铅酸蓄电池寿命预测的LIBSVM建模方法研究

Distributed Energy,2018, 3(1): 28-33

doi: 10.16513/j.cnki.10-1427/tk.2018.01.005

LIBSVM Modeling Method for Life Prediction of Lead-Acid Battery

杨传凯¹,刘伟²,李旭²,李良书²,付峰³,周际城⁴,陈凯⁵

^1．国网陕西省电力公司电力科学研究院，陕西西安 710100
^2．国网陕西省电力公司，陕西西安 710048
^3．国网陕西省电力公司渭南供电公司，陕西渭南 714000
^4．武汉大学电气工程学院，湖北武汉 430072
^5．国网电力科学研究院武汉南瑞有限责任公司，湖北武汉 430074

YANG Chuankai¹, LIU Wei², LI Xu², LI Liangshu², FU Feng³, ZHOU Jicheng⁴, CHEN Kai⁵

^1. State Gird Shaanxi Electric Power Research Institute, Xi'an 710100, Shaanxi Province, China
^2. State Gird Shaanxi Electric Power Company, Xi'an 710048, Shaanxi Province, China
^3. State Gird Weinan Power Supply Company, Weinan 714000, Shaanxi Province, China
^4. School of Electrical Engineering, Wuhan University, Wuhan 430072, Hubei Province, China
^5. State Grid Electric Power Research Institute Wuhan Nari Limited Liability Company, Wuhan 430074, Hubei Province, China

杨传凯(1986—)，男，硕士，高级工程师，研究方向为电网设备智能运检领域相关技术及相关应用和试验；

刘　伟(1977—)，男，硕士，高级工程师，主要从事电网运维检修管理研究工作；

李　旭(1984—)，男，硕士，高级工程师，主要从事高压电器、技术监督专业研究工作；

李良书(1984—)，男，硕士，高级工程师，主要从事变电设备检修及带电检测技术研究工作；

付　峰(1977—)，男，学士，高级技师，长期从事变电设备运维及变电运维管理工作；

周际城(1995—)，男，硕士研究生，主要研究方向为人工智能的电力系统应用，2579378665@qq.com；

陈　凯(1988—)，男，硕士，工程师，主要从事电力设备状态监测及评估方法的研究工作。

基金资助: 国家自然科学基金项目(51577075)

Project Supported by National Natural Science Foundation of China (51577075)

中图分类号: TK 02；TM 91 文献标识码: A 文章编号: 2096-2185(2018)01-0028-06

文章历史:

收稿日期: 2017-11-15

Received:

【摘要】铅酸蓄电池的内阻会随其运行时间增加而增大，从而使其容量下降并导致循环使用寿命减小。因此，对其使用寿命的准确评估预测将有助于提高变电站直流电源系统的持续供电能力和运行可靠性。LIBSVM支持向量机是遵循结构风险最小化原则发展的机器学习方法，将其用于蓄电池寿命预测，具有不依靠蓄电池详细数学模型建立其循环寿命预测模型的特点。基于此，在研究支持向量机的基本原理基础上，进一步研究利用LIBSVM支持向量机基于蓄电池健康状态、端电压和电池剩余容量的训练样本数据，建立反映电池容量与健康状态和端电压非线性映射的建模方法，并讨论基于交叉验证设计LIBSVM回归机最优参数的方法。实验结果表明，基于LIBSVM的铅酸蓄电池寿命预测模型具有较高的预测精度，该方法是切实可行的。

【关键词】 LIBSVM ; 支持向量机 ; 铅酸蓄电池 ; 寿命预测

【Abstract】 The internal resistance of the lead-acid battery increases as its operating time increases, which will result in the decrease in its capacity and a consequent reduction in service life. Therefore, the accurate assessment and prediction of its useful life is benefit for improving the ability of continuous power supply and operational reliability of substation DC power system. The support vector machine of LIBSVM is a machine learning method that follows the principle of structural risk minimization. It has the characteristic of using support vector machine to establish the predict model of the battery useful life without modeling the detailed mathematical model of battery. So based on studying the basic principle of support vector machine, the method that uses the support vector machine of LIBSVM to model the non-linear mapping between useful life and both the terminal voltage and state of health based on the training sample data of these three state variables is proposed. At the same time, the method of designing the optimal parameters for the regression machine of LIBSVM based on cross-validation is discussed. The experimental results show that the LIBSVM-based lead-acid battery life prediction model has high prediction accuracy. The feasibility of the proposed prediction method is verified as well.

