CN107895212A - 基于滑动窗口和多视角特征融合的铅酸电池寿命预测方法 - Google Patents

Abstract

本发明公开了一种基于滑动窗口和多视角特征融合的铅酸电池寿命预测方法，包括：步骤1、在铅酸电池的放电过程中，以放电循环为单位构建训练样本集；将每一次放电循环作为一个样本，并利用基于滑动窗口的方法从电池电压的均值和标准差、电池温度的均值和标准差、负载电压的均值和标准差的视角来分别提取电池的六种特征；步骤2、对于每种提取的特征，在其对应的样本特征集上训练支持向量回归（SVR）模型，多个SVR组成一个SVR的集合；步骤3、采用集成学习算法对SVR集合中的多个模型进行集成，得到集成的SVR模型；步骤4、给定待查询铅酸电池的一次放电循环，利用集成的SVR模型预测铅酸电池本次放电循环后的健康状态（SOH）。本发明方法预测精度高，泛化能力强。

Description

基于滑动窗口和多视角特征融合的铅酸电池寿命预测方法

技术领域

本发明涉及能源技术中的铅酸电池健康状态分析领域，具体地说，是一种基于滑动窗口和多视角特征融合的铅酸电池寿命预测方法。

背景技术

随着能源技术的发展，电池逐渐成为主要的能源载体之一。在众多类型的电池中，铅酸电池以其电压稳定、贮存性能好、造价较低等优势被广泛应用于各类供电系统中。铅酸电池有多种性能参数，其中最重要的一个参数是电池健康状态(State of Health，SOH)，它代表着电池储存电量的能力。准确地估计铅酸电池的SOH有助于人们及时更换老化的电池，对其自身的安全性和可靠性有着重要意义。因此，铅酸电池SOH的预测成为当前电池研究领域的一大热点问题。

现阶段，铅酸电池SOH的预测方法可以分为两类：基于经验的方法和基于机器学习的方法。基于经验的方法根据电池使用过程中的一些经验知识，并结合某些统计学规律对电池的SOH进行粗略估计。常用的基于经验的方法有：积分电流法、加权安时法等。此类方法只能在电池的经验知识充分的情况下取得令人满意的结果，具有严重的局限性。相比而言，基于机器学习的方法是一种较为有效的方法，它通过各种机器学习算法(支持向量回归算法(Support Vector Regression，SVR)、K近邻算法(K Nearest Neighbor，KNN)以及人工神经网络算法(Artificial Neural Network，ANN)等)对采集的历史数据进行建模，从而有效地预测铅酸电池的SOH。例如：(1)Bhangu B S,Bentley P,Stone D A,et al.,“Nonlinearobservers for predicting state-of-charge and state-of-health of lead-acidbatteries for hybrid-electric vehicles”,IEEE Transactions on VehicularTechnology,2005,54(3):783-794；(2)Holger B,Oliver B,Stephan B,et al.,“Impedance measurements on lead-acid batteries for state-of-charge,state-of-health and cranking capability prognosis in electric and hybrid electricvehicles”,Journal of Power Sources,2005,144(2):418-425；(3)Singh P,Reisner D.“Fuzzy logic-based state-of-health determination of lead acid batteries”,Telecommunications Energy Conference,2002,1(1):583-590。尽管基于机器学习的方法取得了巨大的成果，但仍然存在下面两个问题。

首先，基于机器学习的方法的预测性能严重依赖于提取的特征。对于大多数基于机器学习的方法，其相应的特征都是从电池的放电过程中提取的，该放电过程包含多个放电循环。具体而言，对于每一次放电循环，其相应的电池观察指标(例如：电池温度、电池电压和负载电压)被提取为特征来预测SOH。经过多个放电循环，生成电池的样本特征集。上述过程看似合理，其实存在如下缺陷：在该方法中，每次放电循环的SOH只取决于当前放电循环中的电池观察指标，而在前几次放电循环中的观察指标却被忽略了；实际上，它们也包含了有价值的信息，并且对于预测当前循环的SOH是很重要的；由于信息的丢失，训练的预测模型不会取得最优的结果。因此，提出一种新的特征提取方法来减少信息丢失是非常有必要的。

