一种锂离子电池剩余使用寿命区间预测方法和系统

1.本发明属于锂离子电池技术领域，具体涉及一种基于模糊信息粒化和语言描述的锂离子电池剩余使用寿命区间预测方法和系统。


背景技术：

2.锂离子电池作为一种可再生能源，具有能量密度高、自放电率低、寿命长等优点，现已被广泛应用于许多领域。从智能手机到电动汽车再到航空航天动力系统，这一切的稳定运行离不开锂离子电池相对稳定的能源供应。然而，随着寿命周期的增加，电池性能会逐渐下降，当退化达到某一点(失效阈值)时，电池出现故障的可能性会增加，这可能会导致任务失败，甚至是灾难性事件。因此，构建一个令人满意的电池剩余使用寿命(remaining useful life,rul)预测模型对预防危险事故的发生具有重要的现实意义。
3.从实际应用的角度来看，一个设计良好的预测模型不仅要能预测出电池容量的变化趋势，还应该提供电池剩余使用寿命的预测区间，这样，用户可以在潜在危险故障发生前得到充分的预警，并做出合理的决策，以减少不必要的损失。在安全或紧急程度较高的情况下，应该在rul预测区间内尽早做出选择，以避免发生事故，反之则可以适当延长使用周期，以减少浪费。因此，建立锂离子电池剩余使用寿命区间预测模型对于锂离子电池的实际应用具有重要意义。
4.近年来研究人员已经从不同的角度对电池rul的预测进行了研究。然而，现有的关于锂离子电池健康管理和rul预测的研究大多是基于数值水平，即给出预测结果的准确值，而不是提供一个可用于决策的预测区间。一些学者提出了新的数据驱动方法或混合方法，结合不同类型方法的相对优势来预测电池退化趋势。有学者提取新的健康指标(his)，或对多个his进行相关性分析，以识别电池退化状态中较为敏感的变量。有文献对现有的优化算法进行了改进，也有文献考虑了电池的容量再生行为。上述方案的预测结果都达到了一定的精度，但都是基于电池rul的数值预测方法。当涉及到实际问题时，一方面，在某些人类推理和决策需要依赖于预测结果的情况下，定量的数值结果可能不是绝对必要的；另一方面，考虑到电池退化轨迹复杂，测量过程容易受到干扰，原始数据有噪声、不稳定且高度非线性，因此，很难获得精确的电池rul预测模型，且当前的基于数值预测的策略也不能实现一个完美的预测结果，反而可能给电池rul的估计带来更大的不可靠性。


技术实现要素：

5.针对现有数值预测策略的局限性，本发明提出了一种基于模糊信息粒化和语言描述方法的锂离子电池剩余使用寿命区间预测方法和系统。
6.本发明采用的技术方案如下：
7.一种锂离子电池剩余使用寿命区间预测方法，包括以下步骤：
8.从电池数据集中提取电池容量退化时间序列；
9.对电池容量退化时间序列进行离散化，将电池容量退化时间序列划分为宽度固
定、不重叠的子集，每个子集称为一个时间窗口；
10.利用模糊信息粒化方法对时间窗口进行处理，生成与时间窗口对应的模糊颗粒；
11.对模糊颗粒进行语言描述，为每个模糊颗粒附加语义标签来表示其波动状态；
12.使用带有语义标签的模糊颗粒作为输入，采用最小二乘支持向量机模型对电池剩余使用寿命进行区间预测。
13.进一步地，所述利用模糊信息粒化方法对时间窗口进行处理，生成与时间窗口对应的模糊颗粒，包括：
14.选择三角隶属度函数生成模糊颗粒；通过模糊信息粒化，时间窗口t1,t2,
…
,t
t
分别生成相应的模糊颗粒g1,g2,
…
,g
t
；每个颗粒gi保留三个值ai、mi和bi，该三个值反映时间窗口ti的主要信息，其中ai和bi分别表示生成颗粒的下界和上界，mi表示生成颗粒的平均水平；然后，对应模糊颗粒的三组序列{a1,a2,
…
,a
t
}、{m1,m2,
…
,m
t
}和{b1,b2,
…
,b
t
}分别用low、r和up表示，其中up和low为区间预测提供上下界。
