基于相关向量回归的锂电池剩余寿命检测方法与流程

技术特征：
1.一种基于相关向量回归的锂电池剩余寿命检测方法，其特征在于包括如下步骤：步骤一：对锂电池数据进行预处理，以及初始化相关向量机rvm算法参数；步骤二：麻雀种群初始化以及适应度评估；步骤三：麻雀种群位置更新，迭代训练；步骤四：判断迭代收敛条件；步骤五：优化结束后，保存模型最优参数，并使用模型对数据集进行训练和预测。2.根据权利要求1所述的一种基于相关向量回归的锂电池剩余寿命检测方法，特征在于：所述步骤一具体为：对于某个锂离子电池，其已知容量数据为一维向量a(1),a(2),...,a(i)i∈(1,n)，采取数据升维的方式，添加交互项，将每个数据a(i)升维成多维向量b(i)＝[a(i
‑
4),a(i
‑
3),...,a(i)]，则原始输入数据变成多维向量b(5),b(6),...,b(i)i∈(1,n)；对于相关向量机rvm算法，设置初始参数。3.根据权利要求1所述的一种基于相关向量回归的锂电池剩余寿命检测方法，特征在于：所述步骤二具体为：以相关向量机rvm核函数的参数a、b组成一个麻雀个体，其中a是多项式核函数的权值，b是高斯核函数的权值，其初值范围均设定为[0.1,10]；在该空间里均匀取值，形成大小为100的麻雀种群x＝(x1,x2,...,x
n
)；评估每个麻雀对应的相关向量机rvm算法中训练集的均方根误差，作为该麻雀的适应度。4.根据权利要求1所述的一种基于相关向量回归的锂电池剩余寿命检测方法，特征在于，所述步骤三具体为：更新麻雀种群里个体的位置；以麻雀种群中适应度前20％的麻雀个体作为发现者，并更新发现者位置，其更新函数为：其中x
i
是经过多次迭代后的第i个个体，x
i 1
是对于x
i
求解下一次位置的个体，μ是符合均值1，方差1的正态分布函数，x
best
是当前麻雀种群中最优个体，q为标准正态分布随机数，r2为[0,1]范围内的随机数，st是警戒阈值；采取了随机搜索加反向搜索的思路，从而扩大了麻雀的搜索范围；对于其他麻雀种群，设定其为跟随者种群，其位置更新函数如下：式中，x
worst
是当前适应度最差的麻雀，a

＝a
t
(aa
t
)
‑1，a表示一个1*d的矩阵，矩阵中每个值都从{
‑
1，1}中随机选取，l为矩阵[1,1]；对于所有的麻雀种群，每次迭代都将随机选取部分个体做出反捕食行为；这些反捕食者的位置更新函数如下：式中，β为随机数，满足标准正态分布的特性；k为[
‑
1,1]中的随机数，ε值取为10
‑
50
，防
止分母取0；反捕食行为说明：对于反捕食种群，其适应度函数最优时，麻雀会随机逃离到其他位置，否则，会逃离到当前最优位置附近，从而实现搜索的缓慢收敛。5.根据权利要求1所述的一种基于相关向量回归的锂电池剩余寿命检测方法，特征在于，所述步骤四具体为：判断每次麻雀种群位置迭代是否满足结束要求，直到达到迭代次数1000，优化结束，否则返回步骤三。6.根据权利要求1所述的一种基于相关向量回归的锂电池剩余寿命检测方法，特征在于，所述步骤五具体为：优化结束后，保存模型最优参数，以步骤一中升维数据b(5),b(6),...,b(i)i∈(1,n)作为训练集进行训练，并预测出下一个数据a(i 1)，使用预测数据a(i 1)构建下一组升维数据b(6),b(7),...,b(i 1)i∈(1,n)，并继续将这组升维数据进行训练，得到下一个数据a(i 2)；如此反复迭代，从而得到电池的剩余寿命rul值。

技术总结
本发明提供一种基于相关向量回归的锂电池剩余寿命检测方法，包括如下步骤：步骤一：对锂电池数据进行预处理，以及初始化相关向量机RVM算法参数；步骤二：麻雀种群初始化以及适应度评估；步骤三：麻雀种群位置更新，迭代训练；步骤四：判断迭代收敛条件；步骤五：优化结束后，保存模型最优参数，并使用模型对数据集进行训练和预测。本发明将改进麻雀搜索算法与RVM算法结合，优化了RVM算法的参数，使用了数据预处理的方法，并仅使用锂电池容量数据进行特征训练，获得电池容量预测结果，从而对锂电池剩余寿命进行检测。池剩余寿命进行检测。池剩余寿命进行检测。


技术研发人员：徐自强 赵开 吴孟强 朱洪涛 郝晓明
受保护的技术使用者：电子科技大学
技术研发日：2021.05.21
技术公布日：2021/12/16