CN116466244B - 一种基于支持向量机的电池荷电状态异常检测方法 - Google Patents
一种基于支持向量机的电池荷电状态异常检测方法 Download PDFInfo
- Publication number
- CN116466244B CN116466244B CN202310728626.3A CN202310728626A CN116466244B CN 116466244 B CN116466244 B CN 116466244B CN 202310728626 A CN202310728626 A CN 202310728626A CN 116466244 B CN116466244 B CN 116466244B
- Authority
- CN
- China
- Prior art keywords
- charge
- model
- vector machine
- support vector
- target
- 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
Links
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 83
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 100
- 230000002159 abnormal effect Effects 0.000 claims abstract description 35
- 238000001914 filtration Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims description 58
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000009977 dual effect Effects 0.000 claims description 8
- 230000010287 polarization Effects 0.000 claims description 7
- 239000003990 capacitor Substances 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims 2
- 238000000605 extraction Methods 0.000 claims 2
- 238000000638 solvent extraction Methods 0.000 claims 2
- 239000004973 liquid crystal related substance Substances 0.000 description 10
- 230000005856 abnormality Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004146 energy storage Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本申请提出的基于支持向量机的电池荷电状态异常检测方法,包括基于等效电路模型的特征参数,通过改进无迹卡尔曼滤波得到电池荷电状态的估计数据,并将电池荷电状态的估计数据作为训练数据集;利用训练数据集训练预设支持向量机得到目标支持向量机;获取待分析的电池荷电状态数据,将待分析的电池荷电状态数据输入目标支持向量机中,得到电池荷电状态的异常检测结果。由此,本申请中改进无迹卡尔曼滤波对噪声部分做了迭代更新,降低了噪声变化对估算精度的影响,以使得通过改进无迹卡尔曼滤波得到的用于训练预设支持向量机的训练数据更加准确,从而使得目标支持向量机的异常检测结果更加准确,提高了异常检测结果的准确率。
Description
技术领域
本申请涉及异常检测技术领域,尤其涉及一种基于支持向量机的电池荷电状态异常检测方法、装置及存储介质。
背景技术
随着新能源的发展,电池储能被广泛应用于电力系统。其中,随着电池储能规模的不断增长,电池的安全和可靠性显得尤为重要。具体地,电池荷电状态是电池安全和性能的关键指标之一,若电池荷电状态异常可能会导致电池性能下降、甚至引发安全事故。基于此,需要对电池荷电状态进行异常检测,以确保电池安全和可靠的储能,避免发生安全事故。
