CN117786444B - 电池剩余使用寿命预测方法、装置、设备及存储介质 - Google Patents
电池剩余使用寿命预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117786444B CN117786444B CN202410200568.1A CN202410200568A CN117786444B CN 117786444 B CN117786444 B CN 117786444B CN 202410200568 A CN202410200568 A CN 202410200568A CN 117786444 B CN117786444 B CN 117786444B
- Authority
- CN
- China
- Prior art keywords
- battery
- cycle period
- value
- battery capacity
- model
- 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 68
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 239000002245 particle Substances 0.000 claims description 144
- 238000005259 measurement Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 21
- 238000012952 Resampling Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 13
- 238000003064 k means clustering Methods 0.000 claims description 13
- 230000015556 catabolic process Effects 0.000 claims description 11
- 238000006731 degradation reaction Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 239000003990 capacitor Substances 0.000 claims 2
- 208000032953 Device battery issue Diseases 0.000 claims 1
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 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
- 238000005457 optimization Methods 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000013016 learning Effects 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000009326 social learning Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公开了一种电池剩余使用寿命预测方法、装置、设备及存储介质,属于电池领域。本发明通过获取电池状态信号,通过算法训练KNSVR模型,确定KNSVR模型参数惩罚因子和核参数;通过小波分析提取得到信号的低频部分,得到WKNSVR模型;选取循环周期,根据所述循环周期和容量的关系,获取WKNSVR模型的电池容量预测值;根据CEPF算法中循环周期和电池容量的关系得到电池容量估计值;将电池容量预测值作为观察值,判断电池容量估计值是否小于电池预设失效阈值,若小于预设失效阈值,则计算所述电池的剩余使用寿命和预测误差,本发明的RUL预测结果具有更高的精度和鲁棒性,降低了预测结果的不确定度。
Description
技术领域
本发明涉及电池领域,尤其涉及一种电池剩余使用寿命预测方法、装置、设备及存储介质。
背景技术
目前基于CEPF的电池剩余使用寿命预测数据采集成本高,PF算法对非高斯非线性问题极强的建模能力,但是PF算法存在严重的粒子退化问题。
此外,融合方法是锂离子电池的SOH和RUL预测一个热点,但如何集成多种方法以充分发挥不同模型的优势仍然是一个难点。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种电池剩余使用寿命预测方法、装置、设备及存储介质,旨在粒子滤波长时预测精度不足的问题。
为实现上述目的,本发明提供一种电池剩余使用寿命预测方法,获取电池状态信号;
通过KNPSO算法训练KNSVR模型,确定所述KNSVR模型的参数惩罚因子和核参数;
通过小波分析提取得到信号的低频部分,以消除高频噪声干扰,优化所述惩罚因子和核参数,得到WKNSVR模型;
选取循环周期,根据所述循环周期和容量的关系,获取WKNSVR模型的电池容量预测值;
获取循环周期根据CEPF算法中循环周期和电池容量的关系,得到电池容量估计值;
