买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南昌师范学院

摘要：本发明公开了一种锂离子电池RUL时间序列预测方法,包括以下步骤；采用灰色关联分析方法确定预测模型的输入变量；然后重构确定的输入变量，恢复系统多维非线性状态空间；最后通过混沌优化算法使KECA的核参数达到全局最优，利用KECA对重构后的相空间时间序列进行特征提取，并将特征向量作为NARX神经网络的输入，得到最终的车用锂离子电池RUL预测值，本发明具有较优的非线性动态预测能力,较高的精确度及泛化能力。

主权项：1.一种锂离子电池RUL时间序列预测方法,通过灰色关联分析方法选取KECA-NARX模型的输入量，并进行相空间重构；采用KECA算法提取多维状态相空间的样本数据时间序列的主成分，并作为NARX模型的输入，采用混沌优化算法使KECA的核参数达到全局最优，得到锂离子电池最终的使用寿命预测值；包括如下方法步骤：1采集锂离子电池退化状态监测到的数据；2采用灰色关联从采集到的数据中选择KECA-NARX预测模型的输入变量；3采用C-C法确定嵌入维数和时间延迟，经计算，最后确定τ＝3和m＝8，利用上述结果通过相空间重构确定训练样本集为{xi,yi}，xi∈RN×M,yi∈RN×1，测试样本集为{xt,yt},xt∈RN×M,yt∈RN×1；4利用x∈RN×M，通过混沌优化算法确定KECA的全局最优核参数；5采用KECA方法提取x∈RN×M的核主成分集t，xt∈RNt×M的核主成分集tt；6通过相空间重构重新构造训练样本集t,y；7以核主成分集tt作为NARX输入，得到NARX预测模型的预测输出值；步骤4所述的确定KECA的全局最优核参数,其步骤如下：1令k＝0,r＝0,f*＝f0,c′i＝ai,d′i＝bi-ai，任取n个初始值h0,i，h0,i∈0,1，使h0,i之间相互差异不大，令由此可得n条不同初始值的轨迹，其混沌变量为hi；2载波，利用下式1以载波的形式将n个hk,i变成zk,i变量，也即zk,i＝c′i+d′ihk,i13将以上n个zk,i变量代入式zn+1＝4zn1-zn，进行如下的迭代搜索，Iffzk,i＜f*，thenf*＝fzk,i，else放弃zk,i；4k＝k+1，zk+1,i＝4zk,i1-zk,i；5循环执行步骤2和步骤4，如果在有限的循环步骤内，使f*的值维持不变，则执行下面步骤；6通过式2得到新的变量hk,i，再次循环执行步骤2和步骤4，如果f*的值在一定循环步骤内固定不便，则执行以下步骤7； 7令r＝r+1，利用式3缩小迭代搜索的范围，继续循环执行步骤2和步骤4，如果f*的值在一定循环步骤内固定不便，则再一次执行步骤7，如此往复执行若干次，通常为6-10次后结束优化，即为径向基核函数的r核参数最优值， 步骤5所述KECA方法，其步骤如下：1输入训练样本集{xi,yi}，xi∈RN×M,yi∈RN×1；2求解核矩阵K，同时对其进行中心化处理；3求解特征值问题；4求特征值对应的Renyi熵，并降幂排序，Eλ1,v1Eλ2,v2…EλN,vN，按Renyi熵大小，同样，将提取到的RUL时间序列的特征值及其向量进行降幂排序；5根据累积熵值贡献率86％的原则，确定核主元个数k；6选择前k个特征向量，提取KECA-NARX预测模型的训练样本集的核主成分集t；7输入测试样本集并标准化测试样本集；8计算得到核矩阵Kt，由此得到KECA-NARX预测模型的测试样本集的核主成分集tt；步骤7所述NARX模型是具有动态反馈性的非线性自回归网络，对历史状态信息有较强的记忆功能，将其应用于锂离子电池RUL时间序列预测中能够很好反映RUL时间序列预测的时变特性，较适合于对锂离子电池RUL时间序列预测研究，NARX模型结构如图1所示，NARX模型统一的数学结构为：yt＝f[yt-1,...,yt-na,ut-nk,...,ut-nk-nb+1]式中：ut、yt分别为系统的输入和输出；f为非线性函数；na,nb分别为模型输出及输入阶次；nk为延时量。

全文数据：

权利要求：

百度查询： 南昌师范学院 一种锂离子电池RUL时间序列预测方法