现有技术中,利用模型(例如基于方程、基于电化学模型)的方法,对电池荷电状态进行异常检测。其中,上述方法均需要在建立电池模型后,通过大量的实验进行验证,使得在实际应用中具有一定的局限性,从而使得通过模型得到的异常检测结果不准确。
发明内容
本申请提供一种基于支持向量机的电池荷电状态异常检测方法,以解决上述相关技术中出现的技术问题。
本申请第一方面实施例提出一种基于支持向量机的电池荷电状态异常检测方法,所述方法包括:
建立电池等效电路模型;
基于所述等效电路模型的特征参数,通过改进无迹卡尔曼滤波得到电池荷电状态的估计数据,并将所述电池荷电状态的估计数据作为训练数据集;
利用所述训练数据集训练预设支持向量机得到目标支持向量机;
获取待分析的电池荷电状态数据,将所述待分析的电池荷电状态数据输入所述目标支持向量机中,得到电池荷电状态的异常检测结果。
本申请第二方面实施例提出一种基于支持向量机的电池荷电状态异常检测装置,所述装置包括:
建立模型,用于建立电池等效电路模型;
计算模块,用于基于所述等效电路模型的特征参数,通过改进无迹卡尔曼滤波得到电池荷电状态的估计数据,并将所述电池荷电状态的估计数据作为训练数据集;
训练模型,用于利用所述训练数据集训练预设支持向量机得到目标支持向量机;
检测模型,用于获取待分析的电池荷电状态数据,将所述待分析的电池荷电状态数据输入所述目标支持向量机中,得到电池荷电状态的异常检测结果。
本申请的实施例提供的技术方案至少带来以下有益效果:
本申请提出的基于支持向量机的电池荷电状态异常检测方法、装置及存储介质中,包括建立电池等效电路模型;基于等效电路模型的特征参数,通过改进无迹卡尔曼滤波得到电池荷电状态的估计数据,并将电池荷电状态的估计数据作为训练数据集;利用训练数据集训练预设支持向量机得到目标支持向量机;获取待分析的电池荷电状态数据,将待分析的电池荷电状态数据输入目标支持向量机中,得到电池荷电状态的异常检测结果。由此,本申请中改进无迹卡尔曼滤波对噪声部分做了迭代更新,降低了噪声变化对估算精度的影响,以使得通过改进无迹卡尔曼滤波得到的用于训练预设支持向量机的训练数据更加准确,从而使得目标支持向量机的异常检测结果更加准确,提高了异常检测结果的准确率。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请一个实施例提供的基于支持向量机的电池荷电状态异常检测方法的流程示意图;
图2为本申请一个实施例提出的一阶戴维南等效电路模型的电路结构示意图;
图3为根据本申请一个实施例提供的基于支持向量机的电池荷电状态异常检测装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的基于支持向量机的电池荷电状态异常检测方法及装置。
实施例一
图1 为根据本申请一个实施例提供的一种基于支持向量机的电池荷电状态异常检测方法的流程示意图,如图1所示,所述方法可以包括:
步骤101、建立电池等效电路模型。
其中,在本申请的实施例中,上述电池等效电路模型可以为一阶戴维南等效电路模型。图2为本申请一个实施例提出的一阶戴维南等效电路模型的电路结构示意图。如图2所示,一阶戴维南等效电路模型的电路结构包括:电源正极所在的一端为S,电源负极所在的一端为W,电源之间的电压源为V0;S端依次串联极化电阻R1和极化电容C1;W端串联欧姆内阻R2。
步骤102、基于等效电路模型的特征参数,通过改进无迹卡尔曼滤波得到电池荷电状态的估计数据。
其中,在本申请的实施例中,获取等效电路模型之后,可以基于等效电路模型的特征参数,通过改进无迹卡尔曼滤波得到电池荷电状态的估计数据,以便后续根据电池荷电状态的估计数据进行模型的训练。
以及,在本申请的实施例中,上述基于等效电路模型的特征参数,通过改进无迹卡尔曼滤波得到电池荷电状态的估计数据的方法可以包括以下步骤:
步骤1021、基于等效电路模型的特征参数,得到改进无迹卡尔曼滤波的状态空间方程与观测方程;
其中,在本申请的实施例中,基于等效电路模型的特征参数,可以得到电池的状态空间方程为:
以及,在本申请的实施例中,基于等效电路模型的特征参数,可以得到电池的观测方程为:
其中,上述表示极化电容两端在k+1时刻的电压;/>为k+1时刻的电池荷电状态;/>为采样间隔;/>为电池额定容量;/>为电池电流;/>为k时刻的系统噪声,由模型参数误差造成,协方差为Qk;/>为k+1时刻的观测噪声,由系统传感器采样不准确引起的测量噪声,协方差为Rk+1;/>表示第k时刻;/>符号表示偏导数;/>表示指数运算符号。
