一种基于特征迁移学习混合模型的智能电池健康监测方法技术

本发明专利技术公开了一种基于特征迁移学习混合模型的电池健康监测方法，该方法包括以下步骤：S1、获取电池充电数据作为目标域数据；S2、确定源域数据并利用特征迁移学习训练得到静态监测模型；S3、获取电池放电数据与电动车辆驾驶数据构建动态监测模型；S4、将实时采集的电池数据输入静态监测模型与动态监测模型，分别输出电池健康的静态监测结果与动态监测结果；S5、依据静态监测结果与动态监测结果进行综合健康预测。本发明专利技术通过利用源域数据中存在的知识，通过迁移学习的方式，将这些知识应用到电池健康状态监测的目标域数据中，从而避免对目标域数据重新训练模型，从而节省时间和计算资源。算资源。算资源。

【技术实现步骤摘要】
一种基于特征迁移学习混合模型的智能电池健康监测方法


[0001]本专利技术涉及电池健康监测
，具体来说，涉及一种基于特征迁移学习混合模型的智能电池健康监测方法。

技术介绍

[0002]新能源汽车电池的发展与进程一直都备受关注。近年来，随着全球气候变化的日益严峻，新能源汽车已成为减少温室气体排放和保护环境的重要手段。新能源电动汽车以电能作为主要能源，有利于缓解石油能源危机、减少碳排放。电池作为新能源汽车的核心部件，其性能的优劣往往直接影响到电动汽车行驶的安全性与可靠性，因此需要对电动汽车的动力电池进行管理和维护，保障其正常使用。
[0003]锂离子电池因其能量密度高，重量轻，循环寿命长，自放电量低等优势，被广泛的使用在电动汽车中。为了保证锂离子电池在复杂的行驶条件下高效和安全的运行，需要电池管理系统对电池进行管理。电池健康监测是指对电池进行实时监测和评估，以判断其性能和寿命是否符合预期。电池健康监测对于新能源汽车的安全、可靠性和经济性都非常重要。如果电池性能和寿命不符合预期，可能会导致新能源汽车在使用过程中出现故障，影响用户的体验和信心。因此，对电池进行健康监测，可以帮助提高新能源汽车的安全性、可靠性和经济性。
[0004]电动汽车电池老化情况可以通过电池的健康状态(State of Health，SOH)和剩余使用寿命(Remaining Useful Life，RUL)表示，SOH和RUL是一个无法直接获取的参数。目前，电池健康监测主要采用电化学、温度、压力等传感器监测电池内部状态和行驶过程中的环境参数，并通过数据处理和分析，得出电池的健康状态。此外，还有基于电池模型的监测方法，它可以模拟电池内部的物理和化学反应过程，预测电池的性能和寿命。这些方法都有其优点和缺点，需要根据具体情况进行选择和应用。
[0005]目前，电池健康监测技术已经取得了一定的进展，但仍然存在一些待改进之处。一方面，目前的监测方法主要基于单一参数，难以全面、准确地评估电池的健康状况；另一方面，电池健康监测技术需要更加高效和精确的算法和模型，以满足新能源汽车对电池性能和寿命的要求。
[0006]因此，未来需要继续加强电池健康监测技术的研究和应用，提高新能源汽车的安全、可靠性和经济性。
[0007]针对相关技术中的问题，目前尚未提出有效的解决方案。

