CN112327190B - 一种储能电池健康状态辨识方法 - Google Patents

Abstract

本发明具体涉及一种储能电池健康状态辨识方法。该方法首先采集储能电池在一次充放电测试过程中的端电压信号，组成含有类别的样本数据集合A；然后，计算每个样本的特征值，形成可以表征原始信号特点的特征向量，组成含有类别的样本特征集合B；接着，生成若干个差异化的支持向量机模型；然后，以遗传算法种群个体的0‑1编码选择部分支持向量机模型，并将特征集合B输入得到多个以概率向量方式表征的储能电池健康情况辨识结果，形成对若干支持向量机模型的筛选方案，即储能电池健康情况辨识方案。多次支持向量集成的方式大幅提升了诊断模型的鲁棒性，利用遗传算法快速、自动地实现了对诊断过程的优化，提升了故障诊断性能。

Description

一种储能电池健康状态辨识方法

技术领域：

本发明涉及储能电池技术领域，具体涉及一种储能电池健康状态辨识方法。

背景技术：

近年来，随着电力的需求增加，电力系统的规模日益扩大，电网的复杂度也越来越大，同时，国家现在大力发展智能电网、可再生能源、分布式能源使得对储能技术的需求也日益增大，储能电池扮演着越来越重要的角色。储能电池可以为电网运行提供调峰、调频、备用、黑启动等多种服务，提高风、光等可再生能源的消纳水平，支撑分布式电力及微网，是提升传统电力系统灵活性、经济性和安全性的重要手段以及促进能源生产消费开放共享和灵活交易、实现多能协同的核心基础。

由于过充电或过放电等原因会对电池造成损伤，储能电池的健康状况、充电不均衡等因素会导致安全性出现问题，评估储能电池的状态分析其健康情况，对于提高储能电池安全性和可靠性是十分重要的。随着机器学习和智能优化技术的发展，面向储能电池健康状态辨识的智能化监测服务获得应用，建立智能的储能电池健康状态诊断模型已成为储能电池系统研究重点。为了提升诊断模型性能，智能优化技术开始被应用于优化诊断模型参数或者分析特征重要程度之中。目前，对于基于智能优化算法优化模型参数的研究较多，一般基于额外的验证数据或者交叉验证方式设计对诊断模型性能的评价。但是，增加额外验证数据的方式往往只有在大数据样本规模的应用中才有意义；而交叉验证方式计易造成训练数据容量降低、样本集合划分影响较大等问题。从另外一个角度上讲，过度强调诊断模型参数的优化忽视了特征优劣造成的影响，造成诊断性能提升有限。因此，亟需一种提升储能电池健康状态评估效率的储能电池健康状态评估方法。

发明内容：

本发明提出一种结合遗传优化算法、支持向量模型以及诊断证据融合相结合的新思路，实现一种遗传筛选融合下储能电池健康状态辨识方法。

该方法首先采集m个健康和故障2种情况储能电池在一次充放电测试过程中的端电压信号，并标注每个信号的健康情况C,(C＝+1表示健康，C＝-1表示故障)组成含有类别的样本数据集合A；然后，对样本集合A中每个样本定义n个关键特征的计算方式，计算每个样本的特征值，形成可以表征原始信号特点的特征向量，组成含有类别的样本特征集合B；接着，不断随机设置以诊断概率向量形式输出的支持向量机模型参数，生成若干个差异化的支持向量机模型；然后，以遗传算法种群个体的0-1编码选择部分支持向量机模型，并将特征集合B输入得到多个以概率向量方式表征的储能电池健康情况辨识结果，以D-S证据理论融合后所得结果最优为目标，通过选择、交叉、变异等遗传算法操作，形成对若干支持向量机模型的筛选方案，即储能电池健康情况辨识方案；最后，在实测数据验证辨识方案性能后，将基于本发明设计的辨识方案应用于储能电池健康情况评估中。具体的技术方案如下：

