本发明属于锂电池，具体涉及一种基于stacking融合的锂电池剩余使用寿命预测方法。
背景技术：
1、当前，全球能源结构主要依赖于化石燃料，但随着这些资源的逐渐枯竭和环境问题的加剧，发展新能源变得尤为迫切。为了减少能源消耗和缓解能源危机，新能源的开发和应用正在迅速扩展。锂电池作为新能源领域的关键技术之一，其使用寿命的延长和维护至关重要。然而，锂电池的性能会随着时间的推移而逐渐退化，这就需要我们对电池的寿命进行准确预测。电池寿命预测已成为一个具有重大实际意义的研究领域。现有的预测方法在处理锂电池数据时，往往面临着数据筛选和特征提取的挑战，这些因素可能影响模型预测的准确性。此外，锂电池的电容数据具有高度的多样性，这可能会对预测模型造成干扰。为了提高预测的可靠性，采用多种模型的融合策略，并引入误差校正机制，是一种有效的解决方案。
技术实现思路
1、发明目的：针对现有技术存在的问题，本发明提供一种基于stacking融合的锂电池剩余使用寿命预测方法，能提高锂电池寿命预测模型精度，更准确地预测锂电池的剩余使用寿命。
2、技术方案：本发明所述的一种基于stacking融合的锂电池剩余使用寿命预测方法，包括以下步骤：
3、(1)预先获取锂电池的历史电容数据，采用鲁棒局部均值分解对历史电容数据进行分解，并引入模糊熵对分量数据进行聚合以减少序列数量；
4、(2)利用时变滤波经验模态分解tvfemd对熵值最高的模态分量进行二次分解，得到分辨率更高的子序列；原始电容数据就被发分成经过tvfemd分解的分辨率更高的序列和未经tvfemd分解的序列；
5、(3)采用反向学习策略改进波搜索算法wsa的初始化种群，得到iwsa算法，提高全局搜索能力，避免陷入局部最优；
6、(4)采用轻量级时间序列分析模型fits处理经过tvfemd分解的分辨率更高的序列，采用无逆极限学习机模型ifelm处理未经tvfemd分解的序列，并采用iwsa算法对fits模型的插值率和ifelm模型的正则化参数进行优化，得出初步锂电池电容预测结果；
7、(5)利用stacking算法对fits和ifelm两个模型的预测值进行融合，选择xgboost作为stacking框架的第二层元学习器，得到融合的电容预测结果；
8、(6)步骤(5)得到的预测结果和观测值之间存在误差，将误差序列重新输入进fits模型中，进行误差预测，得到电容误差预测结果；
9、(7)将步骤(5)和步骤(6)中的预测结果进行叠加，得到最终的电容预测结果，最终根据电容-寿命公式进行转换，得到锂电池剩余寿命预测结果。
10、进一步地，所述步骤(1)的实现过程如下：
11、首先采用镜像扩展算法，左右两端对称地选择电容数据，然后进行数据镜射扩展，再进行边界条件的计算；
12、其次进行包络计算，定义步长中心为：
13、
14、
15、式中，bzhong为步长中心，bchang为步长量，p(g)为电容数据在每个步长中的概率，p*(g)为电容数据在步长内与步长边界的概率值；p**(g)指每个电容数据在步长边缘的概率；
16、定义步长标准偏差τr为：
17、
18、判定迭代结束准则，rlmd中包络数据的定义表达式如下：
19、
20、式中，表示均方根的值，表示峰度的值，其定义分别如下：
21、
22、
23、式中，βj(i)代表第j个分量的瞬时振幅，代表电容数据的平均值；
24、时间序列的模糊熵计算如下：
25、
26、式中，qrwd是嵌入维度，sjcd是数据长度，fw是范围在(0.1-0.25sd)的相似性容差，sd是原始电容数据的标准差。
27、进一步地，所述步骤(2)实现过程如下：
28、(21)对输入熵值最高的电容数据tfvshuru进行希尔伯特变换，得到变换后的tfv*shuru，并计算其瞬时幅度sf和瞬时相位xf，公式如下：
29、
30、xf＝arctan[tfvshuru/tfv*shuru]
31、对应的解析电容数据jiexi为：
32、jiexi＝tfvshuru+tfv*shuru＝sfexf