其次，研究人员通常会从不同的视角提取多种电池特征。为了取得令人满意的预测性能，有效地融合多种提取的特征是一项艰巨的任务。一般而言，最常见的做法是将多种特征进行线性串联。毋庸置疑，这种方法是最简单直接的。然而，先前的研究已经证明：相比于单个特征，线性串联多个特征并不总是能够提高预测性能。其潜在的原因在于：盲目地线性串联多个特征可能会导致信息冗余，从而使预测模型的性能下降。因此，寻找新的特征融合方法成为该领域的一个研究热点。

发明内容

本发明提供了一种基于滑动窗口和多视角特征融合的铅酸电池寿命预测方法。为了解决传统特征提取方法中的信息丢失问题，在本发明中，设计了一种基于滑动窗口的特征提取方法(SWBFE)来从铅酸电池放电过程中提取多种视角的特征。此外，为了解决传统线性特征串联带来的信息冗余问题，本发明提供了一种基于多视角特征融合的支持向量回归集成方法。

实现本发明目的的技术解决方案为：一种基于滑动窗口和多视角特征融合的铅酸电池寿命预测方法，包括以下步骤：

步骤1、在铅酸电池的放电过程中，以放电循环为单位构建训练样本集。将每一次放电循环作为一个样本，并利用基于滑动窗口的方法从电池电压的均值和标准差、电池温度的均值和标准差、负载电压的均值和标准差的视角来提取电池的六种特征；

步骤2、对于每种提取的特征，在其对应的样本特征集上训练支持向量回归(SVR)模型，多个SVR组成一个SVR的集合；

步骤3、采用集成学习算法对SVR集合中的多个模型进行集成，得到集成的SVR模型；

步骤4、给定待查询铅酸电池的一次放电循环，利用集成的SVR模型预测铅酸电池本次放电循环后的健康状态(SOH)。

本发明提供的预测方法与现有的铅酸电池健康状态预测方法相比，其显著优点为：(1)提供了一种基于滑动窗口的特征提取方法(SWBFE)来从铅酸电池放电过程中提取多种视角的特征，解决了传统的特征提取方法中信息丢失的问题。(2)提供了一种基于多视角特征融合的支持向量回归集成方法，将特征融合问题转化为决策融合问题，不仅提高了融合的效率，而且解决了传统的线性特征串联带来信息冗余问题。(3)在传统的集成学习算法中引入了独立测试集，防止模型过拟合，提高了模型的泛化能力。

附图说明

图1为基于滑动窗口和多视角特征融合的铅酸电池寿命预测方法的流程图。

具体实施方式

下面结合附图以举例方式对本发明作进一步说明。

如图1所示，根据本发明的较优实施例，基于滑动窗口和多视角特征融合的铅酸电池寿命预测方法，用于对一待预测/待查询的铅酸电池放电循环进行预测，其分为两个阶段，即模型构造阶段以及预测阶段，下面结合图1所示，详细说明上述两个阶段的实现。

1.模型构造阶段

第一步、在铅酸电池的放电过程中，以放电循环为单位构建训练样本集。将每一次放电循环作为一个样本，并利用基于滑动窗口的方法从电池电压的均值和标准差、电池温度的均值和标准差、负载电压的均值和标准差的视角来提取电池的六种特征。其具体步骤如下：

1)令为第i次放电循环中第j种电池观察指标(j＝1,2,3分别表示电池温度、电池电压、负载电压)所对应的记录值集合，其中M^k _i,j表示M_i,j中的第k个记录值，N_i,j表示记录值的数目。用Avg_i,j和Std_i,j分别表示M_i,j中记录值集合的均值和标准差，它们的计算方法如下：

2)对于第i次放电循环，结合三种电池观察指标(电池温度、电池电压、负载电压)和两种统计指标(均值和标准差)，可以计算出其对应的Avg_i,1，Std_i,1，Avg_i,2，Std_i,2，Avg_i,3和Std_i,3。对于每一种电池观察指标j，利用滑动窗口技术，将前W次放电循环与当前放电循环中记录值的均值和标准差分别串联起来，依次表示为：SWAvg_i,j＝{Avg_i,j,Avg_i-1,j,...,Avg_i-W,j}和SWStd_i,j＝{Std_i,j,Std_i-1,j,...,Std_i-W,j}，其中W表示窗口的大小。因此，对于第i次放电循环，利用基于滑动窗口的特征提取方法(SWBFE)从六种视角提取的特征依次表示为：SWAvg_i,1，SWStd_i,1，SWAvg_i,2，SWStd_i,2，SWAvg_i,3和SWStd_i,3。

