基于麻雀搜索算法优化SVR的锂电池寿命预测研究（ 二）

最新推荐文章于 2024-08-13 23:31:35 发布
最新推荐文章于 2024-08-13 23:31:35 发布
阅读量816 收藏 17
点赞数 5
文章标签： 算法 matlab svm 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_54714455/article/details/132051424
版权
文章详细描述了如何从四块电池的放电至截止电压时间和平均温度数据中提取特征，作为预测锂电池剩余使用寿命的备选健康因子。通过Pearson相关性分析评估了这些特征与容量的关系，最终选定放电截止电压时间作为主要预测因子。
摘要由CSDN通过智能技术生成

 特征提取（2）

        其次，提取的是四块电池的放电至截止电压的时间数据，它将作为预测锂电池的剩余使用寿命的备选健康因子。下图所示，B0005、B0006、B0007、B0018四块电池的放电时间数据经过循环次数的增加而大体上呈下降趋势，与容量退化趋势有一定的相关性。

提取电池放电至截止电压的时间数据如下：

%% 清空环境
clear;%清工作区
clc;%清命令
close all;%关闭所有的Figure窗口 
format compact;%压缩空格
tic;%开始计时
%% 005号电池
load('B0005.mat');
j = 0 ;                                                                                                 
for i=1:length(B0005.cycle)
    
     cycle_type = B0005.cycle(i).type;                            
     data_type = 'discharge';
     value = strcmp(cycle_type,data_type);                      
        
     if value
  
       j=j+1;
       [m,n]= min(B0005.cycle(i).data.Voltage_measured); 
       B0005_Voltage_Data_Time=B0005.cycle(i).data.Time;
       A(j,1) =B0005_Voltage_Data_Time(1,n);
       
       

     end
end
%% 006号电池
load('B0006.mat');
j = 0 ;                                                                                                 
for i=1:length(B0006.cycle)
    
     cycle_type = B0006.cycle(i).type;                            
     data_type = 'discharge';
     value = strcmp(cycle_type,data_type);                      
        
     if value
  
       j=j+1;
       [m,n]= min(B0006.cycle(i).data.Voltage_measured); 
       B0006_Voltage_Data_Time=B0006.cycle(i).data.Time;
       B(j,1) =B0006_Voltage_Data_Time(1,n);
       
       

     end
end
%% 007号电池
load('B0007.mat');
j = 0 ;                                                                                                 
for i=1:length(B0007.cycle)
    
     cycle_type = B0007.cycle(i).type;                            
     data_type = 'discharge';
     value = strcmp(cycle_type,data_type);                      
        
     if value
  
       j=j+1;
       [m,n]= min(B0007.cycle(i).data.Voltage_measured); 
       B0007_Voltage_Data_Time=B0007.cycle(i).data.Time;
       C(j,1) =B0007_Voltage_Data_Time(1,n);
       
       

     end
end
%% 018号电池
load('B0018.mat');
j = 0 ;                                                                                                 
for i=1:length(B0018.cycle)
    
     cycle_type = B0018.cycle(i).type;                            
     data_type = 'discharge';
     value = strcmp(cycle_type,data_type);                      
        
     if value
  
       j=j+1;
       [m,n]= min(B0018.cycle(i).data.Voltage_measured); 
       B0018_Voltage_Data_Time=B0018.cycle(i).data.Time;
       D(j,1) =B0018_Voltage_Data_Time(1,n);
       
       

     end
end
%% 绘图
figure;
plot(A)
hold on;
plot(B)
plot(C)
plot(D)
legend('5号电池','6号电池','7号电池','18号电池');
title('放电至截止电压的时间周期图','FontSize',12);
xlabel('循环周期','FontSize',12);
ylabel('时间/s','FontSize',12);
grid on;
toc;
%% 另存为mat文件
save('data.mat','A')