进一步地,基于上述电池的状态空间方程与观测方程,可以得到改进无迹卡尔曼滤波的状态空间方程与观测方程。其中,在本申请的实施例中,上述基于电池的状态空间方程,得到改进无迹卡尔曼滤波的状态空间方程为:
其中,表示k+1时刻的状态向量,上述 f为非线性状态方程函数,为上述电池的状态空间方程所示形式的函数。
以及,在本申请的实施例中,上述基于电池的观测方程,得到改进无迹卡尔曼滤波的观测方程为:
其中,表示k+1时刻的观测向量,上述h是非线性观测方程函数,为上述电池的观测方程所示形式的函数。
步骤1022、获取2n+1个Sigma点集和每个Sigma点的权值,其中n为整数;
其中,在本申请的实施例中,上述获取2n+1个Sigma点集为:
。
其中,n为通过需求确定;表示第/>个Sigma点;/>,/>表示矩阵方根的第/>列,/>指的是当前状态的协方差矩阵,会实时更新;/>为均值;参数/>是一个缩放比例参数,用来降低总的预测误差,需要根据实际计算需求进行参数调试确定。
以及,在本申请的实施例中,上述每个Sigma点的权值为:
。
步骤1023、将2n+1个Sigma点集分别代入状态空间方程,得到每个Sigma点在k+1时刻的预测量;
其中,在本申请的实施例中,上述每个Sigma点在k+1时刻的预测量为:
。
其中,表示基于k时刻预测的k+1时刻的状态值;/>表示估算出的k时刻的状态值。
步骤1024、基于每个Sigma点的权值和k+1时刻的预测量,结合状态空间方程计算得到系统状态量在k+1时刻的预测均值/>及协方差矩阵/>,其中,协方差矩阵/>中包括过程噪声的方差Q;
其中,在本申请的实施例中,上述基于每个Sigma点的权值和k+1时刻的预测量,结合状态空间方程计算得到系统状态量在k+1时刻的预测均值为:
。
以及,在本申请的实施例中,上述基于每个Sigma点的权值和k+1时刻的预测量,结合状态空间方程计算得到系统状态量在k+1时刻的预测协方差矩阵为:
步骤1025、将k+1时刻的预测均值及协方差矩阵/>再次进行无迹卡尔曼滤波变换,得到新的2n+1个Sigma点集;
其中,在本申请的实施例中,上述将k+1时刻的预测均值及协方差矩阵再次进行无迹卡尔曼滤波变换,得到新的2n+1个Sigma点集为:
。
步骤1026、基于新的2n+1个Sigma点集和观测方程,得到新的每个Sigma点在k+1时刻的预测观测量;
其中,在本申请的实施例中,上述基于新的2n+1个Sigma点集和观测方程,得到新的每个Sigma点在k+1时刻的预测观测量为:
。
步骤1027、基于新的每个Sigma点的权值和k+1时刻的预测观测量,结合观测方程计算得到系统观测量在k+1时刻的预测均值/>及协方差矩阵/>和/>;
其中,在本申请的实施例中,上述基于新的每个Sigma点的权值和k+1时刻的预测观测量,结合观测方程计算得到系统观测量在k+1时刻的预测均值为:
。
以及,在本申请的实施例中,上述基于新的每个Sigma点的权值和k+1时刻的预测观测量,结合观测方程计算得到系统观测量在k+1时刻的协方差矩阵/>和/>为:
;
。
步骤1028、基于协方差矩阵和/>,通过计算得到卡尔曼增益矩阵/>;
其中,在本申请的实施例中,上述基于协方差矩阵和/>,通过计算得到卡尔曼增益矩阵/>为:
。
步骤1029、根据k+1时刻的和电池实测电压值Uk+1更新系统状态量在k+1时刻的均值及协方差矩阵,得到更新后的k+1时刻的均值/>和协方差矩阵,并保存k+1时刻的电池荷电状态的估计数据;
其中,在本申请的实施例中,上述根据k+1时刻的和电池实测电压值Vk+1更新系统状态量在k+1时刻的均值及协方差矩阵,得到更新后的k+1时刻的均值为:
。
以及,在本申请的实施例中,上述根据k+1时刻的和电池实测电压值Vk+1更新系统状态量在k+1时刻的均值及协方差矩阵,得到更新后的k+1时刻的协方差矩阵为:
。
步骤1030、基于遗忘因子对过程噪声的方差Q进行更新,得到更新后的过程噪声的方差,利用更新后的过程噪声的方差/>,重复上述步骤,得到各时刻的电池荷电状态的估计数据。
其中,在本申请的实施例中,基于遗忘因子对过程噪声的方差Q进行更新,得到更新后的过程噪声的方差的方法包括:基于遗忘因子,通过噪声特性更新公式对过程噪声的方差Q进行更新,得到更新后的过程噪声的方差/>,其中,噪声特性更新公式为:
