【技术实现步骤摘要】
基于特征选择和支持向量回归的电池健康状况预测方法
本专利技术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。
技术介绍
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(StateofHealth)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(featureselection)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 ...
【技术保护点】
1.一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:/n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
【技术特征摘要】
1.一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Tr={Tr1,Tr2,......,Tra},式中,总训练数据集Tr中的第i个数据集Tri={V,I,T,sT},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,....,Xa,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Xi={xi1,xi2,......,xiJ},i=1,2,......,a,xi1、xi2、......、xiJ分别对应于属于第i个特征序列集合Xi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,......,xiK′},xiK′表示第i个特征序列集合Xi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xk与最大可用容量序列集合s之间的回归关系定义为fk(xk),则fk(xk)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xk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:
subjecttofk(xk)-si≤ε+ξi
ξi≥0,i=1,2,3,...,3×170
式中,ε=ω·xk+b为算法设定在回归超平面周围的误差带;ξi=max(0,1-f(ωTxi+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...
【专利技术属性】
技术研发人员:吴贇,杨智鹏,蒋学芹,白恩健,
申请(专利权)人:东华大学,
类型:发明
国别省市:上海;31
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。