本發(fā)明涉及電化學領域，尤其涉及一種基于神經網絡核函數(shù)GPR的鋰電池健康狀態(tài)預測方法。
背景技術：
：目前，隨著鋰離子電池廣泛的應用，其在存儲、使用和維護過程中的可靠性和安全性是必須高度關注的問題，因此，及時、準確地對鋰離子電池健康狀態(tài)(SOH，Stateofhealth)進行研究，具有非常重要的實際意義。鋰離子電池SOH用來描述電池的健康狀態(tài)，代表的是電池的壽命，通俗來講就是蓄電池還能用多久。SOH的標準定義是標準條件下動力電池從充滿狀態(tài)以一定倍率放電到截止電壓所放出的容量與其所對應的標稱容量的比值，該比值是電池健康狀況的一種反應。簡單來說就是電池使用一段時間后，某些直接測量與間接計算所得到的性能參數(shù)的實際值與標稱值的比值。SOH的定義可以從以下四個角度分別給出：(1)從電池剩余電量的角度，公式一：其中，Qaged為電池當前可用的最大電量，Qnew電池未使用時的最大電量。(2)從電池啟動功率的角度,公式二：其中，CCAocmp為電池實時放出的啟動功率,CCAnew為100％SOC時所預測的電池放出的啟動功率，CCAmin為需要的最小的啟動功率。(3)從電池內阻的角度:公式三：其中Ri為第i次充放電循環(huán)時的電池內阻，R0為初始內阻。(4)從電池容量的角度:公式四：其中，Ci為電池容量，C0為電池標稱容量。然而，目前現(xiàn)有的用于鋰電池的健康狀態(tài)預測方法的預測結果較不準確，預測精度較低。技術實現(xiàn)要素：在下文中給出了關于本發(fā)明的簡要概述，以便提供關于本發(fā)明的某些方面的基本理解。應當理解，這個概述并不是關于本發(fā)明的窮舉性概述。它并不是意圖確定本發(fā)明的關鍵或重要部分，也不是意圖限定本發(fā)明的范圍。其目的僅僅是以簡化的形式給出某些概念，以此作為稍后論述的更詳細描述的前序。鑒于此，本發(fā)明提供了一種基于神經網絡核函數(shù)GPR(高斯過程回歸)的鋰電池健康狀態(tài)預測方法，以至少解決目前現(xiàn)有的用于鋰電池的健康狀態(tài)預測方法所存在的預測結果不準確、預測精度低的問題。根據(jù)本發(fā)明的一個方面，提供了一種基于神經網絡核函數(shù)GPR的鋰電池健康狀態(tài)預測方法，所述鋰電池健康狀態(tài)預測方法包括：基于神經網絡核函數(shù)確定協(xié)方差函數(shù)，以構建GPR預測模型；對所述GPR預測模型中的均值函數(shù)和協(xié)方差函數(shù)中的超參數(shù)進行初始化；利用對數(shù)極大似然估計函數(shù)對所述超參數(shù)進行最優(yōu)化；將訓練數(shù)據(jù)和測試數(shù)據(jù)輸入到所述GPR預測模型中，以獲得所述測試數(shù)據(jù)的值；其中，i為鋰電池樣品的充/放電循環(huán)次數(shù),xi為所述鋰電池訓練樣品在第i次充/放電循環(huán)時對應的SOH值，N表示訓練數(shù)據(jù)的個數(shù)，m為測試數(shù)據(jù)的個數(shù)。進一步地，基于神經網絡核函數(shù)所確定的協(xié)方差函數(shù)為：k1(x,x′)=σf2sin-1(xTΛ-2x′(1+xTΛ-2x)(1+x′TΛ-2x′));]]>其中x表示訓練數(shù)據(jù)，x′表示測試數(shù)據(jù)，Λ為協(xié)方差陣，為訓練數(shù)據(jù)的方差。進一步地，對所述GPR預測模型中的均值函數(shù)和協(xié)方差函數(shù)中的超參數(shù)進行初始化的步驟包括：所述GPR預測模型的均值函數(shù)和協(xié)方差函數(shù)中的超參數(shù)記為Θ1，將所述超參數(shù)初始化為：Θ1＝[a,b,l,sf]T＝[0.1,0,0.9,2]T；其中a,b表示均值函數(shù)的系數(shù)，l表示協(xié)方差陣Λ，sf表示模型核函數(shù)中的進一步地，所述對數(shù)極大似然估計函數(shù)為：logp(y|X)=-12yT(K+σ2I)-1y-12log|K+σ2I|-n2log2π;]]>其中y表示輸出數(shù)據(jù)，X表示訓練數(shù)據(jù)，I表示單位矩陣，n為訓練集中數(shù)據(jù)的個數(shù)，K表示核函數(shù)，σ表示噪聲的標準差。本發(fā)明的基于神經網絡核函數(shù)GPR的鋰電池健康狀態(tài)預測方法，采用高斯過程回歸方法來進行鋰電池健康狀態(tài)的預測，利用神經網絡核函數(shù)構建GPR預測模型來完成電池SOH值的預測。實驗表明，相比于現(xiàn)有技術，利用本發(fā)明的基于神經網絡核函數(shù)GPR的鋰電池健康狀態(tài)預測方法中的GPR預測模型來進行電池SOH值的預測，預測精度較高，且預測不確定性較低，預測結果也更為準確。經過實驗驗證，利用公式五所描述的協(xié)方差函數(shù)以及線性均值函數(shù)，經過超參數(shù)的初始化、最優(yōu)化之后，可以使得構建得到的GPR預測模型能夠相比現(xiàn)有技術大大提高預測的準確性和預測的精度，且預測不確定度更低。此外，選用Θ1＝[a,b,l,sf]T＝[0.1,0,0.9,2]T作為超參數(shù)初始值，通過后續(xù)的最優(yōu)化處理，可以使得構建得到的GPR預測模型能夠相比現(xiàn)有技術進一步提高預測的準確性和預測的精度。此外，結合公式五的協(xié)方差函數(shù)，再利用公式六對超參數(shù)進行最優(yōu)化，能夠使得該實現(xiàn)方式中的GPR預測模型進一步提高預測的準確性和預測的精度。通過以下結合附圖對本發(fā)明的最佳實施例的詳細說明，本發(fā)明的這些以及其他優(yōu)點將更加明顯。附圖說明本發(fā)明可以通過參考下文中結合附圖所給出的描述而得到更好的理解，其中在所有附圖中使用了相同或相似的附圖標記來表示相同或者相似的部件。所述附圖連同下面的詳細說明一起包含在本說明書中并且形成本說明書的一部分，而且用來進一步舉例說明本發(fā)明的優(yōu)選實施例和解釋本發(fā)明的原理和優(yōu)點。在附圖中：圖1是示出本發(fā)明的基于神經網絡核函數(shù)GPR的鋰電池健康狀態(tài)預測方法的一個示例性處理的流程圖；圖2是示出No.5、No.6和No.7電池的SOH曲線的示意圖；圖3A～3C分別是示出利用基本的GPR模型、復合的LGPFR模型以及本發(fā)明的GPR預測模型對No.5電池進行預測的結果的示意圖；圖4A～4C分別是示出利用基本的GPR模型、復合的LGPFR模型以及本發(fā)明的GPR預測模型對No.6電池進行預測的結果的示意圖；圖5A～5C分別是示出利用基本的GPR模型、復合的LGPFR模型以及本發(fā)明的GPR預測模型對No.7電池進行預測的結果的示意圖。本領域技術人員應當理解，附圖中的元件僅僅是為了簡單和清楚起見而示出的，而且不一定是按比例繪制的。例如，附圖中某些元件的尺寸可能相對于其他元件放大了，以便有助于提高對本發(fā)明實施例的理解。具體實施方式在下文中將結合附圖對本發(fā)明的示范性實施例進行描述。為了清楚和簡明起見，在說明書中并未描述實際實施方式的所有特征。然而，應該了解，在開發(fā)任何這種實際實施例的過程中必須做出很多特定于實施方式的決定，以便實現(xiàn)開發(fā)人員的具體目標，例如，符合與系統(tǒng)及業(yè)務相關的那些限制條件，并且這些限制條件可能會隨著實施方式的不同而有所改變。此外，還應該了解，雖然開發(fā)工作有可能是非常復雜和費時的，但對得益于本公開內容的本領域技術人員來說，這種開發(fā)工作僅僅是例行的任務。在此，還需要說明的一點是，為了避免因不必要的細節(jié)而模糊了本發(fā)明，在附圖中僅僅示出了與根據(jù)本發(fā)明的方案密切相關的裝置結構和/或處理步驟，而省略了與本發(fā)明關系不大的其他細節(jié)。本發(fā)明的實施例提供了一種基于神經網絡核函數(shù)GPR的鋰電池健康狀態(tài)預測方法，鋰電池健康狀態(tài)預測方法包括：基于神經網絡核函數(shù)確定協(xié)方差函數(shù)，以構建GPR預測模型；對GPR預測模型中的均值函數(shù)和協(xié)方差函數(shù)中的超參數(shù)進行初始化；利用對數(shù)極大似然估計函數(shù)對超參數(shù)進行最優(yōu)化；將訓練數(shù)據(jù)和測試數(shù)據(jù)輸入到GPR預測模型中，以獲得測試數(shù)據(jù)的值；其中，i為鋰電池樣品的充/放電循環(huán)次數(shù),xi為鋰電池訓練樣品在第i次充/放電循環(huán)時對應的SOH值，N表示訓練數(shù)據(jù)的個數(shù)，m為測試數(shù)據(jù)的個數(shù)。