33、(22)根据sf的局部上、下限进行插值，得到曲线quxian1和quxian2，相应的振幅则表示为zhengf1和zhengf2：
34、
35、
36、对sf2的上下限进行插值，得到sfcz1、sfcz2，计算瞬时频率分量sp*1和sp*2：
37、
38、
39、局部截止频率jie*zhi计算：
40、
41、以为局部极值点作为节点，利用b样条近似滤波器对quxian进一步插值，得到滤波结果lv*：
42、若θ＝sk/spavg≤ζ＝0.1，则tfvshuru作为一个imf的分量，否则tfvshuru-lu*作为新的电容输入数据，并重复步骤(21)至(23)；其中，ζ为带宽阈值，spavg为加权均值瞬时频率，sk为瞬时带宽；
43、(24)熵值最高的电容数据tfvshuru通过tvfemd分解后得到s个子序列{lui|i＝1,2,…,s}，lui为第i个子序列，同时满足：
44、
45、通过应用时变滤波经验模态分解技术，对熵值最高的序列进行分解，得到分辨率更高的子序列，用于fits模型的预测；其他没有经过时变滤波经验模态分解的序列用于ifelm模型的预测。
46、进一步地，所述步骤(3)实现过程如下：
47、(31)初始化阶段，设粒子数为n，采用矩阵模拟电磁波粒子elc的位置：
48、
49、式中，d表示问题维数；种群的适应度值可以用向量进行表示：
50、fit＝[fit([elc11,elc12,…elc1d])；fit([elc21,elc22,…elc2d])…fit([elcn1,elcn2,…elcnd])]
51、式中，fit([elcn1,elcn2,…elcnd])代表个体的适应度值；准备u个随机数q1,q2......,qu从0到1，初始化粒子位置：
52、
53、elc＝loc*(ub-lb)+lb
54、式中，loci为均匀化的qi,loc*是x中的随机值，lb和ub表示搜索空间的上下边界；
55、(32)全局探索阶段，设向量elcmin包含变量elc在各个维度上的最小值，向量elcmax包含elc在各个维度上的最大值；fitmean是所有粒子适应度值之和的平均值，rand1代表随机一个介于0到1之间的变量：
56、
57、
58、(33)局部勘测阶段分为三个阶段：发射电磁波，反射电磁波以及接收电磁波；
59、(34)引入确定性优化技术，数学公式为：
60、
61、elci＝elci-ssf·doti
62、式中，ssf代表步长系数；
63、(35)判定超出边界的粒子，并将其随机设置在搜索范围内，公式如下：
64、elci＝lb+rand·(ub-lb)if elci＞ub or elci＜lb
65、式中，rand表示在(0，1)之间的一个d维随机化列向量；
66、(36)种群的初始化对于寻找最优解至关重要，因此引入反向学习策略产生反向学习种群，以增强种群的多样性，减少陷入局部最优值的概率，从而增强wsa算法的性能；反向学习模型定义如下：
67、rl*i＝ub+lb-rli
68、式中，rli∈[lb,ub]，i∈[1,d]。
69、进一步地，步骤(4)所述采用轻量级时间序列分析模型fits处理经过tvfemd分解的分辨率更高的序列实现过程如下：
70、通过快速傅里叶变换fft计算复数序列的离散傅立叶变换dft，实现将离散时间信号从时域映射到复频域；频率分量的复数公式为：
71、fr(f)＝|fr(f)|ejθ(f)
72、式中，fr(f)是频率f处频率分量的复数，|fr(f)|是分量的振幅，θ(f)是分量的相位；
73、信号的时移对应于频域中的相移，尤其是复频域中，用一个单位复指数元与相应的相位相乘来表示这种相移；
74、如果将信号xi(t)在时间上向前移动一个常量τ，得到信号xi(t-τ)，傅里叶变换给出如下:
75、frτ(f)＝e-j2πfτfr(f)＝|fr(f)|ej(θ(f)-2πfτ)＝[cos(-2πfτ)+jsin(-2πfτ)]fr(f)位移后的信号振幅仍为|fr(f)|，而相位θτ(f)＝θ(f)-2πfτ的位移与时移呈线性关系；在复频域中，每个频率成分由一个复数表示，该复数包含幅度和相位信息；
76、引入低通滤波器lpf，通过丢弃高于指定截止频率cof的频率分量，产生更简洁的频域；
77、复值线性层负责在复频域内执行插值操作，通过学习频率成分的幅度调整和相位偏移，实现对时间序列的预测或异常检测，为了控制模型的输出长度，引入插值率应用到频域，公式如下：
78、
79、式中，η就是差值率，代表模型的输出长度lo与对应输入长度li的比值；
80、经过插值后的复频域数据通过逆rfft转换回时域，形成用于监督学习的时间序列段，公式如下：
81、xi-1(t)＝fft-1fr(f)
82、式中，xi-1(t)是经过插值处理后的电容时间序列数据，fft-1是傅里叶逆变换。
83、进一步地，步骤(4)所述采用无逆极限学习机模型ifelm处理未经tvfemd分解的序列实现过程如下：
84、假设在有l个隐藏层节点的elm中，额外增加一个隐藏层节点，此时输出权重为：
85、
86、输入偏置为此时隐藏层输出表示为：
87、
88、式中，yci(i＝l,l+1)表示有i个隐藏层节点的elm输出；
89、使用无逆算法来更新正则化伪逆避免权值更新过程中的逆操作，其操作方式为：
90、
91、迭代计算的计算方式为：
92、
93、的计算方式为：
94、
95、令则代入得到：
96、
97、进一步地，步骤(4)所述采用iwsa算法对fits模型的插值率和ifelm模型的正则化系数进行优化，步骤如下：
98、初始化iwsa算法的相关参数，包括初始化粒子位置、搜索空间的上下限、最大迭代次数和当前迭代次数；
99、将锂电池电容数据的训练集输入进fits和ifelm模型中，分别对模型的插值率和正则化系数进行寻优；
100、经过iwsa算法的局部勘测阶段中的发射电磁波，反射电磁波以及接收电磁波三个步骤得到新的粒子位置，计算出每个粒子的适应度值，当满足模型预设终止条件时，确定出最佳的粒子位置，即为fits模型的插值率和ifelm模型的正则化系数的最优值；
101、优化后的fits模型对经过tvfemd分解的熵值最高的分量进行预测以及优化后的ifelm模型对其他剩余分量进行预测，得到初步锂电池电容预测数据。
102、进一步地，所述步骤(5)实现过程如下：
103、(51)采用fits和ifelm作为第一层的基础模型，步骤(4)中得出的初步锂电池电容预测结果作为第二层元模型的输入；
104、(52)选择xgboost作为第二层元学习器，xgboost的数学表达式为：
105、
106、其中，是最终的xj对应的模型预测值；xj是第j个样本；numtree是决策树的数量；numtest是训练样本的个数；alltree是所有树的集合；
107、在每一次迭代过程中，通过在前一步的基础上增加一个新生成的回归树，来拟合上次预测的残差，迭代过程如下：
108、
109、xgboost目标函数为：
110、
111、式中，yj是真实值；是损失函数；
112、采用增量训练的方式对xgboost进行t轮迭代，目标函数更新为：
113、
114、xgboost最终输出结果为：
115、
116、(53)经过第二层元学习器训练和测试，得到的输出结果及为fits模型和ifelm模型经过stacking融合后的锂电池电容预测结果。
117、进一步地，所述步骤(6)实现过程如下：
118、经过stacking融合后的初步预测，会与原始数据之间产生预测误差，将实际电容数据与初步预测结果相减，得到电容数据的误差时间序列：
119、errorcap＝ovaluecap-ivaluecap
120、式中，errorcap表示电容数据的误差值，ovaluecap表示电容数据的实际观测值，ivaluecap表示电容数据的初步预测值；
