一种基于IGS-SVM的锂离子电池剩余使用寿命预测方法及系统

技术领域

本发明属于电池检测技术领域，具体涉及一种基于IGS-SVM的锂离子电池剩余使用寿命预测方法及系统。

背景技术

随着科技的发展，锂离子电池以体积小、能量密度高、工作电压高、寿命周期长等综合优势，在很多行业逐渐成为重要的储能供能载体。锂离子电池的剩余使用寿命(Remaining Useful Life，RUL)预测作为锂离子电池故障诊断及健康管理(Prognosticsand Health Management，PHM)的前沿技术，被越来越多的研究人员所重视，并逐渐成为电子系统健康管理和故障诊断的研究热点。现有的锂电池RUL预测方法可以分为失效物理模型和数据驱动模型。基于失效物理模型方法旨在建立描述电池退化行为的数学模型，通过构建锂电池退化序列与时间的关系，预测锂电池的RUL，该方法需要深入了解锂电池的内部化学机理，并对锂电池内部的电解液、正负极材料、内部阻抗等影响因素进行分析，建立对应的解析模型对锂电池剩余寿命进行预测。数据驱动方法直接从电池的性能退化数据中提取出与锂电池寿命有关的特征参数，通过模型训练输出预测结果，为系统监控维护提供决策信息，由于数据驱动方法灵活性高、易实现等优点，成为目前电池寿命预测领域的研究热点。

特征参数选取和健康因子(Health Indicator，HI)的构建是影响基于数据驱动的方法预测效果的两个关键因素。锂电池的主要参数包括循环次数、电流、电压、温度、阻抗和容量等。现有的研究中，容量和内阻经常被选作HI，因为这些HI直接了反映锂电池的物理性能退化。获取电池的容量和阻抗时，需要锂电池完成完整的充放电过程，这对锂电池在线RUL预测造成了不便。Tong等人发现开路电压是电池健康状态(State Of Health，SOH)的另一个合适的HI。然而，开路电压的测量非常耗时，因为电池需要很长的休息时间才能达到稳定状态。Tseng等人观察到，在SOH建模中，用满放电60秒后的电压来代替开路电压更为可行和准确，可替换开路电压，但其仍存在监测条件苛刻的问题。Widodo等人提出在电池健康评估的预测框架下使用放电电压的样本熵。这种方法为评估时间序列的可预测性提供了一种有用的计算工具，也可以量化数据序列的规律性。然而，这种方法费时且需要容量参数来评价样本熵指标。Han等人使用差分电压来估计SOH，Zhou等人提出了平均电压降构建HI，Liu等人在SOH建模中使用每个循环过程中的等放电电压差的时间间隔作为测量容量退化的HI，以时间间隔差作为HI训练。上述研究对于HI构建进行了有益的探索，取得了不少具有创新性的成果，但在HI的构建精度及鲁棒性方面仍待提高。本文采用等时间电压差方法构建锂电池的HI，并分别对不同时间间隔的电压差构建的HI序列进行了对比研究，直接使用端电压变化表征容量退化。这样在锂电池RUL预测中，可直接在线获得表征容量退化的数据，提升了RUL预测的可靠性和工程实用性。

已应用于锂电池RUL预测的算法有朴素贝叶斯，高斯过程回归(Gaussian ProcessRegression，GPR)，自回归(Auto Regressive，AR)模型，相关向量机(Relevance VectorMachines，RVM)，支持向量机(Support Vector Machines，SVM)，人工神经网络(Artificialneural networks，ANN)等。陈林等人提出了一种朴素贝叶斯模型，并且研究了不同环境温度和使用条件下的电池退化模型。周建宝等人使用RVM算法直接估计锂离子电池剩余寿命预测。Sbarufatti等采用自回归AR模型跟踪电池容量的退化趋势，然后使用粒子群优化算法确定AR模型的阶数，实现了锂离子电池RUL预测的在线应用。刘月峰等将RVM、PF和自回归AR模型三种方法融合，用以提高模型预测能力。Surendar等使用GS方法优化SVM参数进行铅蓄电池充电状态估计。使用粒子群算法(Particle Swarm Optimization，PSO)优化SVM参数进行锂电池的充电和RUL预测，用于提高预测精度。Li等使用遗传算法(GeneticAlgorithm，GA)进行迭代优化寻找SVM最优超参数进行锂电池RUL的预测。上述研究取得了较好的结果，但如何基于SVR方法选择最优参数、保证RUL预测高准确度仍是存在的问题。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于IGS-SVM的锂离子电池剩余使用寿命预测方法及系统，采用等时间电压差方法构建与锂电池的容量序列具有相同退化过程的HI，使用端电压的变化表征锂电池容量退化，适用于锂电池在线RUL预测，具有很好的实用性，为锂电池的RUL预测中HI的构建提供了新的方法。

