本发明专利技术提供一种基于wasserstein距离的电池SOH估计方法及装置，方法包括如下步骤：S1、采集多个袋式电池的老化数据，并分别获取各袋式电池各老化周期的IC曲线；S2、分别计算各相邻两IC曲线峰值窗口之间的wasserstein距离，得到特征数据集；S3、采用基于高斯回归过程方法的预测模型，对于预测模型的超参数α、l和p，分别设定其取值范围为(0.1,100)、(0,1)和(0,100)，先取取值范围内的任意值，再利用前期数据集对预测模型进行初次训练，并根据预测所得值与真值之间的差距，调整并确定各超参数的值；S4、利用后期数据集对已确定超参数的预测模型进行训练。本发明专利技术无需建立电池模型，以wasserstein距离作为预测模型的特征，适合SOH的在线估计，且估计精度高，实用性强。实用性强。实用性强。
【技术实现步骤摘要】
一种基于wasserstein距离的电池SOH估计方法及装置
[0001]本专利技术涉及一种基于wasserstein距离的电池SOH估计方法及装置。
技术介绍
[0002]常用的SOH(电池健康状态)定义为SOH＝C
now
/C0，其中C
now
为电池当前时刻满充后的最大可用容量，C0则代表着电池出厂时的最大可用容量。准确的电池健康状态估计是BMS(电池管理系统)的关键环节，SOH是表征电池老化程度的重要指标，一般认为该值降至70％
‑
80％即视为寿命终止。
[0003]SOH的测量与直接的电压电流测量不同，只能通过对电池特征的观测，并结合相应的数学模型进行估计和预测，现有技术中，可通过模型驱动进行预测，但基于模型驱动的方法需要建立电池模型，计算复杂，不适合BMS的在线应用。
技术实现思路
[0004]本专利技术提出一种基于wasserstein距离的电池SOH估计方法及装置，无需建立电池模型，以wasserstein距离作为预测模型的特征，适合SOH的在线估计，且估计精度高，实用性强。
[0005]本专利技术通过以下技术方案实现：
[0006]一种基于wasserstein距离的电池SOH估计方法，包括如下步骤：
[0007]S1、采集多个袋式电池的老化数据，并分别获取各袋式电池各老化周期的IC曲线，其中，IC表示一个连续的电压增量上所增加的电池电量；
[0008]S2、分别计算各相邻两IC曲线峰值窗口之间的wasserstein距离，得到特征数据集，并将特征数据集分为前期数据集和后期数据集；
[0009]S3、采用基于高斯回归过程方法的预测模型，所述S2中的特征数据集作为预测模型的输入，电池SOH作为预测模型的输出，对于预测模型的超参数α、l和p，分别设定其取值范围为(0.1,100)、(0,1)和(0,100)，先取取值范围内的任意值，再利用前期数据集对预测模型进行初次训练，并根据预测所得值与真值之间的差距，调整并确定各超参数的值；
[0010]S4、利用后期数据集对已确定超参数的预测模型进行训练。
[0011]进一步的，所述S2中，分别利用差分公式对各IC曲线进行采样，得到采样数据集，并通过Pytorch进行Sinkhorn迭代，以获取相邻两IC曲线峰值窗口之间的wasserstein距离。
[0012]进一步的，所述S1中，所述多个袋式电池的老化数据具体为预先记录的八个标称740Ma
·
h的袋式电池的老化数据。
[0013]进一步的，所述S2中，所述峰值窗口为以IC曲线峰值为中心的长度为3的区间。
[0014]进一步的，所述S3中，所述参数确定模块中，当预测所得值与真值之间的差距大于第一阈值时，则调低超参数α的值、调高超参数l和p的值，当预测所得值与真值之间的差距小于第二阈值时，则调高超参数α的值、调低超参数l和p的值，调整额度应在经验区间的
10％以内，经验区间从步骤S3中的各超参数的取值范围内选出。
[0015]进一步的，所述预测模型中，高斯过程的核函数为协方差函数。
[0016]进一步的，所述S1中，所述IC具体计算公式为：其中，Q为电池容量，U为电池电压。
[0017]本专利技术还通过以下技术方案实现：
[0018]一种基于wasserstein距离的电池SOH估计装置，包括：
[0019]采集模块：用于采集多个袋式电池的老化数据，并分别获取各袋式电池各老化周期的IC曲线，其中，IC表示一个连续的电压增量上所增加的电池电量；
[0020]特征数据集获取模块：用于分别计算各相邻两IC曲线峰值窗口之间的wasserstein距离，得到特征数据集，并将特征数据集分为前期数据集和后期数据集；
[0021]参数确定模块：采用基于高斯回归过程方法的预测模型，将特征数据集作为预测模型的输入，电池SOH作为预测模型的输出，对于预测模型的超参数α、l和p，分别设定其取值范围为(0.1,100)、(0,1)和(0,100)，先取取值范围内的任意值，再利用前期数据集对预测模型进行初次训练，并根据预测所得值与真值之间的差距，调整并确定各超参数的值；