技术实现思路

[0008]针对相关技术中的问题，本专利技术提出一种基于特征迁移学习混合模型的智能电池健康监测方法，以克服现有相关技术所存在的上述技术问题。
[0009]为此，本专利技术采用的具体技术方案如下：
[0010]一种基于特征迁移学习混合模型的智能电池健康监测方法，该方法包括以下步
骤：
[0011]S1、获取电池充电数据作为目标域数据；
[0012]S2、确定源域数据并利用特征迁移学习训练得到静态监测模型；
[0013]S3、获取电池放电数据与电动车辆驾驶数据构建动态监测模型；
[0014]S4、将实时采集的电池数据输入静态监测模型与动态监测模型，分别输出电池健康的静态监测结果与动态监测结果；
[0015]S5、依据静态监测结果与动态监测结果进行综合健康预测。
[0016]进一步的，确定源域数据并利用特征迁移学习训练得到静态监测模型包括以下步骤：
[0017]S21、利用自适应择优算法确定最优的源域数据；
[0018]S22、对源域数据与目标域数据进行预处理；
[0019]S23、构建基于特征迁移学习的静态监测模型；
[0020]S24、利用静态监测模型对电池的充电健康状态进行预测。
[0021]进一步的，利用自适应择优算法确定最优的源域数据包括以下步骤：
[0022]S211、利用大数据平台获取同类型电池充电参数作为初始源域数据，并进行汇集构建初始源域数据集合；
[0023]S212、利用散度算法对每个初始源域数据与目标域数据之间的相似度进行计算；
[0024]S213、按照相似度的大小对初始源域数据集合进行排序，选择相似度前三名的初始源域数据作为候选源域数据；
[0025]S214、以候选源域数据作为训练集构建预测试模型，并将目标集数据输入预测试模型进行测试，并分别计算三个模型的性能指标；
[0026]S215、选择性能指标最优的候选源域数据作为最优源域数据。
[0027]进一步的，利用散度算法对每个初始源域数据与目标域数据之间的相似度进行计算包括以下步骤：
[0028]S2121、计算初始源域数据与目标域数据的经验分布；
[0029]S2122、将初始源域数据与目标域数据的经验分布转换为概率分布；
[0030]S2123、分别计算初始源域数据与目标域数据之间、目标域数据与初始源域数据的单向KL距离，并将两个单向KL距离相加取平均值，作为初始源域数据与目标域数据之间的KL距离；
[0031]其中，KL距离的计算公式为：
[0032][0033]式中，D
KL
(P
i
||Q)表示第i个初始源域数据P与目标域数据Q之间的KL距离；
[0034]D(P
i
||Q)表示第i个初始源域数据P至目标域数据Q之间的单向KL距离；
[0035]D(Q||P
i
)表示目标域数据Q至第i个初始源域数据P之间的单向KL距离；
[0036]S2124、根据KL距离来评估初始源域数据与目标域数据之间的相似度，KL距离越小则相似度越高。
[0037]进一步的，构建基于特征迁移学习的静态监测模型包括以下步骤：
[0038]S231、将目标域数据划分为训练样本集与测试样本集；
[0039]S231、对源域数据进行预训练构建静态预训练模型；
[0040]S232、向静态预训练模型输入测试样本集进行微调训练；
[0041]S233、将静态预训练模型迁移至训练样本集，并利用受限玻尔兹曼机降低源域数据与训练样本集的差异，得到静态监测模型。
[0042]进一步的，对源域数据进行预训练构建静态预训练模型包括以下步骤：
[0043]S2311、对源域数据进行归一化与标准化处理；
[0044]S2312、将源域数据输入单层编码器，利用反向传播算法训练自编码器，得到源域数据的特征向量；
[0045]S2313、将多个单层编码器组合成堆栈自编码器，各层之间使用前一层的输出作为输入，将输出层的特征向量作为最终的特征表示；
[0046]S2314、以源域数据与特征表示作为输入数据对支持向量回归机模型进行训练，得到静态预训练模型。
[0047]进一步的，将静态预训练模型迁移至训练样本集，并利用受限玻尔兹曼机降低源域数据与训练样本集的差异，得到静态监测模型包括以下步骤：
[0048]S2331、将源域数据与训练样本集分别输入至静态预训练模型中进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征迁移学习混合模型的电池健康监测方法，其特征在于，该方法包括以下步骤：S1、获取电池充电数据作为目标域数据；S2、确定源域数据并利用特征迁移学习训练得到静态监测模型；S3、获取电池放电数据与电动车辆驾驶数据构建动态监测模型；S4、将实时采集的电池数据输入所述静态监测模型与所述动态监测模型，分别输出电池健康的静态监测结果与动态监测结果；S5、依据所述静态监测结果与所述动态监测结果进行综合健康预测。2.根据权利要求1所述的一种基于特征迁移学习混合模型的电池健康监测方法，其特征在于，所述确定源域数据并利用特征迁移学习训练得到静态监测模型包括以下步骤：S21、利用自适应择优算法确定最优的源域数据；S22、对所述源域数据与所述目标域数据进行预处理；S23、构建基于特征迁移学习的静态监测模型；S24、利用所述静态监测模型对电池的充电健康状态进行预测。3.根据权利要求2所述的一种基于特征迁移学习混合模型的电池健康监测方法，其特征在于，所述利用自适应择优算法确定最优的源域数据包括以下步骤：S211、利用大数据平台获取同类型电池充电参数作为初始源域数据，并进行汇集构建初始源域数据集合；S212、利用散度算法对每个所述初始源域数据与所述目标域数据之间的相似度进行计算；S213、按照所述相似度的大小对所述初始源域数据集合进行排序，选择所述相似度前三名的所述初始源域数据作为候选源域数据；S214、以所述候选源域数据作为训练集构建预测试模型，并将所述目标集数据输入所述预测试模型进行测试，并分别计算三个模型的性能指标；S215、选择所述性能指标最优的所述候选源域数据作为最优源域数据。4.根据权利要求3所述的一种基于特征迁移学习混合模型的电池健康监测方法，其特征在于，所述利用散度算法对每个所述初始源域数据与所述目标域数据之间的相似度进行计算包括以下步骤：S2121、计算所述初始源域数据与所述目标域数据的经验分布；S2122、将所述初始源域数据与所述目标域数据的经验分布转换为概率分布；S2123、分别计算所述初始源域数据与所述目标域数据之间、所述目标域数据与所述初始源域数据的单向KL距离，并将两个所述单向KL距离相加取平均值，作为所述初始源域数据与所述目标域数据之间的KL距离；其中，所述KL距离的计算公式为：式中，D
KL
(P
i
||Q)表示所述第i个初始源域数据P与目标域数据Q之间的KL距离；D(P
i
||Q)表示第i个初始源域数据P至目标域数据Q之间的单向KL距离；D(Q||P
i
)表示目标域数据Q至第i个初始源域数据P之间的单向KL距离；
S2124、根据所述KL距离来评估所述初始源域数据与所述目标域数据之间的相似度，所述KL距离越小则相似度越高。5.根据权利要求2所述的一种基于特征迁移学习混合模型的电池健康监测方法，其特征在于，所述构建基于特征迁移学习的静态监测模型包括以下步骤：S231、将所述目标域数据划分为训练样本集与测试样本集；S231、对所述源域数据进行预训练构建静态预训练...

【专利技术属性】
技术研发人员：沈钰杰，王锦森，黄荣楠，徐兴，
申请(专利权)人：江苏大学扬州江都新能源汽车产业研究所，
类型：发明
国别省市：