CN113109715B - 基于特征选择和支持向量回归的电池健康状况预测方法 - Google Patents

Abstract

本发明涉及一种基于特征选择和支持向量回归算法的电池健康状况预测方法，首先对电池生命周期充电过程中的电压、电流和温度曲线进行特征提取，再通过特征选择，筛选出可用于SOH预测的特征样本集，以支持向量回归算法求得各特征和SOH之间的回归关系并以相关性为基准进行加权平均，即可代入待测数据进行SOH预测。本发明充分发挥了特征提取和特征选择的优势，仅选用数据中可用度高的特征信息作为估计的参考标准，相较于传统方法，在保证预测精度的同时大大降低了计算量和训练复杂度，更加适用于实时系统。

Description

基于特征选择和支持向量回归的电池健康状况预测方法

技术领域

本发明涉及一种电池健康状况预测方法，属于车载电池健康监测领域和机器学习领域。

背景技术

近年来，随着电动汽车的迅速发展和普及，车载动力电池的健康状况监测正在成为一个越来越热门的研究方向，通过分析和研究电池的健康状况和老化程度，推算电池剩余使用寿命，对提升电池安全性有着重要的意义。动力电池的健康状态SOH(State ofHealth)表征电池在使用过程中老化和衰退的程度，是使用者制定使用标准和推算剩余使用寿命的重要参考依据。目前使用最为广泛的定义是基于电池最大可用容量，即通过电池在使用过程中的容量衰减来表现电池的老化程度。

由于电池的容量信息在使用过程中难以测算，故现有的SOH测算方法一般是通过研究分析充电过程中电压、电流以及温度数据和容量衰减之间的相关性，对SOH进行估计，常用的方法包括等效模型法和神经网络法。而这类方法用于训练的数据集都十分巨大，难以用于实时系统。

特征选择(feature selection)是机器学习中通过选择最有效特征以降低数据集维度的一种数据预处理方法，它可以将数据集中不相关或者相关性较小的特征去除，从而降低学习任务的难度，提升算法的性能。在特征选择中，将相关性作为评价标准，用以评估数据的重要程度，常用的方法有过滤法(Filter)和包裹法(Wrapper)。

支持向量回归(SVR)是一种机器学习回归算法，由支持向量机(SVM)推广得到。在支持向量机中，原样本空间通过非线性映射转化为一个高维的空间，从而使得原本线性不可分的问题在该空间中线性可分。类似地，将分类问题中的分类边界当作是回归曲线，支持向量机同样可以解决回归问题，SVR算法和一般的线性回归算法的区别在于，SVR采用了非线性核函数，并非当样本点落在曲线之外就要计算损失，而是允许一定的误差范围存在，故SVR算法在处理回归问题时能更有效地体现样本之间的相关性。

发明内容

本发明的目的是：提供一种可以有效提取车载电池数据中的可用样本，对电池健康状况进行预测的方法。

为了达到上述目的，本发明的技术方案是提供了一种基于特征选择和支持向量回归算法的电池健康状况预测方法，其特征在于，包括以下步骤：

步骤一、从电池管理系统中采集a个电池组的离线数据，组成总训练数据集T_r＝{T_r1，T_r2，......，T_ra}，式中，总训练数据集T_r中的第i个数据集T_ri＝{V，I，T，s^T}，V、I、T、s分别为第i个电池组在生命周期内N次充电时的电压序列集合、电流序列集合、温度序列集合、每次充电后记录的最大可用容量序列集合；步骤二、对每个电池组的数据集进行特征提取，从电压、电流和温度序列中测算提取出和电池容量相关性较高的J个特征，将每个电池组提取出的特征序列组成特征序列集合，得到a个特征序列集合X₁，X₂，....，X_a，其中，将第i个电池组提取出的特征序列组成的特征序列集合定义为X_i＝{x_i1，x_i2，......，x_iJ}，i＝1，2，......，a，x_i1、x_i2、......、x_iJ分别对应于属于第i个特征序列集合X_i的J个特征的特征向量；

步骤三、对步骤二得到的每个特征序列集合进行特征选择，根据Filter法，首先去除变化量最小的特征向量，然后计算剩余各特征向量与最大可用容量序列集合s之间的皮尔森系数，皮尔森系数越大表示该特征向量与容量之间有着更好的相关性，根据特征选择的要求，选择相关性最好的K个特征序列作为回归模型训练的样本集{X′₁，X′₂，......，X′_a}；

