【技术实现步骤摘要】
本申请涉及电池，尤其涉及一种基于元学习的锂电池健康状态估计方法及装置。
技术介绍
1、电池管理系统(英文全称：battery management system，简称：bms)通过实时监测电池的工作状态，可以获取电池的运行数据并进行分析。通过对电池的soh(英文全称：state of health，表示电池的健康状态/状况)进行准确评估，bms能够及时发现电池的衰退和潜在故障，从而采取相应的措施(例如，报警、限制充放电等)以确保电池的安全运行。
2、现有的电池健康状态估计方法主要为基于神经网络的广义健康状态估计方法，这种方式通过在目标任务上进行有限的训练来快速适应新任务，减少了从头开始训练模型的时间成本和计算成本。但是，这种方法的泛化能力较弱，其依赖预训练模型和特定任务的相似性，对于与预训练模型相似的任务效果会更好，对于与预训练模型不相似的任务，则需要更多的训练数据和调整才能达到良好的性能。
技术实现思路
1、本申请实施例通过提供一种基于元学习的锂电池健康状态估计方法，解决了现有的电池健康状态估计方法的泛化能力较弱的问题。
2、第一方面，本申请实施例提供了一种基于元学习的锂电池健康状态估计方法，包括：将电池特征数据进行数据清洗与标准化处理得到电池特征数据集；构建融合不确定性模型；其中，所述融合不确定性模型包括多个堆叠的时频融合模块与不确定性预测模块；以元学习算法与所述融合不确定性模型分别为元学习器与基学习器构建状态预测模型；利用所述电池特征数据集在不同电池情
3、结合第一方面，在一种可能的实现方式中，所述时频融合模块包括时域组件、频域组件和融合组件；所述时域组件用于提取所述电池特征数据的时域信号；所述频域组件用于将所述时域信号转换为全局时域信号；所述融合组件用于融合所述时域信号与所述全局时域信号。
4、结合第一方面，在一种可能的实现方式中，所述将所述时域信号转换为全局时域信号，包括：对所述时域信号进行快速傅里叶变换得到频域信号；提取所述频域信号的信号特征，对所述信号特征进行多层卷积得到所述信号特征的虚数序列；其中，所述信号特征包括所述频域信号的幅值和相角；对所述虚数序列进行快速逆傅里叶变换得到所述全局时域信号。
5、结合第一方面，在一种可能的实现方式中，所述电池特征数据包括电池的电流、电压与温度。
6、结合第一方面，在一种可能的实现方式中，所述状态预测模型包括证据深度学习模块；所述证据深度学习模块用于得到所述状态预测模型的预测结果的置信区间。
7、结合第一方面，在一种可能的实现方式中，所述利用所述电池特征数据集训练所述状态预测模型前，还包括：将所述电池特征数据集划分为支撑集与查询集以满足元学习所需的训练任务和目标任务。
8、结合第一方面，在一种可能的实现方式中，所述利用所述电池特征数据集在不同电池情况下训练所述状态预测模型，包括：为所述状态预测模型设置损失函数与模型参数；分别在不同电池情况的训练任务与目标任务下训练所述状态预测模型。
9、结合第一方面，在一种可能的实现方式中，所述基于训练后的所述状态预测模型获得电池的健康状态估计，包括：在训练后的所述状态预测模型中输入所述电池特征数据；根据在训练任务上学习到的初始化参数调整目标任务的支撑集；得到所有时刻的所述电池特征数据对应的电池的健康状态估计值和置信区间。
10、第二方面，本申请实施例提供了一种基于元学习的锂电池健康状态估计装置，包括：预处理模块，用于将电池特征数据进行数据清洗与标准化处理得到电池特征数据集；第一构建模块，用于构建融合不确定性模型；其中，所述融合不确定性模型包括多个堆叠的时频融合模块与不确定性预测模块；第二构建模块，用于以元学习算法与所述融合不确定性模型分别为元学习器与基学习器构建状态预测模型；状态估计模块，用于利用所述电池特征数据集在不同电池情况下训练所述状态预测模型，并基于训练后的所述状态预测模型获得电池的健康状态估计；其中，所述电池情况包括电池的类型与工况。
11、第三方面，本申请实施例提供了一种设备，所述设备包括：处理器；用于存储处理器可执行指令的存储器；所述处理器执行所述可执行指令时，实现如第一方面或第一方面任一种可能实现的方式所述的方法。
12、本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
13、本申请实施例通过将电池特征数据清洗与标准化能够保证数据的准确性与可靠性，通过采用时频融合模块能够提取更全面和多样化的特征信息，通过在不同电池情况下训练所述状态预测模型能够得到符合实际使用情况的预测模型，通过状态预测模型能够降低对训练数据的需求。有效解决了现有的电池健康状态估计方法的泛化能力较弱的问题，能够提高电池健康状态预测的准确性与预测效率，增强模型的泛化能力。
本文档来自技高网...【技术保护点】
1.基于元学习的锂电池健康状态估计方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述时频融合模块包括时域组件、频域组件和融合组件；
3.根据权利要求2所述的方法，其特征在于，所述将所述时域信号转换为全局时域信号，包括：
4.根据权利要求1所述的方法，其特征在于，所述电池特征数据包括电池的电流、电压与温度。
5.根据权利要求1所述的方法，其特征在于，所述状态预测模型包括证据深度学习模块；所述证据深度学习模块用于得到所述状态预测模型的预测结果的置信区间。
6.根据权利要求1所述的方法，其特征在于，所述利用所述电池特征数据集训练所述状态预测模型前，还包括：
7.根据权利要求6所述的方法，其特征在于，所述利用所述电池特征数据集在不同电池情况下训练所述状态预测模型，包括：
8.根据权利要求1所述的方法，其特征在于，所述基于训练后的所述状态预测模型获得电池的健康状态估计，包括：
9.基于元学习的锂电池健康状态估计装置，其特征在于，包括：
10.一种用于执行基于元学
...【技术特征摘要】
1.基于元学习的锂电池健康状态估计方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述时频融合模块包括时域组件、频域组件和融合组件；
3.根据权利要求2所述的方法，其特征在于，所述将所述时域信号转换为全局时域信号，包括：
4.根据权利要求1所述的方法，其特征在于，所述电池特征数据包括电池的电流、电压与温度。
5.根据权利要求1所述的方法，其特征在于，所述状态预测模型包括证据深度学习模块；所述证据深度学习模块用于得到所述状态预测模型的预测结果的置信区间。...
【专利技术属性】
技术研发人员：曹相湧，肖文者，王启舟，孟德宇，杨欣可，
申请(专利权)人：西安交通大学，
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。