基于遗传算法和支持向量回归的锂电池健康状态预测

被引：64

作者：

刘皓 ^{[1
]}

胡明昕 ^{[2
]}

朱一亨 ^{[2
]}

於东军 ^{[2
]}

机构：

[1] 南瑞集团(国网电力科学院)有限公司

[2] 南京理工大学计算机科学与工程学院

来源：

南京理工大学学报 | 2018年 / 42卷 / 03期

关键词：

遗传算法; 支持向量回归; 锂电池; 健康状态; 超参数优化;

D O I：

10.14177/j.cnki.32-1397n.2018.42.03.011

中图分类号：

TM912 [蓄电池]; TP18 [人工智能理论];

学科分类号：

080802 [电力系统及其自动化]; 140502 [人工智能];

摘要：

为了提高锂电池健康状态(SOH)的预测精度,该文提出了1种基于遗传算法和支持向量回归(GA-SVR)的联合算法。通过GA解决SVR模型中的超参数优化问题。GA-SVR随机生成1组染色体,每个染色体包含了相应的SVR超参数信息。利用适应度函数计算出每条染色体的适应度值。根据适应度值对染色体进行选择、基因重组和变异等遗传操作,从而更新染色体的超参数信息。经过多次迭代后,找到适应度最大的染色体。从该染色体中提取相应的超参数信息,并训练最终的SVR预测模型。在美国国家航空航天局(NASA)锂电池数据集上的实验结果表明,该文算法优于基于混合像元核函数的高斯过程回归(SMK-GPR)算法、基于多尺度周期协方差函数的高斯过程回归(P-MGPR)算法、基于多尺度平方指数函数的高斯过程回归(SE-MGPR)算法和改进的基于粒子群优化的支持向量回归(IPSO-SVR)算法。

引用

页码：329 / 334+351 +351

页数：7

共 14 条

[1]

An integrated unscented kalman filter and relevance vector regression approach for lithium-ion battery remaining useful life and short-term capacity prediction.[J].Xiujuan Zheng;Huajing Fang.Reliability Engineering and System Safety.2015,

[2]

Robust prognostics for state of health estimation of lithium-ion batteries based on an improved PSO–SVR model.[J].Taichun Qin;Shengkui Zeng;Jianbin Guo.Microelectronics Reliability.2015, 9-10

[3]

A review of lithium and non-lithium based solid state batteries.[J].Joo Gon Kim;Byungrak Son;Santanu Mukherjee;Nicholas Schuppert;Alex Bates;Osung Kwon;Moon Jong Choi;Hyun Yeol Chung;Sam Park.Journal of Power Sources.2015,

[4]

State of health estimation of lithium-ion batteries: A multiscale Gaussian process regression modeling approach [J].

He, Yi-Jun ;

Shen, Jia-Ni ;

Shen, Ji-Fu ;

Ma, Zi-Feng .

AICHE JOURNAL, 2015, 61 (05) :1589-1600

[5]

Lithium-ion battery state of health monitoring and remaining useful life prediction based on support vector regression-particle filter.[J].Hancheng Dong;Xiaoning Jin;Yangbing Lou;Changhong Wang.Journal of Power Sources.2014,

[6]

A naive Bayes model for robust remaining useful life prediction of lithium-ion battery.[J].Selina S.Y. Ng;Yinjiao Xing;Kwok L. Tsui.Applied Energy.2014,

[7]

Prognostics for state of health estimation of lithium-ion batteries based on combination Gaussian process functional regression [J].