基于EMD-GPR的锂离子电池剩余寿命预测方法研究.docx

《基于EMD-GPR的锂离子电池剩余寿命预测方法研究.docx》由会员分享，可在线阅读，更多相关《基于EMD-GPR的锂离子电池剩余寿命预测方法研究.docx（12页珍藏版）》请在优知文库上搜索。

1、基于EMD-GPR的锂离子电池剩余寿命预测方法研究李泱，张营*,邹博雨，陈璐，徐剑澜，顾杰(南京林业大学汽车与交通工程学院，江苏南京2137)I摘要锂离r电池在具等良好的使用性能的同时存在剩余寿命预测精度不高的问题，因此本文提出一种基于经验模态分解(EmPiriCaIMOdeDeComPoSition,EMD)和高斯过程回归(GaUSSianProCeSSRegreSSion,GPR)的锂离门电池剩余寿命预测方法。首先，运用EMD对电池容量数据进行分解，从分解结果中选择能够衣征锂电池退化的趋势项，接着基于趋势项，构建GPR预测模型，最后利用拟合的GPR模型分别对锂离子电池剩余寿命进行点预测和区

2、间预测。并且通过进行实验来验证本文所提的方法，实验数据结果表明点预测方法中多步预测精度更高，而区间预测能提供更多的参考信息，具有更强的有效性和适用性。关健词1锂离子电池；剩余寿命；电池容量:高斯过程回归：经验模态分解中图分类号TM912文献标派码AResearchonresiduallifepredictionmethodofLithiumionbatterybasedonEMDGPR作者筒介，李泱，本科在读，就读于南京林业大学，研究方向：锂电池剩余寿命预测，手机：，E-maiki.1.iYanglStudyinginNanjingForestrymainresearchinterestinc

3、ludetheresiduallifepredictionmethodoflithiumionbattery.通讯作者F张营，于南京航空航天大学获得博士学位，研究方向：故障预测与健康管理；ZhangYingjeceivedhisPh.D.degreefromNanjingUniversityofAeronauticsandmainresearchinterestincludefailurepredictionandhealthmanagement.基金项目，江苏省高等学校大学生创新创业训练计划项目(项目编号：Z)项目资助，项目名称为基于自适应多核RVM的锂电池剩余寿命预测方法研究71.iYan

4、g,ZhangYing*,ZouBoyu,ChenLu,XuJianlan,GuJie(collageofAutomobileandTrafficEngineering.NanjingForestryUniversity.JiangsuNanjing210037)AbstractLithiumionbatterieshavegoodperformance,butthepredictionaccuracyofresiduallifeisnothigh.Therefore,thispaperproposesaresiduallifePrediCIionmethodofli(hiumionbat(e

5、riesbasedonempiricalmodeJecomposilion(EMD)andGaussianprocessregression(GPR).Firstly,EMDisusedtodecomposeIhebatterycapacitydata,andthetrendtermthatcanCharaclerizethedegkUiQnoflilhium-ionba(eryisselectedfrom(hedecompositionresults.Then,basedonIhetrendlerm,theGPRpredictionmodelisconstructed.Finally,Ihe

6、fittingGPRmodelisusedtopredicttheresiduallifeoflilhium-ionbattery.Theexperimentalresultsshow(hatthemuhi-steppredictionaccuracyofthepointpredictionmethodishigher,andtheintervalpredictionmethodcanprovidemorereferenceinformation,andhasstrongereffectivenessandapplicability.KeywordsLithiumionbattery;Resi

7、duallife;Batterycapacity;Gaussianprocessregression;Empiricalmodaldecomposition.CLC NO. TM912DocumentCOdeAO引言锂离子电池是目前最有发展前景的新能源之一，其被广泛使用3；它的应用领域和占比在不断的变化，未来在新能源汽车、能源储存系统、轻型电动车等方面都会涉及到，可见发展潜力巨大。但锂离子电池也存在一个致命的缺点，即它的剩余使用寿命会不断衰减，尤其对锂电池组来说，循环寿命一般在500次左右。在许多应用领域中，锂电池一旦失效会造成巨大的影响。因此，锂离子电池剩余寿命(RemainingUsefu

8、lLife.RUD预测方法的研究，对应用锂离子电池的各大领域的安全性、经济性和稳定性都起着关健作用，我们应予以重视。目前国内外的学者对锂电池剩余寿命预测的方法主要有三种，分别为基于经验的方法、基于模型的方法和数据驱动的方法。基于经验的锂电池寿命预测方法无法反映出电池内部状态，在应用中有很大的局限性，而且此方法必须在特定的条件下方能使用，预测效果也不佳，所以逐渐被弃用。基于模型的预测方法根据锂电池的物理特性建立一个表征性能退化过程的物理失效模型，但锂电池内部物理化学结构复杂难以建立相关模型。而基于数据驱动的方法则不依赖于电池的内部结构，它是基于表征性能退化的特征参数数据，来建立机器学习模型，从而

9、获取退化的规律，进而对RUL进行预测口。常见基于数据驱动的锂离子电池RUL预测方法主要有：自回归(AutoRegressive,AR)模型，人工神经网络(ArtificialNeuralNetworks,ANN)叽支持向量回归机(SupportVectorMachine,SVM)|7-81,高斯过程回归(GPR)EUL相关向量机(RelevanceVectorMachine,RVM)U等。其中，GPR是一种广受欢迎的学习方式，其以贝叶斯框架为理论基础，可用来解决非线性的回归问题。GPR在处理高维问题方面，相较于SVM和ANN更容易实现。作为机器学习方法的一种，高斯过程由于其模型训练易于实现，模

