基于协同学习的电池容量预测方法技术

本发明专利技术公开了基于协同学习的电池容量预测方法，主要包括的步骤为数据采集与预处理、数据输入、历史时序协同学习、模型参数融合、异构协同学习和模型存储；将电池时序特征序列按照时间分割，并输入到两个独立的神经网络中，每个网络根据预测误差选择“干净”的样本，形成样本集S

【技术实现步骤摘要】
基于协同学习的电池容量预测方法


[0001]本专利技术属于电池容量预测
，尤其涉及基于协同学习的电池容量预测方法。

技术介绍

[0002]电动车市场迅速发展，锂电池成为二轮车换电行业重要组成部分。然而随着电池使用的时间变长，电池性能不断退化，导致电池容量和功率发生衰退。如何正确的得到电池经过使用后的电池容量，并找出电池容量不足的电池进行回收处理，成为一个重要的课题。
[0003]目前存在许多不同的方法来解决这一问题，例如开路电压法、Ah定量法、基于模型的方法、神经网络法等等。不同的方法因电池的特性、不同的场景、数据可用性上大不相同。前几种方式对数据的要求非常高，因此在实际使用中的效果比较差。目前比较流行的数据驱动中的神经网络法，在构建合适的模型下可以得到不错的效果。
[0004]然而，随着环境的改变(温度、充电次数不同)，同品牌电池在不同生产时期、不同品牌电池之间存在电容误差，这常常影响电池性能预测模型的精确度和泛化能力。神经网络法在处理异构性和分布迁移时表现不佳，且神经网络模型因为强大的拟合能力或早或晚会将噪音标签学习到模型中，因此需要一种能够提升模型鲁棒性和泛化能力的新方法。

