[发明专利]基于高斯过程回归的锂电池健康状况预测方法

摘要

基于高斯过程回归的锂电池健康状况预测方法，涉及一种锂电池健康状况预测方法，属于电化学和分析化学领域。目的是针对传统锂电池健康状况预测适应性差的问题。本发明是按一下步骤实现：一、绘制该锂电池的电池的健康状态SOH与充放电周期的关系曲线；二、根据具有再生现象的退化曲线和约束条件选择协方差函数；三、按照共轭梯度法迭代后确定超参数的最优值并该初值带入先验分布中；四、根据先验部分得到后验分布；五、得到不带高斯白噪声的预测输出f′的均值和方差；六、将实际测得的电池的健康状态SOH和步骤五得到的预测的电池的健康状态SOH共同带入到训练数据y中，得出f′，确定预测置信区间，预测出锂电池的健康状况。用于锂电池的检测。

主权项

1.基于高斯过程回归的锂电池健康状况预测方法，其特征在于：它是由以下步骤实现的：步骤一、将待检测新出厂的锂电池放空电，并再充满电，重复进行充放电N次，其中N大于或等于20的整数，记录周期内该锂电池的电池容量，然后绘制该锂电池的电池的健康状态SOH与充放电周期的关系曲线，即具有再生现象的退化曲线；步骤二、根据具有再生现象的退化曲线和约束条件选择协方差函数；该约束条件为所选择的协方差函数所构成的协方差矩阵满足非负定；协方差函数为k(x_i，x_j)＝k_f(x_i，x_j)+k_n(x_i，x_j)其中，k_f用来描述未知系统模型中的函数部分，k_n代表未知系统的噪声部分，x_i为一个输入点，x_j为另一个输入点，i为大于或等于0的正整数，j为大于或等于0的正整数；以其协方差函数值来衡量输入点x_i和输入点x_j之间的距离；步骤三、设定超参数Θ＝[l₁，σ_v，l₂，σ_f，w，σ_n]的初值，先设定任意初值，然后按照共轭梯度法迭代来得到似然函数偏导为0的最优值；步骤四、确定了协方差函数的形式后，将训练数据{(x，y)|i＝1，...，n}和预测输入代入协方差函数中，得到训练目标值和预测输出的先验分布如下，yf′~(0,k(x,x)+σn2k(x,x′)k(x,x′)Tk(x′,x′))]]>根据定理和已经得到的先验分布，则得到相应的后验分布为：f′‾|x,y,x′~N(f′,cov(f′)),]]>其中，f′‾=E[f′|x,y,x′]=k(x,x′)[k(x,x)+σn2I]-1y,]]>cov(f′)=k(x′,x′)-[k(x′,x)+σn2I]-1k(x,x′),]]>公式中，是噪声的方差，I是单位矩阵，x，x′是不同的输入点；y是训练数据的目标值，高斯过程回归的模型为：y＝f(x)+ε，ε为高斯白噪声，其分布是N(0，σ_n)；是不含噪声的均值预测输出；σ_n是噪声的方差；所述定理为：假设d是从服从有限维高斯分布中提取的样本，d～(0，D)，D为协方差矩阵，现在我们把d分为两部分[a，b]，即ab~N(0,ACTCB)]]>此时我们得到分布：b/a～N(CA^-1a，B-CA^-1C^T)；步骤五、根据步骤四中所得到的后验分布，将相应数值代入后得到不带高斯白噪声的预测输出f′的均值和方差cov(f′)；步骤六、将新测得的电池的健康状态SOH带入到训练数据y中，得出新的不带高斯白噪声的预测输出f′，确定预测置信区间，预测出锂电池的健康状况，然后循环进行步骤六，得到动态数据预测模型。