【技术实现步骤摘要】
本专利技术涉及全钒液流电池健康状态监测，具体为基于交互测度算法优化helm模型全钒液流电池健康状态方法。
技术介绍
1、电池健康状态(soh)监测对于确保电池系统的安全性和可靠性具有重要意义。钒液流电池(vrfb)因其物理结构较其他电池复杂，电池参数复杂性更高，导致soh估计动态准确度更低，估计时间更长。
2、电池的高效运行只能通过准确估计其运行期间的静态参数，如荷电状态(soc)、健康状态(soh)等来实现。soh是表征电池老化程度的重要指标，表示为电池当前可用容量与初始容量的比值，一般认为该值下降到70％～80％时，电池寿命终止eol(end of life)。
3、电池soh预测方法可分为两类：
4、第一类是将等效电路或电化学模型与先进的滤波技术相结合来预测soh，这些方法是基于一系列状态方程来近似电池的电化学过程，如电化学模型、等效电路模型(ecm)、基于自适应滤波器的模型等。
5、模型越复杂，估计所需的计算时间就越长。这一问题在vrfb中更为明显，其中需要复杂的化学模型来估计许多电池参数。例如，电化学模型对于模拟vrfb中的容量衰退是必不可少的，而建模容量衰退则需要估计电池的soh。因此，通常情况下，ecm通常缺乏这些化学方程，无法模拟soh。vrfb的电化学模型比ecm的复杂性高，不适合用于bms设计。另一方面，当非复杂电路元件识别算法伴随ecm时，其计算时间比电化学模型要短。在每个采样时间内在线识别电路元件非常耗时，会导致较高的内存占用，有时还会导致bms故障。全钒液
6、第二类是在不知道确切的电池模型的情况下应用机器学习技术来预测电池soh。测量数据可从充电过程中的电压差曲线中提取，也可从放电过程中的电压序列和放电速率中提取，或从其他相关属性中提取。这些方法的优点是，它们不需要任何电池电化学特性的先验知识来预测电池soh降解，并且基于提前训练的神经网络，大大减少了电池soh估计的计算量与时间。
7、现有的soh预测方法面临着一些挑战：
8、1、基于模型方法的性能在很大程度上依赖于近似电池复杂电化学过程的状态方程的准确性，而全钒液流电池的电化学模型不仅需要考虑离子之间的反应，还需要对流体力学、热学等领域进行研究。
9、2、深度学习的预测方法因为不需要先验知识来训练预测模型，往往涉及大量的电池属性，可能导致对训练数据量和计算能力的高要求。
10、3、训练数据量和预测模型的复杂性决定了训练模型的计算量和模型在实际应用时的计算时间，这是制约soh预测在实际应用中的主要因素。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供基于交互测度算法优化helm模型全钒液流电池健康状态方法，有效的解决了上述技术背景中提到的问题。
2、为实现上述目的，本专利技术提供如下技术方案：本专利技术包括以下步骤：1)测量全钒液流电池充放电属性数据；
3、2)采用交互测度算法对数据进行处理；
4、3)根据交互测度算法得到的结果来预测全钒液流电池未来循环的soh。
5、根据上述技术方案：所述交互测度算法如下：定义一个
6、
7、其中x的每一行表示在一个充放电循环中观察到的电池属性，x中不同属性的细度通常差异较大，导致交互测度偏向尺度较大的属性，使用中位数对齐归一化对不可通约观测数据集进行预处理，保证所有属性共享相同的尺度级别；
8、xj＝{x1j,x2j,...,xqj} (14)
9、对不同属性进行中位数对齐归一化，因此是对列进行归一；
10、m[j]＝mid(xj) (15)
11、
12、g＝{gij} (17)
13、经过预处理后，将观测矩阵x变换为归一化矩阵g；归一化后，操作数据集的所有属性具有相同的中位数和相似的尺度水平。
14、根据上述技术方案：所述采用choquet积分对全钒液流电池属性进行交互度量和显著性分析，choquet积分是lebesgue积分的推广，作为一种定义在模糊测度基础上的非线性函数，模糊积分不需要假设评价指标间的关系是相互独立的，用于评价指标间存在相关性的场景中；
15、
16、其中z为目标值，是属性的集合，是的子集，是在子集上的交互度，是由所有相关属性决定的上求值；
