鋰電池剩余使用時(shí)間預(yù)測(cè)實(shí)驗(yàn)實(shí)證研究目錄1.緒論 [25]擁有很多的優(yōu)點(diǎn)：RVM能夠得到概率輸出從而能夠進(jìn)行概率式預(yù)測(cè)；在決定如何挑選適合的核函數(shù)的時(shí)候，RVM不同于SVM，可以不用受Mercer定理的束縛，因此能夠按照自身所需去構(gòu)造任意的核函數(shù)；相比于SVM，RVM中的參數(shù)值是能夠自動(dòng)賦予的并不用去人為的設(shè)置懲罰因子，使得訓(xùn)練過程變得更加的簡(jiǎn)單，但是在ＳＶＭ中必須要人為的去設(shè)置懲罰因子并且稍有不慎就會(huì)帶來過度學(xué)習(xí)的麻煩；相比于SVM，RVM中相關(guān)向量的數(shù)量要比支持向量的數(shù)量的更加少，擁有著更加優(yōu)越的稀疏性，而且能夠非常有效地減少預(yù)測(cè)所需要的計(jì)算時(shí)長(zhǎng)，非常適合用來進(jìn)行在線預(yù)測(cè)。在SVM中，支持向量的個(gè)數(shù)會(huì)跟著訓(xùn)練樣本數(shù)的漸漸變多而呈現(xiàn)快速增長(zhǎng)，因此在訓(xùn)練樣本數(shù)量非常多的情況之下使用SVM是不得當(dāng)?shù)?；相比于SVM，RVM在測(cè)驗(yàn)從不曾訓(xùn)練過的樣本時(shí)所呈現(xiàn)出來的泛化性更強(qiáng)；相比于SVM，RVM在處理分類或者回歸問題的時(shí)候擁有著更好的準(zhǔn)確度。綜上所述，本文選擇以RVM算法能夠更好、更精確的預(yù)測(cè)鋰電池剩余使用時(shí)間。3鋰電池剩余使用時(shí)間預(yù)測(cè)的相關(guān)向量機(jī)方法實(shí)驗(yàn)3.1數(shù)據(jù)集分析數(shù)據(jù)集來源于NASA，選取其中一組數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)。數(shù)據(jù)集是一組四節(jié)鋰電池（5號(hào)、6號(hào)、7號(hào)和18號(hào)）在室溫下經(jīng)過三種不同的操作模式（充電、放電和阻抗）。以1.5A的恒定電流（ConstantCurrent，CC）模式下進(jìn)行充電，直到蓄電池電壓到達(dá)4.2V，然后再恒定電壓（ConstantVoltage，CV）模式下繼續(xù)充電，直到充電電流降至20mA。以2A的恒定電流（CC）模式下進(jìn)行放電，直到電池電壓分別降至2.7V、2.5V、2.2V和2.5V(電池5、6、7和18)。通過電化學(xué)阻抗譜（ElectrochemicalImpedanceSpectroscopy，EIS）頻率掃描從0.1Hz到5kHz進(jìn)行阻抗測(cè)量。重復(fù)的充電和放電循環(huán)會(huì)加速電池的老化，而阻抗測(cè)量則可以深入了解隨著老化過程而變化的電池內(nèi)部參數(shù)。當(dāng)電池達(dá)到壽命終止（EOL）標(biāo)準(zhǔn)時(shí)，即額定容量衰減30%（從2小時(shí)到1.4小時(shí)），實(shí)驗(yàn)停止。數(shù)據(jù)集為B0005.mat、B0006.mat、B0007.mat和B0018.mat，此數(shù)據(jù)集是MATLAB的數(shù)據(jù)集格式，通過MATLAB軟件加載數(shù)據(jù)文件后，如圖3.1所示。圖3.1B0005數(shù)據(jù)集展示由圖3.1可知，數(shù)據(jù)集包含4列信息，如下表所示：表3.1數(shù)據(jù)集信息表數(shù)據(jù)集信息相應(yīng)解釋類型操作類型。充電、放電或者阻抗環(huán)境溫度環(huán)境溫度（攝氏度）時(shí)間周期開始的日期和時(shí)間。