步骤四、设通过特征选择筛选的样本集为{X′₁，X′₂，......，X′_a}，将样本集{X′₁，X′₂，......，X′_a}中的第i个样本定义为X′_i，X′_i＝{x′_i1，x′_i2，......，x_iK′}，x_iK′表示第i个特征序列集合X_i经过步骤三筛选后的第K个特征向量，其维度为N，由此共获得了a×K个特征向量；

步骤五、获得样本集{X′₁，X′₂，......，X′_a}中所有样本的每个特征向量组成的特征子集与最大可用容量序列集合s之间的回归关系，其中，将样本集{X′₁，X′₂，......，X′_a}中所有样本的第k个特征向量组成的特征子集x_k与最大可用容量序列集合s之间的回归关系定义为f_k(xk)，则f_k(x_k)通过以下步骤获得：

步骤501、设样本集{X′₁，X′₂，......，X′_a}中所有样本的第k个特征向量组成的特征子集

根据SVR算法，特征子集x_k与最大可用容量序列集合s存在回归关系：

上式中，ω、b表示待优化参数，

表示SVR算法中的非线性核函数，即可得到以下优化问题：

subject to f_k(x_k)-s_i≤ε+ξ_i

ξ_i≥0，i＝1，2，3，...，3×170

式中，ε＝ω·x_k+b为算法设定在回归超平面周围的误差带；ξ_i＝max(0，1-f(ω^Tx_i+b))为松弛变量，用于计算落在误差带以外样本点至边界的距离，当样本点与超平面距离超过ε的范围则计入误差，否则不计误差；C为惩罚因数，表示优化方向中两个指标偏好的权重；

表示计算超平面另一侧的误差的松弛变量；

而误差带间隔为2/||ω||，优化目标即为最大化误差带间隔，即最小化ω让尽量多的样本点落在该区域；

使用拉格朗日乘子将约束条件融合进损失函数，并求解即可得到特征子集x_k与最大可用容量序列集合s的回归关系s＝f_k(x_k)；

步骤五、当K个特征子集全部完成上述步骤，可获得K个回归关系f₁(x₁)，f₂(x₂)，......，f_k(x_k)，按照各特征的皮尔森系数将其加权平均，即得到SOH估计的公式：

式中，α_k为加权因子，皮尔森系数越高，加权因子越大；

步骤六、对待测电池进行在线参数采集，具体方法为：以恒流充电模式为基准，记录电池在单次充电至截至容量的过程中的电压、电流和温度曲线，将采集所得的电压数据记作序列v′＝[v₁，v₂，v₃，......，v_s]，所得的电流数据记作序列i′＝[i₁，i₂，i₃，......，i_s]，所得的温度数据记作序列t′＝[t₁，t₂，t₃，......，t_s]，其中，s为各曲线中包含数据的个数；

步骤七、对步骤六中在线采集所获得的序列进行特征提取，但并不要求提取如步骤二中的所有特征，仅需提取经步骤三特征选择后所筛选的K个特征，记作n′＝[n₁，n₂，......，n_k]；

步骤八、将在线采集并经过特征提取的特征序列n′＝[n₁，n₂，......，n_k]代入步骤五得到的SOH估计公式，即可得到待测电池的SOH，其公式为：

式中，s′即为待测电池的SOH。

优选地，步骤一中，V＝{v₁，v₂，......，v_k，......，v_N}，v_k包含a个电池组中第i个电池组第k次完整充电操作的电压数据；

I＝{i₁，i₂，......，i_k，......，i_N}，i_k包含a个电池组中第i个电池组第k次完整充电操作的电流数据；

T＝{t₁，t₂，......，t_k，......，t_N}，t_k包含a个电池组中第i个电池组第k次完整充电操作的温度数据；

s＝{s₁，s₂，......，s_k，......，s_N}，s_k包含a个电池组中第i个电池组第k次完整充电对应的放电过程后记录的电池容量。

优选地，步骤二中，所述J个特征包括：

通过所述总训练数据集T_r中的电压序列集合V各自计算出的截止电压点COP、达到截止电压的时间TRCV、相同时间内的电压升幅VVET、电压曲线斜率SV、充电初始电压IV；通过所述总训练数据集T_r中的电流序列集合I和温度序列集合T计算得到的达到截至电流的时间TRCI、相同电流降幅所用时间TECD、恒流充电持续时间TCCC、峰值温度的时间TRPT、峰值温度PT。

