【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及鋰電池健康狀態(tài)預(yù)測，尤其涉及一種基于特征篩選技術(shù)的鋰電池健康狀態(tài)預(yù)測方法。
技術(shù)介紹
1、鋰離子電池憑借其高能量密度、高功率密度、長使用壽命以及低自放電特性，近年來成為清潔能源的重要選擇，在鋰離子電池作為電源使用時(shí)，準(zhǔn)確評(píng)估其在線運(yùn)行狀態(tài)對(duì)于電池管理系統(tǒng)至關(guān)重要，因?yàn)樗苯佑绊戨妱?dòng)汽車的使用壽命和安全性，健康狀態(tài)作為電池性能的關(guān)鍵指標(biāo)之一，已成為研究的重點(diǎn)。然而，由于電池的退化貫穿其整個(gè)生命周期，并且受到溫度、充放電速率等多種因素的影響，鋰電池健康狀態(tài)的預(yù)測仍然是一個(gè)具有挑戰(zhàn)性的問題。
2、提高鋰電池健康狀態(tài)預(yù)測精度的關(guān)鍵在于特征提取與處理，準(zhǔn)確提取與鋰電池健康狀態(tài)相關(guān)的特征不僅能提升預(yù)測模型的精度，還能增強(qiáng)模型對(duì)電池健康狀態(tài)的解釋能力。然而，特征與鋰電池健康狀態(tài)之間的相關(guān)性決定了所提取特征是否能夠真實(shí)反映鋰電池健康狀態(tài)變化，從而直接影響預(yù)測性能，傳統(tǒng)的相關(guān)性分析方法在處理高維數(shù)據(jù)時(shí)效果較差，難以應(yīng)對(duì)維度災(zāi)難問題，導(dǎo)致其在復(fù)雜數(shù)據(jù)中的有效性下降；現(xiàn)有方法通常忽視特征間的交互作用，而這些交互作用在鋰電池健康狀態(tài)預(yù)測中起著關(guān)鍵作用，特別是在多特征情況下，忽視它們可能顯著降低模型的預(yù)測精度。因此，如何在特征選擇和分析中采用更全面和有效的方法，以獲得更準(zhǔn)確和有意義的預(yù)測結(jié)果成為亟待解決的重要問題。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的其他特征和優(yōu)點(diǎn)將在隨后的說明書中闡述，并且部分地從說明書中變得顯而易見，或者通過實(shí)施本專利技術(shù)而了解。本專利技術(shù)的目的和其他優(yōu)點(diǎn)可通過說明
2、本專利技術(shù)的目的在于克服上述不足，提供了一種基于特征篩選技術(shù)的鋰電池健康狀態(tài)預(yù)測方法。
3、本專利技術(shù)解決其技術(shù)問題的所采用的技術(shù)方案是：一種基于特征篩選技術(shù)的鋰電池健康狀態(tài)預(yù)測方法，包括以下步驟：
4、數(shù)據(jù)集的獲取，選擇多個(gè)不同狀態(tài)下的鋰電池?cái)?shù)據(jù)以獲取數(shù)據(jù)集；
5、初始特征的提取與初步處理，從數(shù)據(jù)集中提取一組初始特征，并對(duì)初始特征進(jìn)行初步處理后去除冗余和無關(guān)特征，以生成特征集；
6、特征集的篩選，構(gòu)建有效的基于費(fèi)舍爾信息矩陣特征篩選技術(shù)對(duì)特征集進(jìn)行篩選，并劃分為訓(xùn)練集和測試集；
7、機(jī)器學(xué)習(xí)模型的初步訓(xùn)練，將訓(xùn)練集輸入至機(jī)器學(xué)習(xí)模型進(jìn)行鋰電池健康狀態(tài)預(yù)測，并通過對(duì)機(jī)器學(xué)習(xí)模型參數(shù)的調(diào)優(yōu)和交叉驗(yàn)證選擇最佳模型和最佳超參數(shù)配置，以輸出初步預(yù)測結(jié)果；