本发明采用以下技术方案：

一种基于IGS-SVM的锂离子电池剩余使用寿命预测方法，包括以下步骤：

S1、使用放电端电压构建与锂电池容量具有相同退化能力的健康因子HI；

S2、根据步骤S1构建的健康因子HI和提取的历史数据建立锂电池RUL预测的数据集，并将数据集分为训练集和测试集；

S3、利用改进的网格搜索方法在步骤S2得到的训练集上对支持向量机的参数进行优化得到最佳参数，利用最佳参数更新支持向量机模型的参数，得到IGS-SVM模型；

S4、将步骤S2得到的测试集放入步骤S3训练后的IGS-SVM模型中，得出测试集在模型训练中平均绝对误差值和均方根误差值以及拟合度可决系数R

具体的，步骤S1中，锂电池历史数据包括锂电池容量、充放电电压、充放电电流和充放电温度数据，采用等时间电压差方法提取锂电池的放电电压数据，使用放电端电压构建与锂电池容量具有相同退化能力的健康因子HI。

具体的，步骤S2中，提取的历史数据具体为：

其中，i表示锂电池放电循环次数，V

具体的，步骤S2中，对数据集进行预处理，具体为：删除数据集异常点，数据集噪声处理，补充数据集缺失值并进行Person相关性分析，对构建的健康因子HI与锂电池的容量进行映射。

进一步的，Person相关性分析的相关性系数r为：

其中，n是序列数量，X

具体的，步骤S3具体为：

在C为[10

具体的，步骤S4中，平均绝对误差MAE:

均方误差RMSE:

容量预测误差Error:

其中，n为序列长度，

具体的，步骤S4中，拟合度可决系数R

其中，y为锂电池容量观测值，

具体的，步骤S4中，采集锂电池的充放电电压、充放电电流和充放电温度；将采集的数据进行处理，并存储原始数据到历史数据中实时更新；将处理后的数据放入计算单元中进行锂电池的RUL预测；将锂电池RUL预测结果可视化。

本发明的另一技术方案是，一种基于IGS-SVM的锂离子电池剩余使用寿命预测系统，包括：

提取模块，使用放电端电压构建与锂电池容量具有相同退化能力的健康因子HI；

数据模块，根据提取模块构建的健康因子HI和提取的历史数据建立锂电池RUL预测的数据集，并将数据集分为训练集和测试集；

更新模块，利用改进的网格搜索方法在数据模块得到的训练集上对支持向量机的参数进行优化得到最佳参数，利用最佳参数更新支持向量机模型的参数，得到IGS-SVM模型；

预测模块，将数据模块的测试集放入更新模块训练后的IGS-SVM模型中，得出测试集在模型训练中平均绝对误差值和均方根误差值以及拟合度可决系数R

与现有技术相比，本发明至少具有以下有益效果：

本发明一种基于IGS-SVM的锂离子电池剩余使用寿命预测方法，采用IGS-SVM融合算法，由于锂电池的容量退化序列是高度非线性的，支持向量机通过向高维空间的映射，能够处理复杂的非线性分类问题，支持向量机性能的优劣主要取决于核函数的选取，RBF径向基核函数的非线性表达能力较强，可以捕捉电池退化过程中的局部非线性变化趋势，相比于其它核函数具有变量参数小的优点，这里选择高斯核(RBF径向基核)函数作为核函数进行模型训练，RBF径向基核函数SVM模型有两个重要的参数，分别是C与g。GS算法是一种全局搜索算法，通过遍历全部参数可得出各个参数值的评价指标，根据评价指标的变化情况选取全局最优解。为了保证能够效率和准确性的在全局找到最佳参数，使用IGS算法对SVM的参数进行了全局寻优，通过加入交叉验证(Cross Validation,CV)和大小步距结合方法提高寻找最佳参数的效率和准确性。