优选地，步骤三中，所述皮尔森系数Pearson的计算公式为：

式中，x_it、y_it分别表示所要计算的特征向量及最大可用容量序列集合s中的最大可用容量序列中的一个元素；

分别表示所要计算的特征向量及最大可用容量序列集合s中的最大可用容量序列的均值。

本发明提供的方法能从电池管理系统的充电数据中提取若干个相关特征，并利用特征选择筛选出和电池健康状况相关性高的特征，通过SVR算法获取所选特征和SOH之间的回归关系，实现了对容量信息未知的电池样本的健康状况预测。该方法充分发挥了特征提取和特征选择的优势，仅选用数据中可用度高的特征信息作为估计的参考标准，相较于传统方法，在保证预测精度的同时大大降低了计算量和训练复杂度，更加适用于实时系统。

附图说明

图1为本发明的电池SOH预测流程图；

图2为参数提取和参数选择流程图；

图3为SVR算法求解流程图；

图4、图5、图6为部分特征向量与SOH的拟合回归效果；

图7为该发明应用于实例电池数据库上的预测效果。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

如图1所示，本发明公开的一种基于特征选择和支持向量回归算法的电池健康状况预测方法，首先对电池生命周期充电过程中的电压、电流和温度曲线进行特征提取，再通过特征选择，筛选出可用于SOH预测的特征样本集，以支持向量回归算法求得各特征和SOH之间的回归关系并以相关性为基准进行加权平均，即可代入待测数据进行SOH预测。

本发明具体步骤和过程方法如下：

步骤一：在本实施例中，从电池管理系统中读取的离线数据包括3个电池在生命周期充电过程中的数据，记作训练数据集T_r＝{T_r1，T_r2，T_r3}，共有3个数据集，其中第i(i＝1，2，3)个数据集T_ri＝{V，I，T，s^T}包括电池在生命周期内170次充电时的：电压序列集合V＝{v₁，v₂，......，v₁₇₀}、电流序列集合I＝{i₁，i₂，......，i₁₇₀}、温度序列集合T＝{t₁，t₂，......，t₁₇₀}、每次充电后记录的最大可用容量序列集合s＝{s₁，s₂，......，s₁₇₀}。

步骤二：对训练数据集T_r进行初步特征提取：对于训练数据集T_r中的3×170个电压序列v、电流序列i和温度序列t，计算以下特征参数：截止电压点COP、达到截止电压的时间TRCV、相同时间内的电压升幅VVET、电压曲线斜率SV、充电初始电压IV、达到截至电流的时间TRCI、相同电流降幅所用时间TECD、恒流充电持续时间TCCC、峰值温度的时间TRPT、峰值温度PT，并组成包含上述特征向量的3个特征集合X₁、X₂、X₃，其中，X_i＝{x_i1，x_i2，......，x_i10}，i＝1，2，3，x_i1、x_i2、......、x_i10分别对应于属于第i特征集合X_i的上述10个特征参数的特征向量。

步骤三：如图2所示，对所有特征集合X₁、X₂、X₃中的特征向量进行特征选择，首先去除变化量最小的特征，然后计算剩余各特征序列与容量序列之间的皮尔森系数，并选择皮尔森系数最高的几个特征向量。在本实施例中，经计算筛选，保留达到截止电压的时间TRCV、达到截至电流的时间TRCI和峰值温度的时间TRPT对应的三类特征向量，故可组成样本集{X′₁，X′₂，X′₃}，其中，X′_i＝{x_i1′，x_i2′，x_i3′}，x_i1′、x_i2′、x_i3′分别为属于样本X′_i的达到截止电压的时间TRCV、达到截至电流的时间TRCl和峰值温度的时间TRPT对应的三类特征向量。

步骤四、将所有样本集{X′₁，X′₂，X′₃}的第k个特征向量组成一个样本子集

这里的样本子集已被转化为单维向量的形式，通过SVR算法求得各样本子集与容量序列集合s的回归关系。以达到截止电压的时间TRCV对应的特征向量组成的样本子集为例，该样本子集设为x₁，设样本子集x₁与容量序列集合s存在回归关系：

上式中，ω、b表示待优化参数，

表示SVR算法中的非线性核函数。根据SVR算法，求解优化问题：

subject to f(x₁)-s_i≤ε+ξ_i

ξ_i≥0，i＝1，2，3，...，3×170

式中，ε＝ω·x_k+b为算法设定在回归超平面周围的误差带；ξ_i＝max(0，1-f(ω^Tx_i+b))为松弛变量，用于计算落在误差带以外样本点至边界的距离，当样本点与超平面距离超过ε的范围则计入误差，否则不计误差；C为惩罚因数，表示优化方向中两个指标偏好的权重；

表示计算超平面另一侧的误差的松弛变量。

根据如图3的求解过程，即可获得样本子集x₁与容量序列集合s的回归关系s＝f(x₁)，将该回归关系设为f₁(x₁)。同样地，可以获得样本子集x₂与容量序列集合s的回归关系f₂(x₂)、样本子集x₃与容量序列集合s的回归关系f₃(x₃)。

