CN113094985B - 一种基于交叉流形嵌入迁移学习的电池soh预测方法 - Google Patents

一种基于交叉流形嵌入迁移学习的电池soh预测方法 Download PDF

Info

Publication number
CN113094985B
CN113094985B CN202110346401.2A CN202110346401A CN113094985B CN 113094985 B CN113094985 B CN 113094985B CN 202110346401 A CN202110346401 A CN 202110346401A CN 113094985 B CN113094985 B CN 113094985B
Authority
CN
China
Prior art keywords
soh
battery
mapping
auxiliary
anchor
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.)
Active
Application number
CN202110346401.2A
Other languages
English (en)
Other versions
CN113094985A (zh
Inventor
盛瀚民
周圆
邵晋梁
石磊
白利兵
米金华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110346401.2A priority Critical patent/CN113094985B/zh
Publication of CN113094985A publication Critical patent/CN113094985A/zh
Application granted granted Critical
Publication of CN113094985B publication Critical patent/CN113094985B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/15Correlation function computation including computation of convolution operations
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/16Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/18Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种基于交叉流形嵌入迁移学习的电池SOH预测方法,将电池的一次充放电过程所提取的特征与SOH值作为一个循环的样本点,而辅助电池每一次循环提取的源域数据集和新电池前t次循环提取的目标域数据集在特征空间中被视为两个不同的流形。将新电池的目标域数据作为辅助电池的源域数据的锚点集,对于每一个源域样本点,在锚点集中找到关于SOH值的K个近邻点,求解最优权重使得源域样本点能够映射到K个近邻所在的流形,再根据最优权重与K个近邻的特征将源域样本点的特征进行映射。由此将源域数据集嵌入目标域流形中,从而在不丢失特征维度的情况下实现低维数据的特征迁移,由此提高机器学习方法的跨场景泛化性能。

Description

一种基于交叉流形嵌入迁移学习的电池SOH预测方法
技术领域
本发明属于电池健康状态评估技术领域,更为具体地讲,涉及一种基于交叉流形嵌入迁移学习的电池SOH预测方法。
背景技术
锂离子电池已广泛用作电动汽车和混合动力电动汽车等储能系统,而电池的性能会随着时间和使用时间的推移而劣化,通常利用以电池容量定义的SOH来描述其健康状态,电池SOH的准确估计有利于电池系统的维护。
如今广泛使用的传统SOH估算方法有以下:电化学模型、电气模型以及基于数据驱动技术的差异分析与机器学习。电化学模型与电气模型皆局限于数据库的大小与先验信息是否充足。而基于数据驱动的差异分析与机器学习等学习方法的有效性,往往基于特定的数据假设,即当其对数据偏好较小时的学习效果比较良好,一旦数据域发生转变时却难以得到保障。
现有研究在对缺乏历史数据的新电池进行性能预测的问题上未能有效解决。然而交叉场景下电池类型、操作形态等环境的不一致会导致电池数据分布不一致,当训练数据与被预测数据分布差异较大时,传统数据驱动方法难以保障模型的可靠性。因此利用辅助电池数据对缺乏先验知识的新电池数据进行SOH估计是当下电池健康状态评估技术领域中亟待解决的一部分。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于交叉流形嵌入迁移学习的电池SOH预测方法,利用少量的新电池数据,寻找一种针对辅助电池数据集特征的流形映射,实现源域到目标域的迁移,且消除数据间的分布差异,从而实现对目标新电池的SOH估计。
为实现上述发明目的,本发明一种基于交叉流形嵌入迁移学习的电池SOH预测方法,其特征在于,包括以下步骤:
(1)、提取特征
(1.1)、提取辅助电池S在每一次完整充放电过程中的m维特征向量,以及健康状态SOH,由这些特征向量与SOH构成源域
Figure BDA0003000959710000021
其中,X与Y分别表示特征向量集合与SOH集合,x与y分别表示单次提取的特征向量和健康状态SOH,n表示辅助电池S在整个寿命周期的总循环次数;
(1.2)、提取新电池T在前t次完整充放电过程中的m维特征向量,以及健康状态SOH,由这些特征向量与SOH构成目标域
Figure BDA0003000959710000022
其中,YT∈[a,b],
Figure BDA0003000959710000023
Figure BDA0003000959710000024
(2)、数据预处理
利用matlab中的mapminmax函数分别对Dsource和Dtarget中的特征向量x进行归一化,健康状态y不变,然后再利用matlab中的smooth函数分别进行滤波平滑化处理,处理完成后的源域记为
Figure BDA0003000959710000025
目标域记为
Figure BDA0003000959710000026
(3)、流形映射
(3.1)、将步骤(2)处理后的目标域
Figure BDA0003000959710000027
作为流形映射的锚点集Danchor,即:
Figure BDA0003000959710000028
(3.2)、从源域
Figure BDA0003000959710000029
中选择辅助集Dtrain
从步骤(2)处理后的源域
Figure BDA00030009597100000210
中选取与锚点集Danchor的SOH处于同一区间[a,b]的电池数据作为流形映射的对象,构成辅助集
Figure BDA00030009597100000211
(3.3)、寻找辅助集Dtrain在锚点集Danchor中的K近邻及最优权重,并做特征映射得到理想点集Dideal
(3.3.1)、在辅助集Dtrain任意选取一个辅助集样本(xk,yk),k=1,2,…,n',n'为辅助集Dtrain中辅助集样本的个数,n'<n;
(3.3.2)、计算每一个锚点
Figure BDA0003000959710000031
与辅助集样本(xk,yk)的SOH的绝对值,
Figure BDA0003000959710000032
然后对所有的绝对值进行升序排列,选取绝对值最小的K个锚点作为辅助集样本(xk,yk)在锚点集Danchor中的K近邻,记为
Figure BDA0003000959710000033
(3.3.3)、求解辅助集样本(xk,yk)关于K近邻的最优权重;
记辅助集样本(xk,yk)关于K近邻
Figure BDA0003000959710000034
的权重向量为W=[w1,w2,…,wh,…,wK],wh为辅助集样本(xk,yk)关于第h个近邻点
Figure BDA0003000959710000035
的权重;
基于流形映射的LLE算法,求辅助集样本(xk,yk)关于K近邻的最优权重W,即求解以下优化问题:
Figure BDA0003000959710000036
求解步骤如下:
1)、取辅助集样本(xk,yk)与K近邻
Figure BDA0003000959710000037
的SOH,令:Y=[yk,…,yk]∈R1×K
Figure BDA0003000959710000038
其中,R表示实数域;
构造矩阵S:S=(Y-N)T(Y-N)∈RK×K,此处的上标T表示转置;
2)、计算S的逆矩阵S-1∈RK×K
令S+10-3*trace(S)*eye(K,K)替代S,然后计算逆矩阵S-1;其中,trace(S)为矩阵S的迹,eye(K,K)为K阶单位矩阵;
3)、根据S-1计算最优权重W:
Figure BDA0003000959710000039
其中1K表示K*1维的元素全为1的向量,此处的上标T表示转置;
(3.3.4)、辅助集样本(xk,yk)的特征映射;
利用K近邻
Figure BDA00030009597100000310
及最优权重W将辅助集样本(xk,yk)的特征向量x进行映射,得到
Figure BDA00030009597100000311
从而得到辅助集样本(xk,yk)的特征映射理想点
Figure BDA00030009597100000312
(3.4)、重复步骤(3.3.1)-(3.3.4),将辅助集Dtrain中所有辅助集样本的特征向量x进行映射,得到所有的特征映射理想点;
(3.5)、将所有的特征映射理想点构成理想点集
Figure BDA0003000959710000041
(4)、源域的映射;
(4.1)、通过matlab中的polyfit函数将辅助集映射前后的两个点集Dtrain与Dideal的特征向量x进行多项式拟合,得到模型p;
(4.2)、基于模型p,利用matlab中的polyval函数对源域Dsource的特征向量x进行映射,得到源域映射后的点集D'source
(5)、实时预测新电池T的SOH;
(5.1)、将映射后的源域数据D'source训练最小二乘支持向量机预测模型,使每输入一个特征向量
Figure BDA0003000959710000042
最小二乘支持向量机预测模型对应输出一个SOH值
Figure BDA0003000959710000043
即:
Figure BDA0003000959710000044
(5.2)、实时采集新电池T在第t+1次完整充放电过程中的m维特征向量,然后按照步骤(2)所述方法进行预处理,预处理完成后输入至最小二乘支持向量机预测模型,从而实时输出新电池T在第t+1时刻的SOH值。
本发明的发明目的是这样实现的:
本发明基于交叉流形嵌入迁移学习的电池SOH预测方法,将电池的一次充放电过程所提取的特征与SOH值作为一个循环的样本点,而辅助电池每一次循环提取的源域数据集和新电池前t次循环提取的目标域数据集在特征空间中被视为两个不同的流形。将新电池的目标域数据作为辅助电池的源域数据的锚点集,对于每一个源域样本点,在锚点集中找到关于SOH值的K个近邻点,求解最优权重使得源域样本点能够映射到K个近邻所在的流形,再根据最优权重与K个近邻的特征将源域样本点的特征进行映射。由此将源域数据集嵌入目标域流形中,从而在不丢失特征维度的情况下实现低维数据的特征迁移,由此提高机器学习方法的跨场景泛化性能。
同时,本发明基于交叉流形嵌入迁移学习的电池SOH预测方法还具有以下有益效果:
(1)、数据集的普遍性:本发明旨在提升电池跨域SOH估计效果,在各种电池数据集上皆有效果;
(2)、特征组合的普遍性:本发明算法中对特征的选择依赖性不高,关键在于将源域特征变化曲线拉近至目标域特征变化曲线;
(3)、与传统机器学习算法搭配使用:本发明只利用少量目标域数据将源域进行流形映射,后可与各种传统机器学习模型搭配使用,实现电池SOH的预测。
附图说明
图1是本发明基于交叉流形嵌入迁移学习的电池SOH预测方法流程图;
图2是SOH衰落曲线;
图3是SOH值y与特征向量x呈线性关系曲线;
图4是利用CS2_33电池预测PCoE-B0006电池SOH的效果图;
图5是利用PCoE-B0005电池预测CX2_37电池SOH的效果图;
图6是利用CX2_34电池预测PCoE-B0018电池SOH的效果图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明基于交叉流形嵌入迁移学习的电池SOH预测方法流程图。
在本实施例中,以锂电池为例进行说明,锂电池的一次循环使用分为充电阶段与放电阶段。充电阶段指以恒流充电至充电截止电压,再以该恒压充电至充电截止电流;放电阶段指以恒定放电电流放电至放电电压。将电池的每一次循环可以作为一个样本,其健康状态在整个循环中的变化几乎可以忽略。观察随着循环的进行在不同工作条件下的电池的老化数据变化的规律提取出有效的特征。如图1所示,本发明一种基于交叉流形嵌入迁移学习的电池SOH预测方法,包括以下步骤:
S1、提取特征
S1.1、以马里兰的公开数据集为例,提取编号为CS2_33的电池S的内阻、恒流充电时间、恒压充电时间、容量增量曲线最大值、循环数等特征构成m维特征向量,以及健康状态SOH,由这些特征向量与SOH构成源域
Figure BDA0003000959710000061
其中,X与Y分别表示特征向量集合与SOH集合,x与y分别表示单次提取的特征向量和健康状态SOH,n表示辅助电池S在整个寿命周期的总循环次数;
S1.2、以NASA的公开数据集为例,提取编号为PCoE-B0006的电池T的内阻、恒流充电时间、恒压充电时间、容量增量曲线最大值、循环数等特征构成m维特征向量,以及健康状态SOH,由这些特征向量与SOH构成目标域
Figure BDA0003000959710000062
其中,YT∈[a,b],
Figure BDA0003000959710000063
Figure BDA0003000959710000064
本实施例中,m=5,n=673,t=62,a=0.7664,b=1;实际上,本发明在在特征选取上并没有很高的依赖性,也可以选取其他的特征组合,同样有良好的表现。本实施例是利用源域CS2_33电池数据来预测目标域PCoE-B0006的SOH,也可以选取其他组合。实施例特地选取来自两种不同类型的电池数据,且两电池在充放电过程中的各种设置也不完全一样。通常在这种数据分布存在较大差异的情况下,通过传统的机器学习模型处理跨域SOH预测时会出现过拟合问题,然而搭配本发明的算法时,可以提升机器学习模型的泛化性能。
S2、数据预处理
利用matlab中的mapminmax函数分别对Dsource和Dtarget中的特征向量x进行归一化,健康状态y不变,然后再利用matlab中的smooth函数分别进行滤波平滑化处理,处理完成后的源域记为
Figure BDA0003000959710000065
目标域记为
Figure BDA0003000959710000066
如图2所示,在本实施例中,SOH衰落曲线中两域特征变化曲线是不一致的,以循环次数为例:在cycle=625时,源域CX2_36对应SOH=0.8,而目标域CS2_36对应SOH=0.71,从而,通过传统数据驱动方法在源域训练出的模型,预测目标域时的结果更倾向于0.8而不是0.71。因此当两域数据差异较大时,传统数据驱动方法的泛化性能不佳。利用流形映射的思想,基于特征的迁移就是将源域特征变化曲线映射至目标域特征变化曲线,由此消除两数据集的数据分布差异,改善跨场景泛化效果。
S3、流形映射
随着电池老化、SOH逐渐衰落,两域特征的变化曲线是不一致的。利用少量目标域数据作为源域映射的锚点,将源域特征变化曲线映射到目标域特征变化曲线。假设映射前后对应的SOH不变,需要找到源域各样本在映射后所处的位置。下面我们对流形映射的具体过程进行描述,具体如下:
S3.1、将步骤S2处理后的目标域
Figure BDA0003000959710000071
作为流形映射的锚点集Danchor,即:
Figure BDA0003000959710000072
S3.2、从源域
Figure BDA0003000959710000073
中选择辅助集Dtrain
从步骤S2处理后的源域
Figure BDA0003000959710000074
中选取与锚点集Danchor的SOH处于同一区间[a,b]的电池数据作为流形映射的对象,构成辅助集
Figure BDA0003000959710000075
S3.3、寻找辅助集Dtrain在锚点集Danchor中的K近邻及最优权重,并做特征映射得到理想点集Dideal
S3.3.1、在辅助集Dtrain任意选取一个辅助集样本(xk,yk),k=1,2,…,n',n'为辅助集Dtrain中辅助集样本的个数,n'<n;
S3.3.2、计算每一个锚点
Figure BDA0003000959710000076
与辅助集样本(xk,yk)的SOH的绝对值,
Figure BDA0003000959710000077
然后对所有的绝对值进行升序排列,选取绝对值最小的K个锚点作为辅助集样本(xk,yk)在锚点集Danchor中的K=3近邻,记为
Figure BDA0003000959710000078
S3.3.3、求解辅助集样本(xk,yk)关于K近邻的最优权重;
记辅助集样本(xk,yk)关于K近邻
Figure BDA0003000959710000079
的权重向量为W=[w1,w2,…,wh,…,wK],wh为辅助集样本(xk,yk)关于第h个近邻点
Figure BDA00030009597100000710
的权重;
基于流形映射的LLE算法,求辅助集样本(xk,yk)关于K近邻的最优权重W,即求解以下优化问题:
Figure BDA0003000959710000081
求解步骤如下:
1)、取辅助集样本(xk,yk)与K近邻
Figure BDA0003000959710000082
的SOH,令:Y=[yk,…,yk]∈R1×K
Figure BDA0003000959710000083
其中,R表示实数域;
构造矩阵S:S=(Y-N)T(Y-N)∈RK×K,此处的上标T表示转置;
2)、计算S的逆矩阵S-1∈RK×K
令S+10-3*trace(S)*eye(K,K)替代S,然后计算逆矩阵S-1;其中,trace(S)为矩阵S的迹,eye(K,K)为K阶单位矩阵;
3)、根据S-1计算最优权重W:
Figure BDA0003000959710000084
其中1K表示K*1维的元素全为1的向量,此处的上标T表示转置;
S3.3.4、辅助集样本(xk,yk)的特征映射;
利用K近邻
Figure BDA0003000959710000085
及最优权重W将辅助集样本(xk,yk)的特征向量x进行映射,得到
Figure BDA0003000959710000086
从而得到辅助集样本(xk,yk)的特征映射理想点
Figure BDA0003000959710000087
S3.4、重复步骤S3.3.1-S3.3.4,将辅助集Dtrain中所有辅助集样本的特征向量x进行映射,得到所有的特征映射理想点;
S3.5、将所有的特征映射理想点构成理想点集
Figure BDA0003000959710000088
如图3所示,对于辅助集样本(x,y),由于流形的局部线性性,SOH值y与特征向量x呈线性关系。假设映射前后SOH不变,在辅助集样本成功映射到目标域锚点集所在的流形(斜线)上时,y的位置可以表示为K个近邻点的线性组合
Figure BDA0003000959710000089
且辅助集样本(x,y)的特征映射理想点(x*,y)也呈线性关系y=αx*+β,α,β为常数。利用K近邻
Figure BDA00030009597100000810
及最优权重W可将辅助集样本的特征x进行映射,得到
Figure BDA0003000959710000091
S4、源域的映射;
S4.1、通过matlab中的polyfit函数将辅助集映射前后的两个点集Dtrain与Dideal的特征向量x进行多项式拟合,得到模型p;
S4.2、基于模型p,利用matlab中的polyval函数对源域Dsource的特征向量x进行映射,得到源域映射后的点集D'source
在本实施例中,虽然电池特征关于SOH的变化曲线不一致,但是变化趋势是一致的,因此为将源域特征变化曲线拉近目标域,对多项式拟合的要求并不高,因此选取较低的多项式次数即可。本实施例选用多项式次数为2。
S5、实时预测新电池T的SOH;
S5.1、将映射后的源域数据D'source训练最小二乘支持向量机预测模型,使每输入一个特征向量
Figure BDA0003000959710000092
最小二乘支持向量机预测模型对应输出一个SOH值
Figure BDA0003000959710000093
即:
Figure BDA0003000959710000094
S5.2、实时采集新电池T在第t+1次完整充放电过程中的m维特征向量,然后按照步骤S2所述方法进行预处理,预处理完成后输入至最小二乘支持向量机预测模型,从而实时输出新电池T在第t+1时刻的SOH值。
如图4是本实施例由流形映射前后CS2_33电池数据来预测PCoE-B0006电池SOH的效果图,CS2_33电池数据作为步骤S1的Dsource,PCoE-B0006电池数据作为步骤S1的Dtarget,特征组合为:内阻、恒流充电时间、恒压充电时间、容量增量曲线最大值、循环数五种特征。利用经过步骤S2的
Figure BDA0003000959710000095
与步骤S4的D′source分别在步骤S5中训练机器学习模型GPR,并对新电池PCoE-B0006的SOH进行实时预测。
其中实线指新电池PCoE-B0006第63次循环以后的真实SOH衰落曲线;短折线的GPRpre曲线是指直接利用经过预处理步骤S2后的CS2_33电池数据在步骤S5中训练传统机器学习模型GPR,并对新电池PCoE-B0006的SOH进行实时预测;短点线的LLEGPRpre曲线是指利用经过本发明完整步骤S4的CS2_33电池数据在步骤S5中训练传统机器学习模型GPR,并对新电池PCoE-B0006的SOH进行实时预测。
图4显示,传统机器学习模型GPR下,基于本发明对新电池PCoE-B0006的SOH进行实时预测的短点线LLEGPRpre,相比直接利用传统机器学习模型GPR进行SOH预测的短折线GPRpre更加接近代表SOH真实值的实线,虽然仍有一定误差,但预测效果得到提升。
同时,为体现本发明对特征组合、数据集、机器学习模型的普适性,将介绍其他两个实施例。
如图5是其他实施例由流形映射前后PCoE-B0005电池数据来预测CX2_37电池SOH的效果图,PCoE-B0005电池数据作为步骤S1的Dsource,CX2_37电池数据作为步骤S1的Dtarget,所使用特征组合更换为:恒流充电时间、恒压充电时间、容量增量曲线最大值、循环数四种特征。利用经过步骤S2的
Figure BDA0003000959710000101
与步骤S4的D′source分别在步骤S5中训练机器学习模型ANN,并对新电池CX2_37的SOH进行实时预测。
图5显示,传统机器学习模型ANN下,直接利用传统机器学习模型ANN对新电池CX2_37进行SOH预测的短折线ANNpre,普遍高于实线SOH一段距离且较平稳,即预测的SOH值衰落很慢且高于真实SOH值,与实际不符;而基于本发明对新电池CX2_37的SOH进行实时预测的短点线LLEANNpre,在循环数为300至700之间时很接近代表SOH真实值的实线,虽然循环数为700以后的SOH预测仍有一定误差,但预测效果已经得到提升。
图6是其他实施例由流形映射前后CX2_34电池数据来预测PCoE-B0018电池SOH的效果图,CX2_34电池数据作为步骤S1的Dsource,PCoE-B0018电池数据作为步骤S1的Dtarget,所使用特征组合更换为:内阻、恒流充电时间、恒压充电时间、容量增量曲线最大值四种特征,同时,此次实施例特别地选用了新电池随机25次循环的数据作为步骤S1.2的目标域即步骤S3.1的锚点集。利用经过步骤S2的
Figure BDA0003000959710000102
与步骤S4的D′source分别在步骤S5中训练机器学习模型最小二乘支持向量机(LSSVM),并对新电池PCoE-B0018的SOH进行实时预测。
图6显示,传统机器学习模型最小二乘支持向量机(LSSVM)下,基于本发明对新电池PCoE-B0018的SOH进行实时预测的短点线,相比直接利用传统机器学习模型LSSVM进行SOH预测的短折线,已经十分接近代表SOH真实值的实线,较前两实施例效果更佳。实际上,关键在于锚点集是随机选取的,更能代表新电池数据,所以流形映射后的辅助电池数据会更加接近新电池数据,效果也会比选取前25次循环的锚点集有显著提升。
如以上实施例所展示的,在不同特征组合、数据集的选取下,本发明算法都有效消除了两数据集的数据分布差异,提升了跨域电池SOH估计性能,改善了多种机器学习模型的跨场景泛化效果。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种基于交叉流形嵌入迁移学习的电池SOH预测方法,其特征在于,包括以下步骤:
(1)、提取特征
(1.1)、提取辅助电池S在每一次完整充放电过程中的m维特征向量,以及健康状态SOH,由这些特征向量与SOH构成源域
Figure FDA0003000959700000011
其中,X与Y分别表示特征向量集合与SOH集合,x与y分别表示单次提取的特征向量和健康状态SOH,n表示辅助电池S在整个寿命周期的总循环次数;
(1.2)、提取新电池T在前t次完整充放电过程中的m维特征向量,以及健康状态SOH,由这些特征向量与SOH构成目标域
Figure FDA0003000959700000012
其中,YT∈[a,b],
Figure FDA0003000959700000013
Figure FDA0003000959700000014
(2)、数据预处理
利用matlab中的mapminmax函数分别对Dsource和Dtarget中的特征向量x进行归一化,健康状态y不变,然后再利用matlab中的smooth函数分别进行滤波平滑化处理,处理完成后的源域记为
Figure FDA0003000959700000015
目标域记为
Figure FDA0003000959700000016
(3)、流形映射
(3.1)、将将步骤(2)处理后的目标域
Figure FDA0003000959700000017
作为流形映射的锚点集Danchor,即:
Figure FDA0003000959700000018
(3.2)、从源域
Figure FDA0003000959700000019
中选择辅助集Dtrain
从步骤(2)处理后的源域
Figure FDA00030009597000000110
中选取与锚点集Danchor的SOH处于同一区间[a,b]的电池数据作为流形映射的对象,构成辅助集
Figure FDA00030009597000000111
(3.3)、寻找辅助集Dtrain在锚点集Danchor中的K近邻及最优权重,并做特征映射得到理想点集Dideal
(3.3.1)、在辅助集Dtrain任意选取一个辅助集样本(xk,yk),k=1,2,…,n',n'为辅助集Dtrain中辅助集样本的个数,n'<n;
(3.3.2)、计算每一个锚点
Figure FDA0003000959700000021
与辅助集样本(xk,yk)的SOH的绝对值,
Figure FDA0003000959700000022
然后对所有的绝对值进行升序排列,选取绝对值最小的K个锚点作为辅助集样本(xk,yk)在锚点集Danchor中的K近邻,记为
Figure FDA0003000959700000023
(3.3.3)、求解辅助集样本(xk,yk)关于K近邻的最优权重;
记辅助集样本(xk,yk)关于K近邻
Figure FDA0003000959700000024
的权重向量为W=[w1,w2,…,wh,…,wK],wh为辅助集样本(xk,yk)关于第h个近邻点
Figure FDA0003000959700000025
的权重;
基于流形映射的LLE算法,求辅助集样本(xk,yk)关于K近邻的最优权重W,即求解以下优化问题:
Figure FDA0003000959700000026
求解步骤如下:
1)、取辅助集样本(xk,yk)与K近邻
Figure FDA0003000959700000027
的SOH,令:Y=[yk,…,yk]∈R1×K
Figure FDA0003000959700000028
其中,R表示实数域;
构造矩阵S:S=(Y-N)T(Y-N)∈RK×K,此处的上标T表示转置;
2)、计算S的逆矩阵S-1∈RK×K
令S+10-3*trace(S)*eye(K,K)替代S,然后计算逆矩阵S-1;其中,trace(S)为矩阵S的迹,eye(K,K)为K阶单位矩阵;
3)、根据S-1计算最优权重W:
Figure FDA0003000959700000029
其中1K表示K*1维的元素全为1的向量,此处的上标T表示转置;
(3.3.4)、辅助集样本(xk,yk)的特征映射;
利用K近邻
Figure FDA00030009597000000210
及最优权重W将辅助集样本(xk,yk)的特征向量x进行映射,得到
Figure FDA00030009597000000211
从而得到辅助集样本(xk,yk)的特征映射理想点
Figure FDA0003000959700000031
(3.4)、重复步骤(3.3.1)-(3.3.4),将辅助集Dtrain中所有辅助集样本的特征向量x进行映射,得到所有的特征映射理想点;
(3.5)、将所有的特征映射理想点构成理想点集
Figure FDA0003000959700000032
(4)、源域的映射;
(4.1)、通过matlab中的polyfit函数将辅助集映射前后的两个点集Dtrain与Dideal的特征向量x进行多项式拟合,得到模型p;
(4.2)、基于模型p,利用matlab中的polyval函数对源域Dsource的特征向量x进行映射,得到源域映射后的点集D'source
(5)、实时预测新电池T的SOH;
(5.1)、将映射后的源域数据D'source训练最小二乘支持向量机预测模型,使每输入一个特征向量
Figure FDA0003000959700000033
最小二乘支持向量机预测模型对应输出一个SOH值
Figure FDA0003000959700000034
即:
Figure FDA0003000959700000035
(5.2)、实时采集新电池T在第t+1次完整充放电过程中的m维特征向量,然后按照步骤(2)所述方法进行预处理,预处理完成后输入至最小二乘支持向量机预测模型,从而实时输出新电池T在第t+1时刻的SOH值。
CN202110346401.2A 2021-03-31 2021-03-31 一种基于交叉流形嵌入迁移学习的电池soh预测方法 Active CN113094985B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110346401.2A CN113094985B (zh) 2021-03-31 2021-03-31 一种基于交叉流形嵌入迁移学习的电池soh预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110346401.2A CN113094985B (zh) 2021-03-31 2021-03-31 一种基于交叉流形嵌入迁移学习的电池soh预测方法

Publications (2)

Publication Number Publication Date
CN113094985A CN113094985A (zh) 2021-07-09
CN113094985B true CN113094985B (zh) 2022-06-14

Family

ID=76671515

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110346401.2A Active CN113094985B (zh) 2021-03-31 2021-03-31 一种基于交叉流形嵌入迁移学习的电池soh预测方法

Country Status (1)

Country Link
CN (1) CN113094985B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113536676B (zh) * 2021-07-15 2022-09-27 重庆邮电大学 基于特征迁移学习的锂电池健康状况监测方法
CN114859231B (zh) * 2022-04-27 2023-06-09 电子科技大学 基于维纳过程和极限学习机的电池剩余寿命预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020009652A1 (en) * 2018-07-06 2020-01-09 Telefonaktiebolaget Lm Ericsson (Publ) Methods and systems for dynamic service performance prediction using transfer learning
CN111985156A (zh) * 2020-08-19 2020-11-24 电子科技大学 一种预测电池健康状态的方法
CN112241608A (zh) * 2020-10-13 2021-01-19 国网湖北省电力有限公司电力科学研究院 一种基于lstm网络和迁移学习的锂电池寿命预测方法
CN112380773A (zh) * 2020-11-19 2021-02-19 华中科技大学鄂州工业技术研究院 一种基于迁移学习的燃料电池退化预测方法、装置、设备
CN112540298A (zh) * 2020-12-26 2021-03-23 福州大学 一种基于深度-迁移学习的锂离子电池soc估计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020009652A1 (en) * 2018-07-06 2020-01-09 Telefonaktiebolaget Lm Ericsson (Publ) Methods and systems for dynamic service performance prediction using transfer learning
CN111985156A (zh) * 2020-08-19 2020-11-24 电子科技大学 一种预测电池健康状态的方法
CN112241608A (zh) * 2020-10-13 2021-01-19 国网湖北省电力有限公司电力科学研究院 一种基于lstm网络和迁移学习的锂电池寿命预测方法
CN112380773A (zh) * 2020-11-19 2021-02-19 华中科技大学鄂州工业技术研究院 一种基于迁移学习的燃料电池退化预测方法、装置、设备
CN112540298A (zh) * 2020-12-26 2021-03-23 福州大学 一种基于深度-迁移学习的锂离子电池soc估计方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
shengshen等.deep convolutional neural networks with ensemble learning and transfer learning for capacity estimation of lithium-ion batteries.《Applied Energy》.2019,第260卷 *
叶林海.小样本条件下的锂电池健康状态估计研究.《中国优秀硕士学位论文全文数据库 工程科技II辑》.2020,(第7期), *
洪晟等.基于迁移学习方法的安全运行状态评估综述.《航空工程进展》.2020,(第04期),15-21页. *
王一全等.基于LSTM-DaNN的动力电池SOC估算方法.《储能科学与技术》.2020,(第06期),383-389页. *

Also Published As

Publication number Publication date
CN113094985A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN111007399B (zh) 基于改进生成对抗网络的锂电池荷电状态预测方法
CN113094985B (zh) 一种基于交叉流形嵌入迁移学习的电池soh预测方法
CN113740736B (zh) 一种基于深度网络自适应的电动汽车锂电池soh估算方法
CN111985156B (zh) 一种预测电池健康状态的方法
CN115632179B (zh) 一种锂离子电池智能快速充电方法及系统
CN111505502A (zh) 基于微观机理的时变循环工况下锂离子电池老化试验方法
CN110146822A (zh) 一种基于恒流充电过程的车用动力电池容量在线估计方法
CN111581904A (zh) 考虑循环次数影响的锂电池soc及soh协同估算方法
CN114970332B (zh) 基于混沌量子麻雀搜索算法的锂电池模型参数辨识方法
CN112345939B (zh) 基于连续脉冲响应的锂离子电池模型参数辨识方法
CN113189490B (zh) 基于特征筛选和高斯过程回归的锂电池健康状态估计方法
CN114942392B (zh) 基于电化学老化机理和数据驱动的储能锂电池soh估算方法
CN115201686B (zh) 一种不完备充放电数据下的锂离子电池健康状态评估方法
CN113011012B (zh) 一种基于Box-Cox变化的储能电池剩余寿命预测方法
CN114970376A (zh) 锂电池的健康度和剩余寿命预测模型的构建方法及装置
CN116643196A (zh) 一种融合机理与数据驱动模型的电池健康状态估计方法
CN116973756A (zh) 用于估计电池的健康状态的方法及设备以及计算机程序
CN116298936A (zh) 在不完全电压范围内的锂离子电池智能健康状态预测方法
Bak et al. Accurate estimation of battery SOH and RUL based on a progressive lstm with a time compensated entropy index
Schmitt et al. Effective estimation of battery state-of-health by virtual experiments via transfer-and meta-learning
Zhou et al. Data-driven battery state-of-health estimation and prediction using IC based features and coupled model
CN113466710A (zh) 含新能源受端电网中储能电池的soc与soh协同估算方法
CN114895206B (zh) 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法
CN117074951A (zh) 锂电池荷电状态的估计方法、装置、设备及可读存储介质
CN116224085A (zh) 一种基于数据驱动的锂电池健康状态评估方法

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