将所述电池容量预测值作为观察值,判断所述电池容量估计值是否小于电池预设失效阈值,若小于预设失效阈值,则计算所述电池的剩余使用寿命和预测误差。
可选地,所述通过WKNPSO算法训练KNSVR模型,确定所述KNSVR模型的参数惩罚因子和核参数,包括:
获取电池状态信号中的粒子滤波;
初始化算法参数,设置种类度量阈值;
采用K均值聚类方法将所述粒子滤波中粒子种群分为多个子群;
计算每个子群各粒子的适应度值,以及初始化每个子群个体最佳位置和群体最佳位置;
根据函数关系更新每个子群个体的适应度值、每个子群个体最佳位置和群体最佳位置;
判断种类度量值是否超过阈值,若粒子种类度量值小于所述种类度量阈值,则采用K均值聚类方法对粒子种群重新规划;
判断是否达到最大迭代次数,若达到,则输出最佳参数;
将最佳参数输入非线性拟合函数后,得到所述KNSVR模型所需参数再进行预测电池容量值。
可选地,所述选取循环周期,根据所述循环周期和容量的关系,获取WKNSVR模型的电池容量预测值,包括:
获取得到预设起始点;
当所述循环周期不超过所述预设起始点循环周期时,将该所述预设起始点循环周期的特征样本信号通过KNPSO算法训练KNSVR模型,确定所述KNSVR模型的参数惩罚因子和核参数;
当所述循环周期超过所述预设起始点循环周期时,将所述选取循环周期代入WKNSVR模型中双指数电池退化模型的状态方程和观察方程,得到所述电池容量预测值;
将所述选取循环周期代入WKNSVR模型中双指数电池退化模型的状态方程和观察方程,得到所述电池容量预测值,还包括:
设置多个预设参数点;
根据所述选取循环周期的上个循环周期的状态值和电容,得到所述选取循环周期的状态值;
获取得到预设参数点对应的状态值和观察噪声;
根据所述预设参数点对应的状态值和观察噪声,得到所述电池容量预测值。
可选地,所述获取循环周期根据CEPF算法中循环周期和电池容量的关系,得到电池容量估计值之前,还包括:
对粒子滤波通过对先验概率分布进行采样,得到多个粒子以及对应的粒子权重;
将采集的粒子输入粒子滤波系统状态模型,得到多个粒子的下一状态;
对多个粒子进行序惯重要性采样,计算粒子重要性权重并归一化;
计算有效样本粒子数目,进行重采样。
可选地,所述计算有效样本粒子数目,进行重采样,包括:
删除粒子权重低于预设阈值的粒子,得到剩余粒子构成的粒子权重序列;
在所述粒子权重序列中添加一组相等长度的正负对形式的白噪声序列,得到两组新信号;
对所述两组新信号采用CEEMD分解,得到不同的本征模态分量;
将分解后的所述新信号叠加多层本征模态分量,得到粒子权重信号;
将所述粒子权重信号归一化再分层重采样。
可选地,所述计算有效样本粒子数目,进行重采样之后,还包括:
获取重采样之后的粒子权重信号;
通过CEPF算法的状态估计方程根据所述粒子权重以及选取循环周期和电池容量的关系,得到所述选取循环周期的电池容量估计值。
可选地,所述将所述预测容量值作为观察值,判断所述电池容量估计值是否小于电池预设失效阈值,若小于预设失效阈值,则计算所述电池的剩余使用寿命和预测误差,包括:
当所述电池容量估计值不超过预设失效阈值时,则计算得到电池剩余使用寿命和预测误差,其中所述预测误差通过观察值与所述容量估计值相减得到;
当所述电池容量估计值超过预设失效阈值时,则将选取循环周期累加预设周期作为新的循环周期通过CEPF算法,得到新的循环周期的电池容量估计值,以此类推,直到所述新的循环周期的电池容量估计值不超过所述预设失效阈值。
此外,为实现上述目的,本发明还提供一种电池剩余使用寿命预测装置,所述装置包括:
获取模块,用于获取电池状态信号;
训练模块,用于通过KNPSO算法训练KNSVR模型,确定所述KNSVR模型的参数惩罚因子和核参数;
提取模块,用于通过小波分析提取得到信号的低频部分,以消除高频噪声干扰,优化所述惩罚因子和核参数,得到WKNSVR模型;
获取模块,还用于选取循环周期,根据所述循环周期和容量的关系,获取WKNSVR模型的电池容量预测值;
获取模块,还用于获取循环周期根据CEPF算法中循环周期和电池容量的关系,得到电池容量估计值;
计算模块,用于将所述电池容量预测值作为观察值,判断所述电池容量估计值是否小于电池预设失效阈值,若小于预设失效阈值,则计算所述电池的剩余使用寿命和预测误差。
此外,为实现上述目的,本发明还提供一种电池剩余使用寿命预测设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电池剩余使用寿命预测程序,所述电池剩余使用寿命预测程序配置为实现所述的电池剩余使用寿命预测方法的步骤。
此外,为实现上述目的,本发明还提供一种存储介质,所述存储介质上存储有电池剩余使用寿命预测程序,所述电池剩余使用寿命预测程序被处理器执行时实现所述的电池剩余使用寿命预测方法的步骤。
本发明通过获取电池状态信号;通过KNPSO算法训练KNSVR模型,确定所述KNSVR模型的参数惩罚因子和核参数;通过小波分析提取得到信号的低频部分,以消除高频噪声干扰,优化所述惩罚因子和核参数;选取循环周期,根据所述循环周期和容量的关系,获取SVR模型的电池容量预测值;获取循环周期根据CEPF算法中循环周期和电池容量的关系,得到电池容量估计值;将所述电池容量预测值作为观察值,判断所述电池容量估计值是否小于电池预设失效阈值,若小于预设失效阈值,则计算所述电池的剩余使用寿命和预测误差,WKNSVR-CEPF方法的RUL预测结果具有更高的精度和鲁棒性,降低了模型预测结果的不确定度。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的电池剩余使用寿命预测设备的结构示意图;
