[发明专利]基于局部信息融合的铅酸电池健康状态预测方法

说明书

本发明公开了一种基于局部信息融合的铅酸电池健康状态预测方法，包括：步骤1、在铅酸电池的放电过程中，以放电循环为单位构成训练样本集；将每次放电循环作为一个样本，并提取相应的时间序列作为特征；步骤2、将原始的训练集按照时间序列划分为若干个样本数目相等子训练集；步骤3、在每个子训练集上训练支持向量回归（SVR）模型，多个SVR组成一个SVR的集合；步骤4、利用集成学习算法将多个训练的SVR模型融合，得到集成的SVR模型；步骤5、给定待查询铅酸电池的一次放电循环，利用集成的SVR模型预测铅酸电池本次放电循环后的健康状态（SOH）。本发明方法预测精度高，泛化能力强。

技术领域

本发明涉及能源技术中的铅酸电池健康状态分析领域，具体地说，是一种基于局部信息融合的铅酸电池健康状态预测方法。

背景技术

在工业界中，铅酸电池因其放电性能良好、使用寿命长、成本低廉等优势被广泛地应用于各种电子系统中。铅酸电池有多种性能参数，其中最重要的一个参数是电池健康状态(State of Health，SOH)，它代表着电池储存电量的能力。准确地预测铅酸电池的SOH对其自身的安全性和可靠性有着重要的意义。

早些年，铅酸电池SOH预测主要采用的是基于经验的方法，例如：积分电流法、安时法和加权安时法。此类方法根据电池使用过程中的一些经验知识，并结合某些统计学规律对电池的SOH进行粗略估计。然而，基于经验的方法只能在电池的经验知识充分的情况下取得令人满意的结果，且预测速度偏慢，具有严重的局限性。随着工业界中铅酸电池使用数量的剧增，基于经验的方法已经无法满足实际应用的需求。

近年来，随着人工智能技术的发展，基于数据驱动的方法越来越受到研究人员的重视。相比于基于经验的方法，基于数据驱动的方法是一种更为有效的方法，它通过各种机器学习算法(例如：支持向量回归算法(Support Vector Regression，SVR)、K近邻算法(KNearest Neighbor，KNN)以及人工神经网络算法(Artificial Neural Network，ANN)对采集的历史数据进行建模，从而有效地预测铅酸电池的SOH。例如：(1)Bhangu B S,BentleyP,Stone D A,et al.,“Nonlinear observers for predicting state-of-charge andstate-of-health of lead-acid batteries for hybrid-electric vehicles”,IEEETransactions on Vehicular Technology,2005,54(3):783-794；(2)Holger B,Oliver B,Stephan B,et al.,“Impedance measurements on lead-acid batteries for state-of-charge,state-of-health and cranking capability prognosis in electric andhybrid electric vehicles”,Journal of Power Sources,2005,144(2):418-425；(3)Singh P,Reisner D.“Fuzzy logic-based state-of-health determination of leadacid batteries”,Telecommunications Energy Conference,2002,1(1):583-590。

尽管基于数据驱动的方法在铅酸电池SOH的预测领域取得了巨大的成功，但此类方法仍然存在缺陷。具体而言，对于大多数基于数据驱动的方法，它们采用基于数据全局信息的方法来训练模型(即直接利用整个数据集来训练模型)，却忽略了数据局部信息之间的联系，从而导致最终的预测模型无法取得最佳的预测性能。实际上，有效地利用数据局部信息之间的联系对提高模型的预测准确率是很有帮助的。

发明内容