其中,,/>为采样间隔,R1为极化电阻,C1为极化电容,,b为可调的遗忘因子,k为k时刻。
其中,在本申请的实施例中,传统无迹卡尔曼滤波中的噪声矩阵固定,可能影响荷电状态估计精度,基于此,基于传统无迹卡尔曼滤波得到的电池荷电状态估计值可能会发生误诊断情况。由此,本申请提出了一种改进无迹卡尔曼滤波方法,通过上述步骤1030可以实时更新噪声矩阵,以降低噪声对估计结果的干扰,从而降低后续支持向量机的误诊断概率。
以及,在本申请的实施例中,通过上述步骤可以得到各时刻的电池荷电状态的估计数据,并将上述各时刻的电池荷电状态的估计数据作为训练数据集,用于后续训练预设支持向量机。
步骤103、利用训练数据集训练预设支持向量机得到目标支持向量机。
其中,在本申请的实施例中,通过上述步骤得到训练数据集后,可以利用训练数据集训练预设支持向量机得到目标支持向量机。以及,在本申请的实施例中,利用训练数据集训练预设支持向量机得到目标支持向量机之前,还包括:将训练数据集中的训练数据进行异常状态标注,得到用于训练预设支持向量机的训练数据集。其中,在本申请的实施例中,将训练数据集中的训练数据进行异常状态标注,以便后续基于标注后的训练数据对预设向量机进行训练。
具体地,在本申请的实施例中,上述利用训练数据集训练预设支持向量机得到目标支持向量机的方法可以包括以下步骤:
步骤1031、通过PCA模型对训练数据集中的训练数据进行特征提取,得到目标训练数据;
其中,在本申请的实施例中,通过PCA模型对训练数据集中的训练数据进行降维后,可以获得训练数据中的主成分数据,也即是,可以提取训练数据中的特征,从而得到目标训练数据,使得后续基于目标训练数据训练的目标支持向量机的异常检测结果更加准确。
步骤1032、将目标训练数据映射到超平面,得到目标训练数据映射到超平面的特征向量;
步骤1033、基于目标训练数据映射到超平面的特征向量,对预设向量机中的预设划分超平面模型进行求解,得到目标划分超平面模型;
其中,在本申请的实施例中,上述基于目标训练数据映射到超平面的特征向量,对预设向量机中的预设划分超平面模型进行求解,得到目标划分超平面模型的方法可以包括以下步骤:
步骤1、将预设划分超平面模型转换为目标求解模型;
其中,在本申请的实施例中,上述预设划分超平面模型为:
其中,上述表示为目标训练数据/>映射到超平面的特征向量矩阵,/>与/>为预设划分超平面模型的模型系数矩阵。
以及,在本申请的实施例中,将上述预设划分超平面模型转换为目标求解模型,以便得到目标划分超平面模型。其中,在本申请的实施例中,上述目标求解模型为:
。
其中,为第i个目标训练数据的纵坐标,/>为第i个目标训练数据的横坐标,γ为目标训练数据的个数。
步骤2、基于目标求解模型,得到对应的拉格朗日对偶函数模型;
其中,在本申请的实施例中,上述目标求解模型不受等式约束难以求解,基于此,基于目标求解模型,得到对应的拉格朗日对偶函数模型。以及,在本申请的实施例中,上述拉格朗日对偶函数模型为:
。
其中,在本申请的实施例中,上述α向量为上述拉格朗日对偶函数模型的目标解向量。
步骤3、基于目标训练数据映射到超平面的特征向量,对拉格朗日对偶函数模型进行求解,得到目标划分超平面模型。
其中,在本申请的实施例中,基于目标训练数据映射到超平面的特征向量,对拉格朗日对偶函数模型中的向量求解,以得到目标划分超平面模型。
步骤1034、基于目标划分超平面模型,得到目标支持向量机。
其中,在本申请的实施例中,通过上述步骤得到目标划分超平面模型后,将包括目标划分超平面模型的预设支持向量机作为目标支持向量机。
步骤104、获取待分析的电池荷电状态数据,将待分析的电池荷电状态数据输入目标支持向量机中,得到电池荷电状态的异常检测结果。
其中,在本申请的实施例中,获取待分析的电池荷电状态数据后,可以将待分析的电池荷电状态数据输入目标支持向量机中,判断待分析的电池荷电状态数据是否满足目标支持向量机中目标划分超平面模型中的故障侧,若待分析的电池荷电状态数据满足目标支持向量机中目标划分超平面模型中的故障侧,则得到电池荷电状态的异常检测结果为异常;若待分析的电池荷电状态数据不满足目标支持向量机中目标划分超平面模型中的故障侧,也即是,待分析的电池荷电状态数据满足目标支持向量机中目标划分超平面模型中的正常侧,则得到电池荷电状态的异常检测结果为正常。
