CN108009585A - 基于局部信息融合的铅酸电池健康状态预测方法 - Google Patents

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

基于局部信息融合的铅酸电池健康状态预测方法

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C_i；根据电池容量C_i，计算出本次放电循环后电池的健康状态，表示为SOH_i，它的计算公式如下：

SOH_i＝C_i/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,SOH_i)。

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X_i表示第i个训练样本的特征向量，Y_i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,...,STD_p,...,STD_N，其中N表示子训练集的数目，STD_p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STD_p上训练SVR模型，定义为SVR_p。多个SVR模型构成一个SVR集合，表示为SVR_Team＝{SVR₁,SVR₂,...,SVR_p,...,SVR_N}。

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，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+...+β_N＝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。所有新生成的样本构成一个新的训练集，表示为：在Tr^meta上训练一个支持向量回归模型Sta_SVR_En为最终集成的SVR模型。

2.模型预测阶段

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X^test(其对应的时序特征即为j)，分别利用Ada_SVR_En和Sta_SVR_En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_SVR_En预测SOH

对于预测样本X^test，分别用SVR_Team中每个SVR模型对其进行预测。为了便于描述，SVR_p对X^test的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

对于预测样本X^test，分别用SVR_Team中每个SVR模型对其进行预测。同样地，SVR_p对X^test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_SVR_En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C_i；根据电池容量C_i，计算出本次放电循环后电池的健康状态，表示为SOH_i，它的计算公式如下：

SOH_i＝C_i/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,SOH_i)。

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X_i是第i个训练样本的特征向量，Y_i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,...,STD_p,...,STD_N，其中N表示子训练集的数目，STD_p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STD_p上训练SVR模型，定义为SVR_p，多个SVR模型构成一个SVR集合，表示为SVR_Team＝{SVR₁,SVR₂,...,SVR_p,...,SVR_N}。

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，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+...+β_N＝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训练集，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。

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X^test，其对应的时序特征即为j，分别利用Ada_SVR_En和Sta_SVR_En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_SVR_En预测SOH

对于预测样本X^test，分别用SVR_Team中每个SVR模型对其进行预测；SVR_p对X^test的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

对于预测样本X^test，分别用SVR_Team中每个SVR模型对其进行预测；SVR_p对X^test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_SVR_En的输入进行预测，得到最终的预测结果