图2为本发明电池剩余使用寿命预测第一实施例的流程示意图;
图3为本发明电池剩余使用寿命预测第二实施例的流程示意图;
图4为本发明电池剩余使用寿命预测第三实施例的流程示意图;
图5为本发明电池剩余使用寿命预测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的电池剩余使用寿命预测放设备结构示意图。
如图1所示,该电池剩余使用寿命预测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对电池剩余使用寿命预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及电池剩余使用寿命预测设备程序。
在图1所示的电池剩余使用寿命预测设备中,网络接口1004主要用于与其他设备进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明电池剩余使用寿命预测设备中的处理器1001、存储器1005可以设置在电池剩余使用寿命预测设备中,所述电池剩余使用寿命预测设备通过处理器1001调用存储器1005中存储的电池剩余使用寿命预测程序,并执行本发明实施例提供的电池剩余使用寿命预测方法。
本发明实施例提供了一种电池剩余使用寿命预测方法,参照图2,图2为本发明一种电池剩余使用寿命预测方法第一实施例的流程示意图。
本实施例中,所述电池剩余使用寿命预测方法包括:
步骤S10:获取电池状态信号。
步骤S20:通过KNPSO算法训练KNSVR模型,确定所述KNSVR模型的参数惩罚因子和核参数。
需要理解的是,NDPSO算法通过引入正态分布曲线对惯性权重进行衰减优化,易获得更优的参数值,但是仅通过修正惯性权重仍存在较大的不足。因为当粒子群多样性较低时,即种群过于集中时,群体易陷入局部极值点,失去进一步寻找更优解甚至全局最优解的能力。
可以理解的是,为了提高粒子群的参数寻优能力,引入K均值聚类算法,即将粒子分成个子群,在每次算法迭代过程中,根据当前粒子群聚集程度来确定是否要重新通过K均值聚类算法划分种群。利用以下公式表征种群聚集程度:
其中,为搜索空间对角最大长度,/>为粒子群规模,/>为样本数据维数,/>表示第/>次迭代第/>个粒子的第/>维位置,/>表示所有粒子的第/>维位置均值。对于/>来说,过小则表示种群总体间距小,种群多样性过低;反之/>过大则表示种群总体间距大,种群多样性过高。
步骤S30:通过小波分析提取得到信号的低频部分,以消除高频噪声干扰,优化所述惩罚因子和核参数,得到WKNSVR模型。
需要理解的是,对于基于SVR模型的锂离子电池RUL预测模型,通过KNPSO参数优化方法可以改善SVR的拟合效果,但是对于样本波动过大的数据集,KNPSO参数优化方法寻优仍不稳定。
可以理解的是,为了消除高频噪声干扰,通过使用小波分析提取信号的低频部分,在此基础上采用KNSVR模型进行电池RUL预测,而对样本集进行小波变换后,再通过KNSVR模型来预测RUL则是WKNSVR模型。
步骤S40:选取循环周期,根据所述循环周期和容量的关系,获取WKNSVR模型的电池容量预测值。
步骤S50:获取循环周期根据CEPF算法中循环周期和电池容量的关系,得到电池容量估计值。
步骤S60:将所述电池容量预测值作为观察值,判断所述电池容量估计值是否小于电池预设失效阈值,若小于预设失效阈值,则计算所述电池的剩余使用寿命和预测误差。
需要说明的是,将所述预测容量值作为观察值,判断所述电池容量估计值是否小于电池预设失效阈值,若小于预设失效阈值,则计算所述电池的剩余使用寿命和预测误差,包括:当所述电池容量估计值不超过预设失效阈值时,则计算得到电池剩余使用寿命和预测误差,其中所述预测误差通过观察值与所述容量估计值相减得到;当所述电池容量估计值超过预设失效阈值时,则将选取循环周期累加预设周期作为新的循环周期通过CEPF算法,得到新的循环周期的电池容量估计值,以此类推,直到所述新的循环周期的电池容量估计值不超过所述预设失效阈值。
本实施例通过通过获取电池状态信号;通过KNPSO算法训练KNSVR模型,确定所述KNSVR模型的参数惩罚因子和核参数;通过小波分析提取得到信号的低频部分,以消除高频噪声干扰,优化所述惩罚因子和核参数,得到WKNSVR模型;选取循环周期,根据所述循环周期和容量的关系,获取WKNSVR模型的电池容量预测值;获取循环周期根据CEPF算法中循环周期和电池容量的关系,得到电池容量估计值;将所述电池容量预测值作为观察值,判断所述电池容量估计值是否小于电池预设失效阈值,若小于预设失效阈值,则计算所述电池的剩余使用寿命和预测误差,WKNSVR-CEPF方法的RUL预测结果具有更高的精度和鲁棒性,降低了模型预测结果的不确定度。
参考图3,图3为本发明电池剩余寿命预测方法第二实施例的流程示意图。
上述第一实施例所述步骤S20,包括:
步骤S201:获取电池状态信号中的粒子滤波。
步骤S202:初始化算法参数,设置种类度量阈值。
需要理解的是,在本实施例中,根据KNPSO算法原理,初始化算法参数包括粒子总数目,最大迭代次数/>,惯性权重/>,个体学习因子和社个会学习因子/>,粒子位置值/>,速度值为/>,设置种群多样性度量值阈值。
步骤S203:采用K均值聚类方法将所述粒子滤波中粒子种群分为多个子群。
具体地,在本实施例中,采用K均值聚类方法将种群分为个子群。
步骤S204:计算每个子群各粒子的适应度值,以及初始化每个子群个体最佳位置和群体最佳位置。
需要理解地是,适应度函数值为:
其中,表示本次迭代的每个子群体最大适应度值。
在本实施例中,依据上式计算出每个子群各粒子的适应度值后,初始化每个子群个体和群体最佳位置和/>。
步骤S205:根据函数关系更新每个子群个体的适应度值、每个子群个体最佳位置和群体最佳位置。
需要说明的是,惩罚因子和核参数/>对模型精度有决定性影响。设在二维搜索空间中,存在/>个粒子,在第/>个粒子的当前位置/>,当前速度为/>,在第/>次迭代过程中,个体所经历的最佳位置为/>,群体所经历的最佳位置为/>,则第/>个粒子第/>次迭代的速度更新公式为:
第次迭代的位置更新公式为:
其中,下标,/>是学习因子,/>是区间在/>之间的随机数,/>为惯性权重。
在本实施例中,根据上式更新每个子群各粒子的速度值和位置值,再根据步骤S204中的式子更新每个子群各粒子的适应度值,从而更新每个子群个体的最佳位置和群体最佳位置。
步骤S206:判断种类度量值是否超过阈值,若粒子种类度量值小于所述种类度量阈值,则采用K均值聚类方法对粒子种群重新规划。
在本实施例中,当粒子种群多样性度量值超过规定阈值时,则从个子群中的全局最优粒子及其位置和目标函数值中选择种群的全局最优粒子及其位置和目标函数值。
步骤S207:判断是否达到最大迭代次数,若达到,则输出最佳参数。
步骤S208:将最佳参数输入非线性拟合函数后,得到所述KNSVR模型所需参数再进行预测电池容量值。
具体地,在本实施例中,将获得的最佳参数代入/>
其中表达了拟合函数的泛化能力,/>则反映了训练样本的误差损失程度。/>过大训练样本拟合曲线与样本间的误差较小,则测试样本估计误差可能过大,极易导致过拟合,即泛化能力差。反之,/>过小表示不重视离群点,即导致训练样本拟合误差大,产生欠拟合现象。在拟合函数的符合预期后进行预测电池容量值。
所述选取循环周期,根据所述循环周期和容量的关系,获取WKNSVR模型的电池容量预测值,包括:获取得到预设起始点;当所述循环周期不超过所述预设起始点循环周期时,将该所述预设起始点循环周期的特征样本信号通过KNPSO算法训练KNSVR模型,确定所述KNSVR模型的参数惩罚因子和核参数;当所述循环周期超过所述预设起始点循环周期时,将所述选取循环周期代入WKNSVR模型中双指数电池退化模型的状态方程和观察方程,得到所述电池容量预测值;将所述选取循环周期代入WKNSVR模型中双指数电池退化模型的状态方程和观察方程,得到所述电池容量预测值,还包括:设置多个预设参数点;根据所述选取循环周期的上个循环周期的状态值和电容,得到所述选取循环周期的状态值;获取得到预设参数点对应的状态值和观察噪声;根据所述预设参数点对应的状态值和观察噪声,得到所述电池容量预测值。
具体地,在本实施例中,设置a,b,c,d四个参数点,其状态方程就可以表示为:
观察方程为:
其中为电池容量值,/>为观察噪声。
在本实施例中 获取电池状态信号中的粒子滤波;初始化算法参数,设置种类度量阈值;采用K均值聚类方法将所述粒子滤波中粒子种群分为多个子群;计算每个子群各粒子的适应度值,以及初始化每个子群个体最佳位置和群体最佳位置;根据函数关系更新每个子群个体的适应度值、每个子群个体最佳位置和群体最佳位置;判断种类度量值是否超过阈值,若粒子种类度量值小于所述种类度量阈值,则采用K均值聚类方法对粒子种群重新规划;判断是否达到最大迭代次数,若达到,则输出最佳参数;将最佳参数输入非线性拟合函数后,得到所述KNSVR模型所需参数再进行预测电池容量值,利用KNPSO有效提升了粒子群的参数寻优能力,基于KNSVR的电池RUL预测方法具有更高的精度。
参考图4,图4为本发明电池剩余寿命预测方法第三实施例的流程示意图。
上述第一实施例的步骤S50之前,还包括:
步骤S501:对粒子滤波通过对先验概率分布进行采样,得到多个粒子以及对应的粒子权重。
需要说明的是,根据贝叶斯估计理论,系统状态估计问题可以根据已有的数据序列估计出当前系统状态的可信度,即后验概率密度。而求解后验概率密度通过预测步和更新步递推计算来实现。预测步是利用状态方程预测系统状态的先验概率密度,即通过已知的系统状态估计出现状态的概率,更新步则是利用最新的观察值对先验概率密度进行修正,得到后验概率密度,从而推导出系统状态。
在本实施例中,通过对先验概率分布进行采样,生成/>个粒子/>,每个粒子权重为/>。
步骤S502:将采集的粒子输入粒子滤波系统状态模型,得到多个粒子的下一状态。
具体地,在本实施例中,根据,将/>个粒子/>作为输入计算出/>个粒子下一状态/>。
步骤S503:对多个粒子进行序惯重要性采样,计算粒子重要性权重并归一化。
在本实施例中,从已知的概率分布采集/>个粒子/>,根据下式进行重要性权重计算并归一化:
步骤S504:计算有效样本粒子数目,进行重采样。
在本实施例中,计算有效样本粒子数目,进行重采样,包括:删除粒子权重低于预设阈值的粒子,得到剩余粒子构成的粒子权重序列;在所述粒子权重序列中添加一组相等长度的正负对形式的白噪声序列,得到两组新信号;对所述两组新信号采用CEEMD分解,得到不同的本征模态分量;将分解后的所述新信号叠加多层本征模态分量,得到粒子权重信号;将所述粒子权重信号归一化再分层重采样。
而在计算有效样本粒子数目,进行重采样之后,还包括:获取重采样之后的粒子权重信号;通过CEPF算法的状态估计方程根据所述粒子权重以及选取循环周期和电池容量的关系,得到所述选取循环周期的电池容量估计值。
得到电池容量估计值后,将所述WKNSVR模型得到的电池容量预测值作为观察值,通过观察值对电池容量估计值进行修正,然后得到后验概率密度,根据后验概率密度推导得到系统状态,得出电池剩余寿命预测。
表1WKNSVR-CEPF算法的电池RUL预测性能评价
首先,根据上表可以看出WKNSVR-CEPF方法的拟合性能指标最优。与WKNSVR-PF方法相比,WKNSVR-CEPF方法的平均RMSE、MAE、MAPE和Er分别降低了2.72%、3.85%、3.88%和37.5%;与 KNSVR方法相比,WKNSVR-CEPF方法的平均RMSE、MAE和MAPE分别降低了5.73%、6.86%、8.16%和37.5%;与CEPF方法相比,WKNSVR-CEPF方法的平均RMSE、MAE和MAPE分别降低了62.76%、65.47%、66.23%和92.31%。再者WKNSVR-CEPF方法的概率密度分布方差分别为1.6、2.5、2.2和2.4。而WKNSVR-PF的分布方差分别为1.9、2.8、2.7和2.5。方差值越小意味不确定度越小,即WKNSVR-CEPF算法的估计的不确定更小。
在本实施例中,对粒子滤波通过对先验概率分布进行采样,得到多个粒子以及对应的粒子权重;将采集的粒子输入粒子滤波系统状态模型,得到多个粒子的下一状态;对多个粒子进行序惯重要性采样,计算粒子重要性权重并归一化;计算有效样本粒子数目,进行重采样,然后通过CEPF算法计算出电池剩余寿命的估计值,改善了粒子退化的问题,进一步提高了模型测试性能,具有更高的精度和更小的不确定度。
参考图5,图5为本发明电池剩余寿命预测装置第一实施例的结构框图。
如图5所示,本发明实施例提出的电池剩余寿命预测装置包括:
获取模块10,用于获取电池状态信号;
训练模块20,用于通过KNPSO算法训练KNSVR模型,确定所述KNSVR模型的参数惩罚因子和核参数;
提取模块30,用于通过小波分析提取得到信号的低频部分,以消除高频噪声干扰,优化所述惩罚因子和核参数,得到WKNSVR模型;
获取模块10,还用于选取循环周期,根据所述循环周期和容量的关系,获取WKNSVR模型的电池容量预测值;
获取模块10,还用于获取循环周期根据CEPF算法中循环周期和电池容量的关系,得到电池容量估计值;
计算模块40,用于将所述电池容量预测值作为观察值,判断所述电池容量估计值是否小于电池预设失效阈值,若小于预设失效阈值,则计算所述电池的剩余使用寿命和预测误差。
本实施例通过获取电池状态信号;通过KNPSO算法训练KNSVR模型,确定所述KNSVR模型的参数惩罚因子和核参数;通过小波分析提取得到信号的低频部分,以消除高频噪声干扰,优化所述惩罚因子和核参数,得到WKNSVR模型;选取循环周期,根据所述循环周期和容量的关系,获取WKNSVR模型的电池容量预测值;获取循环周期根据CEPF算法中循环周期和电池容量的关系,得到电池容量估计值;将所述电池容量预测值作为观察值,判断所述电池容量估计值是否小于电池预设失效阈值,若小于预设失效阈值,则计算所述电池的剩余使用寿命和预测误差,WKNSVR-CEPF方法的RUL预测结果具有更高的精度和鲁棒性,降低了模型预测结果的不确定度。
在一实施例中,所述训练模块20,还用于获取电池状态信号中的粒子滤波;
初始化算法参数,设置种类度量阈值;采用K均值聚类方法将所述粒子滤波中粒子种群分为多个子群;计算每个子群各粒子的适应度值,以及初始化每个子群个体最佳位置和群体最佳位置;根据函数关系更新每个子群个体的适应度值、每个子群个体最佳位置和群体最佳位置;判断种类度量值是否超过阈值,若粒子种类度量值小于所述种类度量阈值,则采用K均值聚类方法对粒子种群重新规划;判断是否达到最大迭代次数,若达到,则输出最佳参数;
将最佳参数输入非线性拟合函数后,得到所述KNSVR模型所需参数再进行预测电池容量值。
在一实施例中,所述获取模块10,还用于获取得到预设起始点;当所述循环周期不超过所述预设起始点循环周期时,将该所述预设起始点循环周期的特征样本信号通过KNPSO算法训练KNSVR模型,确定所述KNSVR模型的参数惩罚因子和核参数;当所述循环周期超过所述预设起始点循环周期时,将所述选取循环周期代入WKNSVR模型中双指数电池退化模型的状态方程和观察方程,得到所述电池容量预测值。
在一实施例中,所述获取模块10,还用于对粒子滤波通过对先验概率分布进行采样,得到多个粒子以及对应的粒子权重;将采集的粒子输入粒子滤波系统状态模型,得到多个粒子的下一状态;对多个粒子进行序惯重要性采样,计算粒子重要性权重并归一化;计算有效样本粒子数目,进行重采样。
在一实施例中,所述获取模块10,还用于删除粒子权重低于预设阈值的粒子,得到剩余粒子构成的粒子权重序列;在所述粒子权重序列中添加一组相等长度的正负对形式的白噪声序列,得到两组新信号;对所述两组新信号采用CEEMD分解,得到不同的本征模态分量;将分解后的所述新信号叠加多层本征模态分量,得到粒子权重信号;将所述粒子权重信号归一化再分层重采样。
在一实施例中,所述获取模块10,还用于获取重采样之后的粒子权重信号;通过CEPF算法的状态估计方程根据所述粒子权重以及选取循环周期和电池容量的关系,得到所述选取循环周期的电池容量估计值。
在一实施例中,所述计算模块40,还用于当所述电池容量估计值不超过预设失效阈值时,则计算得到电池剩余使用寿命和预测误差,其中所述预测误差通过观察值与所述容量估计值相减得到;当所述电池容量估计值超过预设失效阈值时,则将选取循环周期累加预设周期作为新的循环周期通过CEPF算法,得到新的循环周期的电池容量估计值,以此类推,直到所述新的循环周期的电池容量估计值不超过所述预设失效阈值。
此外,为实现上述目的,本发明还提出一种电池剩余寿命预测设备,所述电池剩余寿命预测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电池剩余寿命预测程序,所述电池剩余寿命预测程序配置为实现如上文所述的电池剩余寿命预测方法的步骤。
由于本电池剩余寿命预测设备采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有电池剩余寿命预测程序,所述电池剩余寿命预测程序被处理器执行时实现如上文所述的电池剩余寿命预测方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的工程模式控制方法,此处不再赘述。
此外,需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还 包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、 方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通 过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种电池剩余使用寿命预测方法,其特征在于,所述方法包括:
获取电池状态信号;
通过KNPSO算法训练KNSVR模型,确定所述KNSVR模型的参数惩罚因子和核参数;
通过小波分析提取得到信号的低频部分,以消除高频噪声干扰,优化所述惩罚因子和核参数,得到WKNSVR模型;
选取循环周期,根据选取的循环周期和容量的关系,获取所述WKNSVR模型的电池容量预测值;其中所述选取循环周期,根据选取的循环周期和容量的关系,获取WKNSVR模型的电池容量预测值,包括:
获取得到预设起始点;
当所述选取的循环周期不超过所述预设起始点的循环周期时,将所述预设起始点的循环周期的特征样本信号通过KNPSO算法训练KNSVR模型,确定所述KNSVR模型的参数惩罚因子和核参数;
当所述选取的循环周期超过所述预设起始点的循环周期时,将所述选取的循环周期代入WKNSVR模型中双指数电池退化模型的状态方程和观察方程,得到所述电池容量预测值;
将所述选取的循环周期代入WKNSVR模型中双指数电池退化模型的状态方程和观察方程,得到所述电池容量预测值,还包括:
设置多个预设参数点;
根据所述选取的循环周期的上个循环周期的状态值和电容,得到所述选取的循环周期的状态值;
获取得到预设参数点对应的状态值和观察噪声;
根据所述预设参数点对应的状态值和观察噪声,得到所述电池容量预测值;
获取循环周期根据CEPF算法中循环周期和电池容量的关系,得到电池容量估计值;
将所述电池容量预测值作为观察值,判断所述电池容量估计值是否小于电池预设失效阈值,若小于预设失效阈值,则计算所述电池的剩余使用寿命和预测误差。
2.如权利要求1所述的方法,其特征在于,所述通过KNPSO算法训练KNSVR模型,确定所述KNSVR模型的参数惩罚因子和核参数,包括:
获取电池状态信号中的粒子滤波;
初始化算法参数,设置种类度量阈值;
采用K均值聚类方法将所述粒子滤波中粒子种群分为多个子群;
计算每个子群各粒子的适应度值,以及初始化每个子群个体最佳位置和群体最佳位置;
根据函数关系更新每个子群个体的适应度值、每个子群个体最佳位置和群体最佳位置;
判断种类度量值是否超过阈值,若粒子种类度量值小于所述种类度量阈值,则采用K均值聚类方法对粒子种群重新规划;
判断是否达到最大迭代次数,若达到,则输出最佳参数;
将最佳参数输入非线性拟合函数后,得到所述KNSVR模型所需参数再进行预测电池容量值。
3.如权利要求1所述的方法,其特征在于,所述获取循环周期根据CEPF算法中循环周期和电池容量的关系,得到电池容量估计值之前,还包括:
对粒子滤波通过对先验概率分布进行采样,得到多个粒子以及对应的粒子权重;
将采集的粒子输入粒子滤波系统状态模型,得到多个粒子的下一状态;
对多个粒子进行序惯重要性采样,计算粒子重要性权重并归一化;
计算有效样本粒子数目,进行重采样。
4.如权利要求3所述的方法,其特征在于,所述计算有效样本粒子数目,进行重采样,包括:
删除粒子权重低于预设阈值的粒子,得到剩余粒子构成的粒子权重序列;
在所述粒子权重序列中添加一组相等长度的正负对形式的白噪声序列,得到两组新信号;
对所述两组新信号采用CEEMD分解,得到不同的本征模态分量;
将分解后的所述新信号叠加多层本征模态分量,得到粒子权重信号;
将所述粒子权重信号归一化再分层重采样。
5.如权利要求3所述的方法,其特征在于,所述计算有效样本粒子数目,进行重采样之后,还包括:
获取重采样之后的粒子权重信号;
通过CEPF算法的状态估计方程根据所述粒子权重以及选取循环周期和电池容量的关系,得到所述选取循环周期的电池容量估计值。
6.如权利要求1所述的方法,其特征在于,所述将所述容量预测值作为观察值,判断所述电池容量估计值是否小于电池预设失效阈值,若小于预设失效阈值,则计算所述电池的剩余使用寿命和预测误差,包括:
当所述电池容量估计值不超过预设失效阈值时,则计算得到电池剩余使用寿命和预测误差,其中所述预测误差通过观察值与所述容量估计值相减得到;
当所述电池容量估计值超过预设失效阈值时,则将选取的循环周期累加预设周期作为新的循环周期通过CEPF算法,得到新的循环周期的电池容量估计值,以此类推,直到所述新的循环周期的电池容量估计值不超过所述预设失效阈值。
7.一种电池剩余使用寿命预测装置,其特征在于,所述装置包括:
获取模块,用于获取电池状态信号;
训练模块,用于通过KNPSO算法训练KNSVR模型,确定所述KNSVR模型的参数惩罚因子和核参数;
提取模块,用于通过小波分析提取得到信号的低频部分,以消除高频噪声干扰,优化所述惩罚因子和核参数,得到WKNSVR模型;
获取模块,还用于选取循环周期,根据选取的循环周期和容量的关系,获取WKNSVR模型的电池容量预测值,其中所述选取循环周期,根据选取的循环周期和容量的关系,获取WKNSVR模型的电池容量预测值,包括:
获取得到预设起始点;
当所述选取的循环周期不超过所述预设起始点的循环周期时,将所述预设起始点的循环周期的特征样本信号通过KNPSO算法训练KNSVR模型,确定所述KNSVR模型的参数惩罚因子和核参数;
当所述选取的循环周期超过所述预设起始点的循环周期时,将所述选取的循环周期代入WKNSVR模型中双指数电池退化模型的状态方程和观察方程,得到所述电池容量预测值;
将所述选取的循环周期代入WKNSVR模型中双指数电池退化模型的状态方程和观察方程,得到所述电池容量预测值,还包括:
设置多个预设参数点;
根据所述选取的循环周期的上个循环周期的状态值和电容,得到所述选取的循环周期的状态值;
获取得到预设参数点对应的状态值和观察噪声;
根据所述预设参数点对应的状态值和观察噪声,得到所述电池容量预测值;
获取模块,还用于获取循环周期根据CEPF算法中循环周期和电池容量的关系,得到电池容量估计值;
计算模块,用于将所述电池容量预测值作为观察值,判断所述电池容量估计值是否小于电池预设失效阈值,若小于预设失效阈值,则计算所述电池的剩余使用寿命和预测误差。
8.一种电池剩余使用寿命预测设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电池剩余使用寿命预测程序,所述电池剩余使用寿命预测程序配置为实现如权利要求1至6中任一项所述的电池剩余使用寿命预测方法的步骤。
9.一种存储介质,其特征在于,所述存储介质上存储有电池剩余使用寿命预测程序,所述电池剩余使用寿命预测程序被处理器执行时实现如权利要求1至6任一项所述的电池剩余使用寿命预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410200568.1A CN117786444B (zh) | 2024-02-23 | 2024-02-23 | 电池剩余使用寿命预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410200568.1A CN117786444B (zh) | 2024-02-23 | 2024-02-23 | 电池剩余使用寿命预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117786444A CN117786444A (zh) | 2024-03-29 |
CN117786444B true CN117786444B (zh) | 2024-05-14 |
Family
ID=90382033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410200568.1A Active CN117786444B (zh) | 2024-02-23 | 2024-02-23 | 电池剩余使用寿命预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117786444B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN112816874A (zh) * | 2020-12-18 | 2021-05-18 | 浙江大有实业有限公司杭州科技发展分公司 | 一种基于rvm与pf算法融合的电池剩余使用寿命预测方法 |
CN113627076A (zh) * | 2021-07-20 | 2021-11-09 | 首都师范大学 | 一种基于hi和ann的锂离子电池rul预测方法 |
CN116680983A (zh) * | 2023-06-06 | 2023-09-01 | 重庆大学 | 基于改进粒子滤波模型的锂离子剩余寿命预测方法 |