10、型泛化能力强和善于处理非线性问题的优点，被广泛应用于回归和分类问题中U.庞景月倒利用高斯过程回归(Gaussianprocessregression,GPR)方法给出锂电池剩余寿命预测的不确定性区间，构建了锂离子电池在线剩余寿命预测的方法。吴祎UU提出一种基于变分模态分解和高斯过程问归的锂离子电池剩余寿命预测方法，降低了容量预测误差。吕佳朋1基于不同的核函数建立高斯过程回归模型对电池容量进行回归预测，同时对比了灰色模型和神经网络模型的预测效果，证明高斯过程回归模型的预测效果要优于其他模型的预测效果。大多数研究直接采用电池容量数据或将电池容最数据分解预测后再进行加和处理，而锂电池性能退化数据不仅

11、包含整体性能退化信息，同时包括因电池搁置引起的容量再生分量以及随环境困素变化的波动量，导致电池性能退化过程呈现非线性和时变性UL因此本文提出利用经验模态分解(EMD)分解电池容量信号获得趋势项，进而进行剩余寿命预测的方法。趋势项可以完整、平滑地表征电池退化趋势，能够有效提高GPR模型预测寿命的精度。经验模态分解是一个信号处理办法，适用来对非线性信号进行平稳化处理(四。在实质上，原始信号在经过EMD分解处理后会变成一些特征尺度各不相同的特征分量，即本征模态函数(IntrinSiCMOdeFunction,IMF)o因而，经验模态分解能够用来提取某个信号序列的改变趋势或把其中不需要的模态去除掉.经

12、大量研究证明，经验模态分解法是一个非常有效的信号分析方法并且特别适合用来解决具有非平稳、非线性特征的信号1。基于上述现状分析，本文提出一种基于EMD和GPR的锂离子电池剩余寿命颅测方法。首先是利用EMD对电池容量数据进行分解，从而获得表征锂电池退化的趋势项。接着基于趋势项，构建GPR预测模型。最后利用拟合的GPR模型分别对锂离子电池剩余寿命进行点预测和区间预测，并对两种预测方法进行比较分析。1 .经验模态分解(EMD)经验模态分解(EMD)是由黄鳄等Bl提出的-种信号处理方法。该方法将原始数据序列分解成若干个本征模态函数(IMF)和一个代表原始信号总体趋势的趋势项，每个分量包含着不同的局部特征

13、。通过EMD分解得到IMF需要满足以下两个约束条件UZ(1)在整个序列数据段内，极值点的个数和过零点的个数必须保持一致或者至多相差个；(2)在任何一个数据点，由极大值确定的上包络线和极小值确定的下包络线的平均值必须为零，设数据信号为X，EMD分解步骤I如下：步骤一：标记出x(t)的所有局部极大值点和极小值点，然后使用3次样条插值法分别拟合得到原始数据信号的上包络线EMt)和下包络线E2(I)1通过计算可以得出上下包络线的平均值曲线m1(t):时，EMD分解结束，此时r4t)称为趋势项，它表示原始数据信号的息体趋势。即原始数据信号虱t)可表示为一组IMF分量和一个趋势项的和:咽H)=山2山(1步

14、骤二:原始数据信号x(t)减去上下包络线的平均值m(t)得到一个新的数据信号h1(t):(z)=(0+(z)数据hkT)(t),hik之间的标差SD停止定义是：SD = Sr=0(ka-d(o-1o)(7a()=(f)-miU)步骤三：判断新的数据信号h|(t)是否满足IMF的条件，若h1(t)不是一-个IMF,则将h(t)的上下包络线的平均值曲线定义为：mn(t),将h减去m(t),得到h(t):I(0=(f)-nA(f)(3重复公式(3k次，有：(4-(0叫心-叫)式(4)中，h1Kt)为第k次分解得到的信号，h|(t)为第k-1次分解得到的信号，m1k为hi#)的平均包络线。当满足IMF

15、条件时，h1k变为第一个IMF分量，记为皿)。步骤四:用原始数据信号x(t)减去6得到一个残佘量信号D(t):Mr)=X-工(5)将残余量信号ri看作是新的数据信号X，重复上述步骤，可依次得到f1(t),f2(t).L.当Mt)变成常量或者单调函数SD的取值范围一般设为0.2,0.3o2 .高斯过程回归(GPR)高斯过程是一种随机过程,其有限数量的随机变量均符合高斯分布。高斯过程回归则是使用高斯过程先验对数据进行回归分析。1,9k对于回归的问题，结合实际的情况通常都会考虑到噪声”,那可以建立GPR的一般模型，即:y=f(x)+式中EYO,成)，均值为0,方差为GJ，那么可以得到：ygp(m(x),k(x,x)+n2lj)(9)Eij被称为克罗内克函数，当i=j时，函数6=1;基于此用矩阵形式表示协方差函数，BP：C(X,X)=K(X,X)+n2I(10)式中：I表示NXN的单位矩阵,C(X1X)表示NXN的协方差矩阵，K(X,X)表示NXN的核矩阵，称为格拉姆矩阵，其中元素Klj=k(x*j)给定数据集合D=(x1,y)用I，其中输入矩阵为Xi，xieRd.输出矩阵为力，yiR。高斯过程将贝叶斯原理作为理论基础，采取已有的数据集D建立起先验函数，通过八*个已有测试数