进一步的，采用等时间电压差方法构建与锂电池的容量序列具有相同退化过程的健康因子，因为获取电池的容量和阻抗时，需要锂电池完成完整的充放电过程，这对锂电池在线RUL预测造成了不便。通过从锂电池放电端电压间接构建HI代替能直接表征锂电池退化的容量和阻抗参数，能有效解决电池容量和阻抗属于电池内部参数，难以在线获取，不能实现锂电池RUL在线预测的影响。

进一步的，由于锂电池电化学工作环境复杂，使得监测的性能参数具有很强的随机性，且各参数之间具有复杂的相互关系以及明显的非线性特性，很难用明确的模型去描述性能参数的变化趋势。而基于数据驱动，使用深度学习方法构建的融合模型可直接从大量真实实验数据中进行学习，无需考虑输入与输出之间的数学关系，从而可以解决高度非线性的问题，使得建模过程更加简洁，且预测效果更加精准。NASA锂电池历史数据包括锂电池容量、充放电电压、充放电电流和充放电温度数据，数据是锂电池在工作过程中的参数特征，这些参数随着锂电池的循环充放电过程的进行不断发生，与锂电池的退化过程存在一定的联系，可以作为锂电池模型训练过程的训练特征。

进一步的，对于构建的数据集进行预处理有利于排除数据中异常点、噪声、填补缺失值，因为在数据采集过程中由于传感器灵敏度、数据点丢失、干扰、设备系统稳定等因素会造成采集的数据点偏离真实数据过大，或者数据点的丢失，通过对于数据集的预处理可以提高数据集的质量，提高训练模型的稳定性和模型的整体预测效果。训练集和测试集的划分有助于评估模型训练的好坏，及时的优化改进模型，训练出效果最佳模型。

进一步的，皮尔逊(Person)相关系数可反应两个变量之间的线性相关程度，通过Person相关性分析，可以判断通过等时间电压差方法构建的HI与锂电池容量之间的相关性大小，相关性越强即相关性系数r越接近1，代表构建的HI能够表征锂电池的退化过程；也可以通过相关性分析分析，提取的锂电池各个特征参数与锂电池容量的相关性，可以反映出特征参数与锂电池退化过程中的相关性，间接反映出特征参数对模型的贡献度大小。

进一步的，利用IGS方法在步骤S2得到的训练集上对SVM的参数进行优化得到最佳参数(C，g)，利用最佳参数(C，g)更新支持向量机模型的参数，得到IGS-SVM模型，可以保证在全局范围内得到最佳模型参数，保证得到的模型是全局最优，有利于保证锂电池RUL预测的准确性和可靠性。

进一步的，步骤S4在确定基于IGS-SVM锂电池RUL预测模型框架基础上，需进一步评估、优化模型性能。通过对模型的训练和测试，并记录训练过程中所设置的算法性能的变化，从而反映模型对锂电池RUL预测的能力。本发明采用平均绝对误差(MAE)和均方根误差(RMSE)，误差(Er)作为算法性能指标，衡量预测值与真实值之间的误差，评估基于IGS-SVM融合方法的锂电池RUL来预测模型。同时定义MAE为损失函数(Loss)。

进一步的，评价指标使用适应度函数R

进一步的，训练模型，使用步骤S1至步骤S2处理过后的数据，构建训练数据，步骤S3和步骤S4提出的IGS优化方法，使用IGS方法在训练数据上对SVM的参数(C，g)优化，得到最佳(C，g)参数，更新SVM模型的参数，得到IGS-SVM训练模型。

综上所述，本发明提出等时间电压差方法构建与锂电池的容量序列具有相同退化过程的HI，可使用端电压的变化表征锂电池容量退化，因为端电压参数容易直接测量，适用于锂电池在线RUL预测，具有很好的实用性，为锂电池的RUL预测中HI的构建提供了新的方法；相比于上述使用的近似算法或启发式智能优化算法，网格搜索(Grid Search，GS)算法能够通过全局寻优对相应的取值进行参数的遍历，尤其针对较低维度的优化问题，其可在不过度增加计算量的前提下，大幅提升获得全局最优解的可能。因此，针对所构建锂电池HI，本发明对GS进行改进，通过IGS算法对SVM的参数进行了全局寻优优化，验证了发明所提出的方法具有更高的准确性及鲁棒性。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为IGS-SVM模型预测流程图；

图2锂电池RUL预测系统结构图；

图3数据采集系统的结构图；

图4为锂电池循环充放电过程对比图；

图5为锂电池容量退化过程对比图；

图6为锂电池放电循环放电端电压变化过程对比图；

图7为锂电池放电端HI提取原理图；

图8为锂电池HI与容量映射结果图；

图9为基于IGS的SVM参数优化过程图；

图10为锂电池RUL预测结果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。

本发明提供了一种基于IGS-SVM的锂离子电池剩余使用寿命预测方法及系统，采用等时间电压差方法构建与锂电池的容量序列具有相同退化过程的健康因子(HealthIndicator，HI)，使用了容易在线获取的端电压信息来表征锂电池容量退化。解决了锂电池容量和阻抗属于电池内部参数，难以在线获取问题，在此基础上，提出了一种改进的网格搜索(Improved Grid Search，IGS)算法对支持向量机(Support Vector Machines，SVM)的参数进行了全局寻优，并将IGS-SVM融合算法用于锂电池RUL预测，实现了锂电池实时在线预测能力。

相比于使用近似方法或启发式智能优化方法，网格搜索(Grid Search，GS)方法能够通过全局寻优对相应的取值进行参数的遍历，尤其针对较低维度的优化问题，其可在不过度增加计算量的前提下，大幅提升获得全局最优解的可能。因此，针对所构建锂电池HI，本发明对GS进行改进，设计了一种IGS-SVM方法，其通过IGS(Improved Grid Search，改进型网格搜索)算法对SVM的参数进行了全局寻优优化，验证了发明所提出的方法具有更高的准确性及鲁棒性。

本发明对锂电池RUL预测，基于对锂电池健康管理系统所携带的传感器采集的数据进行回归分析并预测，其锂电池RUL预测流程图如图1，锂电池RUL预测系统设计预测流程如图2所示，可分为以下三部分。

请参阅图1，本发明一种基于IGS-SVM的锂离子电池剩余使用寿命预测方法，包括以下步骤：

S1、使用放电端电压构建与锂电池容量具有相同退化能力的健康因子HI；

首先对锂电池容量、充放电电压、充放电电流、充放电温度数据进行特征提取，并采用等时间电压差方法提取锂电池的放电电压数据，分析这些因素与锂电池容量相关性，使用放电端电压构建与锂电池容量具有相同退化能力的健康因子HI；锂电池容量退化过程对比图如图5所示，锂电池放电循环放电端电压变化过程对比如图6所示。

S2、根据步骤S1构建的HI和提取的特征建立锂电池RUL预测的数据集，并将数据集分为50％的训练集和50％的测试集；

提取锂电池的特征参数如下：

其中，i表示锂电池放电循环次数，V

提取锂电池充电电压端不同时间间隔的HI，如500s、1500s、2300s等时间间隔的ΔV序列，提取原理如图7所示，锂电池HI与容量映射结果如图8所示。对应的各个序列分别为ΔV

在锂电池RUL预测中，输入因素为充电电压V

其中，i表示锂电池放电循环次数，D

S3、IGS方法；

改进的网格根据经验为C和g分别设置一定的范围，C的范围设置为[10

使用步骤S1至步骤S2处理过后的数据，构建训练数据，步骤S3和步骤S4提出的IGS优化方法，使用IGS方法在训练数据上对SVM的参数(C，g)优化，得到最佳(C，g)参数，更新SVM模型的参数，得到IGS-SVM训练模型。

如表1所示IGS-SVM参数优化结果

表1 IGS优化SVM参数前后对比

结合构建的训练数据，使用IGS-SVM模型进行数据训练，则参数的优化过程如图9所示。

S4、模型测试；

将测试集的数据放入到步骤S3训练出的模型中，得出测试集在模型训练中平均绝对误差(Mean Absolute Error,MAE)值和均方根误差(Root Mean Squared Error，RMSE)值以及拟合度可决系数R

S5、将准确率高的模型进行封装放到一个计算单元中，方便以后采集到的新的数据进行实时的预测，最后将预测结果可视化。

锂电池剩余寿命的在线预测

S501、通过数据采集器对锂电池上的传感器数据进行采集；

请参阅图3和图4，在基于IGS-SVM锂电池RUL预测融合模型构建完成后，为了实时预测锂电池的更新数据集，需要通过数据采集系统采集检测收集锂电池实时状态参数(充放电电压、充放电电流，充放电温度)。数据采集系统通常由传感器模块，信号调理电路模块，数据采集器模块以及计算机及应用软件部分组成，具体流程如下表示：

(1)锂电池上的传感器检测到相应的状态信号并转换为相应的输出信号；

(2)信号调理电路对传感器输出的模拟信号进行滤波、转换、放大等处理；

(3)数据采集器对信号调理后的连续模拟信号离散化，通过一定频率的采样，把连续的模拟信号转化成离散的数字信号，同时把采集到的数字信号传递给计算机处理系统。

(4)计算机处理系统将数据采集器采集的转换数据进行存储，同时将此数据传输到数据处理模块；另外由计算机应用软件将采集的信号可视化，用来实时监控传感器的变化。

锂电池的使用工作条件不当，是导致锂电池循环寿命下降过快，甚至发生燃烧、爆炸等安全事故发生的主要原因。为了保证采集数据的精度和稳定，采集系统满足在一下条件下工作为宜：

(1)需要在环境温度-20～66℃条件下工作，这是锂电池正常工作所能接受的温度阈值空间；

(2)过充过放对于锂电池的使用寿命影响很大，一般锰酸锂电池的电压范围为2.8～4.2V，磷酸铁锂电池的电压范围为2.0～3.6V，锂电池正常工作电压范围；

(3)充放电倍率表征锂电池的大电流工作能力，最大充电倍率和最大放电倍率分别是指锂电池在充放电时允许的最大电流，不同材料不同用途的锂电池倍率不同，根据实际使用的锂电池倍率要求工作；

(4)需要较宽泛的采集速率范围。一般要求采集速率从1～200kHz；

(5)测量准确度(或精度)和分辨率要求高。例如锂电池的某些参数进行AD转换时，要求使用具有32位分辨率的AD转换器，使系统准确度高达±0.01％FS～±0.03％FS；

(6)传感器能及时反应温度的变化，即传感器的时间常数要小(小于0.1s)；

(7)放大器的非线性误差小于±0.25％。

S502、将采集的数据进行处理，并存储原始数据到历史数据中实时更新；

为了使采集到的数据可以正常的被核心计算单元中的锂电池RUL预测模块快速识别，数据处理模块中的数据处理过程主要包含以下3个方面：

(1)数据集更新：把数据按着收集的时间顺序进行排列并添加标签，形成与锂电池历史数据一致的数据形式，以便于下一步处理；

(2)数据预处理：将构造后的数据进行数据预处理，输入到核心计算单元进行锂电池RUL预测；

(3)数据集存储：将原始数据和预处理过后的数据进行数据排序后保存起来，实现实时更新。

S503、将处理后的数据放入计算单元中进行锂电池的RUL预测；

S504、将锂电池RUL预测结果可视化。

数据收集器转换过的传感器信息以及经过核心计算单元预测出的锂电池的RUL预测的实时结果，如图10所示。

本发明再一个实施例中，提供一种基于IGS-SVM的锂离子电池剩余使用寿命预测系统，该系统能够用于实现上述基于IGS-SVM的锂离子电池剩余使用寿命预测方法，具体的，该基于IGS-SVM的锂离子电池剩余使用寿命预测系统包括提取模块、数据模块、更新模块以及预测模块。

