CN108009585A - 基于局部信息融合的铅酸电池健康状态预测方法 - Google Patents
基于局部信息融合的铅酸电池健康状态预测方法 Download PDFInfo
- Publication number
- CN108009585A CN108009585A CN201711252691.4A CN201711252691A CN108009585A CN 108009585 A CN108009585 A CN 108009585A CN 201711252691 A CN201711252691 A CN 201711252691A CN 108009585 A CN108009585 A CN 108009585A
- Authority
- CN
- China
- Prior art keywords
- svr
- lead
- acid battery
- sample
- training set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Abstract
本发明公开了一种基于局部信息融合的铅酸电池健康状态预测方法,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成训练样本集;将每次放电循环作为一个样本,并提取相应的时间序列作为特征;步骤2、将原始的训练集按照时间序列划分为若干个样本数目相等子训练集;步骤3、在每个子训练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4、利用集成学习算法将多个训练的SVR模型融合,得到集成的SVR模型;步骤5、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
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,是一种基于局部信息融合的铅酸电池健康状态预测方法。
背景技术
在工业界中,铅酸电池因其放电性能良好、使用寿命长、成本低廉等优势被广泛地应用于各种电子系统中。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。准确地预测铅酸电池的SOH对其自身的安全性和可靠性有着重要的意义。
早些年,铅酸电池SOH预测主要采用的是基于经验的方法,例如:积分电流法、安时法和加权安时法。此类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。然而,基于经验的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,且预测速度偏慢,具有严重的局限性。随着工业界中铅酸电池使用数量的剧增,基于经验的方法已经无法满足实际应用的需求。
近年来,随着人工智能技术的发展,基于数据驱动的方法越来越受到研究人员的重视。相比于基于经验的方法,基于数据驱动的方法是一种更为有效的方法,它通过各种机器学习算法(例如:支持向量回归算法(Support Vector Regression,SVR)、K近邻算法(KNearest Neighbor,KNN)以及人工神经网络算法(Artificial Neural Network,ANN)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,BentleyP,Stone D A,et al.,“Nonlinear observers for predicting state-of-charge andstate-of-health of lead-acid batteries for hybrid-electric vehicles”,IEEETransactions on Vehicular Technology,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 andhybrid electric vehicles”,Journal of Power Sources,2005,144(2):418-425;(3)Singh P,Reisner D.“Fuzzy logic-based state-of-health determination of leadacid batteries”,Telecommunications Energy Conference,2002,1(1):583-590。
尽管基于数据驱动的方法在铅酸电池SOH的预测领域取得了巨大的成功,但此类方法仍然存在缺陷。具体而言,对于大多数基于数据驱动的方法,它们采用基于数据全局信息的方法来训练模型(即直接利用整个数据集来训练模型),却忽略了数据局部信息之间的联系,从而导致最终的预测模型无法取得最佳的预测性能。实际上,有效地利用数据局部信息之间的联系对提高模型的预测准确率是很有帮助的。
发明内容
本发明提出一种基于局部信息融合的铅酸电池健康状态预测方法,来解决传统的基于全局信息的预测方法中局部信息丢失的问题。该方法的核心思想是利用数据的局部信息融合替代原有全局信息,并将信息层融合问题转化为决策层融合问题。
实现本发明目的的技术解决方案为:一种基于局部信息融合的铅酸电池健康状态预测方法,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。将每次放电循环作为一个样本,并提取相应的时间序列作为特征;
步骤2、将原始的训练集按照时间序列划分为若干个样本数目相等子训练集;
步骤3、在每个子训练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4、利用集成学习算法将多个训练的SVR模型融合,得到集成的SVR模型;
步骤5、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技术相比,其显著优点为:(1)利用数据的局部信息融合替代原有全局信息,有效地减少了局部信息的丢失。(2)将信息层融合问题转化为决策层融合问题,能够提高融合的效率。(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为基于局部信息融合的铅酸电池健康状态预测方法的流程图。
具体实施方式
如图1所示,根据本发明的较优实施例,基于局部信息融合的铅酸电池健康状态预测方法,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成训练样本集。将每次放电循环作为一个样本,并提取相应的时间序列作为特征。具体步骤如下:
1)对铅酸电池进行n次完整的充放电实验,每一次完整的放电实验被称为一次放电循环;
