基于RKHS域匹配的迁移学习预测电池SOH方法技术

本发明专利技术公开了一种基于RKHS域匹配的迁移学习预测电池SOH方法，通过提取两个电池的特征，利用域匹配算法对两个特征空间进行调整，使两个特征空间的条件分布和边缘分布相匹配，从而完成一阶统计量的匹配；再将特征空间通过核函数映射到可再生希尔伯特空间，实现高阶统计量的匹配；然后通过调整样本权重使得两个空间相关的样本权重变大，不相关的样本权重变小；这样通过域匹配方式可以利用一个电池数据做训练，用普通的机器学习算法来预测另一个电池的SOH，从而具有适用性高，预测精度高，实现简单等优点。简单等优点。简单等优点。

【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；
[0008](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
[0009](2)、数据预处理
[0010]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n＝n
s
+n
t
；
[0011](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
[0012](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；
[0013](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：
[0014](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；
[0015](4)、电池S和电池T对应的数据域的分布匹配
[0016](4.1)、边缘分布匹配
[0017]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:
[0018][0019]其中，tr()表示矩阵的迹，M0为矩阵；
[0020](4.2)、条件分布匹配
[0021](4.2.1)、将电池S的不同SOH组成集合C＝{c1,c2,...,c
l
}；
[0022](4.2.2)、对每一个c
r
∈C，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：
[0023][0024]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；
[0025](4.2.3)、使用MATLAB的fitcknn函数构建KNN模型，再将X
S
，Y
S
作为KNN模型的输入，并将KNN模型中的超参数NumNeighbors设置为2，训练得到KNN模型，然后将X
T
输入至训练好的KNN模型，利用predict函数对电池SOH进行预测，从而预测得到电池T的SOH伪标签；最后再将伪SOH标签带入至步骤(4.2.2)中的分布匹配公式，从而实现条件分布匹配；具体伪标签生成步骤如下：
[0026]KNN_＝fitcknn(X
S
,Y
S
,'NumNeighbors',2)
[0027]Pseudo_SOH＝KNN_.predict(X
T
)
[0028](5)、通过正则化器对电池S和电池T的特征数据进行权重调整；
[0029][0030]其中，v
i
表示V的第i行，V
s
即为转换矩阵V中电池S的特征对应的转换矩阵；v
j
表示V的第j行，V
t
即为V中电池T的特征对应的转换矩阵；
[0031](6)、建立优化目标及求解
[0032](6.1)、建立如下优化目标
[0033][0034](6.2)、优化目标求解
[0035]将协方差矩阵X
*
的前k个大的特征值构成对角矩阵Φ＝diag(φ1,φ2,
…
，φ
k
)，并作为拉格朗日乘子，然后计算优化目标对应的拉格朗日函数，即：
[0036][0037]通过令得到
[0038][0039]其中，G是一个对角次梯度矩阵，由得到，具体形式为
[0040][0041](7)、SOH估计
[0042](7.1)、获取域匹配之后的电池S和电池T对应的数据域Z＝V
T
K；
[0043](7.2)、计算电池S的特征X'
S
＝Z
S
，其中，Z
S
＝(Z)
i,k
,i＝1,2,
…
,n
s
,k＝1,2,
…
,m；计算电池T的特征X'
T
＝Z
T本文档来自技高网...

【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：