【Key words】 LIBSVM ; support vector machine ; lead-acid battery ; life prediction

0　引言

变电站直流电源系统的铅酸蓄电池与充电机并联，共同为继电保护、自动装置、自动化设备、断路器跳合闸等重要的直流负荷提供电源^[1]。随着变电站自动化、智能化程度的提高以及无人值守工作模式的逐渐推广，提高变电站直流电源系统的运行可靠性对保证变电站在紧急事故情况下采取正确合理的操作具有重要意义。当交流系统由于故障断电时，充电机不能供应直流电源，铅酸蓄电池组作为变电站交流电源故障情况下的直流电源，将为站内直流负荷供电。由于变电站直流电源系统的铅酸蓄电池组随着使用时间增长，蓄电池组内阻在增大的同时也会使电池容量减小，从而减少铅酸蓄电池的循环使用寿命。因此，准确评估铅酸蓄电池的剩余寿命是变电站直流系统安全稳定运行迫切需要的保障技术之一。

核对性充放电实验是检测铅酸蓄电池剩余容量的常用方法，该方法就是定期利用较大电流对浮充电运行的蓄电池极板物质进行充放电反应，以检查蓄电池容量，发现老化电池。但利用该方法进行蓄电池重复充放电实验会加速电池老化，缩短电池循环使用寿命。考虑蓄电池的寿命与其端电压和健康状态等因素有关，因此，利用蓄电池的在线运行状态预测其寿命成为基于非充放电预测电池寿命的研究方向。目前，这类电池寿命预测方法主要可以分为基于运行经验的寿命预测和基于电池性能的寿命预测两类^[2]。基于运行经验的预测方法是基于统计规律发展的预测方法，主要有老化积累方法^[3]、安时法与权安时法^[4]、循环周期数法。基于电池性能的寿命预测则是利用不同形式的性能评估模型进行老化过程和其他影响因素的分析。依据性能评估模型所使用数据信息来源，基于性能的预测又包括基于机制、基于特征和基于数据驱动三类^[5]。其中，基于机制的预测是从电池本质机制的角度分析并建立电池的运行机制模型及老化模型，从电化学第一原理的角度描述电池的老化行为；基于特征的预测是基于电池老化过程表现出的特征参量变化，建立描述特征量与电池寿命之间的关系的寿命预测模型；基于数据驱动的预测是利用测得的电池性能数据，利用数据拟合或神经网络从数据中挖掘电池性能演变规律。文献[6]通过机制分析指出锂电池固体电解质界面(solid electrolyte interphase, SEI)膜形成是导致其容量衰减的一个重要原因，进而研究了一种基于机制的单粒子模型，描述了电池状态变量受老化因素影响的变化规律，包括温度、电压、电流、荷电状态、电解液浓度、扩散系数等内外部状态变量受操作状态的影响。文献[7]就是在现有退化建模方法的基础上，将时变应力对电池性能退化量的影响引入到退化模型中，解决了时变温度应力下蓄电池循环寿命预测问题。从此出发，文献[8]针对航空蓄电池容量预测的复杂非线性特点，提出了基于概率神经网络的面向航空蓄电池容量预测模型，并基于样本数据通过拟合建立蓄电池容量的预测。