第二步、对于每种提取的特征，在其对应的样本特征集上训练支持向量回归(SVR)模型，多个SVR组成一个SVR的集合，其具体步骤描述如下：令为第p种特征对应的特征集，其中F_i,p表示第i个样本从第p种视角提取的特征向量，Y_i表示第i个样本的真实回归值。在FS_p上训练其对应的支持向量回归模型，表示为SVR_p；将六个SVR构成的一个SVR集合，表示为SVR_Team＝{SVR₁,...,SVR₂,...,SVR_p,...,SVR₆}。

第三步、采用集成学习算法对SVR集合中的多个模型进行集成，得到集成的SVR模型。具体而言，令为一个独立评估集，其中表示第i个评估样本的特征，表示第i个评估样本的真实回归值，M^eval表示评估样本的数目，分别利用两种集成学习算法(AdaBoost和Stacking)来对SVR_Team中的六个SVR进行集成，其具体步骤描述如下：

1)基于AdaBoost算法的SVR集成

利用SVR_Team中的每个SVR_p对IED进行预测，通过比较IED中每个样本的预测值与真实值，计算出每个SVR_p对应的错误率ε_p，根据错误率ε_p计算出其对应的权重β_p，0≤β_p≤1，β₁+β₂+...+β₆＝1。因此，最终集成的SVR模型可以表示为z_p表示SVR_p对应的输入。

2)基于Stacking算法的SVR集成

利用SVR_Team中的每个SVR_p对IED进行预测，对于IED中的每个评估样本将所有SVR的预测值与的真实值串联起来，形成一个新的样本，表示为表示SVR_p对的预测值。所有新样本构成一个新的特征集，表示为：在Tr^meta上训练一个新的支持向量回归模型Sta_SVR_En为最终集成的SVR模型。

2.模型预测阶段

给定待查询铅酸电池的一次放电循环，利用集成的SVR模型铅酸电池本次放电循环后的健康状态(SOH)。具体而言，对于给定的待查询铅酸电池的一次放电循环X^test，利用上述基于滑动窗口技术的特征提取方法生成对应的六种特征向量，分别表示为再用Ada_SVR_En和Sta_SVR_En预测本次放电循环后铅酸电池的SOH，其具体步骤分别如下：

1)Ada_SVR_En预测SOH

对于X^test的每种特征向量用SVR_Team中相应的SVR_p对其进行预测，预测结果表示为因此，再结合每个SVR的权重，X^test最终的预测结果表示为

2)Sta_SVR_En预测SOH

对于X^test的每种特征集用SVR_Team中相应的SVR_p对其进行预测，预测结果表示为将所有的SVR预测结果串联起来，表示为再将作为Sta_SVR_En的输入进行预测，得到最终的预测结果

Claims (5)

1.一种基于滑动窗口和多视角特征融合的铅酸电池寿命预测方法，其特征在于包括以下步骤：

步骤1、在铅酸电池的放电过程中，以放电循环为单位构建训练样本集；将每一次放电循环作为一个样本，并利用基于滑动窗口的方法从电池电压的均值和标准差、电池温度的均值和标准差、负载电压的均值和标准差的视角分别提取电池的六种特征；

步骤2、对于每种提取的特征，在其对应的样本特征集上训练支持向量回归SVR模型，多个SVR组成一个SVR的集合；

步骤3、采用集成学习算法对SVR集合中的多个模型进行集成，得到集成的SVR模型；

步骤4、给定待查询铅酸电池的一次放电循环，利用集成的SVR模型预测铅酸电池本次放电循环后的健康状态SOH。

2.根据权利要求1所述的铅酸电池寿命预测方法，其特征在于：所述步骤1中，利用基于滑动窗口的方法从电池温度的均值ABT、电池温度的标准差SBT、电池电压的均值ABV、电池电压的标准差SBV、负载电压的均值ALV和负载电压的标准差SLV来分别提取特征的具体步骤如下：

1)令为第i次放电循环中第j种电池观察指标所对应的记录值集合，j＝1,2,3分别表示电池温度、电池电压、负载电压，M^k _ij表示M_i,j中的第k个记录值，N_i,j表示记录值的数目；用Avg_i,j和Std_i,j分别表示M_i,j中记录值集合的均值和标准差，计算方法如下：

