【技术实现步骤摘要】
基于RKHS域匹配的迁移学习预测电池SOH方法
[0001]本专利技术属于电池健康状态评估
,更为具体地讲,涉及一种基于RKHS域匹配的迁移学习预测电池SOH方法。
技术介绍
[0002]电池的健康状态与电动汽车的续航里程、安全性以及可靠性密切相关。由于电池的劣化机制复杂,影响因素众多,因此电池的健康状态SOH的准确可靠估计是电池管理技术中的难点问题。
[0003]以机器学习为代表的数据驱动方法灵活,无需建模,并且有着良好的非线性映射能力,是目前该领域的研究热点。研究者们提出了多种基于数据驱动的SOH估计方法,然而,目前研究主要关注实验条件下特定的动力电池健康状态的建模过程,如何对没有历史SOH数据的新电池进行性能预测仍是一个未解决的问题。由于电池类型以及使用环境不同,难以保障训练数据与预测对象有着相同的数据分布,而当训练数据与实际被预测的电池的数据分布存在差异时,一般数据驱动模型的可靠性将难以得到保证。因此如何将实验室获得的数据知识应用于被测对象时电池SOH估计中研究中的现实问题。
技术实现思路
[0004]本专利技术的目的在于克服现有技术的不足,提供一种基于无监督迁移学习的电池SOH预测方法,从现有电池中提取特征并处理,基于RKHS域匹配的迁移学习预测电池的SOH。
[0005]为实现上述专利技术目的,本专利技术一种基于RKHS域匹配的迁移学习预测电池SOH方法,其特征在于,包括以下步骤:
[0006](1)、提取特征
[0007](1.1)、提取现有电池S在 ...
【技术保护点】
【技术特征摘要】
1.一种基于RKHS域匹配的迁移学习预测电池SOH方法,其特征在于,包括以下步骤:(1)、提取特征(1.1)、提取现有电池S在每一次完整充放电过程中的m个特征向量,以及健康状态SOH,再将这m个特征向量与SOH构成数据集其中,x和y分别表示单次提取的特征向量和SOH,n表示电池S在整个寿命周期中的总循环次数;(1.2)、提取新电池T在前n
t
次完整充电过程中的m个特征向量,再将这m个特征向量与待预测的电池健康状态SOH,构成集合(2)、数据预处理利用matlab中的mapminmax函数分别对D
S
和D
T
中的特征x做归一化处理,然后整合成(3)、在可再生核希尔伯特空间RKHS中利用主成分分析法PCA进行降维(3.1)、计算X的协方差矩阵X
*
=XHX
T
,其中,H为中心矩阵,1
n
×
n
表示n
×
n维元素全为1的矩阵;(3.2)、利用主成分分析法PCA对协方差矩阵X
*
进行分解,然后选取协方差矩阵X
*
的前k个大的特征值对应的的特征向量构成正交变换矩阵k≤m是降维后的维度,从而使协方差最小,即:(3.3)、设置RKHS域匹配的核映射函数ψ:在该核映射函数下,将PCA内核化到RKHS,从而推出PCA的内核化形式进而得到降维之后的矩阵Z=V
T
K;(4)、电池S和电池T对应的数据域的分布匹配(4.1)、边缘分布匹配使用最大均值差异MMD作为两个数据集D
S
和D
T
之间的分布距离量度,内核化处理后边缘分布匹配的过程即为最小化MMD距离的过程,即为:其中,tr()表示矩阵的迹,M0为矩阵;(4.2)、条件分布匹配(4.2.1)、将电池S的不同SOH组成集合C={c1,c2,...,c
l
};(4.2.2)、对每一个c
r
∈C,计算计算最小化条件分布概率Q
S
(x
S
||y
S-c
r
|<0.1)和Q
T
(x
T
||y
T-c
r
|<0.1),然后计算最小化条件分布概率之间的MMD距离:其中,为矩阵;是电池S中SOH值与c
r
距离小于0.1对应的
x的集合,表示电池S中x
i
对应的真实SOH,且表示中含有的元素个数;类似的是电池T中SOH值与c
r
距离小于0.1对应的x的集合,表示x
j
对应的真实标签,有表示中含有的元素个数;(4.2.3)、使用MATLAB的fitcknn函数构建KNN模型,再将X
...
【专利技术属性】
技术研发人员:盛瀚民,刘鑫,邵晋梁,陈凯,周圆,
申请(专利权)人:电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。