近年来，支持向量机(support vector machine, SVM)已经成为解决回归预测问题的一个十分有效的机器学习方法，基于统计学习理论的支持向量回归机采用了结构风险最小化原则来代替经验风险最小化，能较好地解决小样本学习的问题；同时还采用核函数思想，把非线性空间的问题转换到线性空间，降低了算法的复杂度，它既考虑了训练样本的拟合性，又考虑了训练样本的复杂性^[9,10,11]。基于此，考虑电池本身物理化学过程描述的复杂性，很多关系规律很难直接通过机制研究获得其描述。从利用测试样本数据建立预测电池寿命模型出发，同时兼顾样本数据有限的特点，本文研究采用LIBSVM支持向量机建立蓄电池寿命预测方法，该方法在通过交叉验证确定回归机的最优参数组合基础上，基于对反映铅酸蓄电池健康状态的特征向量的学习训练建立蓄电池剩余容量的预测模型。仿真结果表明，所建立的模型具有预测精度高的特点。

1　基于SVM的回归预测原理

SVM是在统计学习的基础上发展起来的一种新的机器学习方法，在统计学习理论的VC理论和结构风险最小化原则的基础上，SVM能够根据有限样本信息，在模型的复杂性和学习能力之间寻求最佳折衷，避免了局部极小值点。不但能解决传统神经网络过学习、维数增长快和容易陷入局部最优等实际问题，具有良好的推广性能和较好的分类精确性，基于有限训练样本得到的决策规则对独立的测试集仍然能够使误差很小。

当SVM用于回归预测时，通常被称为SVM回归机，其目的就是建立定义在Rⁿ上的函数f(x)，由它可以对任一输入x去找到与之对应的输出y，即建立y与x之间的映射函数。利用SVM建立回归预测模型通常将样本数据分为两类，一类是训练样本，用于通过训练得到回归预测模型；另一类是测试样本，用来测试训练好模型的回归预测性能。

假设存在给定的非线性训练样本集合：S＝{(x_i，y_i)|x_i∈Rⁿ，y∈R，i＝1，2，…，l}，其中，x_i为样本输入，y_i为样本输出。由于输入和输出样本向量之间是非线性关系，引入非线性映射φ(x)将输入向量从原来的样本空间映射到高维特征空间，在映射的高维特征空间中构造样本数据的回归估计函数。假设利用SVM在高维特征空间中建立的回归估计函数为

(1) $f (x, w) = w \cdot φ (x) + b$

式中：“·”表示向量的点积运算；w为与输入向量特征空间维数相等的权矢量；b为回归函数的偏置量。

为了使式(1)的实际风险最小，可建立如下所示的最优模型，通过求解使目标函数最小的w和b实现。

(2) ${\begin{cases} \min f (w) = \min \frac{1}{2} {‖ w ‖}^{2} + C \sum_{i = 1}^{n} ξ_{i}^{2} \\ \begin{matrix} s .t . & w φ (x_{i}) + b \geq y_{i} - ξ_{i}, & i = 1, \dots, n \end{matrix} \end{cases}$

式中：ξ_i为松弛变量，表示偏离样本输出点的允许误差范围；C为正则化惩罚系数，用于控制偏离正常样本输出数据点的惩罚程度。

通过构造Lagrange函数将式(2)中不等式约束加入到目标函数，得

(3) $\begin{array}{l} L (w, b, ξ, α) = & \frac{1}{2} {‖ w ‖}^{2} + C \sum_{i = 1}^{n} ξ_{i}^{2} - \\ \sum_{i = 1}^{n} α_{i} (w φ (x_{i}) + b + ξ_{i} - y_{i}) \end{array}$

式中α_i为拉格朗日乘子。

基于一阶优化条件(Karush-Kuhn-Tucker, KKT)条件将式(3)转化为

(4) ${\begin{cases} \frac{\partial L}{\partial w} = 0 \\ \frac{\partial L}{\partial b} = 0 \\ \frac{\partial L}{\partial ξ} = 0 \\ \frac{\partial L}{\partial α} = 0 \end{cases}$