采用MATLAB日期向量格式。數(shù)據(jù)包含測(cè)量值的數(shù)據(jù)結(jié)構(gòu)。測(cè)量值的數(shù)據(jù)結(jié)構(gòu)打開后如圖3.2所示。圖3.2B0005.cycle.data表3.2充電字段充電字段參數(shù)相應(yīng)解釋及單位電壓測(cè)量值電池端子電壓（伏特）電流測(cè)量值電池輸出電流（安培）溫度測(cè)量指電池溫度（攝氏度）充電器電流充電器測(cè)得的電流（安培）充電電壓充電器測(cè)得的電壓（伏特）時(shí)間周期的時(shí)間向量（秒）表3.3放電字段放電字段參數(shù)相應(yīng)解釋及單位電壓測(cè)量值電池端子電壓（伏特）電流測(cè)量值電池輸出電流（安培）溫度測(cè)量指電池溫度（攝氏度）充電器電流負(fù)載下測(cè)得的電流（安培）充電電壓負(fù)載下測(cè)得的電壓（伏特）時(shí)間周期的時(shí)間向量（秒）容量放電至2.7V的電池容量（Ahr）表3.4放電字段抗阻字段參數(shù)相應(yīng)解釋及單位感應(yīng)電流感應(yīng)支路的電流（安培）電池電流電池支路中的電流（安培）電流比以上的電流比值電池阻抗根據(jù)原始數(shù)據(jù)計(jì)算出的電池阻抗（Ohms）整流阻抗校準(zhǔn)和平滑的電池阻抗（Ohms）Re估計(jì)的電解質(zhì)電阻（歐姆）Rct估計(jì)的電荷轉(zhuǎn)移電阻（歐姆）3.2數(shù)據(jù)預(yù)處理流程設(shè)計(jì)在選取預(yù)測(cè)數(shù)據(jù)時(shí)，考慮到電池充電或者測(cè)量抗阻時(shí)等因素，僅選擇放電狀態(tài)模式的電池（可以默認(rèn)為是充滿電的，工作正常的電池）。即對(duì)每個(gè)數(shù)據(jù)集中類別類為“discharge”的記錄進(jìn)行分析，“discharge”的記錄數(shù)據(jù)結(jié)構(gòu)中有如圖3.3所示。圖3.3類型為放電模式下的data數(shù)據(jù)能夠用于時(shí)間預(yù)測(cè)的數(shù)據(jù)如圖3.3所示有7條，其中Capacity為電池剩余容量，其他數(shù)據(jù)均為一個(gè)197維度的向量。我們選取容量的數(shù)值，并在周期的時(shí)間向量中選擇一個(gè)最大值作為參考值，并將這些數(shù)據(jù)用于放電狀態(tài)下的電池剩余時(shí)間預(yù)測(cè)。作者利用Matlab提取容量和時(shí)長(zhǎng)數(shù)據(jù)，提取數(shù)據(jù)保存于CSV文件。提取程序如下：%先加載相應(yīng)的數(shù)據(jù)，如B0005.mat%輸入代碼layer=1;%容量值（charge和discharge為一個(gè)循環(huán)）fori=1:10000 ifstrcmp(B0005.cycle(i).type,'discharge')%選擇放電循環(huán) capacity.B05(layer,:)=B0005.cycle(i).data.Capacity;%提取capacity layer=layer+1; endendlayer=1;%時(shí)間值（所有時(shí)間最大值）fori=1:10000 ifstrcmp(B0005.cycle(i).type,'discharge')%選擇放電循環(huán) time.B05(layer,:)=max(B0005.cycle(i).data.Time);%提取time layer=layer+1; endenda=[capacity.B05,time.B05];%生成一個(gè)矩陣，第一個(gè)是capaciy_b05的數(shù)據(jù)，第二個(gè)是time_B05的數(shù)據(jù)