2)对于每次放电循环i,测量出电池的完全放电量(即电池容量),表示为Ci;根据电池容量Ci,计算出本次放电循环后电池的健康状态,表示为SOHi,它的计算公式如下:
SOHi=Ci/C0
其中C0表示电池的额定容量(初始容量)。因此,第i次放电循环对应的样本表示为(i,SOHi)。
第二步、将原始的训练集按照时间序列划分为若干个样本数目相等子训练集。具体步骤如下:
1)令原始训练集表示为其中Xi表示第i个训练样本的特征向量,Yi表示第i个训练样本回归量,M表示训练样本的数目;
2)将原始的训练集按照时间序列划分为若干个数目相等子训练集,依次表示为:STD1,STD2,...,STDp,...,STDN,其中N表示子训练集的数目,STDp表示第p个子集,它包含了原始训练集OTD中的第start(p)个样本到end(p)个样本,start(p)=(p-1)*m+1,m表示每个子训练集中样本的数目,m=M/N。
第三步、在每个子训练集上训练支持向量回归(SVR)模型,多个SVR组成一个SVR的集合。具体步骤如下:在每个子训练集STDp上训练SVR模型,定义为SVRp。多个SVR模型构成一个SVR集合,表示为SVR_Team={SVR1,SVR2,...,SVRp,...,SVRN}。
第四步、利用集成学习算法将多个训练的SVR模型融合,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k个评估样本的特征,表示第k个评估样本的真实回归值,Meval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SVRp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SVRp对应的错误率εp,根据错误率εp计算出其对应的权重βp,0≤βp≤1,β1+β2+...+βN=1。因此,最终集成的SVR模型可以表示为zp表示SVRp对应的输入。
2)基于Stacking算法的SVR集成
利用SVR_Team中的每个SVRp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SVRp对的预测值。所有新生成的样本构成一个新的训练集,表示为:在Trmeta上训练一个支持向量回归模型Sta_SVREn为最终集成的SVR模型。
2.模型预测阶段
利用集成的SVR模型预测铅酸电池每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第j次放电循环Xtest(其对应的时序特征即为j),分别利用Ada_SVREn和Sta_SVREn模型预测本次放电循环后铅酸电池SOH,其具体步骤分别如下:
1)Ada_SVREn预测SOH
对于预测样本Xtest,分别用SVR_Team中每个SVR模型对其进行预测。为了便于描述,SVRp对Xtest的预测结果表示为再结合每个SVR的权重,Xtest最终的预测结果表示为
2)Sta_SVREn预测SOH
对于预测样本Xtest,分别用SVR_Team中每个SVR模型对其进行预测。同样地,SVRp对Xtest的预测结果表示为再将所有SVR的预测结果串联起来,表示为然后将作为Sta_SVREn的输入进行预测,得到最终的预测结果
Claims (6)
1.一种基于局部信息融合的铅酸电池健康状态预测方法,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成训练样本集;将每次放电循环作为一个样本,并提取相应的时间序列作为特征;
步骤2、将原始的训练集按照时间序列划分为若干个样本数目相等子训练集;
步骤3、在每个子训练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4、利用集成学习算法将多个训练的SVR模型融合,得到集成的SVR模型;
步骤5、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所述的铅酸电池健康状态预测方法,其特征在于:所述步骤1中,提取相应的时间序列作为特征的具体步骤如下:
1)对铅酸电池进行n次完整的充放电实验,每一次完整的放电实验被称为一次放电循环;
2)对于每次放电循环i,测量出电池的完全放电量即电池容量,表示为Ci;根据电池容量Ci,计算出本次放电循环后电池的健康状态,表示为SOHi,它的计算公式如下:
SOHi=Ci/C0
其中C0表示电池的额定容量,第i次放电循环对应的样本表示为(i,SOHi)。
3.根据权利要求1所述的铅酸电池健康状态预测方法,其特征在于:所述步骤2中,将原始的训练集按照时间序列划分为若干个样本数目相等子训练集的具体步骤如下:
1)令原始训练集表示为其中Xi是第i个训练样本的特征向量,Yi表示第i个训练样本的真实回归值,M表示训练样本的数目;
2)将原始的训练集按照时间序列划分为若干个数目相等子训练集,依次表示为:STD1,STD2,...,STDp,...,STDN,其中N表示子训练集的数目,STDp表示第p个子集,它包含了原始训练集OTD中的第start(p)个样本到end(p)个样本,start(p)=(p-1)*m+1,m表示每个子训练集中样本的数目,m=M/N。
4.根据权利要求1所述的铅酸电池健康状态预测方法,其特征在于:所述步骤3中,组成SVR集合的具体步骤如下:在每个子训练集STDp上训练SVR模型,定义为SVRp,多个SVR模型构成一个SVR集合,表示为SVR_Team={SVR1,SVR2,...,SVRp,...,SVRN}。
5.根据权利要求1所述的铅酸电池健康状态预测方法,其特征在于:所述步骤4中,令为一个独立评估集,其中表示第k个评估样本的特征向量,表示第k个评估样本的回归量,Meval表示评估样本的数目,分别利用两种集成学习算法AdaBoost和Stacking对SVR_Team中的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SVRp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SVRp对应的错误率εp,根据错误率εp计算出其对应的权重βp,0≤βp≤1,β1+β2+...+βN=1;最终集成的SVR模型表示为zp表示SVRp对应的输入;
2)基于Stacking算法的SVR集成
利用SVR_Team中的每个SVRp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SVRp对的预测值;所有新样本构成一个新的训练集,表示为:在Trmeta上训练一个新的支持向量回归模型Sta_SVREn为最终集成的SVR模型。