 其中data.mat中的数据为5号电池的提取的备选健康因子的具体数据。

 特征提取（3）

提取电池平均温度数据如下：

%% 清空环境
clear;%清工作区
clc;%清命令
%close all;%关闭所有的Figure窗口 
format compact;%压缩空格
tic;%开始计时
%% 005号电池
load('B0005.mat');
j = 0 ;                                                                                                 
for i=1:length(B0005.cycle)
    
     cycle_type = B0005.cycle(i).type;                            
     data_type = 'discharge';
     value = strcmp(cycle_type,data_type);                      
        
     if value
  
       j=j+1;
       [m,n]= max(B0005.cycle(i).data.Temperature_measured); 
       B0006_Voltage_Data_Tem=B0005.cycle(i).data.Temperature_measured;
       A(j,1) =(B0006_Voltage_Data_Tem(1,n)-B0006_Voltage_Data_Tem(1,1))/n;
       
       

     end
end
%% 006号电池
load('B0006.mat');
j = 0 ;                                                                                                 
for i=1:length(B0006.cycle)
    
     cycle_type = B0006.cycle(i).type;                            
     data_type = 'discharge';
     value = strcmp(cycle_type,data_type);                      
        
     if value
  
       j=j+1;
       [m,n]= max(B0006.cycle(i).data.Temperature_measured); 
       B0006_Voltage_Data_Tem=B0006.cycle(i).data.Temperature_measured;
       B(j,1) =(B0006_Voltage_Data_Tem(1,n)-B0006_Voltage_Data_Tem(1,1))/n;
       
       

     end
end
%% 007号电池
load('B0007.mat');
j = 0 ;                                                                                                 
for i=1:length(B0007.cycle)
    
     cycle_type = B0007.cycle(i).type;                            
     data_type = 'discharge';
     value = strcmp(cycle_type,data_type);                      
        
     if value
  
       j=j+1;
       [m,n]= max(B0007.cycle(i).data.Temperature_measured); 
       B0007_Voltage_Data_Tem=B0007.cycle(i).data.Temperature_measured;
       C(j,1) =(B0007_Voltage_Data_Tem(1,n)-B0007_Voltage_Data_Tem(1,1))/n;
       
       

     end
end
%% 018号电池
load('B0018.mat');
j = 0 ;                                                                                                 
for i=1:length(B0018.cycle)
    
     cycle_type = B0018.cycle(i).type;                            
     data_type = 'discharge';
     value = strcmp(cycle_type,data_type);                      
        
     if value
  
      j=j+1;
       [m,n]= max(B0018.cycle(i).data.Temperature_measured); 
       B0018_Voltage_Data_Tem=B0018.cycle(i).data.Temperature_measured;
       D(j,1) =(B0018_Voltage_Data_Tem(1,n)-B0018_Voltage_Data_Tem(1,1))/n;
       

     end
end
%% 绘图
figure;
plot(A)
hold on;
plot(B)
plot(C)
plot(D)
legend('5号电池','6号电池','7号电池','18号电池');
title('放电平均温度值的时间周期图','FontSize',13);
xlabel('循环周期','FontSize',12);
ylabel('放电平均温度','FontSize',12);
grid on;
toc;

        最后，提取的是四块电池的从初始温度到最高点的平均温度数据，它将作为预测锂电池的剩余使用寿命的备选健康因子。如下图所示，B0005、B0006、B0007、B0018四块电池的放电平均温度数据经过循环次数的增加而大体上呈增加趋势，与容量退化曲线呈一定程度上的负相关。

 相关性分析

        上一节中从相关数据中提取备选健康指标，本节通过运用Pearson相关性分析法来探讨温度特征、电压特征与电池容量间的关联关系，做好锂电池剩余使用寿命的准确预测的准备工作。

        Pearson 相关性分析法是一种用于衡量两个变量之间线性关系强度和方向的统计方法，可以用于定量分析锂电池的两组特征数据间的相似程度及相关度高低。 那么 Pearson 相关系数的计算公式如下：
        
        上式 中， \alpha和\beta 分别为需比较的两个向量或变量数组，在本文指的是提取的健康因子与容量的相关性分析。其值介于-1 和 1 之间。当 Pearson 相关系数为正时，表示两个变量呈正相关；当 Pearson 相关系数为负时，表示两个变量呈负相关；当 Pearson 相关系数为 0 时，表示两个变量之间没有线性关系。
        通过对温度特性、电压特性的分析，本文提取了放电平均温度 和从初始电压下降至截止电压的时间这两组数据作为备选健康因子，来预测锂电池的剩余使用寿命。下表为各备选健康因子与电池容量的关联程度，计算了两者之间的 Pearson 相关系数。
        相关计算方式可以自行搜索，反正CSDN上一堆（不是懒，嘿嘿）
        再贴个其他论文作者的相关性分析比较的截图~~~

 

 

        通过对各备选健康因子的比较和分析，我们最终选择放电截止电压时间作为锂电池的健康因子，并使用其作为预测模型的输入来预测锂电池的剩余使用寿命。

结尾

        前置工作完成，数据全部处理完成，后面将是RUL预测的功能实现。如果有没能成功运行的话，我会把处理后的数据集发在评论区。

结束了喵！

萌新躺好
关注
  • 5
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 9
    评论
【SVR预测】基于差分进化算法优化SVR实现数据预测附matlab代码.zip
04-01
【标题】"【SVR预测】基于差分进化算法优化SVR实现数据预测附matlab代码.zip" 提供了一个利用支持向量回归（Support Vector Regression, SVR）进行数据预测的实例，其中优化过程采用了差分进化算法。该资源特别适合...
NASA锂电池数据集分析
weixin_70125213的博客
03-30 5083
NASA数据，Matlab代码分析，各种锂电池数据集链接
基于麻雀搜索算法优化SVR的锂电池寿命预测研究（一）
qq_54714455的博客
06-09 1908
对于锂电池剩余使用寿命预测的研究，选用NASA预测中心的锂电池数据作为数据集，从中提取能作为锂电池性能衰退特征的健康因子。为了使预测模型更适合实际应用场景，采用锂电池的容量数据替代剩余使用寿命数据作为预测模型的输出数据。构建了支持向量回归（SVR）模型来预测锂电池的剩余使用寿命。为了有效提高锂电池剩余使用寿命的精确性，提出麻雀搜索算法（SSA）优化支持向量回归的方法，得到SSA-SVR模型。
【BP预测】基于BP神经网络实现锂电池健康状态预测含Matlab源码
matlab_dingdang的博客
03-24 1948
1 简介 锂电池健康状态(SOH)的预测是电动汽车锂电池管理系统的最重要的关键技术之一;​ 2 部分代码 close all;clear all;​load('B0007')cycles1 = B0007.cycle; % 保存步骤数组到新变量​counter = 0; counter1 = 0;​​output=net(input);prediction=mapminmax('reverse',output,ps2);SOH=prediction;​input2=mapminmax('apply'
NASA锂电池容量增量数据处理
weixin_45293690的博客
02-24 4682
NASA锂电池容量增量数据处理
粒子群算法+优化支持向量机SVM+回归预测SVR+matlab源代码
07-07
粒子群算法+优化支持向量机SVM+回归预测SVR+matlab源代码
改进粒子群算法优化SVR水质预测模型研究.pdf
09-28
"改进粒子群算法优化SVR水质预测模型研究" 本文的主要内容是改进粒子群算法优化SVR水质预测模型，以解决传统粒子群算法优化SVR参数寻优时间过长的问题。该改进算法通过网格搜索算法得到一组最佳粗值，然后根据粗值...
MATLAB实现SSA-SVM麻雀算法优化支持向量机多特征分类预测（完整源码和数据）
12-26
MATLAB实现SSA-SVM麻雀算法优化支持向量机多特征分类预测（完整源码和数据） 数据为多特征分类数据，输入15个特征，分四类,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。 运行环境MATLAB2018b及...
基于鲸鱼优化算法的SVR（笔记里含完整代码）.md
07-06
# 鲸鱼优化算法 def whale_optimization_algorithm(objective_function, bounds, iterations): population_size = 10 dim = len(bounds) population = np.random.uniform(low=bounds[:, 0], high=bounds[:, 1], ...
《基于深度学习实现动力电池健康状态评估与剩余寿命预测 》+源代码+设计资料
ldxxxxll的博客
05-07 329
本次使用的模型为五个机器学习模型: SVR, ElasticNet, KernelRidge, XGBRegressor, GradientBoostingRegressor 以及一个深度学习模型的平均融合模型.论文标题: Data-driven prediction of battery cycle life before capacity degradation。
备战秋招60天算法挑战，Day17
溜达虎的博客
08-13 188
给定两个字符串 和 ，编写一个函数来判断 是否是 的字母异位词。注意： 若 和 中每个字符出现的次数都相同，则称 和 互为字母异位词。举个例子： 视频题解 有效的字母异位词 思路来源 思路来源 思路解析 方法一 排序 分别对和进行排序，然后比较排序后的字符串是否相等。 java代码 python代码 复杂度分析 时间复杂度： 快排的时间复杂度是O(nlogn)，其中是字符串的长度。空间复杂度： 快排的空间复杂度是O(logn)。假设， 。 java代码 python代码 复杂度分析 时
代码随想录算法训练营第十一天
b1ankwall的博客
08-10 1196
参加代码随想录第43期算法训练营day11|150. 逆波兰表达式求值，239. 滑动窗口最大值，347.前 K 个高频元素，栈与队列总结
[算法2] 第二集 二叉树中的深度搜索
2301_80017277的博客
08-09 853
一、（DFS，全称为 Depth First Traversal），是我们树或者图这样的数据结构中常⽤的⼀种遍历算法。这个算法会尽可能深的搜索树或者图的分支，直到⼀条路径上的所有节点都被遍历完毕，然后再回溯到上⼀层，继续找⼀条路遍历。在⼆叉树中，常见的深度优先遍历为：前序遍历、中序遍历以及后序遍历。因为树的定义本⾝就是递归定义，因此采⽤递归的方法去实现树的三种遍历不仅容易理解⽽且代码很简洁。
算法：外卖调度
最新发布
m0_73915763的博客
08-13 402
有N个餐厅和M个外卖员，每个餐厅在某个时间点会产生一个外卖订单，这些订单都有产生时间、所需送达时间和优先级。外卖员在空闲时会选择最优先的订单来配送，直到所有订单都被送达。具体规则如下: 对于每个餐厅的订单，优先级高的订单优先，其次是所需送达时间最短的订单，再次是产生时间最早的订单。外卖员在空闲时会从所有餐厅的最高优先级订单中挑选一个所需送达时间最短的订单进行配送，若所需送达时间相同则选择餐厅编号最小的订单。
经典算法题总结：十大排序算法，外部排序和Google排序简介
技术研究记录
08-10 527
快速排序（Quick Sort）是一种常用的高效的排序算法，它是一种基于比较的排序算法，利用了分治（自顶向下）的思想。快速排序的主要思想是选择一个基准元素，将数组分成两个子数组，一个子数组的所有元素都小于基准元素，另一个子数组的所有元素都大于基准元素，然后递归地对这两个子数组进行排序，最后将它们合并起来。
【算法】二分查找
2301_80277275的博客
08-10 247
二分查找、在排序数组中查找元素的第一个和最后一个位置、x的平方根、搜索插入位置、山脉数组的峰顶索引、寻找峰值、寻找旋转排序数组中的最小值、点名
C语言 | Leetcode C语言题解之第332题重新安排行程
m0_59237910的博客
08-13 318
C语言 | Leetcode C语言题解之第332题重新安排行程
算法定制与双光谱技术融合：提升巡检车入侵检测系统效能
LntonCEC的博客
08-13 264
需要定制一项基于双光谱云台相机的入侵检测系统，该系统将被应用于机场周界巡检车辆，以实现全天候的周界安全监控，包括周界状态监测、入侵物体识别、特定行为分析及夜视能力强化。这种需求不仅体现在数量上，更体现在质量上，尤其是对算法定制化的需求。微调：就是已有算法和相关场景的数据，需要加入一些现场样本（每次至少需1000张），重新训练，就是不停根据现场的误报和漏报进行标注训练的迭代过程。定制：明确需求后，提供初步样本，再收集一些样本，标注训练形成初始算法，需要的数据量相比微调要大一些，周期要长一些，费用要高一些。
基于改进蚁狮优化算法的锂离子电池寿命预测
"这篇论文是关于基于改进支持向量回归(SVR)的锂电池剩余寿命预测研究，使用了改进蚁狮优化算法(IALO)来优化SVR模型，并在NASA电池数据集上进行了验证，对比了传统BP神经网络和SVR方法的预测效果。" 在电池技术特别...
评论 9
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

萌新躺好

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值