b=table(a);%因?yàn)閣ritetable方法需要是個(gè)表，所以需要強(qiáng)制類型轉(zhuǎn)換writetable(b,'F:\llzdc\code\B05.csv')%輸出csv文件3.3基于SVR的鋰電池剩余使用時(shí)間預(yù)測(cè)方法設(shè)計(jì)本文基于SVR算法來預(yù)測(cè)鋰電池剩余時(shí)間。考慮到鋰電池是在充電和放電狀態(tài)下最終使得電池的損耗過大從而導(dǎo)致不達(dá)標(biāo)，則提取的放電的次數(shù)就可以理解為電池的可循環(huán)次數(shù)。即可以將鋰電池的放電狀態(tài)（容量和時(shí)間）作為訓(xùn)練的輸入，而鋰電池的剩余循環(huán)次數(shù)可以作為模型的輸出結(jié)果，并將兩者用支持向量的方式學(xué)習(xí)并回歸，得到一個(gè)預(yù)測(cè)的結(jié)果。鋰電池剩余時(shí)間使用時(shí)間的預(yù)測(cè)流程如圖3.4所示。圖3.4基于SVR的鋰電池剩余使用時(shí)間預(yù)測(cè)流程3.4基于RVR的鋰電池剩余使用時(shí)間預(yù)測(cè)方法設(shè)計(jì)RVM算法具有SVM許多特征，同時(shí)避免了SVM的主要的局限性。與SVM相比，RVM在核函數(shù)的選擇上可以不受限制，能夠構(gòu)建任意的核函數(shù)，因此具有很強(qiáng)的泛化能力。同時(shí)，RVM在多個(gè)角度如訓(xùn)練過程、測(cè)試時(shí)間和泛化情況來看都要強(qiáng)于SVM。RVM配置參數(shù)如圖3.5所示。#配置回歸模型(首次)