6.根据权利要求1所述的铅酸电池健康状态预测方法,其特征在于:所述步骤5中,对于给定的待查询铅酸电池的第j次放电循环Xtest,其对应的时序特征即为j,分别利用Ada_SVREn和Sta_SVREn模型预测本次放电循环后铅酸电池SOH,其具体步骤分别如下:
1)Ada_SVREn预测SOH
对于预测样本Xtest,分别用SVR_Team中每个SVR模型对其进行预测;SVRp对Xtest的预测结果表示为再结合每个SVR的权重,Xtest最终的预测结果表示为
2)Sta_SVREn预测SOH
对于预测样本Xtest,分别用SVR_Team中每个SVR模型对其进行预测;SVRp对Xtest的预测结果表示为再将所有SVR的预测结果串联起来,表示为然后将作为Sta_SVREn的输入进行预测,得到最终的预测结果
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711252691.4A CN108009585B (zh) | 2017-12-01 | 2017-12-01 | 基于局部信息融合的铅酸电池健康状态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711252691.4A CN108009585B (zh) | 2017-12-01 | 2017-12-01 | 基于局部信息融合的铅酸电池健康状态预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108009585A true CN108009585A (zh) | 2018-05-08 |
CN108009585B CN108009585B (zh) | 2020-09-04 |
Family
ID=62056173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711252691.4A Active CN108009585B (zh) | 2017-12-01 | 2017-12-01 | 基于局部信息融合的铅酸电池健康状态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108009585B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145175A (zh) * | 2018-09-03 | 2019-01-04 | 四川佳联众合企业管理咨询有限公司 | 基于stacking集成学习算法的时空数据预测方法 |
CN109444762A (zh) * | 2018-10-28 | 2019-03-08 | 北京工业大学 | 一种基于数据融合的锂离子电池健康状态估计方法 |
CN113567875A (zh) * | 2021-06-11 | 2021-10-29 | 国电南瑞科技股份有限公司 | 一种基于k近邻回归的三元锂离子电池健康状态估计方法 |
CN114200335A (zh) * | 2021-12-06 | 2022-03-18 | 格林美股份有限公司 | 一种基于脉冲测试的电池健康状态预测方法及装置 |
CN116449218A (zh) * | 2023-04-26 | 2023-07-18 | 淮阴工学院 | 一种锂电池健康状态的估计方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009158225A3 (en) * | 2008-06-27 | 2010-03-04 | Gm Global Technology Operations, Inc. | Pattern recognition approach to battery diagnosis and prognosis |
CN102798823A (zh) * | 2012-06-15 | 2012-11-28 | 哈尔滨工业大学 | 基于高斯过程回归的锂电池健康状况预测方法 |
TWI395963B (zh) * | 2010-01-05 | 2013-05-11 | 鉛酸電池壽命狀態的估測方法 | |
CN105319512A (zh) * | 2014-07-30 | 2016-02-10 | 三星电子株式会社 | 用于估计电池的状态的方法和设备 |
CN105607483A (zh) * | 2016-01-27 | 2016-05-25 | 东莞理工学院 | 建立超级电容器动态特性模型及评估其精度的方法 |
CN105938116A (zh) * | 2016-06-20 | 2016-09-14 | 吉林大学 | 基于模糊划分和模型集成的气体传感器阵列浓度检测方法 |
CN106156895A (zh) * | 2016-07-29 | 2016-11-23 | 国网山东省电力公司经济技术研究院 | 一种基于模糊c均值聚类和分步网格搜索支持向量回归的电动汽车充电负荷预测方法 |
CN106339755A (zh) * | 2016-08-29 | 2017-01-18 | 深圳市计量质量检测研究院 | 基于神经网络与周期核函数gpr的锂电池健康状态预测方法 |
CN106908736A (zh) * | 2017-03-17 | 2017-06-30 | 哈尔滨工业大学 | 基于深度置信网和相关向量机融合的锂电池剩余寿命预测方法 |
-
2017
- 2017-12-01 CN CN201711252691.4A patent/CN108009585B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009158225A3 (en) * | 2008-06-27 | 2010-03-04 | Gm Global Technology Operations, Inc. | Pattern recognition approach to battery diagnosis and prognosis |
TWI395963B (zh) * | 2010-01-05 | 2013-05-11 | 鉛酸電池壽命狀態的估測方法 | |
CN102798823A (zh) * | 2012-06-15 | 2012-11-28 | 哈尔滨工业大学 | 基于高斯过程回归的锂电池健康状况预测方法 |
CN105319512A (zh) * | 2014-07-30 | 2016-02-10 | 三星电子株式会社 | 用于估计电池的状态的方法和设备 |
CN105607483A (zh) * | 2016-01-27 | 2016-05-25 | 东莞理工学院 | 建立超级电容器动态特性模型及评估其精度的方法 |