本發(fā)明采用高斯過程回歸方法來進行鋰電池健康狀態(tài)的預測。高斯過程是用來描述隨機變量的分布，并且可以決定函數(shù)的屬性，從函數(shù)空間的角度做貝葉斯推斷，高斯過程是任意有限個變量都有聯(lián)合高斯分布的集合，它的性質由其均值函數(shù)和協(xié)方差函數(shù)決定。本發(fā)明的鋰電池健康狀態(tài)預測方法是從電池容量的角度來描述鋰電池健康狀態(tài)的，主要根據(jù)上文中所提到的公式四。圖1示出了本發(fā)明的基于神經網絡核函數(shù)GPR的鋰電池健康狀態(tài)預測方法的一個示例的處理流程100。如圖1所示，處理流程100開始之后，首先執(zhí)行步驟S110。在步驟S110中，基于神經網絡核函數(shù)確定協(xié)方差函數(shù)，以構建GPR預測模型。然后，直執(zhí)行步驟S120。其中，在該實施例中，構建的GPR預測模型例如可以采用線性均值函數(shù)m(x)＝ax+b。在步驟S120中，對GPR預測模型中的均值函數(shù)和協(xié)方差函數(shù)中的超參數(shù)進行初始化。然后，執(zhí)行步驟S130。在步驟S130中，利用對數(shù)極大似然估計函數(shù)對超參數(shù)進行最優(yōu)化。然后，執(zhí)行步驟S140。在步驟S140中，將訓練數(shù)據(jù)和測試數(shù)據(jù)輸入到已優(yōu)化超參數(shù)的GPR預測模型中，以獲得測試數(shù)據(jù)的值。處理流程100結束。其中，i為鋰電池樣品的充/放電循環(huán)次數(shù),xi為鋰電池訓練樣品在第i次充/放電循環(huán)時對應的SOH值，N表示訓練數(shù)據(jù)的個數(shù)，m為預測階數(shù)(即測試數(shù)據(jù)的個數(shù))。由此，本發(fā)明的基于神經網絡核函數(shù)GPR的鋰電池健康狀態(tài)預測方法，采用高斯過程回歸方法來進行鋰電池健康狀態(tài)的預測，利用神經網絡核函數(shù)構建GPR預測模型來完成電池SOH值的預測。實驗表明(可參見下文中的優(yōu)選實施例)，相比于現(xiàn)有技術(特別是現(xiàn)有的基本GPR方法和復合LGPFR方法)，利用本發(fā)明的基于神經網絡核函數(shù)GPR的鋰電池健康狀態(tài)預測方法中的GPR預測模型來進行電池SOH值的預測，預測精度較高，且預測不確定性較低，預測結果也更為準確。根據(jù)一種實現(xiàn)方式，在步驟S110中基于神經網絡核函數(shù)所確定的協(xié)方差函數(shù)可采用如公式五所示的表達形式。公式五：其中，x表示訓練數(shù)據(jù)，x′表示測試數(shù)據(jù)，Λ為協(xié)方差陣，為訓練數(shù)據(jù)的方差。對于GPR預測模型來說，選擇何種協(xié)方差函數(shù)來構建預測模型，對于預測的準確度和精度來說至關重要。協(xié)方差函數(shù)的一點區(qū)別，可能造成預測準確度和精度的大大不同，因此，協(xié)方差函數(shù)的構造和選取是本領域研究人員研究的重點之一，往往要耗費大量的創(chuàng)造性研究工作。經過實驗驗證，利用公式五所描述的協(xié)方差函數(shù)以及線性均值函數(shù)，經過超參數(shù)的初始化、最優(yōu)化之后，可以使得構建得到的GPR預測模型能夠相比現(xiàn)有技術大大提高預測的準確性和預測的精度，且預測不確定度更低。此外，根據(jù)一種實現(xiàn)方式，在步驟S120中可以將GPR預測模型中的均值函數(shù)和協(xié)方差函數(shù)中的超參數(shù)Θ1初始化為：Θ1＝[a,b,l,sf]T＝[0.1,0,0.9,2]T。