小样本容量标签下的锂离子电池健康状态评估方法及系统技术方案

本发明专利技术涉及锂离子电池健康状态评估技术领域，具体为小样本容量标签下的锂离子电池健康状态评估方法，包括以下步骤：提取特征因子；根据无监督特征优化算法对特征进行优化，优化后的特征进行映射；进行GPR训练；得到电池SOH评估模型；有益效果为：本发明专利技术提出的小样本容量标签下的锂离子电池健康状态评估方法及系统针对训练特征与测试特征分布不一致问题，引入了无监督优化的算法，利用基于训练特征和部分测试特征得到的映射空间对原始特征因子进行了优化，有效地降低了训练数据分布与测试数据分布之间的差异。据分布之间的差异。据分布之间的差异。

【技术实现步骤摘要】
小样本容量标签下的锂离子电池健康状态评估方法及系统


[0001]本专利技术涉及锂离子电池健康状态评估
，具体为小样本容量标签下的锂离子电池健康状态评估方法及系统。

技术介绍

[0002]锂离子电池健康状态(SOH)与电池历史使用情况密切相关，是电池的一种内部状态，因此在实际应用中难以像端电压一样直接被测量。电流速率(C
‑
rate)、温度和电池工作环境等外部因素会影响电池的老化过程，最终导致其不同的老化趋势，此外，制造过程中的微小内部缺陷也会导致电池老化行为的差异。由于锂离子电池在老化过程中受到以上众多因素影响，这使得通过建立电池退化机理模型来评估电池SOH极其困难。基于文献调研，数据驱动的方法可以直接对电池数据进行非线性建模，因此被广泛用于锂离子电池SOH的评估中。
[0003]现有技术中，在使用数据驱动方法进行基于单一电池数据的SOH评估时，训练数据一般是来自待评估电池的前若干个老化循环周期，然后基于这些训练数据提取相关特征用于机器学习算法的训练，最后利用训练好的模型实现该电池在不同老化状态下的SOH评估。为了提高模型对电池容量的评估精度，基于原始充放电曲线的不同类型特征被构建成模型的输入，在特征类型方面主要涉及容量增量(Incremental capacity,IC)曲线相关特征、电流相关特征以及电压相关特征。在文献[1]HE J,WEI Z,BIAN X,et al.State
‑
of
‑
health estimation of lithium
‑
ion batteries using incremental capacity analysis based on voltage
–
capacity model[J].IEEE Transactions on Transportation Electrification,2020,6(2):417
‑
426中，IC峰值、IC谷值及其对应的电压值被用作估计电池SOH的特征。除了使用单一类型特征外，多种特征的组合也被用于进一步提升模型的估计效果。文献[2]GUO P,CHENG Z,YANG L.A data
‑
driven remaining capacity estimation approach forlithium
‑
ion batteries based on charging health feature extraction[J].Journal of Power Sources,2019,412:442
‑
450选择了电池恒流充电阶段/恒压充电阶段/整个充电阶段的电流曲线下的面积、恒流充电时间、恒压充电时间、恒流与恒压阶段时间比率以及恒流阶段/恒压阶段电流曲线的最大斜率为特征。基于提取的多种特征，60％的老化循环周期数据被当作训练集用于机器学习算法的训练。在剩下的40％老化周期数据上测试，测试结果显示其在不同类型和不同温度下的SOH估计误差均小于5％。
[0004]但是，从上面的调研结果来看，在基于单一电池数据进行SOH评估时，已有大量文献针对特征选取这一问题做了深入的研究，并且在评估效果上取得了一定的进展。在实际应用中，尽管多种类型的传感器为数据驱动模型提供了数据基础，但传感器无法获得其相应的容量标签，而在实验条件下获取待估计电池容量标签需要消耗大量的时间和经济成本。然而，机器学习模型的训练和参数更新依赖于大量的标注数据。因此，在标签数据不足的情况下，上述方法的评估精度就难以得到保证。此外，传统机器学习一般基于相同的分布假设，即训练集和测试集分布是一致的。在小样本容量标签情况下，其对应的训练数据与测
试数据分布可能不一致，即机器学习假设会受到影响，必须重新收集足够的数据及容量标签并重新训练模型。