8、機(jī)器學(xué)習(xí)模型的評(píng)估與優(yōu)化，采用均方根誤差和平均絕對(duì)誤差對(duì)初步預(yù)測結(jié)果進(jìn)行評(píng)估，并針對(duì)評(píng)估誤差優(yōu)化訓(xùn)練過程中的超參數(shù)和特征組合，以提升機(jī)器學(xué)習(xí)模型的預(yù)測性能；
9、鋰電池健康狀態(tài)預(yù)測與驗(yàn)證，采用優(yōu)化后的機(jī)器學(xué)習(xí)模型對(duì)測試集進(jìn)行鋰電池健康狀態(tài)預(yù)測，并與采用其他特征篩選方法得到的預(yù)測結(jié)果進(jìn)行對(duì)比，驗(yàn)證鋰電池健康狀態(tài)預(yù)測結(jié)果的準(zhǔn)確性和泛化能力。
10、本專利技術(shù)利用有效的基于費(fèi)舍爾信息矩陣特征篩選技術(shù)通過評(píng)估參數(shù)估值的不確定性，間接揭示了特征與目標(biāo)輸出之間的復(fù)雜關(guān)系，不僅能夠有效捕捉特征之間的線性與非線性相互作用，還能反映多參數(shù)模型中各個(gè)特征的聯(lián)合影響，提供更為全面和準(zhǔn)確的特征選擇依據(jù)；此外，基于費(fèi)舍爾信息矩陣特征篩選技術(shù)適用于線性和非線性模型，尤其在處理具有復(fù)雜相互作用的多參數(shù)模型時(shí)，表現(xiàn)出較強(qiáng)的魯棒性和精度。
11、在一些實(shí)施例中，所述鋰電池?cái)?shù)據(jù)包括充電電流、電壓、溫度及放電電流、電壓、溫度，所述初始特征包括電池的電壓、溫度及充放電過程中的電流波形、循環(huán)次數(shù)。選擇適當(dāng)?shù)匿囯姵財(cái)?shù)據(jù)作為數(shù)據(jù)集是特征篩選的基礎(chǔ)。
12、在一些實(shí)施例中，初始特征初步處理的方法包括統(tǒng)計(jì)分析方法、頻域特征提取方法以及時(shí)間域特征提取方法，所述統(tǒng)計(jì)分析方法是對(duì)初始特征進(jìn)行處理形成統(tǒng)計(jì)特征，所述頻域特征提取方法是對(duì)電池頻率特性的提取，所述時(shí)間域特征提取方法是對(duì)電池時(shí)間特性的提取。統(tǒng)計(jì)分析方法包括但不限于均值、方差、熵，頻域特征提取方法包括但不限于傅里葉變換，時(shí)間域特征提取方法包括但不限于峰值、零交叉點(diǎn)。
13、在一些實(shí)施例中，基于費(fèi)舍爾信息矩陣特征篩選技術(shù)包括費(fèi)舍爾信息矩陣構(gòu)建、凸優(yōu)化問題求解以及重要性排列。
14、在一些實(shí)施例中，費(fèi)舍爾信息矩陣構(gòu)建是通過在神經(jīng)網(wǎng)絡(luò)模型中使用反向傳播計(jì)算的偏導(dǎo)數(shù)矩陣構(gòu)造近似費(fèi)舍爾信息矩陣，將特征選擇過程轉(zhuǎn)化為一個(gè)優(yōu)化問題，具體步驟為：
15、將提取得到的所有特征輸入進(jìn)神經(jīng)網(wǎng)絡(luò)進(jìn)行多次訓(xùn)練，保存訓(xùn)練得到的結(jié)果；
16、利用反向傳播函數(shù)進(jìn)行反向傳遞，傳遞到神經(jīng)網(wǎng)絡(luò)的第一層得到靈敏度矩陣，其表達(dá)式為：
17、，
18、其中，l為第一層的輸出，為對(duì)應(yīng)的參數(shù)特征，為偏導(dǎo)符號(hào)；
19、通過靈敏度矩陣得到參數(shù)對(duì)輸出的影響相關(guān)的平均二階統(tǒng)計(jì)量，其表達(dá)式為：
20、，
21、其中，n為樣本數(shù)量，q是測量誤差協(xié)方差矩陣，t為矩陣的轉(zhuǎn)置，s為輸出對(duì)輸入特征的靈敏度矩陣，通過計(jì)算s和s轉(zhuǎn)置的乘積，可以獲得與特征對(duì)輸出的影響相關(guān)的平均二階統(tǒng)計(jì)量，?f?的逆矩陣作為誤差協(xié)方差矩陣的近似值；