15.进一步地，所述对模糊颗粒进行语言描述，为每个模糊颗粒附加语义标签来表示其波动状态，包括：
16.根据时间序列的变化情况，将其波动状态分为若干程度，形成一个语义集l＝{l1,l2,
…
,lc}，其中lj表示一个语言项，对应数据的一种波动状态；
17.将模糊颗粒g1,g2,
…
,g
t
对应的时间窗口中数据的波动状态与语义集l中的元素逐一进行比较，依次为每个颗粒选择最接近其波动状态的语言项来进行描述，生成一个信息特征序列该序列中的元素与对应颗粒的波动状态相关。
18.进一步地，采用更低、低、中、高和更高五种程度的语言项组成的语义集来描述电池退化时间序列中颗粒的波动状态。
19.进一步地，所述使用带有语义标签的模糊颗粒作为输入，采用最小二乘支持向量机模型对电池剩余使用寿命进行预测，包括：
20.取前num个颗粒作为训练数据，预测从num 1到t的颗粒；
21.电池rul的最终区间预测结果由两部分组成，第一部分为颗粒的up和low的预测结果，第二部分为语言项序列的预测结果；
22.在对预测结果进行归并时，对第二部分即语言项序列的预测结果进行回溯，转换成相应颗粒的波动数据，与第一部分的预测结果进行叠加，得到最终的预测结果。
23.进一步地，采用特异性准则和覆盖准则评价区间预测的性能，其中特异性准则用来计算预测区间的宽度，覆盖准则用来衡量预测区间的准确度。
24.一种采用本发明方法的锂离子电池剩余使用寿命区间预测系统，其包括：
25.时间序列提取模块，用于从电池数据集中提取电池容量退化时间序列；
26.时间序列离散化模块，用于对电池容量退化时间序列进行离散化，将电池容量退化时间序列划分为宽度固定、不重叠的子集，每个子集称为一个时间窗口；
27.时间窗口粒化模块，用于利用模糊信息粒化方法对时间窗口进行处理，生成与时间窗口对应的模糊颗粒；
28.语言描述模块，用于对模糊颗粒进行语言描述，为每个模糊颗粒附加语义标签来表示其波动状态；
29.区间预测模块，用于使用带有语义标签的模糊颗粒作为输入，采用最小二乘支持
向量机模型对电池剩余使用寿命进行区间预测。
30.本发明的有益效果如下：
31.针对现有数值预测策略的局限性，提出了一种基于模糊信息粒化和语言描述方法的锂离子电池剩余使用寿命区间预测策略。首先引入模糊信息粒化对电池容量退化时间序列进行处理，将原始的数值级数据转化为颗粒级，这是实现区间预测的基础。其次，为了解决在处理电池退化数据时由于模糊信息粒化而造成的波动信息丢失的问题，本发明创造性地引入了一种语言描述方法，为每个模糊颗粒附加语义标签来表示其变化状态。最后，结合最小二乘支持向量机算法，使用带有语义标签的颗粒作为模型的训练输入，对电池rul进行预测，在实现电池rul区间预测的同时，考虑了退化序列的波动特征。
32.本发明利用美国航空航天局电池退化试验中的四组电池退化数据进行了实验。对不同电池数据的实验结果表明，该策略能够实现对锂离子电池rul区间的预测，且具有较好的适用性。此外，本发明为区间预测模型引入了一种评价标准，从区间覆盖和特异性两个方面对所提模型的区间预测性能进行评价。结果表明，本发明提出的基于模糊信息粒化和语言描述的区间预测模型具有良好的预测效果。
附图说明
33.图1是基于模糊信息粒化和语言描述的rul区间预测模型示意图。
34.图2是四组电池(cell 5，cell 6，cell 7和cell 18)容量退化曲线。
35.图3是cell 5的模糊粒化结果。
36.图4是cell 5从第24个颗粒到第56个颗粒的语言描述的预测结果。
37.图5是基于模糊信息粒化和语言描述的区间预测结果，其中：(a)cell 5，(b)cell 6，(c)cell 7，(d)cell 18。
具体实施方式