技术实现思路

[0005]专利技术目的：为了克服现有技术中存在的不足，本专利技术提供基于协同学习的电池容量预测方法，基于协同学习的电池电容预测技术能够充分利用不同品牌和时期的数据，提高预测准确性、鲁棒性和泛化能力，实现更精确的电池容量预测。
[0006]技术方案：为实现上述目的，本专利技术的基于协同学习的电池容量预测方法，具体步骤如下：
[0007]步骤S1：数据采集与预处理
[0008]收集不同品牌电池的上报时序特征序列数据以及实验室条件下的充放电特征序列数据，然后对数据进行包括缺失值填充、异常值处理和特征归一化的预处理，以保证数据质量；
[0009]步骤S2：数据输入
[0010]将预处理后的电池时序特征序列作为输入数据，确保数据准备就绪；
[0011]步骤S3：历史时序协同学习
[0012]将电池时序特征序列按照时间分割，并输入到两个独立的神经网络中，每个网络根据预测误差选择“干净”的样本，形成样本集S
1，t
S
2，t
，更新两个独立的神经网络对应的网络参数ω1和ω2，使两个神经网络逐渐从对方的噪声数据中学习，提高鲁棒性和泛化能力；
[0013]步骤S4：模型参数融合
[0014]选择参数平均、加权平均或堆叠方式利用融合函数f将两个网络的权重参数进行融合，融合后的权重参数ω
f
用于时序电池电容的预测；
[0015]步骤S5：异构协同学习
[0016]将电池品牌特征序列按照品牌分割，并输入到两个独立的神经网络中，根据预测误差选择选择“干净”的样本，对应两个独立的神经网络的权重参数ω
f
分别初始化ω
f1
和ω
f2
，即为更新网络参数ω
f1
和ω
f2
，ω1＝ω
f1
，ω2＝ω
f2
；
[0017]步骤S6：模型存储
[0018]将经过融合后的权重参数ω
f1
和ω
f2
进行存储，作为电池电容预测模型的最终结果；步骤S7：评估与优化
[0019]使用测试数据评估模型的性能，根据预测准确性和鲁棒性进行模型的优化；
[0020]步骤S8：应用与部署
[0021]将经过优化的电池电容预测模型应用于实际场景中，对不同品牌和不同时期的电池进行电容预测，确保模型在实际环境中能够稳定运行并产生准确的预测结果。
[0022]进一步地，在步骤S2中，数据输入包括不同品牌、不同时期的使用中电池的上报时序特征序列数据与实验室条件下的精确的完成充电放电特征序列数据。
[0023]进一步地，在步骤S3中，设X
t
表示在时间步t的特征集合，y
t
表示其真实标签，每个网络通过前馈传递来处理电池的时序特征序列，并在每个时间步上选择性的挑选出“干净”的数据样本，即预测误差较小的样本；
[0024]对于网络n，n∈{1，2}，选择出一部分样本集S
n，t
，其中，S
n，t
包含在时间步t上，网络n认为误差较小的样本，该样本被用于模型的更新和反向传播：
[0025]S_{n，t}＝\{x_i\mid x_i\in D_{t}，i\in
ext{top}(k，\min_i(
ext{error}{n，t}(x i)))\}
[0026]其中：X
t
表示时间步t上的全部样本合集；
ext{error}_{n，t}(x_i)表示网络n在时间步t上对样本x
i
的预测误差。
[0027]进一步地，在步骤S3，历史时序协同学习包括两个神经网络，具体步骤如下：
[0028]S3.1：每个神经网络初始化一个参数ω，即ω1与ω2；
[0029]S3.2：在每个时间步t下，根据输入的特征序列X
t
提取一个mini
‑
batchD
t
；
[0030]S3.3：在D
t
集合的基准下，计算：
[0031]S_{n，t}＝\{x_i\mid x_i\in D_{t}，i\in
ext{top}(k，\min_i(
ext{error}_{n,t}(x_i)))\}
[0032]得到S
1，t
S
2，t
；
[0033]其中：D
t
表示时间步t上的全部样本集合；
[0034]
ext{error}_{n，t}(x_i)＝\|y_{i，A}
‑
y_i\|表示样本集D
t
中样本i的预测标签y
i，A
与真实标签y
i
的差异；
[0035]\min_i(
ext{error}_{n，t}(x_i))表示在样本集合D
t
中选择具有最小预测误差的样本；
[0036]
ext{top}(k，\min_i(
ext{error}_{n，t}(x_i)))表示选择具有最小预测误差的样本中的前k个样本，k为超参数；
[0037]S3.4：网络1的参数为ω1，网络2的参数为ω2，更新两个神经网络的权重参数网络ω：
[0038][0039][0040]其中：ω
1，t+1
和ω
2，t+1
是更新后的参数，η是学习效率，是损失函数，是损失函数关于参数ω1、ω2的梯度；
[0041]S3.5：更新超参数k；
[0042]S3.6：重复步骤S3.2～S3.5，直至指定迭代次数；
[0043本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于协同学习的电池容量预测方法，其特征在于：具体步骤如下：步骤S1：数据采集与预处理收集不同品牌电池的上报时序特征序列数据以及实验室条件下的充放电特征序列数据，然后对数据进行包括缺失值填充、异常值处理和特征归一化的预处理，以保证数据质量；步骤S2：数据输入将预处理后的电池时序特征序列作为输入数据，确保数据准备就绪；步骤S3：历史时序协同学习将电池时序特征序列按照时间分割，并输入到两个独立的神经网络中，每个网络根据预测误差选择“干净”的样本，形成样本集S
1，t
S
2，t
，更新两个独立的神经网络对应的网络参数ω1和ω2，使两个神经网络逐渐从对方的噪声数据中学习，提高鲁棒性和泛化能力；步骤S4：模型参数融合选择参数平均、加权平均或堆叠方式利用融合函数f将两个网络的权重参数进行融合，融合后的权重参数ω
f
用于时序电池电容的预测；步骤S5：异构协同学习将电池品牌特征序列按照品牌分割，并输入到两个独立的神经网络中，根据预测误差选择选择“干净”的样本，对应两个独立的神经网络的权重参数ω
f
分别初始化ω
f1
和ω
f2
，即为更新网络参数ω
f1
和ω
f2
，ω1＝ωf1，ω2＝ω
f2
；步骤S6：模型存储将经过融合后的权重参数ω
f1
和ω
f2
进行存储，作为电池电容预测模型的最终结果；步骤S7：评估与优化使用测试数据评估模型的性能，根据预测准确性和鲁棒性进行模型的优化；步骤S8：应用与部署将经过优化的电池电容预测模型应用于实际场景中，对不同品牌和不同时期的电池进行电容预测，确保模型在实际环境中能够稳定运行并产生准确的预测结果。2.根据权利要求1所述的基于协同学习的电池容量预测方法，其特征在于：在步骤S2中，数据输入包括不同品牌、不同时期的使用中电池的上报时序特征序列数据与实验室条件下的精确的完成充电放电特征序列数据。3.根据权利要求2所述的基于协同学习的电池容量预测方法，其特征在于：在步骤S3中，设X
t
表示在时间步t的特征集合，y
t
表示其真实标签，每个网络通过前馈传递来处理电池的时序特征序列，并在每个时间步上选择性的挑选出“干净”的数据样本，即预测误差较小的样本；对于网络n，n∈{1，2}，选择出一部分样本集S
n，t
，其中，S
n，t
包含在时间步t上，网络n认为误差较小的样本，该样本被用于模型的更新和反向传播：S_{n，t}＝\{x_i\mid x_i\in D_{t}，i\in\text{top}(k，\min_i(\text{error}_{n，t}(x_i)))\}其中：X
t
表示时间步t上的全部样本合集；\text{error}_{n，t}(x_i)表示网络n在时间步t上对样本x
i
的预测误差。4.根据权利要求3所述的基于协同学习的电池容量预测方法，其特征在于：在步骤S3，
历史时序协同学习包括两个神经网络，具体步骤如下：S3.1：每个神经网络初始化一个参数ω，即ω1与ω2；S3.2：在每个时间步t下，根据输入的特征序列X
t
提取一个mini
‑
batchD
t
；S3.3：在D
t
集合的基准下，计算：S_{n，t}=\{x_i\mid x_i\in D_{t}，i\in\text{top}(k，\min_i(\text{error}_{n，t}(x_i)))\}得到S
1,t
S
2，t
；其中：D
t
表示时间步t上的全部样本集合；\text{error}_{n，t}(x_i)＝\|y_{i，A}
‑
y_i\|表示样本集D
t
中样本i的预测标签y
i，A

【专利技术属性】
技术研发人员：程禹斯，蔡钺，
申请(专利权)人：上海智租物联科技有限公司，
类型：发明
国别省市：