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
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。