一种储能电池健康状态辨识方法，包括下述步骤：

步骤1：获取与待测储能电池同型号储能电池充放电测试过程端电压数据样本，利用测量设备采集m个健康或故障2种情况的同型号储能电池在一次充放电测试过程中的端电压信号U⁽ⁱ⁾，(i＝1,2,…,m)，并标注每个信号的健康情况组成含有类别的样本数据集合A，

A＝{(U⁽ⁱ⁾C⁽ⁱ⁾),i＝1,2,...,m,C＝+1或-1}；其中，C⁽ⁱ⁾表示第i个测量的储能电池所属类型C，C＝+1表示健康，C＝-1表示故障；

步骤2：提取采集端电压样本的关键特征形成特征向量，对样本集合A中每个样本型号进行分析，利用统计、时域、频域、时频分析方法中的一个或多个的组合定义能够反映健康或故障下所有样本之间差异的n个关键特征，定义n个关键特征的计算方式，形成特征向量表示，组成含有类别的样本特征集合B，

B＝{(X⁽ⁱ⁾C⁽ⁱ⁾),i＝1,2,...,m,C＝+1或-1}，其中

和C⁽ⁱ⁾,i＝1,2,…,m，分别表示第i个样本的特征向量和类别；

步骤3：建立若干个差异化的、以诊断概率向量形式输出的支持向量机模型；

步骤3.1：设置将生成以诊断概率向量形式输出的支持向量机数量V以及模型参数范围，并令v＝1；

步骤3.2：在支持向量模型参数范围内随机产生第v个支持向量的参数值(W_v,b_v,α_v,β_v)，生成第v个支持向量模型SVM_v，v＝1,2,…,V；

步骤3.3：判断v是否大于等于支持向量机数量V，若是，则进入步骤4；若否，则v＝v+1返回步骤3.2继续计算；

步骤4：利用遗传算法筛选优化若干个支持向量机的最佳D-S证据融合方案；

步骤5：利用测量设备采集待辨识储能电池在一次充放电测试过程中的端电压信号，利用步骤2中设计的关键特征计算方式，形成用于诊断的特征向量，然后将特征向量输入步骤4优化筛选后的支持向量机模型，获得多个诊断概率向量，进行步骤4中的D-S证据融合诊断过程，返回融合诊断所得概率向量中最大值所代表的“健康”或“故障”类型为该储能电池的评估结果，完成诊断测试。

利用测量设备采集待辨识储能电池在一次充放电测试过程中的端电压信号，将端电压信号代入步骤4所确定的模型，所得概率向量中最大值所代表的健康或故障类型为该储能电池的评估结果，结果为“健康”或“故障”，完成诊断测试。

优选方案，所述步骤4的具体过程如下：

步骤4.1：初始化遗传算法的参数，如种群中个体数量N、选择率、交叉率、变异率以及最大迭代次数G，定义代表个体的染色体二进制编码长度等于以诊断概率向量形式输出的支持向量机数量V，随机产生由k个个体组成的种群，设置t＝1，j＝1；

步骤4.2：在第t次迭代中，定义种群中第j个个体

形如

选择二进制编码位为1的支持向量机作为第t次迭代、第j个个体的选择方案；

步骤4.3：将样本特征集合B中的所有样本输入被选择的支持向量机，获得诊断概率向量，并利用D-S证据理论融合诊断概率向量获得最终诊断结果；

步骤4.4：根据样本类别的概率向量，如第i个储能电池样本为健康C＝+1，其表示为概率向量CP⁽ⁱ⁾＝[1,0]，储能电池健康C＝-1，其表示为概率向量CP⁽ⁱ⁾＝[0,1]，计算第t次迭代、第j个个体的适应度函数值J_t,j，