38.为使本发明的上述目的、特征和优点能够更加明显易懂，下面通过具体实施例和附图，对本发明做进一步详细说明。
39.1.基于模糊信息粒化和语言描述的区间预测模型
40.本发明所提出的基于模糊信息粒化和语言描述的锂离子电池rul区间预测模型，整个模型主要可以归纳为五个步骤，如图1所示，分别是时间序列的提取、时间序列的离散化、时间窗口的粒化、颗粒的语言描述以及建立预测模型。用x＝{x1,x2,
…
,xn}表示时间序列，t1,t2,
…
,t
t
表示时间窗口，w表示窗口的宽度。详细说明如下。
41.步骤1：时间序列x的提取。众所周知，在锂离子电池的rul预测领域，容量直接反映了电池的健康状态，将其作为hi(健康指标)来进行建模通常比其他方法更加准确和有效。因此，从电池数据集中提取容量退化时间序列进行后续研究，该步骤对应图1中的步骤1(step1)。
42.步骤2：时间序列x的离散化。离散化是指将原始时间序列划分为宽度固定、不重叠的子集，每个子集称为一个时间窗口。在这一步中，关键是确定窗口的宽度w，后续的预测都是基于此操作。如图1中的步骤2(step2)所示，在离散化之后，时间序列将被划分为时间窗口t1,t2,
…
,t
t
。
43.合理的时间窗口的分割是更好地分析原始时间序列的前提。对原始时间序列进行分割时，一般采用定长分割方法，即用恒定宽度分割窗口，这样所形成的每个子序列所包含的样本数据数量相同。设x＝{x1,x2,
…
,xn}为一时间序列集合，定义分割后的窗口大小为w，其范围为1≤w≤n。时间窗的大小与保留原始时间序列固有信息的能力有关。如果w＝n，则表示整个时间序列被划分为一个窗口，那么颗粒的尺度太大，无法体现信息粒化的优势。如果w＝1，每个样本xi都被视为一个颗粒，在这种情况下，对时间窗口的粒化是无效的。因此，选择合适的时间窗口大小至关重要。
44.本发明在确定时间窗口的宽度w时，还要关注实验所用数据集规模的大小。若数据集规模较小，w的设定应在保证可以行使粒化优势的前提下尽量小，否则，粒化后的颗粒数量过少，会影响后续的建模和预测。
45.步骤3：时间窗口的粒化。得到时间窗口后，利用模糊信息粒化方法对时间窗口子集进行处理。选择三角隶属度函数生成模糊颗粒。如图1的步骤3(step3)所示，通过模糊信息粒化，时间窗口t1,t2,
…
,t
t
分别生成相应的模糊颗粒g1,g2,
…
,g
t
。经过三角隶属度函数处理，每个颗粒gi保留三个值ai、mi和bi，它们反映时间窗口ti的主要信息。其中，ai和bi分别表示生成颗粒的下界和上界，mi表示生成颗粒的平均水平。然后，对应模糊颗粒的三组序列{a1,a2,
…
,a
t
}、{m1,m2,
…
,m
t
}和{b1,b2,
…
,b
t
}分别用low、r和up表示。特别地，作为实现区间预测的基础，up和low可以为区间预测提供上下界。
46.zadeh等人(zadeh,l.a.,fuzzy sets and information granularity.advances in fuzzy set theory and applications,1979:p.3-8.)提出的信息粒化是指将一个整体的对象分割成多个小的部分，每个小的部分都可以看作是一个信息颗粒。信息粒化可以帮助我们简化复杂的问题，并捕获问题的一些细节。对于时间序列预测问题，通过信息粒化，原始数据可以被组织成一些有意义的、语义健全的信息颗粒，从而将预测问题从数值级转化为颗粒级。
47.在信息粒化的概念下，本发明主要利用模糊集理论来表达信息粒，这一过程称为模糊信息粒化。在对电池退化数据等时间序列进行模糊信息粒化处理时，可以将原始的数值序列转化为模糊颗粒，满足了rul区间预测对数据处理的需求。此外，模糊信息粒化在揭示时间序列本质的同时，也可在一定程度上减少模型的计算开销。