defregression_rvr():

rvr_model=EMRVR(kernel='linear')

returnrvr_model

defmain():

data_name=["B05","B06","B07","B18"]

train_type="first_train"#首次/其余配置模型（二選一）

foriinrange(len(data_name)):

#導(dǎo)入數(shù)據(jù)

path="./data/%s.csv"%data_name[i]

x_train,x_test,y_train,y_test=import_data(path)

#配置模型及訓(xùn)練

iftrain_type=="first_train":

rvr_model=regression_rvr()

train(rvr_model,x_train,y_train,data_name[i])

print_accuracy(rvr_model,x_train,y_train,x_test,y_test)

show_pic(rvr_model.predict(x_test),y_test,rvr_model.score(x_test,y_test))基于RVR的鋰電池剩余使用時(shí)間預(yù)測(cè)步驟如圖3.5所示。圖3.5基于RVR的鋰電池剩余使用時(shí)間預(yù)測(cè)流4鋰電池剩余使用時(shí)間預(yù)測(cè)實(shí)驗(yàn)及分析4.1實(shí)驗(yàn)環(huán)境搭建PyCharm2020.2及以上3Navigator虛擬環(huán)境4.1.1代碼運(yùn)行所需要的主要環(huán)境依賴包表4.1環(huán)境依賴包版本號(hào)依賴包版本號(hào)Joblib0.17.0Matplotlib3.3.2Numpy1.19.2Pandas1.1.3Sklearn0.23.2Sklearn_rvm0.1.1（1）Joblib在本實(shí)驗(yàn)中主要用于保存訓(xùn)練好的實(shí)驗(yàn)?zāi)Ｐ?，具體用法如Joblib.dump()與Jbolib.load()。（2）Matplotlib是一個(gè)繪圖工具集，本文主要使用方法為matplotlib.pyplot，此工具可以通過調(diào)用來生成與函數(shù)數(shù)據(jù)相關(guān)的數(shù)據(jù)圖，并創(chuàng)建窗口。具體使用如plt.figure()、plt.plot()、plt.title()和plt.shouw等方法。（3）Numpy和Pandas是Python中常用的數(shù)據(jù)處理工具，經(jīng)常用于生成矩陣、數(shù)據(jù)切分及讀取文件等操作。（4）Sklearn_rvm是一個(gè)RVM算法的工具包，里面主要包含RVM算法的相關(guān)函數(shù)及優(yōu)化方法。4.2鋰電池剩余使用時(shí)間預(yù)測(cè)的實(shí)現(xiàn)過程4.2.1SVR預(yù)測(cè)在加載SVR回歸模型時(shí)，需要填入?yún)?shù)，參數(shù)分別為：C、kernel、degree，其中C為懲罰參數(shù)；kernel為算法中使用的內(nèi)核類型；degree為多項(xiàng)式核函數(shù)的次數(shù)，若核函數(shù)為其他核函數(shù)時(shí)，忽略該參數(shù)。在訓(xùn)練時(shí)，由于參數(shù)是可調(diào)的，此處展示懲罰參數(shù)C=0.7時(shí)，SVR的四組鋰電池預(yù)測(cè)的模型圖如圖4.1所示。（a）B05（b）B06（c）B07（d）B18圖4.1C=0.5時(shí)四組鋰電池預(yù)測(cè)得分在調(diào)試過程中，根據(jù)部分網(wǎng)絡(luò)資料參考，懲罰系數(shù)C過大時(shí)，可能會(huì)造成過擬合現(xiàn)象，建議值為0.5~0.8左右。調(diào)整后預(yù)測(cè)模型得分如表4.2所示。表4.2懲罰系數(shù)與模型得分懲罰系數(shù)CB05預(yù)測(cè)得分B06預(yù)測(cè)得分B07預(yù)測(cè)得分B18預(yù)測(cè)得分C=0.50.6763230.6625220.6378970.609001C=0.60.7146380.6709320.7668980.657586C=0.70.7906270.7663890.7060570.732606C=0.80.7931710.7666240.7573570.771610表4.2中模型得分為model.score()函數(shù)，其返回值為預(yù)測(cè)系數(shù)R2，如公式4-1所示。R2=1?（4-1）通過表4.2可知參數(shù)C=0.8時(shí)能夠得到相對(duì)較好的擬合效果。隨著懲罰系數(shù)C的調(diào)整，模型得分也在逐漸的提高，而數(shù)據(jù)擬合度也在不斷的提升。當(dāng)C=1.5左右時(shí)，產(chǎn)生的圖像已經(jīng)存在過擬合現(xiàn)象。因此，如何為一個(gè)模型調(diào)整適當(dāng)?shù)某瑓?shù)如懲罰系數(shù)C、核函數(shù)或者在其他模型中出現(xiàn)的激活函數(shù)，使得模型能夠得到較好的結(jié)果的同時(shí)且不會(huì)造成過擬合現(xiàn)象是一個(gè)值得深究的問題，本實(shí)驗(yàn)將在模擬中進(jìn)行多次參數(shù)調(diào)整，最終選取效果較明顯的過擬合圖像如圖4.2所示。圖4.2懲罰系數(shù)過高導(dǎo)致的過擬合現(xiàn)象4.2.2RVR預(yù)測(cè)RVR在預(yù)測(cè)鋰電池剩余使用時(shí)間時(shí)，其方法基本與SVR無異，不同之處是無需對(duì)函數(shù)中的懲罰系數(shù)進(jìn)行設(shè)置，函數(shù)會(huì)自動(dòng)學(xué)習(xí)并調(diào)整相關(guān)超參，不需要人為設(shè)置參數(shù)。RVR預(yù)測(cè)結(jié)果如圖4.3所示。。（a）B05（b）B06（c）B07（d）B18圖4.3RVR模型預(yù)測(cè)四組鋰電池剩余使用時(shí)間由圖4.3可知，RVR在B05、B06、B07、B18這4個(gè)鋰電池?cái)?shù)據(jù)集中擬合效果較SV要更為精確。由于不需要設(shè)置懲罰系數(shù)C，該模型能夠自動(dòng)調(diào)整參數(shù)直至得到最優(yōu)解，且RVR在回歸預(yù)測(cè)時(shí)模型得分均能達(dá)到9.5及以上，說明該模型對(duì)本實(shí)驗(yàn)有較好的適應(yīng)性。4.3結(jié)果分析在表4.2中所展示的僅為一次測(cè)試的結(jié)果，由于每次從新訓(xùn)練模型時(shí)，所采用的訓(xùn)練的數(shù)據(jù)集并不相等，基本占比為7:3，但是選擇的部分不同導(dǎo)致可能預(yù)測(cè)的結(jié)果也有誤差，因此表中的數(shù)據(jù)僅作為參考，并不能作為實(shí)際得分標(biāo)準(zhǔn)來評(píng)價(jià)模型。由圖4.1和圖4.3可得，RVR預(yù)測(cè)鋰電池剩余使用時(shí)間相較于SVR模型能夠更加精準(zhǔn)，且不需要調(diào)整參數(shù)。經(jīng)過測(cè)試后發(fā)現(xiàn)在SVR將懲罰系數(shù)調(diào)整到2.0及以上，也能夠使模型的評(píng)分到達(dá)接近SVR測(cè)試的結(jié)果，但已經(jīng)遠(yuǎn)遠(yuǎn)超出了懲罰系數(shù)的推薦范圍值。

