【技术实现步骤摘要】
本专利技术属于锂电池健康状态预测，具体涉及一种基于twp-svr的锂电池健康状态预测方法。
技术介绍
1、锂电池作为一种新型的清洁能源，具有能量和功率密度高、循环寿命长、污染小、自放电率低等优点。这些特点使得锂电池在许多领域中得到了广泛应用，例如电动汽车、无人机、智能手机等。然而，随着锂电池的广泛应用和日益普及，电池健康管理(batterymanagement system，bms)和电池健康状态(state of health，soh)预测已成为很多领域的关键挑战和热点研究问题。准确评估电池健康对于确保其在系统内的安全高效运行至关重要。
2、现阶段，对于锂电池soh的预测主要分为基于建立模型法和数据驱动的预测法，其中建立模型法主要包括电池机理的电化学模型法和等效电路法，能够模拟广泛的操作条件以及基于电池机理能够提供对电池内部化学反应过程的洞察，然而模型法需要准确详细的电化学模型，而且会受模型参数或假设的不确定性的限制，因而无法很好的推广到不同的锂电池应用系统中。基于数据驱动的预测法是采用机器学习算法和数据挖掘技术，利用实时采集的电池数据进行数据处理和分析，最后通过建立锂电池的健康特征与soh之间的非线性关系完成预测，常见的机器学习算法有神经网络、支持向量机、随机森林、高斯过程回归等。其中支持向量回归(supportvector regression，svr)基于支持向量机(supportvector machine，svm)算法的思想而来，具有强大的泛化能力，同时也适用于小样本、高纬度问题，具有完善的理论基础。p>
3、公开号为cn116341375a的中国专利申请公开了一种基于info-svr算法的储能电池剩余寿命预测方法，利用info算法的更强的探索、逃避局部最优能力和更快开发收敛速度，有效解决svr算法中最优超参数取值问题，具有对储能电池状态更佳的预测效果及精度。但该方法在特征提取方面并未详细说明特征提取的方法以及模型的输入，并且info算法在寻找svr超参数时可能会遇到对样本大小敏感、不适用于非线性问题、超参数搜索困难等问题。
4、公开号为cn116774045a的中国专利申请公开了一种基于hho-svr的锂电池健康状态预测方法，通过hho优化算法对svr模型进行寻优，以提取的充电电压曲线的5种特征构成的矩阵作为输入，电池的soh作为输出。该方法虽然能够实现采用少量数据提高对锂电池soh的预测精度，但其对特征的评估只采用皮尔森系数，不够充分，并且对svr模型的评价只采用均方误差mse，没有对模型的泛化性能进行深入分析。
5、因此，如何有效地进行全面的特征提取，解决svr模型参数选择困难的问题，以及如何加强svr模型的泛化能力，在实际应用中值得进一步探究。
技术实现思路
1、鉴于上述，本专利技术的目的是提供一种基于twp-svr的锂电池健康状态预测方法，结合动态规划方法构建时间规整图twp以提取锂电池的四个间接健康特征并进行相关性评估，通过网格搜索与交叉验证进行对svr预测模型的参数进行寻优，最终利用训练验证后的svr预测模型进行锂电池健康状态预测，能够保证特征提取的全面性和准确性，优化参数选择过程，使预测模型的泛化能力得到加强，预测精度得到提升，能够为故障诊断以及健康状态监测等提供技术参考。
2、为实现上述专利技术目的，本专利技术提供的技术方案如下：
3、本专利技术实施例提供的一种基于twp-svr的锂电池健康状态预测方法，包括以下步骤：
4、基于锂电池充放电循环的放电序列数据构造距离矩阵，根据距离矩阵构建时间规整图twp，根据时间规整图twp中的相位差异序列提取锂电池的间接健康特征；
5、通过皮尔森、肯德尔和斯皮尔曼相关性系数评估间接健康特征与锂电池容量衰减的相关性，将满足相关性评估条件的间接健康特征进行归一化处理后作为样本构建训练集和测试集；
6、构建svr预测模型，利用训练集和测试集通过网格搜索与交叉验证的方式对svr预测模型的参数进行训练和验证，得到训练验证后的svr预测模型；
7、利用训练验证后的svr预测模型进行锂电池健康状态预测。
8、优选地，所述基于锂电池充放电循环的放电序列数据构造距离矩阵，包括：
9、获取锂电池充放电循环的放电序列数据，将锂电池第一次放电序列作为参考序列s0＝{s0(1),s0(2),s0(3),…,s0(m),…,s0(m)}，此后第k次放电序列作为采样序列sk＝{sk(1),sk(2),sk(3),…,sk(n),…,sk(n)}，1≤k≤k，k为放电序列的总次数；
10、为使参考序列和采样序列在时间上实现最优匹配，采用动态规划方法根据参考序列s0和采样序列sk中任意两点的欧氏距离构造n×m的距离矩阵a：
11、