48.将时间序列离散化后，对得到的时间窗进行模糊信息粒化，即生成模糊信息颗粒。对于一个时间序列x，在模糊信息粒化的过程中，将每个时间窗口的子集进行处理，生成模糊信息颗粒。每个模糊颗粒都可以看作是相应时间窗口信息的代表。
49.令u作为一个论域，在这里表示一个时间窗口。时间序列的模糊信息粒化的一般形式如下：
[0050][0051]
式中，g表示模糊颗粒；x表示时间序列；x为从u中取值的变量，g为u的凸模糊子集，由隶属度函数表示；λ表示x属于g的概率。模糊信息粒化的核心是确定g的隶属度函数。本发明选取三角隶属度函数a(x)，主要介绍如下：
[0052][0053]
式中，m为时间窗口中子集的中位数，a和b分别为生成模糊颗粒的支持度下界和上界。然后构造三角隶属度函数的颗粒表达式，即确定上述参数。模糊颗粒的构建需要满足两个条件。(1)模糊颗粒能够合理地表示原始信息。(2)模糊颗粒应具有一定的特异性。为满足上述条件，构造函数qa如下：
[0054][0055]
式中，ma满足条件(1)。na表示a(x)的支持边界，满足条件(2)。当qa最大时，上述条件达到最优解。
[0056]
具体地，设x'为其中一个时间窗口的子集，首先将子集按升序排列x'＝{x1,x2,
…
,xm,
…
,xk}。设m＝xm，其中m为x'的中位数，由式(4)确定。
[0057][0058]
一旦确定m的值，x'将被分为两个子序列，分别对其进行处理，计算a(x)的左边(小于m的序列)和右边(大于m的序列)。根据a(x)的左部和式(3)，可以得出关于a的函数：
[0059][0060]
同样地，关于b的函数也可以得到：
[0061][0062]
分别计算q(a)和q(b)的导数如下：
[0063][0064][0065]
当q(a)和q(b)达到最大值时，分别得到a和b的值。
[0066][0067][0068]
步骤4：颗粒的语言描述。模糊信息粒化在为区间预测提供条件的同时，也使得得到的数据集相比原始数据集更加平滑，这可能使得一些具有特殊波动过程的数据集(如锂离子电池退化数据集)中一部分波动信息被削弱，进而影响预测结果。为此，此步骤中利用语言描述方法来更好地捕捉电池退化数据的波动特征。在对颗粒g1,g2,
…
,g
t
分别进行语言描述后，生成一个关于颗粒的特征序列。这一序列在后续建模时作为捕捉时间序列变化情况的一组特征，可以帮助更好地理解电池退化时间序列的特征，从而为rul预测进行更准确和有效的建模。
[0069]
颗粒的语言描述是指为每个颗粒合理地分配语言项，以生成一组特有的信息序列，进一步地为颗粒提供有关其状态变化的波动信息。具体来说，根据时间序列的变化情况，将其波动状态分为若干程度，形成一个语义集l＝{l1,l2,
…
,lc}，其中lj表示一个语言项，对应数据的一种波动状态。有了语义集l后，将信息颗粒g1,g2,
…
,g
t
对应的时间窗口中数据的波动状态与集合中元素逐一进行比较，依次为每个颗粒选择最接近其波动状态的语言项来进行描述。一旦对所有的颗粒进行语言描述后，就会生成与之波动特征相对应的语言项序列。
[0070]
为了更好地理解上述过程，对于电池退化时间序列，可以将波动状态简单地分为三个程度，用代表low(低)、medium(中)和high(高)的语言项集合l＝{l1,l2,l3}来描述经过模糊粒化后的信息颗粒。在生成模糊颗粒后，根据不同时间窗口中的波动信息，使用适当的语言项对模糊信息颗粒进行逐一描述。该操作类似于为颗粒数据添加语义标签，例如用low fluctuation degree,l1和high fluctuation degree,l3分别标记波动程度为低和高的颗粒。对每个颗粒进行语言描述后，便会生成一个信息特征序列该序列中的元素与对应颗粒的波动状态相关。通过以上操作，可以使时间序列的每个颗粒都拥有自己的语义标签，从而更好地理解电池退化时间序列的波动特征。
