本文關(guān)鍵詞： 高斯過(guò)程回歸 鋰離子電池 增量學(xué)習(xí)算法 智能優(yōu)化 健康狀態(tài)估計(jì)　出處：《北京交通大學(xué)》2016年碩士論文　論文類(lèi)型：學(xué)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(zhǎng)等優(yōu)點(diǎn),逐漸成為能量存儲(chǔ)領(lǐng)域的研究熱點(diǎn),并廣泛地應(yīng)用于諸多領(lǐng)域。然而,鋰電池在使用過(guò)程中性能會(huì)逐漸衰退,意外的鋰電池性能故障或失效會(huì)導(dǎo)致巨大損失和災(zāi)難性的后果,特別是在航空航天領(lǐng)域。因此,對(duì)鋰電池進(jìn)行健康狀態(tài)估計(jì),準(zhǔn)確地預(yù)測(cè)出鋰電池的剩余壽命,進(jìn)一步指導(dǎo)鋰電池的運(yùn)行和維護(hù),對(duì)于系統(tǒng)的安全性具有重要意義。本文采用數(shù)據(jù)驅(qū)動(dòng)的方法,將高斯過(guò)程回歸算法應(yīng)用到鋰電池?cái)?shù)據(jù)處理領(lǐng)域,對(duì)鋰電池的健康狀態(tài)和剩余使用壽命進(jìn)行預(yù)測(cè)分析。本文的主要工作有：(1)建立高斯過(guò)程回歸模型,對(duì)電池容量數(shù)據(jù)進(jìn)行預(yù)測(cè)實(shí)驗(yàn),并將預(yù)測(cè)結(jié)果與基于自回歸積分滑動(dòng)平均模型、人工神經(jīng)網(wǎng)絡(luò)方法的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析。(2)針對(duì)當(dāng)前高斯過(guò)程對(duì)核函數(shù)類(lèi)型的選擇方法還沒(méi)有統(tǒng)一的理論支撐,系統(tǒng)地探討了建立高斯過(guò)程回歸模型中的核函數(shù)選擇問(wèn)題,研究了各單一核函數(shù)、組合核函數(shù)對(duì)預(yù)測(cè)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(shù)的高斯過(guò)程回歸算法應(yīng)用到鋰電池容量數(shù)據(jù)的離線建模。(3)針對(duì)高斯過(guò)程計(jì)算量大的問(wèn)題,采用一種基于增量學(xué)習(xí)的在線高斯過(guò)程回歸算法,并與基礎(chǔ)高斯過(guò)程回歸算法進(jìn)行計(jì)算復(fù)雜度的對(duì)比分析。然后將該在線高斯過(guò)程回歸算法應(yīng)用到鋰電池的電壓數(shù)據(jù)處理中,實(shí)驗(yàn)結(jié)果表明本文的高斯過(guò)程增量學(xué)習(xí)算法在保證預(yù)測(cè)精度的情況下,有效地提高了訓(xùn)練速度。(4)針對(duì)共軛梯度法在求取高斯過(guò)程回歸最優(yōu)超參數(shù)值時(shí),存在優(yōu)化效果初值依賴性強(qiáng)的缺陷,提出一種基于改進(jìn)引力搜索算法的高斯過(guò)程回歸參數(shù)優(yōu)化方法,并將該算法與簡(jiǎn)單交叉驗(yàn)證方法相結(jié)合,以提高高斯過(guò)程回歸算法的預(yù)測(cè)精度和泛化能力。將此算法應(yīng)用在鋰電池?cái)?shù)據(jù)的健康狀態(tài)估計(jì)和剩余壽命預(yù)測(cè)實(shí)驗(yàn)中,并與傳統(tǒng)的基于共軛梯度法的高斯過(guò)程回歸算法、遺傳—高斯過(guò)程回歸算法和粒子群—高斯過(guò)程回歸算法進(jìn)行比較。結(jié)果表明,基于該算法對(duì)鋰電池進(jìn)行健康狀態(tài)和剩余使用壽命的在線預(yù)測(cè)可以取得較好的預(yù)測(cè)結(jié)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(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TM912;O212.1

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 蘇明禮;;非平穩(wěn)高斯過(guò)程的最大值的漸近性質(zhì)[J];東北師大學(xué)報(bào)(自然科學(xué)版);1983年02期

2 謝盛榮;標(biāo)準(zhǔn)非平穩(wěn)高斯過(guò)程的逗留極限定理[J];西南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);1991年01期

