【技術實現(xiàn)步驟摘要】
本專利技術涉及電池健康狀態(tài)監(jiān)測，尤其涉及一種基于熵特征技術的電池健康狀態(tài)監(jiān)測方法。
技術介紹
1、鋰離子電池具有高能量密度以及可簡單管理的優(yōu)點，被廣泛運用于儲能領域、電動汽車等各種場景，然而，在鋰電池的不斷使用和不斷發(fā)展中出現(xiàn)了許多問題與挑戰(zhàn)，其中最熱門的話題就是鋰電池在重復使用過程中發(fā)生的容量退化，電池化學材料的變化和外部物理環(huán)境的影響都可能導致容量退化，容量退化的結果不僅會導致電池的使用效果變差，還會導致電池在使用中出現(xiàn)安全隱患。因此，鋰電池的健康狀況監(jiān)測技術就成為了重中之重，通過電池管理系統(tǒng)監(jiān)測電池的健康狀況（soh）和剩余壽命（rul）可以有效地提高鋰電池的使用效果，以及避免可能存在的安全問題。
2、近幾年來，研究者們對此方面的研究已經(jīng)獲得了深入進展，由于鋰電池內部參數(shù)測量的技術困難，soh的估計通常使用方便測量的外部參數(shù)數(shù)據(jù)，如電池的電流、電壓、溫度等，通過收集到的外部數(shù)據(jù)，結合現(xiàn)有的兩大類研究方法：基于模型和數(shù)據(jù)驅動，來完成soh的準確估計。隨著人工智能的出現(xiàn)及其高速發(fā)展，數(shù)據(jù)驅動的方法逐漸成為主流，相比于基于模型的方法，數(shù)據(jù)驅動方法不需要考慮電池內部復雜的反應原理以及老化機制，只需利用數(shù)據(jù)集進行深度學習就能達到理想的預測效果，逐漸受到研究者們的青睞。然而數(shù)據(jù)的完整性、相關性和高質量性都對電池soh的準確估計造成挑戰(zhàn)，因此，如何通過外部電壓數(shù)據(jù)準確估計電池健康狀況成為亟待解決的重要問題。
技術實現(xiàn)思路
1、本專利技術的其他特征和優(yōu)點將在隨后的說明書中闡述，并
2、本專利技術的目的在于克服上述不足，提供了一種基于熵特征技術的電池健康狀態(tài)監(jiān)測方法。
3、本專利技術解決其技術問題的所采用的技術方案是：一種基于熵特征技術的電池健康狀態(tài)監(jiān)測方法，包括以下步驟：
4、數(shù)據(jù)的采集，采集電池循環(huán)使用過程中產生的電壓信號；
5、信息熵特征的提取與篩選，提取并篩選電壓信號中的信息熵特征；
6、信息熵特征的訓練與預測，將信息熵特征輸入至cpo-wlssvm-adaboost模型進行訓練，并輸出電池的健康狀態(tài)估計值。
7、本專利技術通過提取出電壓信號中的信息熵特征，再使用cpo-wlssvm-adaboost模型進行訓練和預測，實現(xiàn)了實現(xiàn)電池健康狀態(tài)的準確估計。
8、在一些實施例中，在信息熵特征的提取與篩選中，電壓信號的范圍為3.5v-4.19v。本專利技術對3.5v-4.19v的充電電壓段每0.1v進行了劃分，共劃分出7個電壓段，對每個電壓段都進行了信息熵特征提取。
9、在一些實施例中，在信息熵特征的提取與篩選中，電壓信號的范圍為3.6v-3.7v。本專利技術優(yōu)選充電電壓段為3.6v-3.7v中的信息熵特征。
10、在一些實施例中，信息熵特征包括功率譜熵特征、散布熵特征。功率譜熵代表了電池在循環(huán)中不確定性的一種度量，隨著電池壽命的減少，不確定性會增加，電壓數(shù)據(jù)中的功率譜熵大小也會隨之增大；散布熵克服了近似熵、樣本熵與排列熵的部分缺陷，具有計算速度快、受突變信號影響較小等優(yōu)點，在信號監(jiān)測和異常判斷方面得到了較好的應用，散布熵代表了電池在循環(huán)中的不規(guī)則性和復雜性，隨著電池壽命的減少，不規(guī)則性和復雜性都會增加，電壓數(shù)據(jù)中的散布熵大小也會增大。
11、在一些實施例中，功率譜熵特征的提取步驟為：
12、使用傅里葉變換將離散電壓信號變換為功率譜；
13、根據(jù)帕賽瓦爾定理，計算出各個功率譜的能量之和；
14、根據(jù)功率譜所占的比例以及功率譜能量的大小計算出功率譜熵特征psde，公式為：
15、，其中，表示輸入的電壓段，表示對該電壓段做傅里葉變換，表示所得到的功率譜，表示第k個功率譜在整個譜中所占的百分比，也表示第k個頻率成分出現(xiàn)的概率，表示該輸入電壓段所能產生的最大的功率譜熵，用于歸一化。
16、在一些實施例中，散步熵是一種用于評估非線性時間序列不規(guī)則性、復雜性的方法，計算一個長度為?n?的時間序列的散布熵，步驟為：
17、采用線性或非線性映射函數(shù)將非線性時間序列映射到；
18、采用線性變換式將每個賦值給的整數(shù)，其中，表示經(jīng)過線性變換以后得到的分類信號的第j個元素，round為取整函數(shù)，c為類別個數(shù)；
19、計算嵌入向量，創(chuàng)建具有嵌入維數(shù)m和時間延遲d的嵌入向量，公式為：
20、；
21、利用將每個序列映射到中，則為的散布模式，每個嵌入向量都對應一個散布模式，其元素，是嵌入向量的第一個元素，是第二個元素，以此類推，
22、由于為中有m個元素，每個元素又有c種取值，所以散布模式數(shù)等于；