技术实现思路

[0005]本专利技术的目的在于提供小样本容量标签下的锂离子电池健康状态评估方法及系统，以解决上述
技术介绍
中提出的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：小样本容量标签下的锂离子电池健康状态评估方法，该方法包括以下步骤：
[0007]提取特征因子；
[0008]根据无监督特征优化算法对特征进行优化，优化后的特征进行映射；
[0009]进行GPR训练；
[0010]得到电池SOH评估模型。
[0011]优选的，通过无监督的方式来对齐源特征和目标特征的分布来进行特征优化，将二阶统计量进行对齐来匹配分布。
[0012]优选的，将二阶统计量进行对齐来匹配分布时，给定电池训练特征数据对应容量标签L
s
＝{y
i
}及测试特征数据μ
s
、μ
t
和Cs、CT是特征向量均值和协方差矩阵，特征归一化后μ
s
＝μ
t
＝0，而Cs不等于CT，为了最小化电池训练特征和电池测试特征的二阶统计量之间的距离，对初始源特征应用线性变换A并使用Frobenius范数作为矩阵距离度量：
[0013][0014]优选的，采用高斯过程模拟输入特征与电池SOH之间的映射关系。
[0015]优选的，采用高斯过程模拟输入特征与电池SOH之间的映射关系时，假设训练集中有n个输入
‑
输出对，输入、输出和潜在函数值分别表示为X＝[x1,
…
,x
n
]T
,y＝[y(x1),
…
,y(x
n
)]T
和f＝[f(x1),
…
,f(x
n
)]T
。根据GP的性质(即任何有限的随机变量集合服从正态分布)，有：
[0016]其中k(X,X)是f的协方差矩阵，其第i行第j列的项是k(x
i
,x
j
)，I
n
是一个n
×
n单位矩阵。因此，可以得到模型的对数似然函数如下：
[0017][0018]一种小样本容量标签下的锂离子电池健康状态评估系统，该系统由提取模块、映射模块、训练模块以及评估模块构成；
[0019]提取模块，用于提取特征因子；
[0020]映射模块，用于根据无监督特征优化算法对特征进行优化，优化后的特征进行映射；
[0021]训练模块，用于进行GPR训练；
[0022]评估模块，用于得到电池SOH评估模型。
[0023]优选的，所述映射模块中，通过无监督的方式来对齐源特征和目标特征的分布来进行特征优化，将二阶统计量进行对齐来匹配分布。
[0024]优选的，所述映射模块中，将二阶统计量进行对齐来匹配分布时，给定电池训练特征数据对应容量标签L
s
＝{y
i
}及测试特征数据，μ
s
、μ
t
和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.小样本容量标签下的锂离子电池健康状态评估方法，其特征在于：该方法包括以下步骤：提取特征因子；根据无监督特征优化算法对特征进行优化，优化后的特征进行映射；进行GPR训练；得到电池SOH评估模型。2.根据权利要求1所述的小样本容量标签下的锂离子电池健康状态评估方法，其特征在于：通过无监督的方式来对齐源特征和目标特征的分布来进行特征优化，将二阶统计量进行对齐来匹配分布。3.根据权利要求2所述的小样本容量标签下的锂离子电池健康状态评估方法，其特征在于：将二阶统计量进行对齐来匹配分布时，给定电池训练特征数据对应容量标签L
s
＝{y
i
}及测试特征数据μ
s
、μ
t
和Cs、CT是特征向量均值和协方差矩阵，特征归一化后μ
s
＝μ
t
＝0，而Cs不等于CT，为了最小化电池训练特征和电池测试特征的二阶统计量之间的距离，对初始源特征应用线性变换A并使用Frobenius范数作为矩阵距离度量：4.根据权利要求1所述的小样本容量标签下的锂离子电池健康状态评估方法，其特征在于：采用高斯过程模拟输入特征与电池SOH之间的映射关系。5.根据权利要求4所述的小样本容量标签下的锂离子电池健康状态评估方法，其特征在于：采用高斯过程模拟输入特征与电池SOH之间的映射关系时，假设训练集中有n个输入
‑
输出对，输入、输出和潜在函数值分别表示为X＝[x1,
…
,x
n
]
T
,y＝[y(x1),
…
,y(x
n
)]
T
和f＝[f(x1),
…
,f(x
n
)]
T
。根据GP的性质(即任何有限的随机变量集合服从正态分布)，有：其中k(X,X)是f的协方差矩阵，其第i行第j列的项是k(x
i
,x
j
)，I
n
是一个n
×
n单位矩阵。因此，可以得到模型的对数似然函数如下：6.一种如上述权利要求1
‑
5任意一项所述的小样本容量标签下的锂离子电池健康状态评估系统，其特征在...

【专利技术属性】
技术研发人员：李金中，谢毓广，马伟，高博，计长安，王小明，任曼曼，毛磊，戴浪，章恒，
申请(专利权)人：国网安徽省电力有限公司电力科学研究院，
类型：发明
国别省市：