3 謝盛榮;一類(lèi)高斯過(guò)程在高水平u上的逗留[J];科學(xué)通報(bào);1998年13期

4 任彥榮;陳紹成;鄒曉川;田菲菲;周鵬;;采用高斯過(guò)程模擬預(yù)測(cè)域/肽識(shí)別和相互作用[J];中國(guó)科學(xué):化學(xué);2012年08期

5 徐業(yè)基;關(guān)于平穩(wěn)高斯過(guò)程的譜函數(shù)估計(jì)的漸近性質(zhì)[J];數(shù)學(xué)學(xué)報(bào);1983年04期

6 謝盛榮;方差具有有限個(gè)極大點(diǎn)的高斯過(guò)程之極值逗留[J];應(yīng)用數(shù)學(xué)學(xué)報(bào);1997年01期

7 劉輝;白峰杉;;基于混合高斯過(guò)程模型的高光譜圖像分類(lèi)算法[J];高校應(yīng)用數(shù)學(xué)學(xué)報(bào)A輯;2010年04期

8 謝盛榮;關(guān)于平穩(wěn)高斯過(guò)程的上穿過(guò)期望次數(shù)的幾點(diǎn)注記[J];數(shù)學(xué)研究與評(píng)論;1996年02期

9 鄭建青;;大增量平穩(wěn)高斯過(guò)程的極限行為(英文)[J];寧波大學(xué)學(xué)報(bào)(理工版);2007年01期

10 陳振龍,劉祿勤;d維平穩(wěn)高斯過(guò)程的極函數(shù)及其相關(guān)維數(shù)[J];武漢大學(xué)學(xué)報(bào)(理學(xué)版);2002年03期

相關(guān)會(huì)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(guò)程響應(yīng)面模型設(shè)計(jì)點(diǎn)選擇方法研究[A];中國(guó)計(jì)算力學(xué)大會(huì)'2010（CCCM2010）暨第八屆南方計(jì)算力學(xué)學(xué)術(shù)會(huì)議（SCCM8）論文集[C];2010年

2 劉冬;張清華;;基于高斯過(guò)程的精密衛(wèi)星鐘差加密[A];第二屆中國(guó)衛(wèi)星導(dǎo)航學(xué)術(shù)年會(huì)電子文集[C];2011年

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

4 趙級(jí)漢;張國(guó)敬;姜龍;魏巍;;基于疊加高斯過(guò)程的數(shù)字噪聲產(chǎn)生方法FPGA實(shí)現(xiàn)[A];第二十四屆全國(guó)空間探測(cè)學(xué)術(shù)交流會(huì)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(guò)程回歸的FOG標(biāo)度因數(shù)溫度漂移建模新方法[A];第25屆中國(guó)控制與決策會(huì)議論文集[C];2013年

相關(guān)博士學(xué)位論文 前4條

1 潘偉;基于高斯過(guò)程的高爐煉鐵過(guò)程辨識(shí)與預(yù)測(cè)[D];浙江大學(xué);2012年

2 賀建軍;基于高斯過(guò)程模型的機(jī)器學(xué)習(xí)算法研究及應(yīng)用[D];大連理工大學(xué);2012年

3 夏戰(zhàn)國(guó);基于高斯過(guò)程的提升機(jī)軸承性能評(píng)測(cè)方法研究[D];中國(guó)礦業(yè)大學(xué);2013年

4 趙偉;復(fù)雜工程結(jié)構(gòu)可靠度分析的高斯過(guò)程動(dòng)態(tài)響應(yīng)面方法研究[D];廣西大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 李紅麗;回歸分析中的貝葉斯推斷技術(shù)的研究[D];江南大學(xué);2015年

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

3 王雪茹;基于高斯過(guò)程的風(fēng)電機(jī)組部件建模與監(jiān)測(cè)研究[D];華北電力大學(xué);2015年

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

5 戈財(cái)若;基于高斯過(guò)程的高光譜圖像分類(lèi)算法研究[D];東華理工大學(xué);2015年

6 葉婧;基于高斯過(guò)程回歸的鋰電池?cái)?shù)據(jù)處理[D];北京交通大學(xué);2016年

7 申倩倩;基于高斯過(guò)程的在線建模問(wèn)題研究[D];華南理工大學(xué);2011年

8 朱江;單任務(wù)以及多任務(wù)稀疏高斯過(guò)程[D];華東師范大學(xué);2014年

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

10 魏三喜;基于高斯過(guò)程的分類(lèi)算法及其應(yīng)用研究[D];華南理工大學(xué);2012年

，

本文編號(hào)：1480351