综上所述,本申请提出的基于支持向量机的电池荷电状态异常检测方法中,包括基于等效电路模型的特征参数,通过改进无迹卡尔曼滤波得到电池荷电状态的估计数据,并将电池荷电状态的估计数据作为训练数据集;利用训练数据集训练预设支持向量机得到目标支持向量机;获取待分析的电池荷电状态数据,将待分析的电池荷电状态数据输入目标支持向量机中,得到电池荷电状态的异常检测结果。由此,本申请中改进无迹卡尔曼滤波对噪声部分做了迭代更新,降低了噪声变化对估算精度的影响,以使得通过改进无迹卡尔曼滤波得到的用于训练预设支持向量机的训练数据更加准确,从而使得目标支持向量机的异常检测结果更加准确,提高了异常检测结果的准确率。
图3为根据本申请一个实施例提供的一种基于支持向量机的电池荷电状态异常检测装置的结构示意图,如图3所示,所述装置可以包括:
建立模型301,用于建立电池等效电路模型;
计算模块302,用于基于等效电路模型的特征参数,通过改进无迹卡尔曼滤波得到电池荷电状态的估计数据,并将电池荷电状态的估计数据作为训练数据集;
训练模型303,用于利用训练数据集训练预设支持向量机得到目标支持向量机;
检测模型304,用于获取待分析的电池荷电状态数据,将待分析的电池荷电状态数据输入目标支持向量机中,得到电池荷电状态的异常检测结果。
综上所述,本申请提出的基于支持向量机的电池荷电状态异常检测装置中,包括基于等效电路模型的特征参数,通过改进无迹卡尔曼滤波得到电池荷电状态的估计数据,并将电池荷电状态的估计数据作为训练数据集;利用训练数据集训练预设支持向量机得到目标支持向量机;获取待分析的电池荷电状态数据,将待分析的电池荷电状态数据输入目标支持向量机中,得到电池荷电状态的异常检测结果。由此,本申请中改进无迹卡尔曼滤波对噪声部分做了迭代更新,降低了噪声变化对估算精度的影响,以使得通过改进无迹卡尔曼滤波得到的用于训练预设支持向量机的训练数据更加准确,从而使得目标支持向量机的异常检测结果更加准确,提高了异常检测结果的准确率。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种基于支持向量机的电池荷电状态异常检测方法,其特征在于,所述方法包括:
建立电池等效电路模型;
基于所述等效电路模型的特征参数,通过改进无迹卡尔曼滤波得到电池荷电状态的估计数据,并将所述电池荷电状态的估计数据作为训练数据集;
利用所述训练数据集训练预设支持向量机得到目标支持向量机;
获取待分析的电池荷电状态数据,将所述待分析的电池荷电状态数据输入所述目标支持向量机中,得到电池荷电状态的异常检测结果;所述基于所述等效电路模型的特征参数,通过改进无迹卡尔曼滤波得到电池荷电状态的估计数据,包括:
基于所述等效电路模型的特征参数,得到所述改进无迹卡尔曼滤波的状态空间方程与观测方程;
获取2n+1个Sigma点集和每个Sigma点的权值,其中n为整数;
将所述2n+1个Sigma点集分别代入所述状态空间方程,得到所述每个Sigma点在k+1时刻的预测量;
基于所述每个Sigma点的权值和k+1时刻的预测量,结合所述状态空间方程计算得到系统状态量在k+1时刻的预测均值/>及协方差矩阵/>,其中,所述协方差矩阵/>中包括过程噪声的方差Q;
将所述k+1时刻的预测均值及协方差矩阵/>再次进行无迹卡尔曼滤波变换,得到新的2n+1个Sigma点集;
基于所述新的2n+1个Sigma点集和所述观测方程,得到新的每个Sigma点在k+1时刻的预测观测量;
基于所述新的每个Sigma点的权值和k+1时刻的预测观测量,结合所述观测方程计算得到系统观测量在k+1时刻的预测均值/>及协方差矩阵/>和/>;
基于所述协方差矩阵和/>,通过计算得到卡尔曼增益矩阵/>;
根据k+1时刻的和电池实测电压值Uk+1更新系统状态量在k+1时刻的均值及协方差矩阵,得到更新后的k+1时刻的均值/>和协方差矩阵/>,并保存k+1时刻的电池荷电状态的估计数据;
基于遗忘因子对所述过程噪声的方差Q进行更新,得到更新后的过程噪声的方差,利用更新后的过程噪声的方差/>,重复上述步骤,得到各时刻的电池荷电状态的估计数据;
所述利用所述训练数据集训练预设支持向量机得到目标支持向量机,包括:
通过PCA模型对所述训练数据集中的训练数据进行特征提取,得到目标训练数据;
将所述目标训练数据映射到超平面,得到所述目标训练数据映射到超平面的特征向量;
基于所述目标训练数据映射到超平面的特征向量,对所述预设支持向量机中的预设划分超平面模型进行求解,得到目标划分超平面模型;
基于所述目标划分超平面模型,得到目标支持向量机。