步骤五：对于步骤四得到的3个回归关系f₁(x₁)、f₂(x₂)、f₃(x₃)，按照各特征的皮尔森系数将其加权平均，即得到SOH估计的公式：

式中，α₁、α₂、α₃表示为加权因子。

步骤六：对待测电池进行在线参数采集，具体方法为：以恒流充电模式为基准，记录电池在单次充电至截至容量的过程中的电压、电流和温度曲线，将采集所得的电压数据记作序列v′＝[v₁，v₂，v₃，......，v_s]，所得的电流数据记作序列i′＝[i₁，i₂，i₃，......，i_s]，所得的温度数据记作序列t′＝[t₁，t₂，t₃，......，t_s]，其中，s为各曲线中包含数据的个数。在本实施例中，待测电池与训练集所用电池充电模式均为：从空容量开始1.5A恒流充电，到达截止电压4.2V后，转变为恒压充电直到端电流降至20mA。

步骤七：对步骤五中在线采集所获得的序列进行特征提取，但并不要求提取如步骤二中的所有特征，仅需提取经特征选择后所筛选的特征，即达到截止电压的时间TRCV、达到截至电流的时间TRCl、峰值温度的时间TRPT三个特征，记作特征序列n′＝[n₁，n₂，n₃]。

步骤八：将在线采集并经过特征提取的特征序列n′代入SOH估计公式，即可得到待测电池的SOH，其公式为：

s′＝α₁f₁(n₁)+α₂f₂(n₂)+α₃f₃(n₃)

式中，s′为得到的待测电池的SOH。

图4至图6为本实施例中经过筛选而保留的三个特征向量与SOH之间的拟合效果，灰度较深的散点为样本集中的数据点，灰度较浅的散点为通过拟合关系估计得到的预测点，可以看出各特征与SOH间都有较好的相关性，且拟合算法的性能并没有受到离群点影响。尽管由于训练集数据会受到工作环境的影响较为分散，但SVR算法充分发挥了核函数的优势，有效的验证了各特征与电池容量信息之间的隐含关系。

图7为实施例待测集中的预测结果，图中real对应的线型表示电池真实的SOH，multi-feature对应的线型及Single feature对应的线型分别表示使用了三个特征向量和一个特征向量所得到的预测结果，可以发现本发明所述的算法可以有效从电池充电数据中提取特征并对容量信息进行预测，并对不同工作环境和使用标准的数据集有着较好的适应性。且不难发现当特征向量的数量增加，算法可以更有效的提取数据之间的隐含关系，预测结果也会更准确。

Claims (4)

1.一种基于特征选择和支持向量回归的电池健康状况预测方法，其特征在于，包括以下步骤：

步骤一、从电池管理系统中采集a个电池组的离线数据，组成总训练数据集T_r＝{T_r1，T_r2，......，T_ra}，式中，总训练数据集T_r中的第i个数据集T_ri＝{V，I，T，s^T}，V、I、T、s分别为第i个电池组在生命周期内N次充电时的电压序列集合、电流序列集合、温度序列集合、每次充电后记录的最大可用容量序列集合；

步骤二、对每个电池组的数据集进行特征提取，从电压、电流和温度序列中测算提取出和电池容量相关性较高的J个特征，将每个电池组提取出的特征序列组成特征序列集合，得到a个特征序列集合X₁，X₂，......，X_a，其中，将第i个电池组提取出的特征序列组成的特征序列集合定义为X_i＝{x_i1，x_i2，......，x_iJ}，i＝1，2，......，a，x_i1、x_i2、......、x_iJ分别对应于属于第i个特征序列集合X_i的J个特征的特征向量；

步骤三、对步骤二得到的每个特征序列集合进行特征选择，根据Filter法，首先去除变化量最小的特征向量，然后计算剩余各特征向量与最大可用容量序列集合s之间的皮尔森系数，皮尔森系数越大表示该特征向量与容量之间有着更好的相关性，根据特征选择的要求，选择相关性最好的K个特征序列作为回归模型训练的样本集{X′₁，X′₂，......，X′_a}；

步骤四、设通过特征选择筛选的样本集为{X′₁，X′₂，......，X′_a}，将样本集{X′₁，X′₂，......，X′_a}中的第i个样本定义为X′_i，X′_i＝{x′_i1，x′_i2，......，x_iK′}，x_iK′表示第i个特征序列集合X_i经过步骤三筛选后的第K个特征向量，其维度为N，由此共获得了a×K个特征向量；