121、通过得到的锂电池电容数据误差时间序列重新组成输入，使用fits模型对errorcap进行预测，得到电容数据的误差预测结果ierrorcap。
122、进一步地，所述步骤(7)实现过程如下：
123、将初始预测结果和误差预测结果相加得到最终的预测结果：
124、fvalue＝ivalue+ierror
125、式中，fvaluecap表示最终锂电池电容预测值，errorcap表示电容数据的误差值，ierrorcap为电容数据的误差预测结果；
126、根据不同的锂电池电容数据定义合适的失效阈值，当电容预测值到达设定的失效阈值时，计算锂电池的剩余寿命：
127、
128、sbcnow＝sbcmaxsafe-sbccurrent＝rul
129、式中，sbcmax safe代表锂电池最大安全循环次数，sbccurrent代表当前锂电池循环次数，sbcnow为当前的剩余安全循环次数，即锂电池的剩余寿命。
130、有益效果：与现有技术相比，本发明的有益效果：
131、本发明针对锂电池电容数据具有相关性和数据量大等特点，预测模型的预测精度会因此受到干扰，从而首先采用鲁棒局部均值分解(rlmd)对收集到的历史锂电池电容数据进行首次分解，接着引入模糊熵(fe)对分解后的序列进行聚合，进一步减少序列数量，提高模型预测效率，紧接着采用时变滤波经验模态分解(tvfemd)对聚合后熵值最高的序列进行分解，提高子序列的分辨率，增强模型对电容数据的预测准确性；
132、针对传统wsa算法的局限性，采用反向学习策略对wsa的初始化种群进行改进，得到iwsa算法，提高全局搜索能力并获得更好的收敛效果；将复杂序列输入进频率插值时间序列模型(fits)以及简单序列输入进无逆极限学习机(ifelm)中进行预测，并采用iwsa算法优化fits模型的插值率和ifelm模型的正则化参数，提升模型的性能，使模型能够更好地拟合锂电池电容数据,提升模型的泛化能力，提高预测的准确性和可靠性；
133、采用stacking算法将fits模型和ifelm模型的预测值进行融合，选择泛化能力强的xgboost作为第二层的元学习器，可以纠正第一层模型的预测误差；紧接着引入误差校正技术进一步对融合后的预测结果进行误差校正，提高最终的电容预测结果的准确性。
1.一种基于stacking融合的锂电池剩余使用寿命预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于stacking融合的锂电池剩余使用寿命预测方法，其特征在于，所述步骤(1)的实现过程如下：
3.根据权利要求1所述的一种基于stacking融合的锂电池剩余使用寿命预测方法，其特征在于，所述步骤(2)实现过程如下：
4.根据权利要求1所述的一种基于stacking融合的锂电池剩余使用寿命预测方法，其特征在于，所述步骤(3)实现过程如下：
5.根据权利要求1所述的一种基于stacking融合的锂电池剩余使用寿命预测方法，其特征在于，步骤(4)所述采用轻量级时间序列分析模型fits处理经过tvfemd分解的分辨率更高的序列实现过程如下：
6.根据权利要求1所述的一种基于stacking融合的锂电池剩余使用寿命预测方法，其特征在于，步骤(4)所述采用无逆极限学习机模型ifelm处理未经tvfemd分解的序列实现过程如下：
7.根据权利要求1所述的一种基于stacking融合的锂电池剩余使用寿命预测方法，其特征在于，步骤(4)所述采用iwsa算法对fits模型的插值率和ifelm模型的正则化系数进行优化，步骤如下：
8.根据权利要求1所述的一种基于stacking融合的锂电池剩余使用寿命预测方法，其特征在于，所述步骤(5)实现过程如下：
9.根据权利要求1所述的一种基于stacking融合的锂电池剩余使用寿命预测方法，其特征在于，所述步骤(6)实现过程如下：
10.根据权利要求1所述的一种基于stacking融合的锂电池剩余使用寿命预测方法，其特征在于，所述步骤(7)实现过程如下：
