本文關鍵詞： 高斯過程回歸 鋰離子電池 增量學習算法 智能優(yōu)化 健康狀態(tài)估計　出處：《北京交通大學》2016年碩士論文　論文類型：學位論文

【摘要】：鋰電池由于有著高能量比、低自放電速率、高功率承受力和使用壽命長等優(yōu)點,逐漸成為能量存儲領域的研究熱點,并廣泛地應用于諸多領域。然而,鋰電池在使用過程中性能會逐漸衰退,意外的鋰電池性能故障或失效會導致巨大損失和災難性的后果,特別是在航空航天領域。因此,對鋰電池進行健康狀態(tài)估計,準確地預測出鋰電池的剩余壽命,進一步指導鋰電池的運行和維護,對于系統(tǒng)的安全性具有重要意義。本文采用數據驅動的方法,將高斯過程回歸算法應用到鋰電池數據處理領域,對鋰電池的健康狀態(tài)和剩余使用壽命進行預測分析。本文的主要工作有：(1)建立高斯過程回歸模型,對電池容量數據進行預測實驗,并將預測結果與基于自回歸積分滑動平均模型、人工神經網絡方法的預測結果進行對比分析。(2)針對當前高斯過程對核函數類型的選擇方法還沒有統(tǒng)一的理論支撐,系統(tǒng)地探討了建立高斯過程回歸模型中的核函數選擇問題,研究了各單一核函數、組合核函數對預測分布的影響,為之后的建模提供理論參考。然后將基于組合核函數的高斯過程回歸算法應用到鋰電池容量數據的離線建模。(3)針對高斯過程計算量大的問題,采用一種基于增量學習的在線高斯過程回歸算法,并與基礎高斯過程回歸算法進行計算復雜度的對比分析。然后將該在線高斯過程回歸算法應用到鋰電池的電壓數據處理中,實驗結果表明本文的高斯過程增量學習算法在保證預測精度的情況下,有效地提高了訓練速度。(4)針對共軛梯度法在求取高斯過程回歸最優(yōu)超參數值時,存在優(yōu)化效果初值依賴性強的缺陷,提出一種基于改進引力搜索算法的高斯過程回歸參數優(yōu)化方法,并將該算法與簡單交叉驗證方法相結合,以提高高斯過程回歸算法的預測精度和泛化能力。將此算法應用在鋰電池數據的健康狀態(tài)估計和剩余壽命預測實驗中,并與傳統(tǒng)的基于共軛梯度法的高斯過程回歸算法、遺傳—高斯過程回歸算法和粒子群—高斯過程回歸算法進行比較。結果表明,基于該算法對鋰電池進行健康狀態(tài)和剩余使用壽命的在線預測可以取得較好的預測結果。
[Abstract]:Because of its advantages such as high energy ratio, low self-discharge rate, high power tolerance and long service life, lithium battery has gradually become a research hotspot in the field of energy storage, and has been widely used in many fields. The performance of lithium-ion battery will gradually decline in the process of use. Unexpected failure or failure of lithium battery will lead to huge losses and disastrous consequences, especially in the field of aerospace. It is very important for the safety of the system to estimate the health status of the lithium battery accurately predict the remaining life of the battery and further guide the operation and maintenance of the lithium battery. Gao Si process regression algorithm is applied to the field of lithium battery data processing to predict the health status and remaining service life of lithium battery. The prediction experiment of battery capacity data is carried out, and the prediction results are combined with the sliding average model based on autoregressive integral. The prediction results of the artificial neural network method are compared and analyzed. 2) there is no unified theoretical support for the current Gao Si process to select the kernel function type. The selection of kernel function in the establishment of Gao Si process regression model is discussed systematically. The influence of each single kernel function and combined kernel function on the prediction distribution is studied. Then the Gao Si process regression algorithm based on combinatorial kernel function is applied to the off-line modeling of lithium battery capacity data. An online Gao Si process regression algorithm based on incremental learning is adopted. Compared with the basic Gao Si process regression algorithm, the algorithm is applied to the voltage data processing of lithium battery. The experimental results show that the Gao Si incremental learning algorithm can effectively improve the training speed under the condition that the prediction accuracy is guaranteed.) according to the conjugate gradient method, we can get the optimal super-parameter value of Gao Si process. Because of the defect of strong dependence on initial value of optimization effect, this paper proposes an optimization method of Gao Si process regression parameters based on improved gravity search algorithm, and combines the algorithm with simple cross-validation method. In order to improve the prediction accuracy and generalization ability of Gao Si process regression algorithm, this algorithm is applied to the health state estimation and residual life prediction experiment of lithium battery data. And compared with the traditional Gao Si process regression algorithm based on conjugate gradient method, genetic algorithm and particle swarm optim_person2# process regression algorithm. The results show that. Based on this algorithm, good prediction results can be obtained for the health status and remaining service life of lithium battery.
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TM912;O212.1