步骤4.5：判断j是否大于等于种群中个体数量N，若是，则令j＝1并进入步骤4.6；若否，则j＝j+1返回步骤4.2继续计算；

步骤4.6：对第t代中，所有个体的适应度函数值[J_t,1,J_t,2,…,J_t,N]排序，选择出最优个体；判断第t代的最优个体是否优于历史最优个体，若是则更新历史最优个体；若否，则历史最优个体不变；对种群中个体进行选择、交叉、变异遗传算法计算，获得t+1代的新种群；

步骤4.7：判断t是否大于等于最大迭代次数G，若是，则根据历史最优个体的二进制编码选择支持向量机形成最终方案，若否，则t＝t+1且返回步骤4.2进行下一代的计算评估。

进一步优选之一，所述步骤4.3的具体过程如下：

步骤4.3.1：在第t次迭代、第j个个体的选择方案中，第s个支持向量机的参数值(W_s,b_s,α_s,β_s)，对第i个样本输出辨识类型C＝+1的概率为

那么输出辨识类型C＝-1的概率/>

则诊断概率向量

其中1,2,…,S，S为第j个个体中编码位为1的数量；

步骤4.3.2：利用D-S证据理论融合被选择的S个支持向量机结果，D-S证据理论方法融合过程如下，辨识框架{C＝+1,C＝-1}，第t次迭代、第j个个体的选择方案中，第s个支持向量机的诊断概率向量

定义S个支持向量机结果为：

其中，

获得第i个样本的最终诊断结果

进一步优选之二，所述步骤4.6的具体过程如下：

步骤4.6.1对第t代中，所有个体的适应度函数值[J_t,1,J_t,2,…,J_t,N]进行排序，找出最小值(假设为J_t,j)；

步骤4.6.2判断第t代最优个体的适应度函数值是否小于历史最优个体的适应度函数值J^OPT(若t＝1，历史最优个体的适应度值

)，若是，则更新历史最优个体以及其适应度函数值J^OPT＝J_t,j；若否，则历史最优个体以及其适应度函数值不变；

步骤4.6.3对种群中个体进行选择率P_s、交叉率P_m、变异率P_x遗传算法操作，更新个体，获得t+1代的新种群。

将待诊断储能电池在一次充放电测试中采集端电压信号进行关键特征计算，利用步骤2中设计的关键特征计算方式，形成用于诊断的特征向量，然后将特征向量输入步骤4优化筛选后的支持向量机模型，获得多个诊断概率向量，进行D-S证据融合诊断，返回融合诊断所得概率向量中最大值所代表的健康或故障类型为该储能电池的评估结果，完成诊断测试。

与最接近的现有技术相比，本发明的优异效果是：

(一)本发明技术方案中，利用随机设置支持向量模型参数的方式，产生若干个具有差异的储能电池健康状态辨识模型，通过D-S证据方法融合出最终结果。相比于其他的集成学习和支持向量机下的储能电池健康情况评估方法，本发明利用随机参数方式形成的差异化支持向量机模型过程为集成学习模式提供了一种新思路，且集成化诊断过程降低了优化单一诊断模型易造成过拟合的风险，有利于储能电池健康状态判断的鲁棒性。

(二)本发明技术方案中，利用遗传编码方式选择部分差异化的支持向量机模型进行D-S证据融合，并根据融合诊断结果优化选择过程，形成最佳融合诊断方案。相比于其他利用遗传算法优化模型参数技术，本发明降低了对支持向量机模型参数的依赖，无需额外验证集进行模型参数优化，减小模型训练及优化时间的同时，增强了其应用于小样本环境下的能力，提高了储能电池健康状态辨识方案的适用性。

附图说明：

图1是本发明辨识方法的流程图；

图2是本发明步骤3中第t代原始种群中第j个个体对若干支持向量机选择及融合诊断的示意图；

图3是发明步骤4中遗传算法筛选及D-S证据融合流程图。

具体实施方式：

一种储能电池健康状态辨识方法，包括下述步骤：

步骤1：获取与待测储能电池同型号储能电池充放电测试过程端电压数据样本，利用测量设备采集m个健康或故障2种情况的同型号储能电池在一次充放电测试过程中的端电压信号U⁽ⁱ⁾，(i＝1,2,…,m)，并标注每个信号的健康情况组成含有类别的样本数据集合A，譬如：100个相同型号的储能电池，20个正常的，20个低电压的，……，就是多种故障，尽量把实际中遇到的故障类型都包含进来，而且提前给每个电池都贴上标签，即“健康”或“故障”，以此来进行模型训练，

A＝{(U⁽ⁱ⁾ C⁽ⁱ⁾),i＝1,2,...,m,C＝+1或-1}；其中，C⁽ⁱ⁾表示第i个测量的储能电池所属类型C，C＝+1表示健康，C＝-1表示故障；

步骤2：提取采集端电压样本的关键特征形成特征向量，对样本集合A中每个样本型号进行分析，利用统计、时域、频域、时频分析方法中的一个或多个的组合定义能够反映健康或故障下所有样本之间差异的n个关键特征，定义n个关键特征的计算方式，形成特征向量表示，组成含有类别的样本特征集合B，

B＝{(X⁽ⁱ⁾ C⁽ⁱ⁾),i＝1,2,...,m,C＝+1或-1}，其中

和C⁽ⁱ⁾,i＝1,2,…,m，分别表示第i个样本的特征向量和类别；

步骤3：建立若干个差异化的、以诊断概率向量形式输出的支持向量机模型；

步骤3.1：设置将生成以诊断概率向量形式输出的支持向量机数量V以及模型参数范围，并令v＝1；

步骤3.2：在支持向量模型参数范围内随机产生第v个支持向量的参数值(W_v,b_v,α_v,β_v)，生成第v个支持向量模型SVM_v，v＝1,2,…,V；

步骤3.3：判断v是否大于等于支持向量机数量V，若是，则进入步骤4；若否，则v＝v+1返回步骤3.2继续计算；

步骤4：利用遗传算法筛选优化若干个支持向量机的最佳D-S证据融合方案；所述步骤4的具体过程如下：

步骤4.1：初始化遗传算法的参数，如种群中个体数量N、选择率、交叉率、变异率以及最大迭代次数G，定义代表个体的染色体二进制编码长度等于以诊断概率向量形式输出的支持向量机数量V，随机产生由k个个体组成的种群，设置t＝1，j＝1；

步骤4.2：在第t次迭代中，定义种群中第j个个体

形如/>

(j＝1,2,…,k)，选择二进制编码位为1的支持向量机作为第t次迭代、第j个个体的选择方案；

步骤4.3：将样本特征集合B中的所有样本输入被选择的支持向量机，获得诊断概率向量，并利用D-S证据理论融合诊断概率向量获得最终诊断结果；具体如下：

步骤4.3.1：在第t次迭代、第j个个体的选择方案中，第s个支持向量机的参数值(W_s,b_s,α_s,β_s)，对第i个样本输出辨识类型C＝+1的概率为

那么输出辨识类型C＝-1的概率/>

则诊断概率向量

其中1,2,…,S，S为第j个个体中编码位为1的数量；

步骤4.3.2：利用D-S证据理论融合被选择的S个支持向量机结果，D-S证据理论方法融合过程如下，辨识框架{C＝+1,C＝-1}，第t次迭代、第j个个体的选择方案中，第s个支持向量机的诊断概率向量

定义S个支持向量机结果为：

其中，

获得第i个样本的最终诊断结果

步骤4.4：根据样本类别的概率向量，如第i个储能电池样本为健康C＝+1，其表示为概率向量CP⁽ⁱ⁾＝[1,0]，储能电池健康C＝-1，其表示为概率向量CP⁽ⁱ⁾＝[0,1]，计算第t次迭代、第j个个体的适应度函数值J_t,j，

步骤4.5：判断j是否大于等于种群中个体数量N，若是，则令j＝1并进入步骤4.6；若否，则j＝j+1返回步骤4.2继续计算；

步骤4.6：对第t代中，所有个体的适应度函数值[J_t,1,J_t,2,…,J_t,N]排序，选择出最优个体；判断第t代的最优个体是否优于历史最优个体，若是则更新历史最优个体；若否，则历史最优个体不变；对种群中个体进行选择、交叉、变异遗传算法计算，获得t+1代的新种群；具体如下：

步骤4.6.1对第t代中，所有个体的适应度函数值[J_t,1,J_t,2,…,J_t,N]进行排序，找出最小值(假设为J_t,j)；

步骤4.6.2判断第t代最优个体的适应度函数值是否小于历史最优个体的适应度函数值J^OPT(若t＝1，历史最优个体的适应度值

)，若是，则更新历史最优个体以及其适应度函数值J^OPT＝J_t,j；若否，则历史最优个体以及其适应度函数值不变；

步骤4.6.3对种群中个体进行选择率P_s、交叉率P_m、变异率P_x遗传算法操作，更新个体，获得t+1代的新种群；

步骤4.7：判断t是否大于等于最大迭代次数G，若是，则根据历史最优个体的二进制编码选择支持向量机形成最终方案，若否，则t＝t+1且返回步骤4.2进行下一代的计算评估；

步骤5：利用测量设备采集待辨识储能电池在一次充放电测试过程中的端电压信号，利用步骤2中设计的关键特征计算方式，形成用于诊断的特征向量，然后将特征向量输入步骤4优化筛选后的支持向量机模型，获得多个诊断概率向量，进行步骤4.3.2中的D-S证据融合诊断过程，返回融合诊断所得概率向量中最大值所代表的“健康”或“故障”类型为该储能电池的评估结果，完成诊断测试。

通过利用本发明所提的一种遗传筛选融合下储能电池健康状态辨识方法对上述储能电池端电压信号进行实例诊断，多次支持向量集成的方式大幅提升了诊断模型的鲁棒性，利用遗传算法快速、自动地实现了对诊断过程的优化，提升了故障诊断性能。同时，智能化、自动化的诊断过程为设备维护带来了诸多便利，减小了故障检测过程的维护成本。

最后应当说明的是：所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

Claims (3)

1.一种储能电池健康状态辨识方法，其特征在于，包括下述步骤：

步骤1：获取与待测储能电池同型号储能电池充放电测试过程端电压数据样本，利用测量设备采集m个健康或故障2种情况的同型号储能电池在一次充放电测试过程中的端电压信号U⁽ⁱ⁾，i＝1,2,…,m，并标注每个信号的健康情况组成含有类别的样本数据集合A，

A＝{(U⁽ⁱ⁾C⁽ⁱ⁾),i＝1,2,...,m,C＝+1或-1}；其中，C⁽ⁱ⁾表示第i个测量的储能电池所属类型C，C＝+1表示健康，C＝-1表示故障；

步骤2：提取采集端电压样本的关键特征形成特征向量，对样本集合A中每个样本型号进行分析，利用统计、时域、频域、时频分析方法中的一个或多个的组合定义能够反映健康或故障下所有样本之间差异的n个关键特征，定义n个关键特征的计算方式，形成特征向量表示，组成含有类别的样本特征集合B，

B＝{(X⁽ⁱ⁾C⁽ⁱ⁾),i＝1,2,...,m,C＝+1或-1}，其中

和C⁽ⁱ⁾,i＝1,2,…,m，分别表示第i个样本的特征向量和类别；

步骤3：建立若干个差异化的、以诊断概率向量形式输出的支持向量机模型；

步骤3.1：设置将生成以诊断概率向量形式输出的支持向量机数量V以及模型参数范围；

步骤3.2：在支持向量模型参数范围内随机产生第v个支持向量的参数值(W_v,b_v,α_v,β_v)，生成第v个支持向量模型SVM_v，v＝1,2,…,V；

步骤3.3：判断v是否大于等于支持向量机数量V，若是，则进入步骤4；若否，则v＝v+1返回步骤3.2继续计算；

步骤4：利用遗传算法筛选优化若干个支持向量机的最佳D-S证据融合方案；

步骤5：利用测量设备采集待辨识储能电池在一次充放电测试过程中的端电压信号，利用步骤2中设计的关键特征计算方式，形成用于诊断的特征向量，然后将特征向量输入步骤4优化筛选后的支持向量机模型，获得多个诊断概率向量，进行步骤4中的D-S证据融合诊断过程，返回融合诊断所得概率向量中最大值所代表的“健康”或“故障”类型为该储能电池的评估结果，完成诊断测试。