12、其中，dmn为s0(m)和sk(n)两个点的欧式距离，1≤m≤m，1≤n≤n。
13、优选地，所述根据距离矩阵构建时间规整图twp，包括：
14、将距离矩阵的对角线和反对角线作为相位参考系构建时间规整图twp，其中t为放电时间，为相位，并将相位参考系的原点固定在(1,1)处，将时间规整图twp的规整路径上每一点wk进行坐标转换，得到最优规整路径wwbest＝{w1,w2,w3,…,wk,…,wk}；
15、最优规整路径wwbest转化为时间规整图twp中的相位差异序列的公式如下：
16、
17、
18、
19、其中，为t时刻的相位，δwk＝wk+1-wk即两点的相位差。
20、优选地，所述根据时间规整图twp中的相位差异序列提取锂电池的间接健康特征，包括：
21、根据时间规整图twp中的相位差异序列提取四个统计特征f1、f2、f3和f4作为锂电池的间接健康特征，用于表示锂电池采样序列和参考序列的相位差异，公式如下：
22、
23、其中，统计特征f1为相位差异序列与横轴的偏差；统计特征f2为相位差异序列的时间变化率；统计特征f3为相位差异序列的相位平均值；统计特征f4为相位差异序列中相位最大值与最小值之和，体现了序列的波动性；统计特征f1、f2、f3和f4越大表明锂电池采样序列和参考序列的相位差异越大。
24、优选地，所述通过皮尔森、肯德尔和斯皮尔曼相关性系数评估间接健康特征与锂电池容量衰减的相关性，包括：
25、皮尔森相关性系数pearson为：
26、
27、肯德尔相关性系数kendall为：
28、
29、斯皮尔曼相关性系数spearman为：
30、
31、其中，k为放电序列的总次数，1≤k<l≤k，fk为第k次循环的某一个间接健康特征，fl为第l次循环的与fk对应的某一个间接健康特征，为多次循环的某一个间接健康特征的平均值，qk为第k次循环的电池容量，q本文档来自技高网...
【技术保护点】
1.一种基于TWP-SVR的锂电池健康状态预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于TWP-SVR的锂电池健康状态预测方法，其特征在于，所述基于锂电池充放电循环的放电序列数据构造距离矩阵，包括：
3.根据权利要2所述的基于TWP-SVR的锂电池健康状态预测方法，其特征在于，所述根据距离矩阵构建时间规整图TWP，包括：
4.根据权利要求3所述的基于TWP-SVR的锂电池健康状态预测方法，其特征在于，所述根据时间规整图TWP中的相位差异序列提取锂电池的间接健康特征，包括：
5.根据权利要求1或4所述的基于TWP-SVR的锂电池健康状态预测方法，其特征在于，所述通过皮尔森、肯德尔和斯皮尔曼相关性系数评估间接健康特征与锂电池容量衰减的相关性，包括：
6.根据权利要求1所述的基于TWP-SVR的锂电池健康状态预测方法，其特征在于，所述相关性评估条件，为同时满足皮尔森、肯德尔和斯皮尔曼相关性系数范围在0.9-1.0。
7.根据权利要求1所述的基于TWP-SVR的锂电池健康状态预测方法，其特征在于，
8.根据权利要求1所述的基于TWP-SVR的锂电池健康状态预测方法，其特征在于，所述利用训练集和测试集通过网格搜索与交叉验证的方式对SVR预测模型的参数进行训练和验证，包括：
9.根据权利要求1所述的基于TWP-SVR的锂电池健康状态预测方法，其特征在于，采用均方误差、平均绝对误差、均方根误差和决定系数这四个指标来评估训练验证后的SVR预测模型的预测性能。
10.根据权利要求1所述的基于TWP-SVR的锂电池健康状态预测方法，其特征在于，所述利用训练验证后的SVR预测模型进行锂电池健康状态预测，包括：
...【技术特征摘要】
1.一种基于twp-svr的锂电池健康状态预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于twp-svr的锂电池健康状态预测方法，其特征在于，所述基于锂电池充放电循环的放电序列数据构造距离矩阵，包括：
3.根据权利要2所述的基于twp-svr的锂电池健康状态预测方法，其特征在于，所述根据距离矩阵构建时间规整图twp，包括：
4.根据权利要求3所述的基于twp-svr的锂电池健康状态预测方法，其特征在于，所述根据时间规整图twp中的相位差异序列提取锂电池的间接健康特征，包括：
5.根据权利要求1或4所述的基于twp-svr的锂电池健康状态预测方法，其特征在于，所述通过皮尔森、肯德尔和斯皮尔曼相关性系数评估间接健康特征与锂电池容量衰减的相关性，包括：
6.根据权利要求1所述的基于twp-svr的锂电池...
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。