论文部分内容阅读
随着社会经济和储能技术的发展,锂电池以其放电电压稳定性高、循环使用寿命长、体积小质量轻、绿色环保等优势,获得了社会各领域的广泛应用。但是锂电池存在寿命问题,其性能会随着使用逐渐退化。因此,根据历史监测数据对锂电池剩余寿命(Remaining Useful Life,RUL)进行预测具有重要的意义。本文采用高斯过程回归方法(Gaussian Process Regression,GPR)进行锂电池剩余寿命的预测,高斯过程回归作为一种数据驱动方法,可以得到具有概率意义的预测结果,但其存在算法复杂度大的问题。对此本文提出了新的高斯过程回归方法,综合提升训练和预测的速度,并能够根据新获取的数据更新预测模型,对高斯过程回归方法预测性能的提升以及锂电池剩余寿命预测的实现具有重要的现实意义。本文的主要工作有:(1)针对高斯过程回归在处理大规模数据集时,时间复杂度过大导致回归预测性能降低的问题,提出了稀疏化方法:两步高斯方法(Two-stepGaussianProcess Regression,TGPR)。该方法引入诱导输入,在训练和预测过程中均通过两个步骤对传统高斯过程回归进行优化,综合提升了训练和预测的速度。将提出的两步高斯方法与传统高斯过程回归方法进行仿真比较,结果表明,两步高斯方法具有更快的预测速度和更高的预测准确性。(2)针对高斯过程回归根据新获取样本更新预测模型时间复杂度过大的问题,提出了快速更新两步高斯方法(Fast-update Two-step Gaussian Process Regression,FTGP)。该方法在两步高斯方法的基础上,推理得到一个关于新加入样本的分布用以快速更新预测模型。将提出的快速更新两步高斯方法与传统高斯过程回归方法进行仿真比较,结果表明,快速更新两步高斯方法在根据新获取的样本更新预测模型时,具有更快的更新速度。(3)使用两步高斯方法和快速更新两步高斯方法进行锂电池剩余寿命预测。结果表明,两步高斯方法提高了锂电池剩余寿命预测的速度,快速更新两步高斯方法能够根据新获取的锂电池数据更新预测模型,且两种方法都能够准确预测锂电池的寿命终止。