2.根据权利要求1所述的方法,其特征在于,所述电池等效电路模型为一阶戴维南等效电路模型;所述一阶戴维南等效电路模型的电路结构包括:电源正极所在的一端为S,电源负极所在的一端为W,电源之间的电压源为V0;S端依次串联极化电阻R1和极化电容C1;W端串联欧姆内阻R2。
3.根据权利要求2所述的方法,其特征在于,基于遗忘因子对所述过程噪声的方差Q进行更新,得到更新后的过程噪声的方差,包括:基于所述遗忘因子,通过噪声特性更新公式对所述过程噪声的方差Q进行更新,得到更新后的过程噪声的方差/>,其中,所述噪声特性更新公式为:
其中,所述,所述/>为采样间隔,所述R1为极化电阻和所述C1为极化电容,所述/>,所述b为可调的遗忘因子,k为k时刻。
4.根据权利要求1所述的方法,其特征在于,所述利用所述训练数据集训练预设支持向量机得到目标支持向量机之前,还包括:将所述训练数据集中的训练数据进行异常状态标注,得到用于训练预设支持向量机的训练数据集。
5.根据权利要求4所述的方法,其特征在于,所述基于所述目标训练数据映射到超平面的特征向量,对所述预设支持向量机中的预设划分超平面模型进行求解,得到目标划分超平面模型,包括:
将所述预设划分超平面模型转换为目标求解模型;
基于所述目标求解模型,得到对应的拉格朗日对偶函数模型;
基于所述目标训练数据映射到超平面的特征向量,对所述拉格朗日对偶函数模型进行求解,得到目标划分超平面模型。
6.根据权利要求5所述的方法,其特征在于,所述预设划分超平面模型包括:,其中,/>为训练数据/>映射到超平面的特征向量矩阵,/>和/>为预设划分超平面模型的模型系数矩阵。
7.一种基于支持向量机的电池荷电状态异常检测装置,其特征在于,所述装置包括:
建立模型,用于建立电池等效电路模型;
计算模块,用于基于所述等效电路模型的特征参数,通过改进无迹卡尔曼滤波得到电池荷电状态的估计数据,并将所述电池荷电状态的估计数据作为训练数据集;
训练模型,用于利用所述训练数据集训练预设支持向量机得到目标支持向量机;
检测模型,用于获取待分析的电池荷电状态数据,将所述待分析的电池荷电状态数据输入所述目标支持向量机中,得到电池荷电状态的异常检测结果;
所述计算模块,还用于:
基于所述等效电路模型的特征参数,得到所述改进无迹卡尔曼滤波的状态空间方程与观测方程;
获取2n+1个Sigma点集和每个Sigma点的权值,其中n为整数;
将所述2n+1个Sigma点集分别代入所述状态空间方程,得到所述每个Sigma点在k+1时刻的预测量;
基于所述每个Sigma点的权值和k+1时刻的预测量,结合所述状态空间方程计算得到系统状态量在k+1时刻的预测均值/>及协方差矩阵/>,其中,所述协方差矩阵/>中包括过程噪声的方差Q;
将所述k+1时刻的预测均值及协方差矩阵/>再次进行无迹卡尔曼滤波变换,得到新的2n+1个Sigma点集;
基于所述新的2n+1个Sigma点集和所述观测方程,得到新的每个Sigma点在k+1时刻的预测观测量;
基于所述新的每个Sigma点的权值和k+1时刻的预测观测量,结合所述观测方程计算得到系统观测量在k+1时刻的预测均值/>及协方差矩阵/>和/>;
基于所述协方差矩阵和/>,通过计算得到卡尔曼增益矩阵/>;
根据k+1时刻的和电池实测电压值Uk+1更新系统状态量在k+1时刻的均值及协方差矩阵,得到更新后的k+1时刻的均值/>和协方差矩阵/>,并保存k+1时刻的电池荷电状态的估计数据;
基于遗忘因子对所述过程噪声的方差Q进行更新,得到更新后的过程噪声的方差,利用更新后的过程噪声的方差/>,重复上述步骤,得到各时刻的电池荷电状态的估计数据;
所述训练模型,还用于:
通过PCA模型对所述训练数据集中的训练数据进行特征提取,得到目标训练数据;
将所述目标训练数据映射到超平面,得到所述目标训练数据映射到超平面的特征向量;
基于所述目标训练数据映射到超平面的特征向量,对所述预设支持向量机中的预设划分超平面模型进行求解,得到目标划分超平面模型;
基于所述目标划分超平面模型,得到目标支持向量机。