2.根据权利要求1所述一种储能电池健康状态辨识方法，其特征在于，所述步骤4的具体过程如下：

步骤4.1：初始化遗传算法的参数，如种群中个体数量N、选择率、交叉率、变异率以及最大迭代次数G，定义代表个体的染色体二进制编码长度等于以诊断概率向量形式输出的支持向量机数量V，随机产生由k个个体组成的种群，设置t＝1，j＝1；

步骤4.2：在第t次迭代中，定义种群中第j个个体

形如

选择二进制编码位为1的支持向量机作为第t次迭代、第j个个体的选择方案；

步骤4.3：将样本特征集合B中的所有样本输入被选择的支持向量机，获得诊断概率向量，并利用D-S证据理论融合诊断概率向量获得最终诊断结果；具体过程如下：

步骤4.3.1：在第t次迭代、第j个个体的选择方案中，第s个支持向量机的参数值(W_s,b_s,α_s,β_s)，对第i个样本输出辨识类型C＝+1的概率为

那么输出辨识类型C＝-1的概率/>

则诊断概率向量

其中s＝1,2,…,S，S为第j个个体中编码位为1的数量；

步骤4.3.2：利用D-S证据理论融合被选择的S个支持向量机结果，D-S证据理论方法融合过程如下，辨识框架{C＝+1,C＝-1}，第t次迭代、第j个个体的选择方案中，第s个支持向量机的诊断概率向量

定义S个支持向量机结果为：

其中/>

获得第i个样本的最终诊断结果/>

步骤4.4：根据样本类别的概率向量，如第i个储能电池样本为健康C＝+1，其表示为概率向量CP⁽ⁱ⁾＝[1,0]，储能电池健康C＝-1，其表示为概率向量CP⁽ⁱ⁾＝[0,1]，计算第t次迭代、第j个个体的适应度函数值J_t,j，

步骤4.5：判断j是否大于等于种群中个体数量N，若是，则令j＝1并进入步骤4.6；若否，则j＝j+1返回步骤4.2继续计算；

步骤4.6：对第t代中，所有个体的适应度函数值[J_t,1,J_t,2,...,J_t,N]排序，选择出最优个体；判断第t代的最优个体是否优于历史最优个体，若是则更新历史最优个体；若否，则历史最优个体不变；对种群中个体进行选择、交叉、变异遗传算法计算，获得t+1代的新种群；

步骤4.7：判断t是否大于等于最大迭代次数G，若是，则根据历史最优个体的二进制编码选择支持向量机形成最终方案，若否，则t＝t+1且返回步骤4.2进行下一代的计算评估。

3.根据权利要求2所述一种储能电池健康状态辨识方法，其特征在于，所述步骤4.6的具体过程如下：

步骤4.6.1：对第t代中，所有个体的适应度函数值[J_t,1,J_t,2,...,J_t,N]进行排序，找出最小值，假设为J_t,j；

步骤4.6.2：判断第t代最优个体的适应度函数值是否小于历史最优个体的适应度函数值J^OPT，若t＝1，历史最优个体的适应度值J^OPT＝2，若是，则更新历史最优个体以及其适应度函数值J^OPT＝J_t,j；若否，则历史最优个体以及其适应度函数值不变；

步骤4.6.3：对种群中个体进行选择率P_s、交叉率P_m、变异率P_x遗传算法操作，更新个体，获得t+1代的新种群。

Images