从而得到

(5) ${\begin{cases} w = \sum_{i = 1}^{n} α_{i} φ (x_{i}) \\ \sum_{i = 1}^{n} α_{i} = 0 \\ α_{i} = C ξ_{i} \\ w φ (x_{i}) + b + ξ_{i} - y_{i} = 0 \end{cases}$

将式(5)代入式(3)，消除式(3)中的w和b，式(3)的优化求解问题可转变为求解下列线性方程组。

(6) $[\begin{matrix} 0 & I_{n}^{T} \\ I_{n} & K + \frac{I_{n}}{C} \end{matrix}] [\begin{array}{l} b \\ α \end{array}] = [\begin{array}{l} 0 \\ y_{n} \end{array}]$

式中：K为核函数矩阵；α＝ $[α_{1}, \dots, α_{n}]$ 。

在此基础上，利用序列最小优化算法(sequential minimal optimization, SMO)求解式(6)，可建立回归预测模型：

(7) $f (x) = \sum_{i = 1}^{n} α_{i} K (x, x_{i}) + b$

式中K(x, x_i)是满足Mercer条件的核函数。在林智仁教授以SVM算法为基础开发的LIBSVM中，提供了sigmoid、径向基、多项式和线性4种核函数，能够很好地解决小样本非线性学习的问题。

2　实验过程

2.1　问题分析

铅酸蓄电池性能的降低会使其寿命减少，而其寿命通常包括存储寿命(电池失效前在不工作状态下的存储时间)、使用寿命(电池失效前反复多次充放电所累积的总的可放电时间)和循环寿命(电池失效前可反复充放电的次数总和)。其中，使用最为广泛的是循环寿命^[12]。其性能下降将体现在运行参数的变化，例如内阻值偏大、容量降低。因此目前除采用基于充放电实验检测电池容量外，还发展了基于蓄电池内部欧姆电阻检测评估电池性能的方法。

通常情况下，铅酸蓄电池失效的主要原因是容量衰减，而铅酸蓄电池的剩余容量达到失效值时所对应的充放电次数即为蓄电池的循环寿命^[13]，因此可以认为预测蓄电池寿命与预测蓄电池的剩余容量是等价的。虽然蓄电池剩余容量和蓄电池内部的较多因素相关，但主要影响因素是铅酸蓄电池的端电压和健康状态(state of health，SOH)。其中，电池的SOH是指电池目前所能释放的最大容量和电池全新时能释放的最大容量的比值^[14]。由此，本文提出以铅酸蓄电池的SOH和端电压(U/V)为输入量，电池剩余容量(q/(A·h))为输出量，基于SVM的回归预测功能，建立蓄电池循环使用寿命的回归预测模型。

2.2　建立铅酸蓄电池的寿命预测模型

在上述分析基础上，采用LIBSVM-mat-2.89工具箱建立回归预测数学模型。选取径向基函数(radial basis function, RBF)^[15]，其具体表达式如下：

(8) $K (x, x_{i}) = \exp {- {| x_{i} - x |}^{2} / (2 δ^{2})}$

SVM模型的主要参数是错误惩罚因子C和核函数中Grammar函数的参数g，采用文献[16,17]的Grid-Search法进行最佳参数(C，g)设计。

实验过程中，表1中样本数据中的前20组数据作为训练样本，得到合适的预测模型；以表1中样本数据的后10组数据作为测试样本，通过测试样本数据的均方误差(mean square error, MSE)来测试训练模型的性能好坏。

样本号	SOH/%	端电压U/V	剩余容量q/(A·h)
1	96.8	14.11	21.28
2	98.1	13.98	18.78
3	97.7	13.56	13.44
4	95.7	12.03	10.46
5	95.3	12.21	8.25
6	94.6	12.31	5.01
7	93.4	11.43	3.34
8	87.6	13.78	19.53
9	90.1	14.47	18.63
10	88.7	13.29	12.13
11	89.2	12.93	10.89
12	86.8	11.97	8.35
13	87.3	11.21	4.23
14	85.4	10.68	1.18
15	83.5	14.69	17.67
16	84.2	14.78	17.13
17	82.8	13.54	12.07
18	83.5	13.52	11.97
19	83.1	12.98	10.45
20	82.4	12.29	4.07
21	97.7	14.13	20.34
22	96.4	13.21	16.07
23	95.9	12.69	6.87
24	94.3	12.01	4.47
25	91.2	13.93	17.8
26	89.7	13.31	15.27
27	88.6	12.42	6.71
28	84.3	14.13	17.23
29	83.4	13.41	13.36
30	82.5	12.61	6.87

表1

铅酸蓄电池的样本数据

Table 1

Sample data of lead-acid batteries

试验建模的基本步骤如下：

1）对初始数据进行归一化处理，将数据缩放到[0，1]之间，避免特征值的范围过大或过小，从而对试验结果产生影响；

2）选择SVM的类型为e-SVR，核函数为RBF函数，设置e-SVR中损失函数p的值为0.01；

3）以预测数据的均方误差为性能指标，采用Grid-Search法找一组最佳的参数(C，g)，使得预测样本的MSE最小；

4）将得到的最佳参数(C，g)代入LIBSVM算法中进行训练，得到训练好的模型；

5）将训练好的模型输入LIBSVM的预测函数中，得到测试样本的预测值；

6）将测试样本的预测值反归一化，画图对比分析测试样本的真实值和预测值。

2.3　实验结果与分析

实验结果如图1、图2所示。图1是通过Grid-Search法寻找最佳参数(C，g)的寻优结果图，最终找到的最佳参数为：C＝95.8，g＝2.3。图2是在最优参数的条件下，设置SVM为epsilon-SVR，且设其损失函数的p＝0.01，采用v＝5的交互验证模式时，基于预测得到的测试样本的预测值和真实值的对比图。由图2可见，预测结果十分接近测试样本的真实值，预测效果良好。对预测结果分析可知，MSE为0.003 341 99，平方相关系数R＝0.980 72。从均方误差来看，LIBSVM建立的铅酸蓄电池寿命预测模型具有很高的预测精度；从平方系数R来看，预测结果与实际值拟合效果很好，并且能够较好地反映数据变化的趋势。

图1

模型参数的寻优结果

Fig.1

Optimization of model parameters

图2

测试样本的预测结果

Fig.2

Forecast result of test samples

3　结论

本文围绕铅酸蓄电池的循环使用寿命预测开展研究，提出了基于支持向量机建立蓄电池寿命预测模型的方法，并利用仿真验证了其可行性。研究结果表明：1)基于铅酸蓄电池样本数据，利用Grid-Search法确定LIBSVM回归机的最优参数，可建立铅酸蓄电池寿命基于健康状态和端电压的预测模型；2)基于LIBSVM建立的蓄电池寿命预测模型具有较好的预测精度和预测鲁棒性。

参考文献

View Option

[1]	徐凯. 对110 kV变电站直流系统改造方案的探讨[J]. 电力系统保护与控制，2010, 38(7): 116-118, 123. XU Kai. Discussion about replacement scheme for 110 kV substation DC system[J]. Power System Protection and Control, 2010, 38(7): 116-118, 123. [本文引用:1]
[2]	罗伟林，张立强，吕超，等. 锂离子电池寿命预测国外研究现状综述[J]. 电源学报，2013(1): 140-144. LUO Weilin, ZHANG Liqiang, LYU Chao, et al. Review on foreign status of life prediction of lithium-ion batteries[J]. Journal of Power Supply, 2013(1): 140-144. [本文引用:1]
[3]	乔波强，侯振义，王佑民. 蓄电池剩余容量预测技术现状及发展[J]. 电源世界，2012(2): 21-26, 35. QIAO Boqiang, HOU Zhenyi, WANG Youmin. The status quo and development of remaining capacity prediction technology for VRLLA batteries[J]. The World of Power Supply, 2012(2): 21-26, 35. [本文引用:1]
[4]	林志强，滕秀花. 基于改进型安时法的蓄电池剩余电量测试技术[J]. 贵州大学学报，2009, 26(6): 108-110. LIN Zhiqiang, TENG Xiuhua. Accumulator's state of charge testing technology[J]. Journal of Guizhou University, 2009, 26(6): 108-110. [本文引用:1]
[5]	WENZL H, BARING-GOULD I, KAISER R, et al. Life prediction of batteries for selecting the technically most suitable and cost effective battery[J]. Journal of Power Sources, 2005, 144(2): 373-384. [本文引用:1]
[6]	ZHANG Q, WHITE R E. Capacity fade analysis of a lithiumion cell[J]. Journal of Power Sources, 2008, 179(2): 793-798. [本文引用:1]
[7]	汲乔瑶. 基于数据驱动的无人艇蓄电池剩余寿命预测[D]. 大连：大连海事大学，2015. JI Qiaoyao. The prediction of remaining useful life based on data-driven for storage battery of unmanned submarine[D]. Dalian: Dalian Maritime University, 2015. [本文引用:1]
[8]	谢家雨，李卫青，胡焱. 基于PNN的航空铅酸蓄电池容量预测[J]. 测控技术，2015, 34(2): 115-117. XIE Jiayu, LI Weiqing, HU Yan. Aviation lead-acid battery capacity prediction based on probabilistic neural network[J]. Measurement and Control Technology, 2015, 34(2): 115-117. [本文引用:1]
[9]	顾亚祥，丁世飞. 支持向量机研究进展[J]. 计算机科学，2011, 38(2): 14-17. GU Yaxiang, DING Shifei. Advances of support vector machines (SVM)[J]. Computer Science, 2011, 38(2): 14-17. [本文引用:1]
[10]	宋召青，崔和，胡云安. 支持向量机理论的研究与进展[J]. 海军航空工程学院学报，2008, 23(2): 143-148, 152. SONG Zhaoqing, CUI He, HU Yun'an. Research and development of support vector machine theory[J]. Journal of Naval Aeronautical and Astronautical University, 2008, 23(2): 143-148, 152. [本文引用:1]
[11]	DUBARRY M, SVOBODA V, HWU R, et al. Capacity and power fading mechanism identification from a commercial cell evaluation[J]. Journal of Power Sources, 2007, 165(2): 566-572. [本文引用:1]
[12]	杨军，解晶莹，王久林. 化学电源测试原理与技术[M]. 北京：化学工业出版社，2006. [本文引用:1]
[13]	XING Y, WILLIARD N, TSUI K L, et al. A comparative review of prognostics-based reliability methods for Lithium batteries[C]//Prognostics and System Health Management Conference, Shenzhen, 2011. [本文引用:1]
[14]	CRISTIANINI N, SHAWE-TAYLOR J. An introduction to support vector machines: and other kernel-based learning methods[M]. Oxford City, United Kingdom of British: Cambridge University Press, 2000. [本文引用:1]
[15]	FUKUSHI D, SHICHIRI M, SUGIYAMA S, et al. Scanning near-field optical/atomic force microscopy detection of fluorescence in situ hybridization signals beyond the optical limit[J]. Experimental Cell Research, 2003, 289(2): 237-44. [本文引用:1]
[16]	CHAPELLE O, VAPNIK V, BOUSQUET O, et al. Choosing multiple parameters for support vector machines[J]. Machine Learning, 2002, 46(1-3): 131-159. [本文引用:1]
[17]	HUANG C M, LEE Y J, LIN D K J, et al. Model selection for support vector machines via uniform design[J]. Computational Statistics & Data Analysis, 2007, 52(1): 335-346. [本文引用:1]

对110 kV变电站直流系统改造方案的探讨

2010

... 变电站直流电源系统的铅酸蓄电池与充电机并联，共同为继电保护、自动装置、自动化设备、断路器跳合闸等重要的直流负荷提供电源^[1].随着变电站自动化、智能化程度的提高以及无人值守工作模式的逐渐推广，提高变电站直流电源系统的运行可靠性对保证变电站在紧急事故情况下采取正确合理的操作具有重要意义.当交流系统由于故障断电时，充电机不能供应直流电源，铅酸蓄电池组作为变电站交流电源故障情况下的直流电源，将为站内直流负荷供电.由于变电站直流电源系统的铅酸蓄电池组随着使用时间增长，蓄电池组内阻在增大的同时也会使电池容量减小，从而减少铅酸蓄电池的循环使用寿命.因此，准确评估铅酸蓄电池的剩余寿命是变电站直流系统安全稳定运行迫切需要的保障技术之一. ...

Discussion about replacement scheme for 110 kV substation DC system

2010

锂离子电池寿命预测国外研究现状综述

2013

... 核对性充放电实验是检测铅酸蓄电池剩余容量的常用方法，该方法就是定期利用较大电流对浮充电运行的蓄电池极板物质进行充放电反应，以检查蓄电池容量，发现老化电池.但利用该方法进行蓄电池重复充放电实验会加速电池老化，缩短电池循环使用寿命.考虑蓄电池的寿命与其端电压和健康状态等因素有关，因此，利用蓄电池的在线运行状态预测其寿命成为基于非充放电预测电池寿命的研究方向.目前，这类电池寿命预测方法主要可以分为基于运行经验的寿命预测和基于电池性能的寿命预测两类^[2].基于运行经验的预测方法是基于统计规律发展的预测方法，主要有老化积累方法^[3]、安时法与权安时法^[4]、循环周期数法.基于电池性能的寿命预测则是利用不同形式的性能评估模型进行老化过程和其他影响因素的分析.依据性能评估模型所使用数据信息来源，基于性能的预测又包括基于机制、基于特征和基于数据驱动三类^[5].其中，基于机制的预测是从电池本质机制的角度分析并建立电池的运行机制模型及老化模型，从电化学第一原理的角度描述电池的老化行为；基于特征的预测是基于电池老化过程表现出的特征参量变化，建立描述特征量与电池寿命之间的关系的寿命预测模型；基于数据驱动的预测是利用测得的电池性能数据，利用数据拟合或神经网络从数据中挖掘电池性能演变规律.文献[6]通过机制分析指出锂电池固体电解质界面(solid electrolyte interphase, SEI)膜形成是导致其容量衰减的一个重要原因，进而研究了一种基于机制的单粒子模型，描述了电池状态变量受老化因素影响的变化规律，包括温度、电压、电流、荷电状态、电解液浓度、扩散系数等内外部状态变量受操作状态的影响.文献[7]就是在现有退化建模方法的基础上，将时变应力对电池性能退化量的影响引入到退化模型中，解决了时变温度应力下蓄电池循环寿命预测问题.从此出发，文献[8]针对航空蓄电池容量预测的复杂非线性特点，提出了基于概率神经网络的面向航空蓄电池容量预测模型，并基于样本数据通过拟合建立蓄电池容量的预测. ...

Review on foreign status of life prediction of lithium-ion batteries

2013

蓄电池剩余容量预测技术现状及发展

2012

The status quo and development of remaining capacity prediction technology for VRLLA batteries

2012

基于改进型安时法的蓄电池剩余电量测试技术

2009

Accumulator's state of charge testing technology

2009

Life prediction of batteries for selecting the technically most suitable and cost effective battery

2005

Capacity fade analysis of a lithiumion cell

2008

基于数据驱动的无人艇蓄电池剩余寿命预测

2015

The prediction of remaining useful life based on data-driven for storage battery of unmanned submarine

2015

基于PNN的航空铅酸蓄电池容量预测

2015

Aviation lead-acid battery capacity prediction based on probabilistic neural network

2015

支持向量机研究进展

2011

... 近年来，支持向量机(support vector machine, SVM)已经成为解决回归预测问题的一个十分有效的机器学习方法，基于统计学习理论的支持向量回归机采用了结构风险最小化原则来代替经验风险最小化，能较好地解决小样本学习的问题；同时还采用核函数思想，把非线性空间的问题转换到线性空间，降低了算法的复杂度，它既考虑了训练样本的拟合性，又考虑了训练样本的复杂性^[9,10,11].基于此，考虑电池本身物理化学过程描述的复杂性，很多关系规律很难直接通过机制研究获得其描述.从利用测试样本数据建立预测电池寿命模型出发，同时兼顾样本数据有限的特点，本文研究采用LIBSVM支持向量机建立蓄电池寿命预测方法，该方法在通过交叉验证确定回归机的最优参数组合基础上，基于对反映铅酸蓄电池健康状态的特征向量的学习训练建立蓄电池剩余容量的预测模型.仿真结果表明，所建立的模型具有预测精度高的特点. ...

Advances of support vector machines (SVM)

2011

支持向量机理论的研究与进展

2008

Research and development of support vector machine theory

2008

Capacity and power fading mechanism identification from a commercial cell evaluation

2007

2006

... 铅酸蓄电池性能的降低会使其寿命减少，而其寿命通常包括存储寿命(电池失效前在不工作状态下的存储时间)、使用寿命(电池失效前反复多次充放电所累积的总的可放电时间)和循环寿命(电池失效前可反复充放电的次数总和).其中，使用最为广泛的是循环寿命^[12].其性能下降将体现在运行参数的变化，例如内阻值偏大、容量降低.因此目前除采用基于充放电实验检测电池容量外，还发展了基于蓄电池内部欧姆电阻检测评估电池性能的方法. ...

A comparative review of prognostics-based reliability methods for Lithium batteries

2011

... 通常情况下，铅酸蓄电池失效的主要原因是容量衰减，而铅酸蓄电池的剩余容量达到失效值时所对应的充放电次数即为蓄电池的循环寿命^[13]，因此可以认为预测蓄电池寿命与预测蓄电池的剩余容量是等价的.虽然蓄电池剩余容量和蓄电池内部的较多因素相关，但主要影响因素是铅酸蓄电池的端电压和健康状态(state of health，SOH).其中，电池的SOH是指电池目前所能释放的最大容量和电池全新时能释放的最大容量的比值^[14].由此，本文提出以铅酸蓄电池的SOH和端电压(U/V)为输入量，电池剩余容量(q/(A·h))为输出量，基于SVM的回归预测功能，建立蓄电池循环使用寿命的回归预测模型. ...

2000

Scanning near-field optical/atomic force microscopy detection of fluorescence in situ hybridization signals beyond the optical limit

2003

... 在上述分析基础上，采用LIBSVM-mat-2.89工具箱建立回归预测数学模型.选取径向基函数(radial basis function, RBF)^[15]，其具体表达式如下： ...

Choosing multiple parameters for support vector machines

2002

... SVM模型的主要参数是错误惩罚因子C和核函数中Grammar函数的参数g，采用文献[16,17]的Grid-Search法进行最佳参数(C，g)设计. ...

Model selection for support vector machines via uniform design

2007

... SVM模型的主要参数是错误惩罚因子C和核函数中Grammar函数的参数g，采用文献[16,17]的Grid-Search法进行最佳参数(C，g)设计. ...

资源

摘要

PDF下载数

RichHTML 浏览数

摘要点击数

导出

EndNote | Ris | Bibtex

相关文章:

关键词（key words）

LIBSVM

支持向量机

铅酸蓄电池

寿命预测

LIBSVM

support vector machine

lead-acid battery

life prediction

作者