5總結(jié)與展望5.1總結(jié)鋰電池使用壽命預(yù)測(cè)研究的意義需要添加在鋰電池使用壽命預(yù)測(cè)研究中，國(guó)內(nèi)外學(xué)者已提出了SVM、RVM、神經(jīng)網(wǎng)絡(luò)方面及組合方法，這些方法有各自的優(yōu)點(diǎn)和缺點(diǎn)。本文選取容量和衰減時(shí)間間隔等2個(gè)因素，設(shè)計(jì)并實(shí)現(xiàn)一種基于相關(guān)向量機(jī)的鋰電池壽命預(yù)測(cè)方法。通過對(duì)比SVM和RVM算法預(yù)測(cè)結(jié)果，發(fā)現(xiàn)RVM算法不需要人為設(shè)置相應(yīng)參數(shù)，能夠自動(dòng)優(yōu)化參數(shù)，RVM算法使用更加簡(jiǎn)便且精度更高。5.2展望首先，由于時(shí)間有限，本項(xiàng)目所實(shí)現(xiàn)的代碼調(diào)用經(jīng)典算法包sklearn，并未對(duì)其參數(shù)和其算法內(nèi)部的數(shù)學(xué)知識(shí)進(jìn)行深入分析。其次，傳統(tǒng)算法評(píng)價(jià)是隨機(jī)抽取數(shù)據(jù)集的80%用于訓(xùn)練數(shù)據(jù)集，訓(xùn)練足夠多的次數(shù)，并利用多輪次的平均值作為模型的平均得分。本文以單次模型評(píng)分來評(píng)價(jià)當(dāng)前模型，后續(xù)要進(jìn)一步對(duì)預(yù)測(cè)方法進(jìn)行測(cè)試。。參考文獻(xiàn)王萍,張吉昂,程澤.基于最小二乘支持向量機(jī)誤差補(bǔ)償模型的鋰離子電池健康狀態(tài)估計(jì)方法[J/OL].電網(wǎng)技術(shù):1-11[2021-06-05]王一宣,李澤滔.基于改進(jìn)支持向量回歸機(jī)的鋰離子電池剩余壽命預(yù)測(cè)[J].汽車技術(shù),2020,000(002):28-32.解冰.基于支持向量機(jī)的鋰離子電池壽命預(yù)測(cè)方法研究[D].華中科技大學(xué).崔納新,方浩然,楊亞寧,等.一種基于支持向量機(jī)的鋰離子電池健康狀態(tài)估計(jì)方法及系統(tǒng):.胡麗平.基于支持向量機(jī)的動(dòng)力鋰離子電池SOC估算算法研究.湖北工業(yè)大學(xué).李賽,龐曉瓊,林慧龍,等.基于相關(guān)向量機(jī)的鋰離子電池剩余壽命預(yù)測(cè)[J].計(jì)算機(jī)工程與設(shè)計(jì),2018,v.39；No.380(08):290-294.劉月峰,趙光權(quán),彭喜元.多核相關(guān)向量機(jī)優(yōu)化模型的鋰電池剩余壽命預(yù)測(cè)方法[J].電子學(xué)報(bào),2019,047(006):1285-1292.何怡剛,張朝龍,佐磊,等.基于小波降噪和相關(guān)向量機(jī)的鋰電池剩余壽命預(yù)測(cè)方法:,CN104459560A[P].2015.基于增量學(xué)習(xí)相關(guān)向量機(jī)的鋰離子電池SOC預(yù)測(cè)方法[J].電工技術(shù)學(xué)報(bào),2019,34(013):2700-2708.周建寶.基于RVM的鋰離子電池剩余壽命預(yù)測(cè)方法研究[D].哈爾濱工業(yè)大學(xué),2013.陳穎,黃凱,丁恒,田海建.基于子種群自適應(yīng)思維進(jìn)化-BP神經(jīng)網(wǎng)絡(luò)的鋰離子電池SOC估計(jì)[J/OL].電源學(xué)報(bào):1-15[2021-06-05].丁陽(yáng)征,賈建芳.改進(jìn)PSO優(yōu)化ELM預(yù)測(cè)鋰離子電池剩余壽命[J].電子測(cè)量與儀器學(xué)報(bào),2019,33(02):72-79.王竹晴.基于神經(jīng)網(wǎng)絡(luò)的鋰離子電池RUL預(yù)測(cè)方法研究[D].中北大學(xué),2019.李龍剛,李立偉,楊玉新,羅羽.基于改進(jìn)灰狼優(yōu)化與支持向量回歸的鋰電池健康狀態(tài)預(yù)測(cè)[J].南京理工大學(xué)學(xué)報(bào),2020,44(02):154-161+170.XueZ,ZhangY,ChengC,etal.RemainingUsefulLifePredictionofLithium-ionBatterieswithAdaptiveUnscentedKalmanFilterandOptimizedSupportVectorRegression[J].Neurocomputing,2019,376.楊彥茹,溫杰,史元浩,張澤慧,劉文海.基于CEEMDAN和SVR的鋰離子電池剩余使用壽命預(yù)測(cè)[J].電子測(cè)量與儀器學(xué)報(bào),2020,34(12):197-205.相關(guān)向量機(jī)優(yōu)化方法的研究[D].廣西大學(xué),2013.趙春暉,張燚.相關(guān)向量機(jī)分類方法的研究進(jìn)展與分析[J].智能系統(tǒng)學(xué)報(bào),2012(04):16-23.HarrisT.Creditscoringusingtheclusteredsupportvectormachine[J].ExpertSystemswithApplications,2015.YanMF,ZhaoGF,LiuZF,etal.L-FuzzySetsandL-FuzzySupportVectorMachine[J].JournalofTangshanNormalUniversity,2015.NelloCristianini,JohnShawe-Taylo.支持向量機(jī)導(dǎo)論[M].電子工業(yè)出版社,2004.Shalev-ShwartzS,GonenA,ShamirO.Large-scaleconvexminimizationwithalow-rankconstraint.2011.AnguitaD,BoniA.ImprovedneuralnetworkforSVMlearning[J].IEEETransNeuralNetw,2002,13(5):1243-1244.CuixiaFU,YLuo.UniversitiestheoreticalandexperimentalteachingqualityevaluationmodelbasedonRVMmachinelearningmethod[J].ModernElectronicsTechnique,2019.RafiM,ShaikhMS.AcomparisonofSVMandRVMforDocumentClassification[J].2013.

代碼附錄SVR代碼附錄importjoblib

importmatplotlib.pyplotasplt

importnumpyasnp

importpandasaspd

fromsklearnimportmodel_selection

fromsklearnimportsvm

defmain():

data_name=["B05","B06","B07","B18"]

train_type="first_train"#首次/其余配置模型（二選一）

foriinrange(len(data_name)):

#導(dǎo)入數(shù)據(jù)

path="./data/%s.csv"%data_name[i]

x_train,x_test,y_train,y_test=import_data(path)

#配置模型及訓(xùn)練

iftrain_type=="first_train":

reg=regression_svr()#首次配置模型

train_save(reg,x_train,y_train,data_name[i])

#模型評(píng)估

print_accuracy(reg,x_train,y_train,x_test,y_test)

#繪制結(jié)果圖

show_pic(reg.predict(x_test),y_test,reg.score(x_test,y_test))

eliftrain_type=="other_train":

reg=regression_svr_load(data_name[i])#導(dǎo)入已有模型(可選擇data_name[i]或"B05"等)

#模型評(píng)估

print_accuracy(reg,x_train,y_train,x_test,y_test)

#繪制結(jié)果圖

show_pic(reg.predict(x_test),y_test,reg.score(x_test,y_test))

#預(yù)測(cè)剩余電池壽命（可注釋掉）

#predict_battery_life(reg)

導(dǎo)入數(shù)據(jù)并劃分

defimport_data(file_path):

data=pd.read_csv(file_path)

#計(jì)算剩余循環(huán)次數(shù)

length=int(len(data))

#dataframe

#w.shape[0]

#返回的是dataframe對(duì)象的行數(shù)

#w.shape[1]

#返回的是dataframe對(duì)象的列數(shù)

#df.shape()：查看行數(shù)和列數(shù)，但是只適用于jupyterNotebook

#pycharm無法打印

#此處觀察數(shù)據(jù)集后，可以將數(shù)據(jù)集中的行數(shù)作為可循環(huán)次數(shù)當(dāng)做學(xué)習(xí)目標(biāo)

data.insert(data.shape[1],'left_cycle',abs(data.index-length+1))

#為了方便訓(xùn)練，把數(shù)據(jù)集轉(zhuǎn)換成數(shù)組類型的列表；

print(data)

data_list=data.values.tolist()

#切分x,y。x為特征

#np.splite(切分的數(shù)據(jù)集;左開右閉，x=capacitytime,y=left_cycle；axis=1時(shí)，縱向切分)

x,y=np.split(data_list,(2,),axis=1)

#劃分訓(xùn)練集，測(cè)試集

x_train,x_test,y_train,y_test=model_selection.train_test_split(x,y,test_size=0.3)

returnx_train,x_test,y_train,y_test

#配置回歸模型（首次）

defregression_svr():

reg=svm.SVR(C=0.8,kernel="poly",degree=3)#可選rbfpolylinearsigmoid等

returnreg

#導(dǎo)入并配置回歸模型

defregression_svr_load(data_name):

reg=joblib.load("./model/svr/%s_model.m"%data_name)

print("已導(dǎo)入%s_model.m模型"%data_name)

returnreg

#配置分類模型(暫不用)

defclassifier():

clf=svm.SVC(C=0.5,kernel="rbf",decision_function_shape="ovr")

returnclf

訓(xùn)練并保存模型

deftrain_save(reg,x_train,y_train,data_name):

reg.fit(x_train,y_train.ravel())

joblib.dump(reg,"./model/svr/%s_model.m"%data_name)

print("模型已保存\n")

計(jì)算模塊

defshow_accuracy(a,b,tip):

acc=a.ravel()==b.ravel()

print("%s準(zhǔn)確度：%.3f"%(tip,acc))

#打印準(zhǔn)確度

defprint_accuracy(reg,x_train,y_train,x_test,y_test):

print("訓(xùn)練集預(yù)測(cè)評(píng)估值：%.3f"%reg.score(x_train,y_train))

print("測(cè)試集預(yù)測(cè)評(píng)估值：%.3f"%reg.score(x_test,y_test))

#結(jié)果打印

defshow_pic(result,y_test,score):

plt.figure()

plt.plot(np.arange(len(result)),y_test,'go-',label='truevalue')

plt.plot(np.arange(len(result)),result,'ro-',label='predictvalue')

plt.title('score:%f'%score)

plt.legend()

plt.show()

預(yù)測(cè)剩余電池壽命

defpredict_battery_life(reg):

print("請(qǐng)輸入電池容量（V）：")

capability=input()

print("請(qǐng)輸入放電時(shí)長(zhǎng)（s）：")

time=input()

result_time=reg.predict([[capability,time]])

print("預(yù)計(jì)剩余電池循環(huán)次數(shù)為：%s"%result_time)

if__name__=='__main__':

main()RVR代碼importjoblib

importnumpyasnp

importpandasaspd

importmatplotlib.pyplotasplt

fromsklearnimportmodel_selection

fromsklearn_rvmimportEMRVR

defmain():

data_name=["B05","B06","B07","B18"]

train_type="other_train"#首次/其余配置模型（二選一）

foriinrange(len(data_name)):

#導(dǎo)入數(shù)據(jù)

path="./data/%s.csv"%data_name[i]

x_train,x_test,y_train,y_test=import_data(path)

配置模型及訓(xùn)練

iftrain_type=="first_train":

rvr_model=regression_rvr()

train(rvr_model,x_train,y_train,data_name[i])

print_accuracy(rvr_model,x_train,y_train,x_test,y_test)

show_pic(rvr_model.predict(x_test),y_test,rvr_model.score(x_test,y_test))

eliftrain_type=="other_train":

rvr_model=regression_rvr_load(data_name[i])#導(dǎo)入已有模型(可選擇data_name[i]或"B05"等)

print_accuracy(rvr_model,x_train,y_train,x_test,y_test)

show_pic(rvr_model.predict(x_test),y_test,rvr_model.score(x_test,y_test))

#預(yù)測(cè)剩余電池壽命（可注釋掉）

#predict_battery_life(rvr_model)

導(dǎo)入數(shù)據(jù)并劃分

defimport_data(file_path):

data=pd.read_csv(file_path)

#計(jì)算剩余循環(huán)次數(shù)

length=int(len(data))

data.insert(data.shape[1],'left_cycle',abs(data.index-length+1))

print(data)

data_list=data.values.tolist()

#切分x,y。x為特征值

x,y=np.split(data_list,(