其中，提取模块，使用放电端电压构建锂电池容量具有相同退化能力的健康因子HI；

数据模块，根据提取模块构建的健康因子HI和提取的历史数据建立锂电池RUL预测的数据集，并将数据集分为训练集和测试集；

更新模块，利用改进的网格搜索方法在数据模块得到的训练集上对支持向量机的参数进行优化得到最佳参数，利用最佳参数更新支持向量机模型的参数，得到IGS-SVM模型；

预测模块，将数据模块的测试集放入更新模块训练后的IGS-SVM模型中，得出测试集在模型训练中平均绝对误差值和均方根误差值以及拟合度可决系数R

本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于基于IGS-SVM的锂离子电池剩余使用寿命预测方法的操作，包括：

使用放电端电压构建与锂电池容量具有相同退化能力的健康因子HI；根据健康因子HI和提取的历史数据建立锂电池RUL预测的数据集，并将数据集分为训练集和测试集；利用改进的网格搜索方法在训练集上对支持向量机的参数进行优化得到最佳参数，利用最佳参数更新支持向量机模型的参数，得到IGS-SVM模型；将测试集放入IGS-SVM模型中，得出测试集在模型训练中平均绝对误差值和均方根误差值以及拟合度可决系数R

本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。

可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关基于IGS-SVM的锂离子电池剩余使用寿命预测方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：

使用放电端电压构建与锂电池容量具有相同退化能力的健康因子HI；根据健康因子HI和提取的历史数据建立锂电池RUL预测的数据集，并将数据集分为训练集和测试集；利用改进的网格搜索方法在训练集上对支持向量机的参数进行优化得到最佳参数，利用最佳参数更新支持向量机模型的参数，得到IGS-SVM模型；将测试集放入IGS-SVM模型中，得出测试集在模型训练中平均绝对误差值和均方根误差值以及拟合度可决系数R

综上所述，本发明一种基于IGS-SVM的锂离子电池剩余使用寿命预测方法，通过构建HI和IGS-SVM融合算法，可以实现锂电池RUL的在线预测。优点如下：

第一：由于锂电池电化学工作环境复杂，使得监测的性能参数具有很强的随机性，且各参数之间具有复杂的相互关系以及明显的非线性特性，很难用明确的模型去描述性能参数的变化趋势。而基于数据驱动，使用深度学习方法构建的融合模型可直接从大量真实实验数据中进行学习，无需考虑输入与输出之间的数学关系，从而可以解决高度非线性的问题，使得建模过程更加简洁，且预测效果更加精准。

第二：采用等时间电压差方法构建与锂电池的容量序列具有相同退化过程的健康因子，因为获取电池的容量和阻抗时，需要锂电池完成完整的充放电过程，这对锂电池在线RUL预测造成了不便。通过从锂电池放电端电压间接构建HI代替能直接表征锂电池退化的容量和阻抗参数，能有效解决电池容量和阻抗属于电池内部参数，难以在线获取，不能实现锂电池RUL在线预测的影响。

第三：采用IGS-SVM融合算法，由于锂电池的容量退化序列是高度非线性的，支持向量机性能的优劣主要取决于核函数的选取，RBF径向基核函数的非线性表达能力较强，可以捕捉电池退化过程中的局部非线性变化趋势，相比于其它核函数具有变量参数小的优点，这里选择高斯核(RBF径向基核)函数作为核函数进行模型训练，RBF径向基核函数SVM模型有两个重要的参数，分别是C与g。GS算法是一种全局搜索算法，通过遍历全部参数可得出各个参数值的评价指标，根据评价指标的变化情况选取全局最优解。为了保证能够效率和准确性的在全局找到最佳参数，使用改进的网格搜索(Improved Grid Search,IGS)算法对支持向量机(Support Vector Machines,SVM)的参数进行了全局寻优，通过加入交叉验证(Cross Validation,CV)和大小步距结合方法提高寻找最佳参数的效率和准确性。

第四：锂电池的数据是使用数据采集器实时采集的，然后将采集的数据预处理后输入到神经网络训练好的模型中，可以实现对锂电池RUL的在线预测，且结果可视化。同时，通过监测采集到的数据，将其经过相应处理过后加入到历史数据中重新训练，优化模型中的参数，建立锂电池RUL预测的实时预测模型，以此达到实时更新的目的，进而提高预测精度。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。