[0071]
步骤5：建模与预测。经过模糊信息粒化和语言描述后，up、low以及语言项组成的序列将代替原来的时间序列在这一步进行建模。从数值数据到带有标签的颗粒数据，用于建模的数据从样本数量看会有所减少，因此采用适用于小数据集的最小二乘支持向量机(least squares support vector machines,lssvm)进行预测。根据图1中的步骤5(step5)，分别取前num个颗粒作为训练数据，预测从num 1到t的颗粒。电池rul的最终区间预测结果由两部分组成，第一部分(part 1)为颗粒的up和low的预测结果，第二部分(part 2)为语言项序列的预测结果。在对预测结果进行归并时，需要对第二部分即语言项的预测结果进行回溯，转换成相应颗粒的波动数据，与第一部分的预测结果进行叠加，得到最终的预测结果。
[0072]
lssvm是在支持向量机(support vector machine,svm)基础上发展起来的一种解决分类和回归问题的强大工具。svm具有较好的泛化性能，对非线性问题和小样本具有较高
的处理能力。lssvm很好地继承了上述优点，并进一步将不等式约束问题转化为等式约束问题，将二次规划问题转化为线性方程组，提高了收敛精度的同时减少了时间消耗。如上所述，lssvm为非线性小尺度数据集的回归问题提供了极大的便利，其回归原理如下：
[0073]
给定一个训练集{(x1,y1),(x2,y2),
…
,(x
l
,y
l
)},yi∈r，其中xi是第i个训练样本的输入向量，yi是相应的输出。回归模型可以构建如下：
[0074][0075]
其中ω是特征空间的权值向量，b是偏差，是将输入向量x映射到高维特征空间的非线性映射函数。根据结构风险最小化原则，lssvm的最小目标函数可以表示为：
[0076][0077]
式中λ为控制误差惩罚程度的正则化参数，ei为误差变量且e＝[e1,e2,
…
,e
l
]
t
。为了解决上述优化问题，采用了拉格朗日乘子法。具体地，为式(12)中各约束条件添加拉格朗日乘子，如下式所示：
[0078][0079]
其中，αi是拉格朗日乘子，且α＝[α1,α2,
…
,α
l
]
t
。通过将式(13)中ω、b、e、和α的偏导数设为0，即可得到上述方程组的最优解。
[0080][0081]
消去式(14)中的ω和e，则式(13)仅与b和α有关，可得下式：
[0082][0083]
式中e＝[1,1,
…
,1]
t
，ω是l
×
l的矩阵，且令且k(xi,xj)是lssvm的核函数。不同的核函数可以生成不同的最小二乘支持向量机。考虑到锂离子电池退化数据严重非线性的特点，本发明选择径向基函数(rbf)作为lssvm的核函数，表达式如下：
[0084][0085]
其中σ是内核宽度。通过求解式(15)，可以得到α和b，建立如下的最小二乘支持向量机的回归模型：
[0086][0087]
对于lssvm模型，回归函数的核宽度σ和正则化参数λ对回归性能有显著影响。利用优化算法选择合适的参数，可以避免人工选择的盲目性，在一定程度上提高模型的回归性能。
[0088]
2.实验步骤及结果分析
[0089]
2.1实验数据与步骤
[0090]
实验所用的锂离子电池退化数据集来源于nasa电池老化实验提供的实验数据集，其中包括四组相同型号的电池(cell 5,cell 6,cell 7,cell 18)在相同实验环境下测得的数据。在本实验中，提取了四组电池的容量退化数据。如图2所示，所有的退化数据都在168个循环周期内。当电池容量退化到额定容量的70％，即1.38a