[0022]模型训练模块：利用后期数据集对已确定超参数的预测模型进行训练。
[0023]进一步的，所述特征数据集获取模块中，分别利用差分公式对各IC曲线进行采样，得到采样数据集，并通过Pytorch进行Sinkhorn迭代，以获取相邻两IC曲线峰值窗口之间的wasserstein距离。
[0024]进一步的，所述参数确定模块中，当预测所得值与真值之间的差距大于第一阈值时，则调低超参数α的值、调高超参数l和p的值，当预测所得值与真值之间的差距小于第二阈值时，则调高超参数α的值、调低超参数l和p的值，调整额度应在经验区间的10％以内，经验区间从各超参数的取值范围内选出。
[0025]本专利技术具有如下有益效果：
[0026]1、本专利技术首先获取各袋式电池各老化周期的IC曲线，然后分别计算各相邻两IC曲线峰值窗口之间的wasserstein距离，以得到特征数据集，特征数据集分为前期数据集和后期数据集，利用前期数据集对基于高斯回归过程方法的也测模型进行训练，并根据预测所得值与真值之间的差距，调整并确定各超参数的值，最后利用后期数据集对预测模型进行训练，将缓慢变化的充电电压转化为IC曲线峰值高度，并计算各相邻IC曲线峰值窗口之间的wasserstein距离，能够得到更为准确的电池状态特征，再与高斯回归过程方法相结合，能够使预测结果更为准确，且无需建立电池模型，计算也更为简单，实用性更强，适合SOH的在线估计。
[0027]2、分别利用差分公式对各IC曲线进行采样，得到采样数据集，并通过Pytorch进行Sinkhorn迭代，以获取相邻两IC曲线峰值窗口之间的wasserstein距离，使得预测模型建立过程中，具有更多的灵活性。
附图说明
[0028]下面结合附图对本专利技术做进一步详细说明。
[0029]图1为本专利技术的流程图。
具体实施方式
[0030]如图1所示，基于wasserstein距离的电池SOH估计方法，包括如下步骤：
[0031]S1、采集预先记录的八个标称740Ma
·
h的袋式电池的老化数据，并通过Matlab分别获取各袋式电池各老化周期的IC曲线，其中，IC表示一个连续的电压增量上所增加的电池电量，IC具体计算公式为：
[0032]其中，Q为电池容量，U为电池电压；
[0033]与标准电压老化测量不同，IC分析是从电极水平研究电池的老化机制，随着老化次数的增加，IC曲线变得逐渐平缓，曲线峰值降低，并在老化过程中随着电池内部材料的变化而变化；
[0034]S2、分别计算各相邻两IC曲线峰值窗口之间的wasserstein距离，得到特征数据集，并将特征数据集本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于wasserstein距离的电池SOH估计方法，其特征在于：包括如下步骤：S1、采集多个袋式电池的老化数据，并分别获取各袋式电池各老化周期的IC曲线，其中，IC表示一个连续的电压增量上所增加的电池电量；S2、分别计算各相邻两IC曲线峰值窗口之间的wasserstein距离，得到特征数据集，并将特征数据集分为前期数据集和后期数据集；S3、采用基于高斯回归过程方法的预测模型，所述S2中的特征数据集作为预测模型的输入，电池SOH作为预测模型的输出，对于预测模型的超参数α、l和p，分别设定其取值范围为(0.1
‑
100)、(0,1)和(0,100)，先取取值范围内的任意值，再利用前期数据集对预测模型进行初次训练，并根据预测所得值与真值之间的差距，调整并确定各超参数的值；S4、利用后期数据集对已确定超参数的预测模型进行训练。2.根据权利要求1所述的一种基于wasserstein距离的电池SOH估计方法，其特征在于：所述S2中，分别利用差分公式对各IC曲线进行采样，得到采样数据集，并通过Pytorch进行Sinkhorn迭代，以获取相邻两IC曲线峰值窗口之间的wasserstein距离。3.根据权利要求1所述的一种基于wasserstein距离的电池SOH估计方法，其特征在于：所述S1中，所述多个袋式电池的老化数据具体为预先记录的八个标称740Ma
·
h的袋式电池的老化数据。4.根据权利要求1或2或3所述的一种基于wasserstein距离的电池SOH估计方法，其特征在于：所述S2中，所述峰值窗口为以IC曲线峰值为中心的长度为3的区间。5.根据权利要求1或2或3所述的一种基于wasserstein距离的电池SOH估计方法，其特征在于：所述S3中，所述参数确定模块中，当预测所得值与真值之间的差距大于第一阈值时，则调低超参数α的值、调高超参数l和p的值，当预测所得值与真值之间的差距小于第二阈值时，则调高超参数α的值、调低超参数l和p的值，调整额度应在经验区间的10％以内，经验区间从步骤S3...
【专利技术属性】
技术研发人员：林名强，吴健，严晨昊，
申请(专利权)人：泉州装备制造研究所，
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。