[发明专利]基于MIV和SVM模型的磷酸铁锂电池寿命预测方法

说明书

本发明公开了一种基于MIV和SVM模型的磷酸铁锂电池剩余寿命预测方法，通过运用MIV算法得到输入变量对输出的影响重要度，然后筛选出最重要的变量作为输入变量，避免将不重要的自变量引入到预测模型的训练和测试过程中。在变量优选后得到只包含优选变量的新的训练集和测试集，利用优选训练集和SVM训练出预测模型，由于SVM采用结构风险最小化作为最优准则，能够获取全局最优解，结合经过优选的仅包含循环次数、电阻等变量的数据集训练得到的预测模型可以有效提高预测效率和精度。

技术领域

本发明涉及磷酸铁锂电池寿命预测领域，尤其涉及一种基于MIV和SVM模型的磷酸铁锂电池寿命预测方法。

背景技术

磷酸铁锂电池因其有许多优势在许多场合中得到了广泛的应用，替代了传统的铅蓄、镍镉等电池，并应用在了农业、通讯行业、工业等众多领域，与人类的生活变得密不可分。但是磷酸铁锂电池也存在寿命问题的困扰。很多因素影响其充放电能力，比如电池内部材料的损耗、不合理的使用方式等。这些都会使得电池的健康状态(State of Health,SOH)逐渐退化，SOH是用来表示电池的存储能力的，是用来描述电池性能状态的参量。如果忽视其退化过程，会损坏相关的设备，严重的情况下会给人类的生命财产造成巨大损失。近几年，相关研究人员一方面开始开发更好的电池，另一方面也开始对电池的SOH展开研究。电池SOH的监测，不仅能够监测电池的退化状态，还能够防止故障灾难事故的发生。目前相关的研究人员已经从各个方面对电池的材料以及制作水平进行了改进，但实际中，此问题没有得到根本的解决，因此对电池的SOH做好评估和预测工作，可以从很大程度上保证电池长期、可靠的工作，防止事故的发生。Patil等人在算法的基础上利用分类和回归相结合的方法来实时估计锂离子电池的SOH，但是此方法有可能引入无关变量，导致降低模型的精度。本发明在SVM模型的基础上运用MIV算法对输入变量进行筛选，排除了无关变量的影响，提高了模型的精度。

发明内容

本发明的目的是提供一种能准确预测磷酸铁锂电池寿命的方法。

本发明提供了一种基于MIV和SVM模型的磷酸铁锂电池寿命预测方法，实现过程为：

步骤一：获取磷酸铁锂电池在不同变量下的容量数据，并将数据分成两组，一组为训练集，另一组为测试集；其中，所述不同变量至少包括磷酸铁锂电池的充电截止总电压、放电截止总电压、循环次数以及内阻；所述容量数据为磷酸铁锂电池的电池容量；

步骤二：对MIV算法中BP网络的训练参数进行设置，确定磷酸铁锂电池的容量数据中各个变量的MIV值，并按绝对值大小进行排序，设定MIV绝对值阈值，并将MIV绝对值小于MIV绝对值阈值的变量剔除，保留MIV绝对值大于MIV绝对值阈值的变量，实现对输入变量的筛选，并得到筛选后的训练集和测试集；

步骤三：对SVM的参数进行设置，将筛选后的训练集作为SVM的输入，训练得到预测模型；

步骤四：利用测试集进行测试，并验证预测模型的准确性。

其中，设置网络训练参数的步骤包括：

根据输入变量、输入层和隐含层间的连接权值ω_ij以及隐含层阈值a计算隐含层输出H，计算公式为：

f为隐含层激励函数，计算公式为：

式中l为隐含层的节点数；

根据隐含层输出H，连接权值ω_jk和输出层阈值b计算BP神经网络的预测输出O，并将预测输出作为电池的可放电容量，计算公式为：

其中，设置网络训练参数的步骤之后，包括：