8.一种计算机存储介质,其中,所述计算机存储介质存储有计算机可执行指令;所述计算机可执行指令被处理器执行后,能够实现权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310728626.3A CN116466244B (zh) | 2023-06-20 | 2023-06-20 | 一种基于支持向量机的电池荷电状态异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310728626.3A CN116466244B (zh) | 2023-06-20 | 2023-06-20 | 一种基于支持向量机的电池荷电状态异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116466244A CN116466244A (zh) | 2023-07-21 |
CN116466244B true CN116466244B (zh) | 2023-08-29 |
Family
ID=87184669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310728626.3A Active CN116466244B (zh) | 2023-06-20 | 2023-06-20 | 一种基于支持向量机的电池荷电状态异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116466244B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117806440B (zh) * | 2024-02-28 | 2024-05-17 | 苏州元脑智能科技有限公司 | 备用电池单元的状态管控方法、系统、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439731A (zh) * | 2013-08-29 | 2013-12-11 | 北京空间飞行器总体设计部 | 基于无迹卡尔曼滤波的gps/ins组合导航方法 |
CN108233417A (zh) * | 2018-01-22 | 2018-06-29 | 华北电力大学(保定) | 一种多预测模型串联校正并联耦合的可再生能源出力预测计算方法 |
CN109508730A (zh) * | 2018-09-27 | 2019-03-22 | 东南大学 | 一种基于非线性svm算法的电离层相位闪烁检测方法 |
CN109884548A (zh) * | 2019-03-04 | 2019-06-14 | 武汉科技大学 | 一种基于gasvm-aukf算法的锂电池剩余寿命预测方法 |
CN110412472A (zh) * | 2019-09-02 | 2019-11-05 | 西北工业大学 | 一种基于正态伽马滤波的电池荷电状态估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023107710A2 (en) * | 2021-12-09 | 2023-06-15 | Zitara Technologies, Inc. | System and method for determining a battery condition |
-
2023
- 2023-06-20 CN CN202310728626.3A patent/CN116466244B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439731A (zh) * | 2013-08-29 | 2013-12-11 | 北京空间飞行器总体设计部 | 基于无迹卡尔曼滤波的gps/ins组合导航方法 |
CN108233417A (zh) * | 2018-01-22 | 2018-06-29 | 华北电力大学(保定) | 一种多预测模型串联校正并联耦合的可再生能源出力预测计算方法 |
CN109508730A (zh) * | 2018-09-27 | 2019-03-22 | 东南大学 | 一种基于非线性svm算法的电离层相位闪烁检测方法 |
CN109884548A (zh) * | 2019-03-04 | 2019-06-14 | 武汉科技大学 | 一种基于gasvm-aukf算法的锂电池剩余寿命预测方法 |
