
M1.数据转换：
对于输入的原始数据，观察CS_35号电池的实际运行情况，将时间窗大小设置为10，并转换为时间序列数据，即用前10个时间步长的数据预测下一个时间步长的数据，即预测t+10时刻。
步骤1.1、根据使用场景，给定时间窗大小，即充放电过程比较频繁，则给定小的时间窗否则，给定大的时间窗；由于不同类型的锂电池使用场景不同，测试人员测得的充放电数据也不同，需要根据具体某一块电池的具体充放电数据以及使用者的期望时间窗大小来给定时间窗；
步骤1.2、根据时间窗，将原始数据转换为时间序列数据，其中，基于时间窗的大小，得到时间窗大小为L的时间序列数据RULt-1，RULt-2，...RULt-L，RULt表示时刻t的时间序列数据，L表示时间窗的大小；
步骤1.3、将原始数据转换完后，得到时间序列数据集。
M2.基于训练集训练多个基本学习器：
M21.将锂电池失效前的原始数据转换得到的时间序列数据集，约50％的时间序列数据作为训练集和验证集，其中，训练集：验证集约为9∶1，约50％的时间序列数据作为测试集。观察M1中锂电池的退化模型可知，锂电池失效前约工作600个周期，因此，将0-270周期数据作为训练集，270-300周期作为验证集，300-600周期数据作为测试集。
M22.基于训练集训练各基本学习器：
基于训练集训练各基本学习器的训练方式为：通过梯度下降法，不断迭代减小各基本学习器预测得到时间序列数据的预测值与锂电池真实剩余容量的实际值之间的误差，当误差达到给定精度要求或者训练次数达到最大迭代次数时，训练结束；
误差公式为：
Figure BDA0003628800580000071
其中，n表示训练集的大小，
Figure BDA0003628800580000072
表示训练集中第i个时间序列数据的预测值，yi表示第i个时间序列数据的真实值。
训练时，所需要设置和训练的各个基本学习器参数为：
相关向量机：迭代次数(n_estimators)为100、误差精度(learning_error)为0.0001：
随机森林：迭代次数(n_estimators)为160，误差为0.001；
弹性网络：迭代次数：1000、L1范数惩罚项所占比例0.001、L1中参数惩罚：0.001；
自回归模型：差分方程的阶数为21；
长短期记忆网络：有5层网络层：1个输入层，2个LSTM层，1个全连接层，1个输出层，层间互相连接(即输入层、第一个LSTM层、第二个LSTM层、全连接层和输出层依次相连接)，LSTM层的神经元个数为128；
M23.训练后得到各个基本学习器的预测结果(即预测值)和误差，并可通过验证集对各个基本学习器进行验证，验证集用来确定各个基本学习器的参数；测试集对各个基本学习器进行测试，以与后续的集成模型的测试结果进行优势对比；即通过时间窗大小为L的时间序列数据RULt-1，RULt-2，...RULt-L，采用各基本学习器预测下一个时刻t的RULt的方式来进行验证和测试。
M3.基于遗传算法集成训练后的多个基本学习器，得到集成模型：
图2是本发明使用遗传算法集成基本学习器的流程示意图，从图中可以看出：
M31.实数化编码相关向量机、随机森林、弹性网络、自回归模型和长短期记忆网络的权重分别为a，b，c，d，e，即随机给定一个[0，1]之间的实数；
M32.给定种群大小为100；
M33.计算适应度函数为：
Figure BDA0003628800580000081
并最小化；
其中，n表示训练集的大小，
Figure BDA0003628800580000082
表示序列i在基本学习器j上的预测结果，j＝1，2，3，4，5，yi表示序列i的真实值，a，b，c，d，e分别表示各个基本学习器的权重；
M34.不断进行遗传操作(选择、交叉和变异)，遗传进化概率为0.01，最大迭代次数为800通过判断是否达到最大迭代次数而终止操作。最终得到适应度函数的最小值为4.97513239e-05和最优权重值。
通过遗传算法得到各个基本学习器的权重为：
Figure BDA0003628800580000083
M4.基于集成模型预测锂电池的剩余使用寿命：
M41.将M21中的测试集作为输入，输入集成模型得到预测结果和误差，测试集可以在此用来对比集成模型同单一基本学习器的优势；
M42.比较集成模型和各个基本学习器的误差，选择误差值最小的集成模型进行锂电池的剩余使用寿命预测；
比较结果如下所示：
Figure BDA0003628800580000084
Figure BDA0003628800580000091
图3-图7是本发明集成模型与5种单一基本学习器的预测结果对比图，图8是本发明集成模型与5种单一基本学习器的误差对比图，从上表和图3-8中可以看出：
在相对误差衡量条件下，相关向量机和本发明的集成模型取得的效果相当；在平均绝对误差的衡量条件下，相关向量机取得了最好的效果；在均方根误差衡量条件下，本发明提出的集成模型取得了最小的误差，比自回归模型方法降低了0.0274，比相关向量机降低了0.00261。均方根误差针对异常值更加敏感，因此均方根误差更小的模型，鲁棒性也更好。故本发明提出的集成学习预测模型，对于不同的数据，通过设置时间窗大小，以及综合5种基本学习器的优劣，可以表现出更好泛化性和鲁棒性。
M43.当有新的锂电池数据时，按照工作时间，确定合适的时间窗，得到待预测的锂电池的时间序列数据，再将时间序列数据输入集成模型进行预测，预测后得到锂电池的剩余使用寿命，即可得到更加准确且鲁棒性更好的预测结果。即将t时刻的时间序列数据RUL+＝RULt-1，RULt-2，...RULt-L输入集成模型，集成模型根据5个基本学习器的预测结果，采用最优权重进行加权计算，得到t时刻的剩余使用寿命值。
以上仅是本发明众多具体应用范围中的代表性实施例，对本发明的保护范围不构成任何限制。凡采用变换或是等效替换而形成的技术方案，均落在本发明权利保护范围之内。

Claims (10)

1.一种基于集成学习的锂电池剩余使用寿命预测方法，其特征在于，包括如下步骤：
步骤1、对获取的锂电池的原始数据进行转换，转换后得到时间序列数据集，其中，原始数据是指某块锂电池随时间周期的充放电数据，时间序列数据集包括训练集、验证集和测试集；
步骤2、基于时间序列数据集训练多个基本学习器；
步骤3、基于遗传算法集成训练后的多个基本学习器，得到集成模型；
步骤4、将待预测的锂电池的时间序列数据输入集成模型进行预测，得到锂电池的剩余使用寿命。
2.根据权利要求1所述的一种基于集成学习的锂电池剩余使用寿命预测方法，其特征在于，所述步骤1的具体步骤为：
步骤1.1、根据使用场景，给定时间窗大小，即充放电过程比较频繁，则给定小的时间窗
否则，给定大的时间窗；
步骤1.2、根据时间窗，将原始数据转换为时间序列数据，其中，基于时间窗的大小，得到时间窗大小为L的时间序列数据RULt-1，RULt-2，...RULt-L，RULt表示时刻t的时间序列数据，L表示时间窗的大小；
步骤1.3、将原始数据转换完后，得到时间序列数据集。
3.根据权利要求2所述的一种基于集成学习的锂电池剩余使用寿命预测方法，其特征在于，所述步骤2中的多个基本学习器为相关向量机、随机森林、弹性网络、自回归模型和长短期记忆网络。
4.根据权利要求3所述的一种基于集成学习的锂电池剩余使用寿命预测方法，其特征在于，所述步骤2中基于训练集训练各基本学习器的训练方式为：通过梯度下降法，不断迭代减小各基本学习器预测得到时间序列数据的预测值与锂电池真实剩余容量的实际值之间的误差，当误差达到给定精度要求或者训练次数达到最大迭代次数时，训练结束；
误差公式为：
Figure FDA0003628800570000011
其中，n表示训练集的大小，
Figure FDA0003628800570000012
表示训练集中第i个时间序列数据的预测值，yi表示第i个时间序列数据的真实值。
5.根据权利要求4所述的一种基于集成学习的锂电池剩余使用寿命预测方法，其特征在于，所述步骤3的具体步骤为：
步骤3.1、实数化编码相关向量机、随机森林、弹性网络、自回归模型和长短期记忆网络的权重分别为a，b，c，d，e，即随机给定一个[0，1]之间的实数；
步骤3.2、给定种群大小；
步骤3.3、计算适应度函数为：
Figure FDA0003628800570000021
其中，n表示训练集的大小，
Figure FDA0003628800570000022
表示时间序列数据i在基本学习器j上的预测结果，j＝1，2，3，4，5，yi表示时间序列数据i的真实值；
步骤3.4、基于种群大小和适应度函数进行遗传操作，遗传操作包括选择、交叉和变异；
步骤3.5、遗传操作后，若达到最大迭代次数，得到的权重a，b，c，d，e为最优权重、适应度函数的值为最小值，将最优权重作为对应基本学习器的权重，最终的多个基本学习器构成集成模型，否则，重新给定权重a，b，c，d，e后，再执行步骤3.3。
6.一种基于集成学习的锂电池剩余使用寿命预测系统，其特征在于，包括：
转换模块：对获取的锂电池的原始数据进行转换，转换后得到时间序列数据集，其中，原始数据是指某块锂电池随时间周期的充放电数据，时间序列数据集包括训练集、验证集、测试集；
训练模块：基于时间序列数据集训练多个基本学习器；
集成模型：基于遗传算法集成训练后的多个基本学习器，得到集成模型；
预测模块：将待预测的锂电池的时间序列数据输入集成模型进行预测，得到锂电池的剩余使用寿命。
7.根据权利要求6所述的一种基于集成学习的锂电池剩余使用寿命预测系统，其特征在于，所述转换模块的具体实现步骤为：
步骤1.1、根据使用场景，给定时间窗大小，若充放电过程比较频繁，则给定小的时间窗，否则，给定大的时间窗；
步骤1.2、根据时间窗，将原始数据转换为时间序列数据，其中，基于时间窗的大小，得到时间窗大小为L的时间序列数据RULt-1，RULt-2，...RULt-L，RULt表示时刻t的时间序列数据，L表示时间窗的大小；
步骤1.3、将原始数据转换完后，得到时间序列数据集。
8.根据权利要求7所述的一种基于集成学习的锂电池剩余使用寿命预测系统，其特征在于，所述训练模块中的多个基本学习器为相关向量机、随机森林、弹性网络、自回归模型和长短期记忆网络。
9.根据权利要求8所述的一种基于集成学习的锂电池剩余使用寿命预测系统，其特征在于，所述训练模块中基于训练集训练各基本学习器的训练方式为：通过梯度下降法，不断迭代减小各基本学习器预测得到时间序列数据的预测值与锂电池真实剩余容量的实际值之间的误差，当误差达到给定要求或者训练次数达到最大迭代次数时，训练结束；
误差公式为：
Figure FDA0003628800570000031
其中，n表示训练集的大小，
Figure FDA0003628800570000032
表示训练集中第i个时间序列数据的预测值，yi表示第i个时间序列数据的真实值。
10.根据权利要求9所述的一种基于集成学习的锂电池剩余使用寿命预测系统，其特征在于，所述集成模型的具体实现步骤为：
步骤3.1、实数化编码相关向量机、随机森林、弹性网络、自回归模型和长短期记忆网络的权重分别为a，b，c，d，e，即随机给定一个[0，1]之间的实数；
步骤3.2、给定种群大小；
步骤3.3、计算适应度函数为：
Figure FDA0003628800570000033
其中，n表示训练集的大小、，
Figure FDA0003628800570000034
表示时间序列数据i在基本学习器j上的预测结果，j＝1，2，3，4，5，yi表示时间序列数据i的真实值；
步骤3.4、基于种群大小和适应度函数进行遗传操作，遗传操作包括选择、交叉和变异；
步骤3.5、遗传操作后，若达到最大迭代次数，得到的权重a，b，c，d，e为最优权重、适应度函数的值为最小值，将最优权重作为对应基本学习器的权重，最终的多个基本学习器构成集成模型，否则，重新给定权重a，b，c，d，e后，再执行步骤3.3。
CN202210495663.XA 2022-05-06 2022-05-06 基于集成学习的锂电池剩余使用寿命预测方法及系统 Pending CN114881246A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210495663.XA CN114881246A (zh) 2022-05-06 2022-05-06 基于集成学习的锂电池剩余使用寿命预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210495663.XA CN114881246A (zh) 2022-05-06 2022-05-06 基于集成学习的锂电池剩余使用寿命预测方法及系统

Publications (1)

Publication Number Publication Date
CN114881246A true CN114881246A (zh) 2022-08-09

Family

ID=82673999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210495663.XA Pending CN114881246A (zh) 2022-05-06 2022-05-06 基于集成学习的锂电池剩余使用寿命预测方法及系统

Country Status (1)

Country Link
CN (1) CN114881246A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115308558A (zh) * 2022-08-29 2022-11-08 北京智芯微电子科技有限公司 Cmos器件寿命预测方法、装置、电子设备及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115308558A (zh) * 2022-08-29 2022-11-08 北京智芯微电子科技有限公司 Cmos器件寿命预测方法、装置、电子设备及介质

Similar Documents

Publication Publication Date Title
CN110221225B (zh) 一种航天器锂离子电池循环寿命预测方法
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN113805064B (zh) 基于深度学习的锂离子电池组健康状态预测方法
CN110570030A (zh) 基于深度学习的风电集群功率区间预测的方法及系统
CN107576920A (zh) 一种基于模糊多属性评价的卫星电源健康度计算方法
CN110542819A (zh) 一种基于半监督dbnc的变压器故障类型诊断方法
CN113917334B (zh) 基于进化lstm自编码器的电池健康状态估计方法
CN112380773A (zh) 一种基于迁移学习的燃料电池退化预测方法、装置、设备
CN112834927A (zh) 锂电池剩余寿命预测方法、系统、设备及介质
CN115508711B (zh) 一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法
CN116644970A (zh) 一种基于vmd分解和叠层深度学习的光伏功率预测方法
CN115409263A (zh) 一种基于门控和注意力机制的锂电池剩余寿命预测方法
CN113009368A (zh) 基于mff的多核gpr算法的锂电池剩余寿命预测方法
CN114881246A (zh) 基于集成学习的锂电池剩余使用寿命预测方法及系统
Xu et al. High-accuracy health prediction of sensor systems using improved relevant vector-machine ensemble regression
CN112801357B (zh) 日照辐射量预测方法、装置、设备及存储介质
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
CN113361692A (zh) 一种锂电池剩余寿命结合预测方法
CN117554818A (zh) 一种锂离子电池剩余使用寿命预测方法
CN115153549A (zh) 一种基于bp神经网络的人机交互界面认知负荷预测方法
CN116029183A (zh) 一种基于iPSO-LSTM模型的动力电池温度预测方法
CN112581311B (zh) 一种多风电场聚合后出力长期波动特性预测方法及系统
CN115267586A (zh) 锂电池soh评估方法
CN114545270A (zh) 一种考虑健康因子延迟的锂电池健康状态估计方法
CN112183814A (zh) 一种短期风速预测方法

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