其中，a,b表示均值函數(shù)的系數(shù)，l表示協(xié)方差陣Λ，sf表示模型核函數(shù)中的協(xié)方差函數(shù)中的自由參數(shù)稱之為超參數(shù)，隨著參數(shù)的變化，預測結果也會發(fā)生很大改變，從而導致預測誤差的變化。對于GPR預測模型來說，除了協(xié)方差函數(shù)對預測模型的預測精度有較大影響之外，GPR方法的超參數(shù)也起著極為重要的作用。設置不同初始值的超參數(shù)，對于后續(xù)優(yōu)化處理可能會導致截然不同的優(yōu)化結果，進而使得預測精度差別很大。然而，超參數(shù)的初始化并不是簡單的多次試驗即可實現(xiàn)的，這是因為，一方面，協(xié)方差函數(shù)的一點區(qū)別都會導致超參數(shù)初始值的不同需求；而另一方面，各超參數(shù)之間也存在相互影響。因此，超參數(shù)的初始值的確定始終是本領域研究人員研究的另一個重點，往往要耗費大量的創(chuàng)造性研究工作。經過實驗驗證，該實現(xiàn)方式中所選用的超參數(shù)初始值(即Θ1＝[a,b,l,sf]T＝[0.1,0,0.9,2]T)，通過后續(xù)的最優(yōu)化處理，可以使得構建得到的GPR預測模型能夠相比現(xiàn)有技術大大提高預測的準確性和預測的精度。此外，根據(jù)一種實現(xiàn)方式，對數(shù)極大似然估計函數(shù)可以采用如公式六所示的表達形式。公式六：其中，y表示輸出數(shù)據(jù)，X表示訓練數(shù)據(jù)，I表示單位矩陣，n為訓練集中數(shù)據(jù)的個數(shù)，K表示核函數(shù)，σ表示噪聲的標準差。這樣，結合公式五的協(xié)方差函數(shù)，再利用公式六對超參數(shù)進行最優(yōu)化，能夠使得該實現(xiàn)方式中的GPR預測模型進一步提高預測的準確性和預測的精度。優(yōu)選實施例在該優(yōu)選實施例中，采用NASAAmesPrognosticsCenterofExcellence(PCoE)提供的關于鋰電池壽命的數(shù)據(jù)庫進行實驗。該數(shù)據(jù)庫共包含36個鋰電池數(shù)據(jù)，分別是：No.5、No.6、No.7、No.18和No.25-56。由于從36個鋰電池中提取的SOH值長度不同，No.5、No.6、No.7電池因其數(shù)據(jù)量更大而經常被用在相關實驗中。這三個電池是在室溫下運行在充電、放電和阻抗三種操作下。充電操作為在1.5A的恒流電流模式下使電池電壓達到4.2V然后繼續(xù)在恒流電壓模式下使充電電流下降到20mA。放電操作為在2A恒流電流下使No.5、No.6、No.7和No.18電池電壓分別下降到2.7V、2.5V、2.2V和2.5V，阻抗測量通過使電化學阻抗譜(EIS)從0.1hz頻率掃描到5khz。重復進行充/放電循環(huán)導致電池加速老化。阻抗測量提供了電池內部參數(shù)隨老化過程變化的情況。當電池達到剩余壽命end-of-life(EOL)標準時，實驗停止。該數(shù)據(jù)庫可以用來預測電池的SOC,SOH和RUL。首先，利用公式四對No.5、No.6和No.7電池的數(shù)據(jù)進行處理，然后進行訓練和預測。圖2給出了三個電池的SOH曲線。充/放電總循環(huán)數(shù)為168，從圖中可以看出，SOH呈現(xiàn)明顯的全局下降趨勢和局部再生現(xiàn)象。對于No.5、No.6和No.7電池，前100個SOH點作為訓練數(shù)據(jù)來訓練GPR預測模型，即訓練數(shù)據(jù)為剩余的68個點作為測試數(shù)據(jù)來進行預測，即測試數(shù)據(jù)為對于三個電池的訓練數(shù)據(jù)，均值函數(shù)為線性函數(shù)m(x)＝ax+b，協(xié)方差函數(shù)為神經網絡核函數(shù)，即公式五。初始化包含在均值函數(shù)和協(xié)方差函數(shù)中的超參數(shù)：Θ1＝[a,b,l,sf]T＝[0.1,0,0.9,2]T。