CN110412472A (zh) * | 2019-09-02 | 2019-11-05 | 西北工业大学 | 一种基于正态伽马滤波的电池荷电状态估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116466244A (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shang et al. | A multi-fault diagnosis method based on modified Sample Entropy for lithium-ion battery strings | |
JP5058814B2 (ja) | バッテリーの状態及びパラメーターの推定システム及び方法 | |
EP2700964B1 (en) | Battery state estimation system, battery control system, battery system, and battery state estimation method | |
CN116466244B (zh) | 一种基于支持向量机的电池荷电状态异常检测方法 | |
CN111679199B (zh) | 一种锂离子电池soc估计方法及装置 | |
EP3410139B1 (en) | Method for estimating the current and the state of charge of a battery pack or cell, without direct detection of current under operating conditions | |
JP2014074682A (ja) | バッテリのパラメータ等推定装置およびその推定方法 | |
CN110441695A (zh) | 一种基于模型和信号处理相结合的电池组多故障综合诊断方法 | |
EP2664938B1 (en) | Open circuit voltage estimation device, condition estimation device, and method of estimating open circuit voltage | |
WO2006098541A1 (en) | Apparatus and method for estimating battery state of charge | |
WO2018162021A1 (en) | A battery cell state of charge estimation method and a battery state monitoring system | |
CN111707955B (zh) | 电池剩余寿命的估算方法、装置和介质 | |
CN111880106B (zh) | 电池荷电状态检测方法、设备、存储介质及装置 | |
JP3689084B2 (ja) | バッテリ充電状態演算装置およびバッテリ充電状態演算方法 | |
CN114464906A (zh) | 动力电池预警方法和装置 | |
CN111289911A (zh) | 基于电池的soc估算方法、装置以及电子设备 | |
CN114814691A (zh) | 一种基于数字孪生的锂电池系统电压传感器故障诊断方法 | |
EP3985402B1 (en) | Circuit and method for detecting insulation resistance | |
CN102576053B (zh) | 电池状态推断方法及电源系统 | |
US20230324463A1 (en) | Method and Apparatus for Operating a System for Detecting an Anomaly of an Electrical Energy Store for a Device by Means of Machine Learning Methods | |
CN107346002A (zh) | 用于估计电池soe的装置 | |
CN116027203A (zh) | 电池短路故障的检测方法及装置 | |
CN115436827A (zh) | 绝缘电阻的检测方法、装置和设备 | |
CN114706004B (zh) | 电池包内电芯剩余电量的确定方法、装置、设备及介质 | |
US20240125857A1 (en) | Method for calculating state of charge of battery |
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 |