步骤五、获得样本集{X′₁，X′₂，......，X′_a}中所有样本的每个特征向量组成的特征子集与最大可用容量序列集合s之间的回归关系，其中，将样本集{X′₁，X′₂，......，X′_a}中所有样本的第k个特征向量组成的特征子集x_k与最大可用容量序列集合s之间的回归关系定义为f_k(x_k)，则f_k(x_k)通过以下步骤获得：

步骤501、设样本集{X′₁，X′₂，......，X′_a}中所有样本的第k个特征向量组成的特征子集

根据SVR算法，特征子集x_k与最大可用容量序列集合s存在回归关系：

上式中，ω、b表示待优化参数，

表示SVR算法中的非线性核函数，即可得到以下优化问题：

subject to f_k(x_k)-s_i≤ε+ξ_i

ξ_i≥0，i＝1，2，3，...，3×170

式中，ε＝ω·x_k+b为算法设定在回归超平面周围的误差带；ξ_i＝max(0，1-f(ω^Tx_i+b))为松弛变量，用于计算落在误差带以外样本点至边界的距离，当样本点与超平面距离超过ε的范围则计入误差，否则不计误差；C为惩罚因数，表示优化方向中两个指标偏好的权重；

表示计算超平面另一侧的误差的松弛变量；

而误差带间隔为2/||ω||，优化目标即为最大化误差带间隔，即最小化ω让尽量多的样本点落在该区域；

使用拉格朗日乘子将约束条件融合进损失函数，并求解即可得到特征子集x_k与最大可用容量序列集合s的回归关系s＝f_k(x_k)；

步骤六、当K个特征子集全部完成上述步骤，可获得K个回归关系f₁(x₁)，f₂(x₂)，......，f_k(x_k)，按照各特征的皮尔森系数将其加权平均，即得到SOH估计的公式：

式中，α_k为加权因子，皮尔森系数越高，加权因子越大；

步骤七、对待测电池进行在线参数采集，具体方法为：以恒流充电模式为基准，记录电池在单次充电至截至容量的过程中的电压、电流和温度曲线，将采集所得的电压数据记作序列v’＝[v₁，v₂，v₃，......，v_s]，所得的电流数据记作序列i’＝[i₁，i₂，i₃，......，i_s]，所得的温度数据记作序列t’＝[t₁，t₂，t₃，......，t_s]，其中，s为各曲线中包含数据的个数；

步骤八、对步骤七中在线采集所获得的序列进行特征提取，但并不要求提取如步骤二中的所有特征，仅需提取经步骤三特征选择后所筛选的K个特征，记作n’＝[n₁，n₂，......，n_k]；

步骤九、将在线采集并经过特征提取的特征序列n’＝[n₁，n₂，......，n_k]代入步骤六得到的SOH估计公式，即可得到待测电池的SOH，其公式为：

式中，s′即为待测电池的SOH。

2.如权利要求1所述的一种基于特征选择和支持向量回归的电池健康状况预测方法，其特征在于，步骤一中，V＝{v₁，v₂，......，v_k，......，v_N}，v_k包含a个电池组中第i个电池组第k次完整充电操作的电压数据；

I＝{i₁，i₂，......，i_k，......，i_N}，i_k包含a个电池组中第i个电池组第k次完整充电操作的电流数据；

T＝{t₁，t₂，......，t_k，......，t_N}，t_k包含a个电池组中第i个电池组第k次完整充电操作的温度数据；

s＝{s₁，s₂，......，s_k，......，s_N}，s_k包含a个电池组中第i个电池组第k次完整充电对应的放电过程后记录的电池容量。

3.如权利要求1所述的一种基于特征选择和支持向量回归的电池健康状况预测方法，其特征在于，步骤二中，所述J个特征包括：

通过所述总训练数据集T_r中的电压序列集合V各自计算出的截止电压点COP、达到截止电压的时间TRCV、相同时间内的电压升幅VVET、电压曲线斜率SV、充电初始电压IV；通过所述总训练数据集T_r中的电流序列集合I和温度序列集合T计算得到的达到截至电流的时间TRCI、相同电流降幅所用时间TECD、恒流充电持续时间TCCC、峰值温度的时间TRPT、峰值温度PT。

4.如权利要求1所述的一种基于特征选择和支持向量回归的电池健康状况预测方法，其特征在于，步骤三中，所述皮尔森系数Pearson的计算公式为：

式中，x_it、y_it分别表示所要计算的特征向量及最大可用容量序列集合s中的最大可用容量序列中的一个元素；

分别表示所要计算的特征向量及最大可用容量序列集合s中的最大可用容量序列的均值。

Images