【技术实现步骤摘要】
本专利技术涉及一种锂离子电池soh预测方法，尤其涉及一种基于最小二乘支持向量回归机的锂离子电池soh预测方法。
技术介绍
1、对锂电池soh的精准估计的技术方案包括电化学模型和数据模型两类。由于锂电池内部的电化学反应较为复杂，所以采用电化学模型的方法难以建立有效的预测模型，而数据驱动的故障预测方法核心是对有效的过程历史数据进行特征提取，并转化和表征为一种先验知识，以采集的过程数据为基础，无需建立精确的电化学模型，直接对设备的各类有效数据进行分析，通过各种智能算法，获取数据中隐含的退化特征，这些方法已应用于预测锂电池的soh。支持向量机( support vector machine，svm)是一种调节参数较少的数据驱动方法，但是实际预测效果对退化数据敏感，并且预测结果对模型参数不敏感，使其难以准确地预测锂电池的soh。人工神经网络因其易用灵活的优点，已广泛应用于预测锂电池的soh。现有技术已有用人工神经网络的的方法和传统数据驱动方法预测了锂电池的soh，结果表明，人工神经网络的方法更有效。有资料显示，使用了bp神经网络预测锂电池容量并取得了良好的效果。然而，bp人工神经网络也有一些缺点，如训练时间太长，需要确定参数较多，计算复杂等。
2、支持向量机(support vector machine，svm)由于对于小样本问题具有较好的效果在该领域也有大量的应用。nuhic和terzimehic等人提出了一种基于svm的锂电池剩余寿命预测方法，该方法改善了剩余寿命预测时因外界条件导致的不收敛问题。widodo等人在研究过程
技术实现思路
1、专利技术目的：针对以上问题，本专利技术提出一种基于最小二乘支持向量回归机的锂离子电池soh预测方法，能够提高小样本特性下锂离子电池soh预测结果的准确率。
2、技术方案：本专利技术所采用的技术方案是一种基于最小二乘支持向量回归机的锂离子电池soh预测方法，包括以下步骤：
3、(1)对锂离子电池数据集进行预处理，提取锂离子电池数据集中的锂离子电池充电数据；
4、(2)根据锂离子电池充电数据，计算充电容量相对于电池端电压的微分dq/dv，将微分dq/dv作为纵坐标，微分对应的电池端电压作为横坐标，得到容量增量曲线；
5、(3)根据容量增量曲线提取出特征参数，所述特征参数包括容量增量曲线中三个峰的峰值高度、峰值位置、峰右斜率以及峰面积；其中，所述峰右斜率是顶点与中点连线斜率；峰面积是相邻谷点之间所夹面积；
6、(4)利用pca算法对锂离子电池数据集进行降维处理，将特征参数扩充至降维后的锂离子电池数据集中得到样本数据，将样本数据作为输入量，锂离子电池soh作为输出量，训练最小二乘支持向量回归机；
7、(5)使用训练得到的最小二乘支持向量回归机模型预测锂离子电池soh。
8、优选地，该方法利用lms算法对容量增量曲线进行去噪处理。
9、最小二乘支持向量回归机的目标函数为：
10、
11、式中，αi≥0，i＝1，2，…，n，αi为lagrange乘子，为拉格朗日乘子的平均数，b*为分类阈值，x为s维输入向量，xi为模型输出数据向量，k为分类面。
12、最小二乘支持向量回归机的核函数为：
13、
14、式中，κ(x，xi)为核函数，x为s维输入向量，xi为模型输出数据向量，σ为方差。
15、最小二乘支持向量回归机的判别函数为：
16、
17、式中，sgn为符号函数，αi为lagrange乘子，yi为类别，x为s维输入向量，xi为模型输出数据向量，b为常数，σ为方差。
18、对最小二乘支持向量回归机中的惩罚参数γ和核函数宽度参数σ，采用遗传算法来优化。
19、本专利技术提出一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的基于最小二乘支持向量回归机的锂离子电池soh预测方法。
20、本专利技术提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于最小二乘支持向量回归机的锂离子电池soh预测方法。
21、本专利技术提出一种计算机程序产品，包括计算机程序和/或指令，该计算机程序/指令被处理器执行时实现所述的基于最小二乘支持向量回归机的锂离子电池soh预测方法。
22、有益效果：相比于现有技术，本专利技术具有以下优点：本专利技术针对小样本数据，先利用容量增量分析法提取出了锂离子电池更多的特征信息，再利用主成分分析方法对总的特征信息数据进行分析处理，最后经最小二乘支持回归向量机算法完成soh的预测，提高了预测结果的准确率；同时，由于特征信息中掺杂了冗余数据，利用pca还做到了降维处理，提升了模型的计算效率。本专利技术充分挖掘的小样本特征信息，进而提高了预测soh精度，解决了soh小样本特性下的估计问题。
本文档来自技高网...【技术保护点】
1.一种基于最小二乘支持向量回归机的锂离子电池SOH预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于最小二乘支持向量回归机的锂离子电池SOH预测方法，其特征在于：还包括利用LMS算法对容量增量曲线进行去噪处理。
3.根据权利要求1所述的基于最小二乘支持向量回归机的锂离子电池SOH预测方法，其特征在于：所述峰右斜率是顶点与中点连线斜率；峰面积是相邻谷点之间所夹面积。
4.根据权利要求1所述的基于最小二乘支持向量回归机的锂离子电池SOH预测方法，其特征在于：最小二乘支持向量回归机的目标函数为：
5.根据权利要求1所述的基于最小二乘支持向量回归机的锂离子电池SOH预测方法，其特征在于：最小二乘支持向量回归机的核函数为：
6.根据权利要求1所述的基于最小二乘支持向量回归机的锂离子电池SOH预测方法，其特征在于：最小二乘支持向量回归机的判别函数为：
7.根据权利要求1所述的基于最小二乘支持向量回归机的锂离子电池SOH预测方法，其特征在于：对最小二乘支持向量回归机中的惩罚参数γ和核函数宽度参数σ，采用遗
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于最小二乘支持向量回归机的锂离子电池SOH预测方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于最小二乘支持向量回归机的锂离子电池SOH预测方法。
10.一种计算机程序产品，包括计算机程序和/或指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至7中任一项所述的基于最小二乘支持向量回归机的锂离子电池SOH预测方法。
...【技术特征摘要】
1.一种基于最小二乘支持向量回归机的锂离子电池soh预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于最小二乘支持向量回归机的锂离子电池soh预测方法，其特征在于：还包括利用lms算法对容量增量曲线进行去噪处理。
3.根据权利要求1所述的基于最小二乘支持向量回归机的锂离子电池soh预测方法，其特征在于：所述峰右斜率是顶点与中点连线斜率；峰面积是相邻谷点之间所夹面积。
4.根据权利要求1所述的基于最小二乘支持向量回归机的锂离子电池soh预测方法，其特征在于：最小二乘支持向量回归机的目标函数为：
5.根据权利要求1所述的基于最小二乘支持向量回归机的锂离子电池soh预测方法，其特征在于：最小二乘支持向量回归机的核函数为：
6.根据权利要求1所述的基于最小二乘支持向量回归机的锂离子电池soh预测方法，其特征在于：最小二乘支持向量回归机...
【专利技术属性】
技术研发人员：刘畅，杨定富，吴振，朱恩泽，黄延凯，
申请(专利权)人：中国人民解放军三二二一四部队，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。