·
h时，认为电池已达到失效阈值。
[0091]
在进行粒化之前，应确定时间窗口的大小。考虑到实验所选用的退化数据集规模不大，为使得最后用于训练的样本数量适当，且能尽可能地利用粒化的优势，时间窗口大小设置为3。
[0092]
以cell 5为例，首先采用模糊信息粒化对电池容量退化的时间序列进行处理。得到的颗粒数据如图3所示，其中low和up分别表示颗粒的下界和上界，将它们作为模型的训练输入。为了达到更好的预测效果，在建模前对low和up进行归一化处理。然后，将前23个颗粒作为lssvm模型的训练颗粒，预测后续颗粒的low和up值。
[0093]
在生成模糊颗粒后，对其进行语言描述。本实验设计了包括lower(更低)、low(低)、medium(中)、high(高)和higher(更高)在内的五种程度的语言项来描述电池退化时间序列中颗粒的波动状态。从实际情况看，五种程度的语言项足以涵盖本文所使用的电池退化序列的波动情况。
[0094]
具体来说，利用方差计算每个颗粒中数据的波动程度，依次为前23个颗粒分配适当的语义标签。为了方便起见，在实验中，用1到5的整数替换了这五个语言项。然后利用前23个颗粒的语言描述序列训练lssvm模型，预测后续波动状态。图4为cell 5的语言项的预测结果，它代表了cell 5从第24个颗粒到第56个颗粒不同程度的容量波动情况。其中预测波动程度为lower的有24个颗粒，占绝大多数，说明容量总体上保持了一个相对稳定的退化趋势。进一步地，可以看出，每3～5个lower颗粒后会出现波动，将预测结果扩展到循环周期层，也就是说在每9～15个退化周期后可能会有一定的波动出现，这种退化趋势与cell 5真实退化状态一致。这表明颗粒的语言描述在一定程度上能够更好地把握时间序列的变化特征。
[0095]
最后，将语言描述的预测结果转化为相应的波动数据，分别与上述low和up的预测结果进行叠加以获得最终预测结果。图5显示了对四组电池退化数据的实验结果，将结果从颗粒拓展至循环周期，可以看出实验实现了对锂离子电池容量退化的区间预测，并较好地对容量的退化和再生现象进行了预测。表1为cell 5、cell 6、cell 18三组电池的rul区间预测结果(cell 7在预测周期内未达到失效阈值)，从表中可以看出三组电池的rul区间预测结果在较窄的间隔内均正确包含了真实值。实验结果表明，在电池rul区间预测过程中，基于模糊信息粒化和语言描述方法的模型能够较好地把握时间序列的波动特征，实现真正
的锂离子电池rul区间预测。
[0096]
表1.基于模糊信息粒化和语言描述的rul区间预测结果
[0097]
电池预测起始点(cycle)真实rul(cycle)预测rul区间(cycles)cell 57058[55,67]cell 67042[35,54]cell 187030[26,57]
[0098]
2.2实验结果评估和分析
[0099]
为了进一步地评价所提区间预测模型的性能，在上述实验结果的基础上，引入了一种区间预测模型的性能评价标准。一是特异性准则(记为v)，用来计算预测区间的宽度；二是覆盖准则(记为q)，用来衡量预测区间的准确度。为了保证衡量标准适用于本实验，对公式中的数量级进行了微调。假设xi＝{x1,x2,
…
,xw}由ti(第i个时间窗)的数据组成，其上的预测区间为[ai,bi]。特异性标准vi和覆盖标准qi分别定义如下：
[0100]vi
＝b
i-aiꢀꢀꢀ
(18)
[0101][0102][0103]