為了和其他方法比較，設定基本的GPR方法的超參數(shù)為Θ′＝[l,sf]T＝[1,1]T，復合LGPFR方法的超參數(shù)為Θ″＝[a,b,sf1,l,sf2,ell,ω]T＝[0,0,0.1,1,0.2,1,5]T。利用對數(shù)極大似然估計函數(shù)最優(yōu)化超參數(shù)。然后，設定預測階數(shù)m，對于No.5、No.6和No.7,m＝68。將訓練數(shù)據(jù)和測試數(shù)據(jù)應用到優(yōu)化了超參數(shù)的GPR預測模型中，可以得到預測結果。圖3A、3B和3C分別給出了針對No.5電池、利用基本的GPR模型、復合的LGPFR模型以及本發(fā)明的GPR預測模型進行預測的結果。圖4A、4B和4C分別給出了針對No.6電池、利用基本的GPR模型、復合的LGPFR模型以及本發(fā)明的GPR預測模型進行預測的結果。圖5A、5B和5C分別給出了針對No.7電池、利用基本的GPR模型、復合的LGPFR模型以及本發(fā)明的GPR預測模型進行預測的結果。其中，以上各圖中，直線表示實際的SOH值，散點表示預測結果，灰色區(qū)域表示95％置信區(qū)間。以圖3A～3C為例，對于圖3A所示的基本的GPR模型，對于后期的循環(huán)數(shù)，均值預測結果離真實的SOH值很遠；同時，95％置信區(qū)間迅速增加。上面兩個方面表明基本的GPR模型預測效果較差。對于圖3B所示的復合LGPFR,雖然預測值很接近實際的SOH值，但是其95％置信區(qū)間仍舊很寬，寬的置信區(qū)間表明預測結果的高度不確定性。因此，實驗表明，基本GPR模型和復合LGPFR模型在預測鋰電池SOH值具有較大的局限性。相比之下，如圖3C所示，利用本發(fā)明的GPR預測模型，無論是預測結果還是預測不確定度都得到了很大程度的提高。對于No.5電池，以上3個模型具體的預測誤差顯示于表1中。這里，兩個評價誤差的標準，即均方根誤差(rootmeansquareerror，RMSE)和平均絕對百分比誤差(meanabsolutepercentageerror，MAPE)用來評價預測性能。公式七：公式八：其中，m是預測階數(shù)，yi表示實際的SOH值表示預測的SOH值。如表1所示，基本GPR模型和復合LGPFR模型的RMSE值分別是13.03％和1.38％，而本發(fā)明提出的GPR預測模型的RMSE值為0.74％。類似地，基本GPR模型和復合LGPFR模型的MAPE值分別是12.13％和1.6％，而本發(fā)明的GPR預測模型的MAPE值為0.8％。這兩個誤差標準表明了本發(fā)明的GPR預測模型在預測性能上提高的程度。表1No.5電池三種預測模型的預測誤差對比No.5基本GPR模型復合LGPFR模型本發(fā)明的GPR預測模型RMSE0.13030.01380.0074MAPE0.12130.01660.0080此外，通過圖4A～4C、圖5A～5C以及下面給出的表2和表3可以得知，No.6和No.7電池的預測結果類似No.5的結果。其中，表2是以上3個預測模型針對No.6電池所得到的預測誤差，而表3則是以上3個預測模型針對No.7電池所得到的預測誤差。表2No.6電池三種預測模型的預測誤差對比No.6基本GPR模型復合LGPFR模型本發(fā)明的GPR預測模型RMSE0.22510.07080.0082MAPE0.26990.10590.0100表3No.7電池三種預測模型的預測誤差對比由此可知，本發(fā)明的基于神經網絡核函數(shù)GPR的鋰電池健康狀態(tài)預測方法相比于現(xiàn)有技術的預測結果較為準確，誤差較小。盡管根據(jù)有限數(shù)量的實施例描述了本發(fā)明，但是受益于上面的描述，本
技術領域：
內的技術人員明白，在由此描述的本發(fā)明的范圍內，可以設想其它實施例。此外，應當注意，本說明書中使用的語言主要是為了可讀性和教導的目的而選擇的，而不是為了解釋或者限定本發(fā)明的主題而選擇的。因此，在不偏離所附權利要求書的范圍和精神的情況下，對于本
技術領域：
的普通技術人員來說許多修改和變更都是顯而易見的。對于本發(fā)明的范圍，對本發(fā)明所做的公開是說明性的，而非限制性的，本發(fā)明的范圍由所附權利要求書限定。當前第1頁1 2 3