23、對于種散布模式，每種散布模式的概率如下：
24、，
25、其中，表示分配給時間序列的散布模式為的個數(shù)，表示分配給時間序列的散布模式的數(shù)量除以嵌入向量的總個數(shù)；
26、最后根據(jù)香農熵的定義，計算出散布熵（de）的值，公式為：
27、，
28、其中，表示所能產生的最大的散布熵，用于歸一化。
29、在一些實施例中，信息熵特征的訓練與預測，包括如下步驟：
30、利用冠豪豬優(yōu)化器（cpo）算法對wlssvm模型的正則化參數(shù)和核函數(shù)寬度的初始值進行優(yōu)化，找到最優(yōu)參數(shù)；
31、將wlssvm模型作為弱預測器，通過adaboost集成算法合成為強預測器；
32、輸入信息熵特征進行訓練和預測。
33、在一些實施例中，冠豪豬優(yōu)化器（cpo）算法包括：
34、初始化階段，優(yōu)化問題由多個維度?(d)?構成，每個維度均需通過優(yōu)化技術進行最小化或最大化處理，cpo?算法通過在每個問題的搜索空間內隨機初始化它們的維度來優(yōu)化這些問題，公式為：，其中，表示個體數(shù)量,是搜索空間中的第1個侯選解，和分別是搜索范圍的下界和上界，是在?0?和?1?之間隨機初始化的向量；
35、循環(huán)群體縮減技術，通過在優(yōu)化過程中讓一些?cp?離開群體，以加速收斂速度，隨后再次加入群體以提高多樣性，避免陷入局部最小值，數(shù)學模型為：
36、，
37、其中，是決定循環(huán)次數(shù)的變量，是當前的函數(shù)評估次數(shù)，是函數(shù)評估的最大次數(shù)，表示取余或模運算符，?新生成種群中最少個體數(shù)量用來表示，因此，種群大小不能小于；
38、探索階段分為第一個防御策略和第二個防御策略，
39、在第一個防御策略中，當?cp?意識到捕食者時開始抬起并扇動其刺毛，給人一種更大的印象，公式為：，其中，是第t次迭代中第i個cp的位置，是當前最佳?cp?的位置，和是隨機數(shù)，通過計算得到，是隨機選擇的另一個?cp?的位置；
40、在第二個防御策略中，cp?使用聲音方法發(fā)出噪音并本文檔來自技高網(wǎng)...
【技術保護點】
1.一種基于熵特征技術的電池健康狀態(tài)監(jiān)測方法，其特征在于：包括以下步驟：
2.根據(jù)權利要求1所述的基于熵特征技術的電池健康狀態(tài)監(jiān)測方法，其特征在于，在信息熵特征的提取與篩選中，電壓信號的范圍為3.5v-4.19v。
3.根據(jù)權利要求2所述的基于熵特征技術的電池健康狀態(tài)監(jiān)測方法，其特征在于，在信息熵特征的提取與篩選中，電壓信號的范圍為3.6v-3.7v。
4.根據(jù)權利要求1所述的基于熵特征技術的電池健康狀態(tài)監(jiān)測方法，其特征在于，信息熵特征包括功率譜熵特征、散布熵特征。
5.根據(jù)權利要求4所述的基于熵特征技術的電池健康狀態(tài)監(jiān)測方法，其特征在于，功率譜熵特征的提取步驟為：
6.根據(jù)權利要求4所述的基于熵特征技術的電池健康狀態(tài)監(jiān)測方法，其特征在于，散步熵是一種用于評估非線性時間序列不規(guī)則性、復雜性的方法，計算一個長度為?N?的時間序列的散布熵，步驟為：
7.根據(jù)權利要求1所述的基于熵特征技術的電池健康狀態(tài)監(jiān)測方法，其特征在于，信息熵特征的訓練與預測，包括如下步驟：
8.根據(jù)權利要求7所述的基于熵特征技術的
9.根據(jù)權利要求7所述的基于熵特征技術的電池健康狀態(tài)監(jiān)測方法，其特征在于，WLSSVM-Adaboost強預測器的構建算法如下：
10.根據(jù)權利要求9所述的基于熵特征技術的電池健康狀態(tài)監(jiān)測方法，其特征在于，得到最終的SOH估計值后，使用測試集對已經(jīng)訓練好的模型進行驗證和評估，步驟為：
...【技術特征摘要】
1.一種基于熵特征技術的電池健康狀態(tài)監(jiān)測方法，其特征在于：包括以下步驟：
2.根據(jù)權利要求1所述的基于熵特征技術的電池健康狀態(tài)監(jiān)測方法，其特征在于，在信息熵特征的提取與篩選中，電壓信號的范圍為3.5v-4.19v。
3.根據(jù)權利要求2所述的基于熵特征技術的電池健康狀態(tài)監(jiān)測方法，其特征在于，在信息熵特征的提取與篩選中，電壓信號的范圍為3.6v-3.7v。
4.根據(jù)權利要求1所述的基于熵特征技術的電池健康狀態(tài)監(jiān)測方法，其特征在于，信息熵特征包括功率譜熵特征、散布熵特征。
5.根據(jù)權利要求4所述的基于熵特征技術的電池健康狀態(tài)監(jiān)測方法，其特征在于，功率譜熵特征的提取步驟為：
6.根據(jù)權利要求4所述的基于熵特征技術的電池健康狀態(tài)...
【專利技術屬性】
技術研發(fā)人員：俞輝，戴厚德，上官宗浩，朱利琦，黃呈偉，張宇航，夏許可，連陽林，
申請(專利權)人：泉州裝備制造研究所，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。