【相似文獻】

相關期刊論文 前10條

1 蘇明禮;;非平穩(wěn)高斯過程的最大值的漸近性質[J];東北師大學報(自然科學版);1983年02期

2 謝盛榮;標準非平穩(wěn)高斯過程的逗留極限定理[J];西南師范大學學報(自然科學版);1991年01期

3 謝盛榮;一類高斯過程在高水平u上的逗留[J];科學通報;1998年13期

4 任彥榮;陳紹成;鄒曉川;田菲菲;周鵬;;采用高斯過程模擬預測域/肽識別和相互作用[J];中國科學:化學;2012年08期

5 徐業(yè)基;關于平穩(wěn)高斯過程的譜函數估計的漸近性質[J];數學學報;1983年04期

6 謝盛榮;方差具有有限個極大點的高斯過程之極值逗留[J];應用數學學報;1997年01期

7 劉輝;白峰杉;;基于混合高斯過程模型的高光譜圖像分類算法[J];高校應用數學學報A輯;2010年04期

8 謝盛榮;關于平穩(wěn)高斯過程的上穿過期望次數的幾點注記[J];數學研究與評論;1996年02期

9 鄭建青;;大增量平穩(wěn)高斯過程的極限行為(英文)[J];寧波大學學報(理工版);2007年01期

10 陳振龍,劉祿勤;d維平穩(wěn)高斯過程的極函數及其相關維數[J];武漢大學學報(理學版);2002年03期

相關會議論文 前5條

1 劉信恩;肖世富;莫軍;;用于不確定性分析的高斯過程響應面模型設計點選擇方法研究[A];中國計算力學大會'2010（CCCM2010）暨第八屆南方計算力學學術會議（SCCM8）論文集[C];2010年

2 劉冬;張清華;;基于高斯過程的精密衛(wèi)星鐘差加密[A];第二屆中國衛(wèi)星導航學術年會電子文集[C];2011年

3 李雅芹;楊慧中;;一種基于仿射傳播聚類和高斯過程的多模型建模方法[A];2009中國過程系統(tǒng)工程年會暨中國mes年會論文集[C];2009年

4 趙級漢;張國敬;姜龍;魏巍;;基于疊加高斯過程的數字噪聲產生方法FPGA實現[A];第二十四屆全國空間探測學術交流會論文摘要集[C];2011年

5 何志昆;劉光斌;姚志成;趙曦晶;;基于高斯過程回歸的FOG標度因數溫度漂移建模新方法[A];第25屆中國控制與決策會議論文集[C];2013年

相關博士學位論文 前4條

1 潘偉;基于高斯過程的高爐煉鐵過程辨識與預測[D];浙江大學;2012年

2 賀建軍;基于高斯過程模型的機器學習算法研究及應用[D];大連理工大學;2012年

3 夏戰(zhàn)國;基于高斯過程的提升機軸承性能評測方法研究[D];中國礦業(yè)大學;2013年

4 趙偉;復雜工程結構可靠度分析的高斯過程動態(tài)響應面方法研究[D];廣西大學;2014年

相關碩士學位論文 前10條

1 李紅麗;回歸分析中的貝葉斯推斷技術的研究[D];江南大學;2015年

2 李勵耘;基于高斯過程的抓取規(guī)劃方法研究[D];哈爾濱工業(yè)大學;2015年

3 王雪茹;基于高斯過程的風電機組部件建模與監(jiān)測研究[D];華北電力大學;2015年

4 于立鑫;基于高斯過程—差異進化算法的隧道施工多元信息反分析研究[D];大連海事大學;2015年

5 戈財若;基于高斯過程的高光譜圖像分類算法研究[D];東華理工大學;2015年

6 葉婧;基于高斯過程回歸的鋰電池數據處理[D];北京交通大學;2016年

7 申倩倩;基于高斯過程的在線建模問題研究[D];華南理工大學;2011年

8 朱江;單任務以及多任務稀疏高斯過程[D];華東師范大學;2014年

9 黃榮清;基于稀疏高斯過程回歸的半監(jiān)督分類的序貫訓練方法[D];華東師范大學;2012年

10 魏三喜;基于高斯過程的分類算法及其應用研究[D];華南理工大學;2012年

，

本文編號：1480351