[发明专利]基于考虑内外特性的锂离子电池剩余使用寿命预测方法

权利要求书

1.一种基于考虑内外特性的锂离子电池剩余使用寿命预测方法，其特征是，它包括的步骤有：

1.数据的提取

利用电池测试仪得到电池充放电循环的充电能量、放电能量和容量值C，利用中子衍射技术获得锂离子电池极片截面Li⁺浓度C_Li，利用俄歇电子能谱法AES获得SEI膜的厚度；

提取数据集，在电池充电过程中取等时间间隔的充电能量W_c作为第一个健康因子F₁，其定义为：

式中t₁和t₂为时间间隔的两个时间点，U_c(t)和I_c(t)分别表示充电过程中等时间间隔内所监测到的实时电压和电流值；

充放电效率η作为第二个健康因子F₂，其表示为：

式中t_d为放电所需要的时间，U_d(τ)表示放电过程中所监测到的实时电压值，I_d(τ)表示放电过程中所监测到的实时电流值，t_Charge表示第二次充满电所需要的时间，U_Charge(τ)表示充电过程中所监测到的实时电压值，I_Charge(τ)表示充电过程中所监测到的实时电流值；

由于电池在充放电过程中，极片截面Li⁺浓度C_Li不断发生变化，很好的反应了电池的内特性，因此作为第三个健康因子F₃；SEI膜的厚度T_SEI也随着电池充放电循环不断的发生变化，很好的表征电池的内特性，因此作为第四个健康因子F₄，将数据集{F₁，F₂，F₃，F₄}作为输入量，所对应的容量值C作为输出量；

2.数据集的预处理：将数据集{F₁，F₂，F₃，F₄}分为训练样本和测试样本；

3.构建IWOA-MRVM模型

RVM是Tipping提出的一种稀疏概率模型，是一种基于贝叶斯学习理论的机器学习方法，能很好地处理小样本、非线性和时间序列问题；

若给定训练样本集D＝{(x_i,y_i)|i＝1,2,...,n}，其中x_i∈Rⁿ是样本的输入量，y_i∈R是样本的输出量，n为样本数量，则RVM模型定义为：

式中w＝(w₀,w₁,...,w_n)^T为权值向量，K(x_i,x_j)为核函数，w₀为初始权值；

1)建立混合核相关向量机MRVM方法

RVM学习训练就是求解给定样本所对应权值向量w的后验概率分布，与SVM相比，RVM能提供后验概率，而且不受梅西定理的约束；

建立一种基于线性核函数、多项式核函数和高斯核函数的混合核相关向量机MRVM方法，其中线性核函数具有捕捉电池退化过程中的单调性特征，多项式核函数则考虑电池退化过程中的全局性特征，高斯核函数具有捕捉电池退化过程中的局部非线性变化趋势，然而多个核函数混合，综合了各个核函数的表达能力，更好的捕捉电池退化特性；

其中，线性核函数表达式为：

K_line(x_i,x_j)＝x_i·x_j (6)

多项式核函数表达式为：

K_poly(x_i,x_j)＝((x_i·x_j)+1)^d (7)

高斯核函数表达式为：

K_rbf(x_i,x_j)＝exp(-||x_i-x_j||/(2σ²)) (8)

三个核函数混合的数学表达式如式(5)所示：

K_hun(x_i,x_j)＝λ₁·K_line(x_i,x_j)+λ₂·K_poly(x_i,x_j)+λ₃·K_rbf(x_i,x_j) (9)

式中λ₁为线性核函数的权重系数，λ₂为多项式核函数的权重系数，λ₃为高斯核函数的权重系数；

2)构建改进的鲸鱼优化算法IWOA

利用改进的鲸鱼优化算法IWOA对MRVM模型参数进行优化；

WOA算法是一种元启发式优化算法，主要模拟座头鲸狩猎行为，即泡泡网狩猎方法，①包围收缩：由于座头鲸能识别并包围猎物，假设在当前种群中有最优的位置为猎物,其他座头鲸个体均向其包围，则位置更新的数学表达式为：

式中t为当前迭代次数，为目前所得到的最佳鲸鱼位置，为当前鲸鱼位置，A和C为系数变量，定义为：

A＝(2r₁-1)a (12)

C＝2r₂ (13)

式中a为迭代过程中从2线性递减到0，r₁和r₂为0和1之间的随机值；

②发泡网攻击：鲸鱼在一个收缩的圆圈内，通过螺旋收缩机制和位置更新，以模拟鲸鱼狩猎行为，数学模型表示为：

式中每个鲸鱼与当前最佳鲸鱼位置之间的距离，b是常数，l表示-1和1之间的随机数，p表示0和1之间的随机数；

③搜索猎物：当|A|≥1时，鲸鱼选择随机搜索策略，数学模型表示为：

式中表示随机选择的鲸鱼位置；

在WOA算法中引入自适应惯性权重，使得鲸鱼在搜索猎物过程中更加多样化，提高了算法的优化精度，该模型表示为：

w₁＝-0.5·α·cos[(π/2)·exp(t/T)+β] (18)

w₂＝0.5·α·sin[(π/2)·exp(t/T)-β] (19)

式中w₁为当前最佳鲸鱼位置的自适应系数，w₂为当前鲸鱼位置的自适应系数，α和β均为[0,1]的随机数；

通过以上步骤即构建完IWOA-MRVM模型；

4.利用训练样本来训练IWOA-MRVM模型，利用IWOA算法为MRVM模型的参数进行寻优，从而获得更恰当的参数；

5.实现锂离子电池剩余使用寿命预测

利用测试集来分析IWOA-MRVM模型的可行性，输出预测结果并绘制95％的置信区间。