<mrow> <msub> <mi>Avg</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> </munderover> <msub> <msup> <mi>M</mi> <mi>k</mi> </msup> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>/</mo> <msub> <mi>N</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> </mrow>

<mrow> <msub> <mi>Std</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>=</mo> <msqrt> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> </munderover> <msup> <mrow> <mo>(</mo> <msub> <msup> <mi>M</mi> <mi>k</mi> </msup> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>Avg</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>/</mo> <msub> <mi>N</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> </mrow> </msqrt> </mrow>

2)对于第i次放电循环，结合三种电池观察指标(电池温度、电池电压、负载电压)和两种统计指标(均值和标准差)，计算出其对应的Avg_i,1，Std_i,1，Avg_i,2，Std_i,2，Avg_i,3和Std_i,3；对于每一种电池观察指标j，利用滑动窗口技术，将前W次放电循环与当前放电循环中记录值的均值和标准差分别串联起来，依次表示为：SWAvg_i,j＝{Avg_i,j,Avg_i-1,j,...,Avg_i-W,j}和SWStd_i,j＝{Std_i,j,Std_i-1,j,...,Std_i-W,j}，其中W表示窗口的大小；对于第i次放电循环，利用基于滑动窗口的特征提取方法SWBFE从六种视角提取的特征依次表示为：SWAvg_i,1，SWStd_i,1，SWAvg_i,2，SWStd_i,2，SWAvg_i,3和SWStd_i,3。

3.根据权利要求1所述的铅酸电池寿命预测方法，其特征在于：所述步骤2中，在每种特征对应的样本特征集上训练支持向量回归模型SVR，其具体步骤如下：令为第p种特征对应的特征集，其中F_i,p表示第i个样本从第p种视角提取的特征向量，Y_i表示第i个样本的真实回归值；在FS_p上训练其对应的支持向量回归模型，表示为SVR_p；将六个SVR构成的一个SVR集合，表示为SVR_Team＝{SVR₁,...,SVR₂,...,SVR_p,...,SVR₆}。

4.根据权利要求1所述的铅酸电池寿命预测方法，其特征在于：所述步骤3中，令为一个独立评估集，其中表示第i个评估样本的特征，Y_i ^eval表示第i个评估样本的真实回归值，M^eval表示评估样本的数目，分别利用AdaBoost集成学习算法和Stacking集成学习算法对SVR_Team中的六个SVR进行集成，其具体步骤如下：

1)基于AdaBoost算法的SVR集成

利用SVR_Team中的每个SVR_p对IED进行预测，通过比较IED中每个样本的预测值与真实值，计算出每个SVR_p对应的错误率ε_p，根据错误率ε_p计算出其对应的权重β_p，0≤β_p≤1，β₁+β₂+...+β₆＝1；最终集成的SVR模型表示为z_p表示SVR_p对应的输入；

2)基于Stacking算法的SVR集成

利用SVR_Team中的每个SVR_p对IED进行预测，对于IED中的每个评估样本将所有SVR的预测值与的真实值Y_i ^eval串联起来，形成一个新的样本，表示为 表示SVR_p对的预测值；所有新样本构成一个新的特征集，表示为：在Tr^meta上训练一个新的支持向量回归模型Sta_SVR_En为最终集成的SVR模型。

5.根据权利要求1所述的铅酸电池寿命预测方法，其特征在于：所述步骤4中，对于给定的待查询铅酸电池的一次放电循环X^test，利用基于滑动窗口技术的特征提取方法生成对应的六种特征向量，分别表示为再用Ada_SVR_En和Sta_SVR_En预测本次放电循环后铅酸电池的SOH，其具体步骤如下：

1)Ada_SVR_En预测SOH

对于X^test的每种特征向量用SVR_Team中相应的SVR_p对其进行预测，预测结果表示为再结合每个SVR的权重，X^test最终的预测结果表示为

2)Sta_SVR_En预测SOH

对于X^test的每种特征集用SVR_Team中相应的SVR_p对其进行预测，预测结果表示为将所有的SVR预测结果串联起来，表示为再将作为Sta_SVR_En的输入进行预测，得到最终的预测结果