[发明专利]一种基于交叉流形嵌入迁移学习的电池SOH预测方法

说明书

本发明公开了一种基于交叉流形嵌入迁移学习的电池SOH预测方法，将电池的一次充放电过程所提取的特征与SOH值作为一个循环的样本点，而辅助电池每一次循环提取的源域数据集和新电池前t次循环提取的目标域数据集在特征空间中被视为两个不同的流形。将新电池的目标域数据作为辅助电池的源域数据的锚点集，对于每一个源域样本点，在锚点集中找到关于SOH值的K个近邻点，求解最优权重使得源域样本点能够映射到K个近邻所在的流形，再根据最优权重与K个近邻的特征将源域样本点的特征进行映射。由此将源域数据集嵌入目标域流形中，从而在不丢失特征维度的情况下实现低维数据的特征迁移，由此提高机器学习方法的跨场景泛化性能。

技术领域

本发明属于电池健康状态评估技术领域，更为具体地讲，涉及一种基于交叉流形嵌入迁移学习的电池SOH预测方法。

背景技术

锂离子电池已广泛用作电动汽车和混合动力电动汽车等储能系统，而电池的性能会随着时间和使用时间的推移而劣化，通常利用以电池容量定义的SOH来描述其健康状态，电池SOH的准确估计有利于电池系统的维护。

如今广泛使用的传统SOH估算方法有以下：电化学模型、电气模型以及基于数据驱动技术的差异分析与机器学习。电化学模型与电气模型皆局限于数据库的大小与先验信息是否充足。而基于数据驱动的差异分析与机器学习等学习方法的有效性，往往基于特定的数据假设，即当其对数据偏好较小时的学习效果比较良好，一旦数据域发生转变时却难以得到保障。

现有研究在对缺乏历史数据的新电池进行性能预测的问题上未能有效解决。然而交叉场景下电池类型、操作形态等环境的不一致会导致电池数据分布不一致，当训练数据与被预测数据分布差异较大时，传统数据驱动方法难以保障模型的可靠性。因此利用辅助电池数据对缺乏先验知识的新电池数据进行SOH估计是当下电池健康状态评估技术领域中亟待解决的一部分。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于交叉流形嵌入迁移学习的电池SOH预测方法，利用少量的新电池数据，寻找一种针对辅助电池数据集特征的流形映射，实现源域到目标域的迁移，且消除数据间的分布差异，从而实现对目标新电池的SOH估计。

为实现上述发明目的，本发明一种基于交叉流形嵌入迁移学习的电池SOH预测方法，其特征在于，包括以下步骤：

(1)、提取特征

(1.1)、提取辅助电池S在每一次完整充放电过程中的m维特征向量，以及健康状态SOH，由这些特征向量与SOH构成源域其中，X与Y分别表示特征向量集合与SOH集合，x与y分别表示单次提取的特征向量和健康状态SOH，n表示辅助电池S在整个寿命周期的总循环次数；

(1.2)、提取新电池T在前t次完整充放电过程中的m维特征向量，以及健康状态SOH，由这些特征向量与SOH构成目标域其中，Y^T∈[a,b]，

(2)、数据预处理

利用matlab中的mapminmax函数分别对D_source和D_target中的特征向量x进行归一化，健康状态y不变，然后再利用matlab中的smooth函数分别进行滤波平滑化处理，处理完成后的源域记为目标域记为

(3)、流形映射

(3.1)、将步骤(2)处理后的目标域作为流形映射的锚点集D_anchor，即：

(3.2)、从源域中选择辅助集D_train；

从步骤(2)处理后的源域中选取与锚点集D_anchor的SOH处于同一区间[a,b]的电池数据作为流形映射的对象，构成辅助集