CN105938116A (zh) * | 2016-06-20 | 2016-09-14 | 吉林大学 | 基于模糊划分和模型集成的气体传感器阵列浓度检测方法 |
CN106156895A (zh) * | 2016-07-29 | 2016-11-23 | 国网山东省电力公司经济技术研究院 | 一种基于模糊c均值聚类和分步网格搜索支持向量回归的电动汽车充电负荷预测方法 |
CN106339755A (zh) * | 2016-08-29 | 2017-01-18 | 深圳市计量质量检测研究院 | 基于神经网络与周期核函数gpr的锂电池健康状态预测方法 |
CN106908736A (zh) * | 2017-03-17 | 2017-06-30 | 哈尔滨工业大学 | 基于深度置信网和相关向量机融合的锂电池剩余寿命预测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145175A (zh) * | 2018-09-03 | 2019-01-04 | 四川佳联众合企业管理咨询有限公司 | 基于stacking集成学习算法的时空数据预测方法 |
CN109145175B (zh) * | 2018-09-03 | 2023-05-30 | 成都卡普数据服务有限责任公司 | 基于stacking集成学习算法的时空数据预测方法 |
CN109444762A (zh) * | 2018-10-28 | 2019-03-08 | 北京工业大学 | 一种基于数据融合的锂离子电池健康状态估计方法 |
CN109444762B (zh) * | 2018-10-28 | 2021-01-08 | 北京工业大学 | 一种基于数据融合的锂离子电池健康状态估计方法 |
CN113567875A (zh) * | 2021-06-11 | 2021-10-29 | 国电南瑞科技股份有限公司 | 一种基于k近邻回归的三元锂离子电池健康状态估计方法 |
CN114200335A (zh) * | 2021-12-06 | 2022-03-18 | 格林美股份有限公司 | 一种基于脉冲测试的电池健康状态预测方法及装置 |
CN116449218A (zh) * | 2023-04-26 | 2023-07-18 | 淮阴工学院 | 一种锂电池健康状态的估计方法 |
CN116449218B (zh) * | 2023-04-26 | 2024-03-12 | 淮阴工学院 | 一种锂电池健康状态的估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108009585B (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009585A (zh) | 基于局部信息融合的铅酸电池健康状态预测方法 | |
Che et al. | State of health prognostics for series battery packs: A universal deep learning method | |
CN109324291B (zh) | 一种针对质子交换膜燃料电池寿命预测的预测方法 | |
KR20200140093A (ko) | 배터리의 충방전 사이클에 따른 용량 변화 예측방법 및 예측시스템 | |
CN113805064B (zh) | 基于深度学习的锂离子电池组健康状态预测方法 | |
CN114372417A (zh) | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 | |
CN111680848A (zh) | 基于预测模型融合的电池寿命预测方法及存储介质 | |
CN108537337A (zh) | 基于优化深度信念网络的锂离子电池soc预测方法 | |
CN107895212A (zh) | 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 | |
Zhang et al. | Intelligent state of charge estimation of battery pack based on particle swarm optimization algorithm improved radical basis function neural network | |
CN113125960A (zh) | 一种基于随机森林模型的车载锂离子电池荷电状态预测方法 | |
CN110837915A (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN113866659A (zh) | 一种基于机器学习和安时积分法的锂电池soh预测方法 | |
CN114636948A (zh) | 一种储能系统寿命评估方法、装置、电子设备及存储介质 | |
CN112287597B (zh) | 基于vpga-gpr算法的铅酸蓄电池soh估计方法 | |
Zhang et al. | Lithium battery SOC prediction based on mproved BP eural etwork algorithm | |
CN110232432A (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
CN116930788A (zh) | 一种基于堆叠模型的储能电站锂电池容量估计方法 | |
Zhang et al. | Research for SOC prediction of lithium battery based on GA-ESN | |
Zhang et al. | The early prediction of lithium-ion battery remaining useful life using a novel long short-term memory network | |
CN116010853A (zh) | 充电桩设备故障预测方法及系统、计算机可读存储介质 | |
CN115372829A (zh) | 一种基于bms数据进行车辆电池健康度快速评估的方法 | |
CN114492182A (zh) | 一种电池组任意拓扑结构循环寿命推衍预测方法 | |
Yan et al. | SOC prediction method of wireless sensor nodes batteries based on Attention-LSTM | |
CN110852378A (zh) | 一种基于导航系统的道路工况运动学片断提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |