【技术实现步骤摘要】
基于部分数据和模型融合的电池健康状态估计方法及设备
[0001]本专利技术涉及电动车辆
、
储能场站或数据中心电池管理
,特别涉及一种基于部分数据和模型融合的电池健康状态估计方法及设备
。
技术介绍
[0002]锂离子电池在使用过程中不可避免地发生容量退化
。
由于复杂的内部电化学反应及老化机理,电池的容量退化通常是强时变
、
非线性的
。
然而,容量作为电池的内部状态无法直接测量
。
电池的健康状态
(SOH)
通常定义为电池当前最大容量与标称容量的百分比
。
准确可靠的电池
SOH
估计对电池管理策略的设计具有重要意义
。
[0003]凭借灵活通用
、
易实现等特点,基于数据驱动的电池
SOH
估计方法已成为一种有效的解决方案
。
数据驱动方法通常需要在电池的充电过程中提取有效的健康特征来建立模型
。
例如,纪冬旭等人公开的申请号为
CN202210504737.1
的专利申请,公开了一种基于神经网络
、
迁移集成学习的锂电池健康状态评估方法,利用完整的恒流恒压充电数据来估计电池健康状态;然而,在实际应用中,电池的初始充电状态是随机的
。
为最大程度地提高当前数据驱动方法的实用性,仅适用部分充电数据实现
SOH
估计是必要的 >。
此外,现有的数据驱动方法通常使用单一模型进行
SOH
估算,其预测精度和稳健性有限
。
更重要的是,由于模型的内在局限性不同,单一模型不能在所有测试数据上达到最佳效果
。
尽管已有部分方法提出了多模型集成来估计
SOH
,例如,爱荷华州立大学
Shen
等人
("Deep convolutional neural networks with ensemble learning and transfer learning for capacity estimation of lithium
‑
ion batteries,"Appl.Energy,vol.260,2020.)
将多个深度神将网络通过神经元加权集成在一起估计电池
SOH
;北京航空航天大学
Cheng
等人
("An ensemble prognostic method for lithium
‑
ion battery capacity estimation based on time
‑
varying weight allocation,"Appl.Energy,vol.266,2020.)
基于诱导有序加权平均算子为每个基模型分配时变权重来实现电池
SOH
融合估计
。
然而,这些现有方法仍然面临基模型单一
、
权重计算复杂
、
泛化性差等问题
。
这些问题都极大地影响了
SOH
估计模型在实用中的鲁棒性
。
技术实现思路
[0004]为了克服上述现有技术的缺陷,本专利技术的目的在于提供一种基于部分数据和模型融合的电池健康状态估计方法及设备,包括基于部分充电数据的特征提取及训练集构建
、
基于交叉验证训练基模型并生成二级数据集
、
训练第二层模型融合多个基模型
、
在线
SOH
融合估计4个步骤;该方法仅从部分充电片段数据中提取健康特征,提高了
SOH
估计模型的实用性;同时,通过将多个异质的基模型利用第二层模型融合起来,实现了基模型的权重自动分配;基于交叉验证的数据集生成保证了模型的泛化性
。
该融合方法的
SOH
估计精度和鲁棒性明显优于单模型,具有重要的工程应用价值
。
[0005]为了达到上述目的,本专利技术的技术方案为:
[0006]基于部分数据和模型融合的电池健康状态估计方法,包括以下步骤:
[0007]步骤
(1)
,基于部分充电数据提取健康特征并构建训练集
[0008]首先,基于电池循环老化实验数据,筛选出充电数据;接着,选择用于建模的片段电压数据,基于该数据提取充电时间
、
充电电压的统计特征;最后,整合每个循环片段数据的统计特征和对应的电池
SOH
值,完成训练数据集的构建;
[0009]步骤
(2)
,基于交叉验证训练基模型并生成二级数据集
[0010]首先,选取多个异质的机器学习模型作为基模型并确定用于交叉验证的数据划分折数;接着,基于步骤
(1)
所构建的训练集,完成多个基模型的训练并保存;最后,将每一折交叉验证的基模型的预测值与其对应的
SOH
真实值拼接在一起,形成二级训练数据集;
[0011]步骤
(3)
,训练第二层模型融合多个基模型
[0012]基于步骤
(2)
中生成的二级训练数据集训练第二层模型,将步骤
(2)
中的多个基模型自动分配权重,即实现了多个基模型的预测值的融合,并保存训练完成的第二层模型;
[0013]步骤
(4)
,电池
SOH
在线融合估计
[0014]首先,在电池的充电过程中,提取步骤
(1)
中所确定的片段充电电压数据,提取该片段数据对应的健康特征;接着,调用步骤
(2)
中训练完成的基模型进行预测,得到多个预测值;最后,将多个基模型的预测值输入步骤
(3)
中的第二层模型,输出得到最终的电池
SOH
估计值,完成电池
SOH
在线融合估计
。
[0015]基于部分数据和模型融合的电池健康状态估计方法的设备,包括存储器和处理器;
[0016]存储器:存储上述基于部分数据和模型融合的电池健康状态估计方法的计算机程序,为计算机可读取的设备;
[0017]处理器:用于执行所述基于部分数据和模型融合的电池健康状态估计方法
。
[0018]一种基于部分数据和模型融合的电池健康状态估计方法的系统,包括用于执行上述基于部分数据和模型融合的电池健康状态估计方法中各个步骤的处理指令模块
。
[0019]一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时能够实现所述的基于部分数据和模型融合的电池健康状态估计方法
。
[0020]与现有技术相比,本专利技术采本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
基于部分数据和模型融合的电池健康状态估计方法,其特征在于,包括以下步骤:步骤
(1)
,基于部分充电数据提取健康特征并构建训练集首先,基于电池循环老化实验数据,筛选出充电数据;接着,选择用于建模的片段电压数据,基于该数据提取充电时间
、
充电电压的统计特征;最后,整合每个循环片段数据的统计特征和对应的电池
SOH
值,完成训练数据集的构建;步骤
(2)
,基于交叉验证训练基模型并生成二级数据集首先,选取多个异质的机器学习模型作为基模型并确定用于交叉验证的数据划分折数;接着,基于步骤
(1)
所构建的训练集,完成多个基模型的训练并保存;最后,将每一折交叉验证的基模型的预测值与其对应的
SOH
真实值拼接在一起,形成二级训练数据集;步骤
(3)
,训练第二层模型融合多个基模型基于步骤
(2)
中生成的二级训练数据集训练第二层模型,将步骤
(2)
中的多个基模型自动分配权重,即实现了多个基模型的预测值的融合,并保存训练完成的第二层模型;步骤
(4)
,电池
SOH
在线融合估计首先,在电池的充电过程中,提取步骤
(1)
中所确定的片段充电电压数据,提取该片段数据对应的健康特征;接着,调用步骤
(2)
中训练完成的基模型进行预测,得到多个预测值;最后,将多个基模型的预测值输入步骤
(3)
中的第二层模型,输出得到最终的电池
SOH
估计值,完成电池
SOH
在线融合估计
。2.
根据权利要求1所述的基于部分数据和模型融合的电池健康状态估计方法,其特征在于,步骤
(1)
具体为:步骤
1.1、
筛选电池循环老化实验的充电过程数据,根据相关性系数分析片段数据与电池
SOH
值的相关性
(
使用如皮尔逊系数
、
斯皮尔曼系数或者灰色关联分析等方法度量相关性
)
,结合实际应用场景,确定相关性较高的片段电压数据用于建模;步骤
1.2、
基于所选择的片段电压数据,计算充电时间
、
充电电压
、
充电温度相关的统计特征,包括电压均值
、
电压方差
、
充电时间最大值
、
充电时间平均值
、
充电温度平均值,提取这些统计特征作为健康特征;步骤
1.3、
整合步骤
1.2
中所提取的健康特征与每个循环所对应的电池
SOH
值,完成训练数据集的构建,用于后续的
SOH
估计建模
。3.
根据权利要求2所述的基于部分数据和模型融合的电池健康状态估计方法,其特征在于,步骤
(2)
具体为:步骤
2.1
,选取基模型并确定交叉验证折数;根据实际应用场景和硬件计算能力,选择多个异质的机器学习模型作为基模型,机器学习模型包括高斯过程回归,支持向量机,极限学习机,神经网络等;确定用...
【专利技术属性】
技术研发人员:徐俊,林川平,蒋德珑,侯嘉洋,马梓玮,梅雪松,
申请(专利权)人:无锡锂云科技有限公司,
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。