17、choquet积分为预测模型提供了不可加性，并定量地度量了属性之间对目标值的相互作用；将中位数对齐归一化后生成多元回归模型，将归一化矩阵作为训练数据集，从而从操作数据中得出各属性之间的交互测度；
18、
19、其中，y为实际soh，e为不使用属性预测时模型偏差的回归常数，为属性集s上的choquet积分，g为归一化输入值，μ为描述属性间相互作用的非加性测度，n(0,δ2)为期望为0，方差为δ2的正态分布随机扰动，δ2为回归残差。
20、根据上述技术方案：所述步骤1)中假设电池充放电过程的运行数据包含n个属性和q个周期，则交互措施的大小应为2n，等于{x1,x2,...,xn}；为表示不同子集间的相互作用测度，取正整数k＜2n作为指标，用二进制形式k＝knkn-1…kn…k1，每个kn表示第n位的二进制值；
21、表示xk为x＝{x1,x2,...,xn}使得xk的相互作用测度用μk＝μ(xk)表示；当k＝5＝0...01012，k1＝k3＝1,k2＝k4＝...＝kn＝0，则可以用μ5表示子集{x1,x3}的相互作用；
22、为计算(19)中的choquet积分，将归一化观测矩阵g的维数展开，以拟合在x的幂集上定义的相互作用测度μ的大小；给定n个属性和q个循环，将q-by-n归一化矩阵g变换为q-by-2n增广矩阵z；
23、
24、式中i＝1,2,...,q,
25、j＝1,2,...,n，
26、k＝1,2,...,2n-1，
27、kn为k二进制形式的第n位；公式(19)中的非线性多元回归模型用矩阵形式表示
28、
29、交互作用测度涵盖所有可能的属性组合，包括由回归常数e表示的空集，该空集表示不应用属性时的偏差；
30、为了简化监督学习，我们将增广矩阵z与向量μ在公式(21)中的关系表述为线性关系；
31、当z和μ将训练数据集的维数从n扩展到2n时，线性关系足以准确地逼近电池属性与soh值之间的系统函数；
32、在给定操作数据的情况下，利用最小二乘法使残差δ2最小，可以确定μk的解为：
33、μ＝(ztz)-1zty 本文档来自技高网...
【技术保护点】
1.基于交互测度算法优化HELM模型全钒液流电池健康状态方法，其特征在于，包括以下步骤：1)测量全钒液流电池充放电属性数据；
2.如权利要求1所述的基于交互测度算法优化HELM模型全钒液流电池健康状态方法，其特征在于：所述交互测度算法如下：定义一个
3.如权利要求2所述的基于交互测度算法优化HELM模型全钒液流电池健康状态方法，其特征在于：所述采用Choquet积分对全钒液流电池属性进行交互度量和显著性分析，Choquet积分是Lebesgue积分的推广，作为一种定义在模糊测度基础上的非线性函数，模糊积分不需要假设评价指标间的关系是相互独立的，用于评价指标间存在相关性的场景中；
4.如权利要求3所述的基于交互测度算法优化HELM模型全钒液流电池健康状态方法，其特征在于：所述步骤1)中假设电池充放电过程的运行数据包含N个属性和Q个周期，则交互措施的大小应为2N，等于{x1,x2,...,xN}；为表示不同子集间的相互作用测度，取正整数k＜2N作为指标，用二进制形式k＝kNkN-1…kn…k1，每个kn表示第n位的二进制值；
【技术特征摘要】
1.基于交互测度算法优化helm模型全钒液流电池健康状态方法，其特征在于，包括以下步骤：1)测量全钒液流电池充放电属性数据；
2.如权利要求1所述的基于交互测度算法优化helm模型全钒液流电池健康状态方法，其特征在于：所述交互测度算法如下：定义一个
3.如权利要求2所述的基于交互测度算法优化helm模型全钒液流电池健康状态方法，其特征在于：所述采用choquet积分对全钒液流电池属性进行交互度量和显著性分析，choquet积分是lebesgue积分的推广，作...
【专利技术属性】
技术研发人员：周军，郑兆烜，张瑞兰，周家宁，
申请(专利权)人：东北电力大学，
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。