其中w是时间窗口的宽度，表示第i个时间窗口中第j个值，fi(j)用于判断处区间预测结果是否准确，值为1时表示准确，为0表示不准确。对于时间窗口ti，当qi的值相等时，vi的值越小，说明模糊粒化模型的预测结果越精确。同样，当vi的值相等时，qi的值越大，表示模型的预测结果越准确。综上所述，设p为时间窗的个数，由vi和qi确定的综合指标p的表示如公式(21)所示，其中，vi的值越小，qi的值越大，则p的值越大，说明模型越有效。
[0104][0105]
四组电池的和p％值如表2所示。其中为vi(i＝1,
…
,t)的均值，表示平均间隔宽度，为qi(i＝1,
…
,t)的均值，表示平均覆盖率。由表2可知，模型在四组电池中的p％值均大于15.3％，说明模型的整体区间预测性能良好。对于特异性指标四组电池的值均小于0.066，模型所得的预测区间较窄，说明在同等覆盖准则下，本发明所提模型在实际应用中有效程度高。对于覆盖率准则的取值，电池cell 5、cell 6和cell 7的均在92％以上，说明模型的准确程度良好。综上所述，本文所提基于模糊信息粒化和语言描述的锂离子电池rul区间预测模型能实现良好的区间预测效果。
[0106]
表2基于模糊信息粒化和语言描述的模型的区间预测性能评价结果(p＝33)
[0107][0108]
3.结论
[0109]
本发明提出了一种锂离子电池剩余使用寿命区间预测方案。首先，利用模糊信息粒化方法对电池退化时间序列进行粒化，将研究对象由数值级转化为颗粒级，为区间预测提供依据。然后，在粒化过程中，我们发现模糊信息粒化可能会造成一些波动信息的丢失。针对这一情况，本发明利用语言描述方法来描述颗粒的波动特性，该方法的主要优点是尽可能保留原有容量退化数据的波动信息。最后，将粒化和语言描述的结果作为颗粒的特征，采用具有较高计算效率的lssvm算法对颗粒进行训练和预测。
[0110]
利用美国航空航天局电池老化试验中的四组电池退化数据进行了实验。对不同电池数据的实验结果表明，该策略能够实现对锂离子电池rul区间的预测，且具有良好的适用性。此外，为区间预测模型引入了一种评价标准，从区间覆盖和特异性两个方面对所提模型的区间预测性能进行评价。结果表明，本发明提出的基于模糊信息粒化和语言描述的模型具有良好的预测效果。
[0111]
基于同一发明构思，本发明的另一实施例提供一种采用本发明方法实现的锂离子电池剩余使用寿命区间预测系统，其包括：
[0112]
时间序列提取模块，用于从电池数据集中提取电池容量退化时间序列；
[0113]
时间序列离散化模块，用于对电池容量退化时间序列进行离散化，将电池容量退化时间序列划分为宽度固定、不重叠的子集，每个子集称为一个时间窗口；
[0114]
时间窗口粒化模块，用于对时间窗口进行粒化处理，利用模糊信息粒化方法生成与时间窗口对应的模糊颗粒；
[0115]
语言描述模块，用于对模糊颗粒进行语言描述，为每个模糊颗粒附加语义标签来表示其波动状态；
[0116]
区间预测模块，用于对电池剩余使用寿命进行区间预测。使用带有语义标签的模糊颗粒作为输入，采用最小二乘支持向量机模型对电池剩余使用寿命进行区间预测。
[0117]
基于同一发明构思，本发明的另一实施例提供一种电子装置(计算机、服务器、智能手机等)，其包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行本发明方法中各步骤的指令。
[0118]
基于同一发明构思，本发明的另一实施例提供一种计算机可读存储介质(如rom/ram、磁盘、光盘)，所述计算机可读存储介质存储计算机程序，所述计算机程序被计算机执行时，实现本发明方法的各个步骤。
[0119]
以上公开的本发明的具体实施例，其目的在于帮助理解本发明的内容并据以实施，本领域的普通技术人员可以理解，在不脱离本发明的精神和范围内，各种替换、变化和修改都是可能的。本发明不应局限于本说明书的实施例所公开的内容，本发明的保护范围
以权利要求书界定的范围为准。