-
2024
- 2024-02-23 CN CN202410200568.1A patent/CN117786444B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN112816874A (zh) * | 2020-12-18 | 2021-05-18 | 浙江大有实业有限公司杭州科技发展分公司 | 一种基于rvm与pf算法融合的电池剩余使用寿命预测方法 |
CN113627076A (zh) * | 2021-07-20 | 2021-11-09 | 首都师范大学 | 一种基于hi和ann的锂离子电池rul预测方法 |
CN116680983A (zh) * | 2023-06-06 | 2023-09-01 | 重庆大学 | 基于改进粒子滤波模型的锂离子剩余寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
基于改进粒子滤波算法实现锂离子电池RUL预测;韦海燕 等;汽车工程;20191225(第12期);第34-40页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117786444A (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113496315B (zh) | 基于分位数梯度提升决策树的负荷区间预测方法及系统 | |
Ribeiro et al. | Sampling directed graphs with random walks | |
Lu et al. | An MDL approach to the climate segmentation problem | |
Brooks et al. | Nonparametric convergence assessment for MCMC model selection | |
CN105869022B (zh) | 一种应用流行度预测方法和装置 | |
Sahu et al. | A comparison of Bayesian models for daily ozone concentration levels | |
CN111537884A (zh) | 获取动力电池寿命数据的方法、装置、计算机设备及介质 | |
CN108288111B (zh) | 基于关联规则的火电厂排烟温度基准值确定方法及装置 | |
Dufour et al. | Exact inference and optimal invariant estimation for the stability parameter of symmetric α-stable distributions | |
CN108228959A (zh) | 利用删失数据估计系统实际状态的方法及应用其的滤波器 | |
CN110399279B (zh) | 一种用于非人智能体的智能度量方法 | |
CN110968802A (zh) | 一种用户特征的分析方法、分析装置及可读存储介质 | |
CN117786444B (zh) | 电池剩余使用寿命预测方法、装置、设备及存储介质 | |
CN113869332A (zh) | 一种特征选择方法、装置、存储介质和设备 | |
Mahdi et al. | Efficient Bayesian modeling of large lattice data using spectral properties of Laplacian matrix | |
Shen et al. | A new formulation of vector weights in localized particle filters | |
CN113782092B (zh) | 一种生存期预测模型的生成方法及装置、存储介质 | |
JP2016520220A (ja) | 隠れ属性モデル推定装置、方法およびプログラム | |
Apputhurai et al. | Accounting for uncertainty in extremal dependence modeling using Bayesian model averaging techniques | |
CN114595764A (zh) | 用于获取城市要素对内涝灾害损失影响程度的方法及系统 | |
CN114360641A (zh) | 一种基于变分贝叶斯的基因调控网络结构辨识方法 | |
CN114978586A (zh) | 一种基于攻击基因的电网攻击检测方法、系统和电子设备 | |
CN112784165A (zh) | 关联关系预估模型的训练方法以及预估文件热度的方法 | |
Tian et al. | Microbial Network Recovery by Compositional Graphical Lasso | |
CN110362831B (zh) | 目标用户识别方法、装置、电子设备及存储介质 |
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 |