22、凸優(yōu)化問題求解包括：
23、將特征選擇視為最佳實(shí)驗(yàn)設(shè)計(jì)問題，從?n?個(gè)目標(biāo)中選擇?p個(gè)特征進(jìn)行保留，其中n?≥?p，最佳實(shí)驗(yàn)設(shè)計(jì)問題表達(dá)式為：
24、，
25、其中，代表特征參數(shù)，為最優(yōu)的特征選擇集合，代表對(duì)于特征的信息矩陣，是在所有條目中由?1?組成的行向量，，是可以選擇1或0的非負(fù)權(quán)重因子，是由所有組成的集合，表示標(biāo)量費(fèi)舍爾信息矩陣逆函數(shù)，argmin用于表示一個(gè)函數(shù)在定義域中取得最小值的參數(shù)值，對(duì)于每個(gè)數(shù)據(jù)集，s?都是正定矩陣；
26、對(duì)于包含大量加權(quán)因子的設(shè)計(jì)，采用連續(xù)優(yōu)化問題轉(zhuǎn)換為凸優(yōu)化問題，表達(dá)式為：
27、，
28、其中，加權(quán)項(xiàng)定義為一個(gè)連續(xù)變量，范圍從0到1；
29、應(yīng)用e最優(yōu)設(shè)計(jì)準(zhǔn)則轉(zhuǎn)換為等效的半定規(guī)劃問題，以確定關(guān)鍵特征，表達(dá)式為：
30、，
31、其中，為最小特征值，i為單位矩陣，表示對(duì)于所有的；
32、重要性排列是根據(jù)等效的半定規(guī)劃問題得到的值，代表了得到的各個(gè)特征之間的重要性，將按照大小順序進(jìn)行排列即得到相關(guān)性重要順序，選擇的特征保留進(jìn)行后續(xù)網(wǎng)絡(luò)訓(xùn)練。
33、在一些實(shí)施例中，機(jī)器學(xué)習(xí)模型包括多層感知機(jī)、卷積神經(jīng)網(wǎng)絡(luò)、圖神經(jīng)網(wǎng)絡(luò)。
34、在一些實(shí)施例中，在網(wǎng)絡(luò)的配置中，多層感知機(jī)由三層組成，卷積神經(jīng)網(wǎng)絡(luò)包含兩個(gè)卷積層、兩個(gè)池化層和一個(gè)全連接層，圖神經(jīng)網(wǎng)絡(luò)由兩個(gè)圖卷積層和一個(gè)全連接層構(gòu)成，多層感知機(jī)、卷積神經(jīng)網(wǎng)絡(luò)、圖神經(jīng)網(wǎng)絡(luò)均應(yīng)用批量歸一化、線性整流函數(shù)激活函數(shù)，并設(shè)置0.1的隨機(jī)失活率以防過擬合。
35、在一些實(shí)施例中，篩選后的特征集的80%作為訓(xùn)練集，篩選后的特征集的20%作為測試集。
36、在一些實(shí)施例中，采用其他特征篩選方法包括斯皮爾曼法、皮爾遜法、肯德本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于特征篩選技術(shù)的鋰電池健康狀態(tài)預(yù)測方法，其特征在于：包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于特征篩選技術(shù)的鋰電池健康狀態(tài)預(yù)測方法，其特征在于，所述鋰電池?cái)?shù)據(jù)包括充電電流、電壓、溫度及放電電流、電壓、溫度，所述初始特征包括電池的電壓、溫度及充放電過程中的電流波形、循環(huán)次數(shù)。
3.根據(jù)權(quán)利要求1所述的基于特征篩選技術(shù)的鋰電池健康狀態(tài)預(yù)測方法，其特征在于，初始特征初步處理的方法包括統(tǒng)計(jì)分析方法、頻域特征提取方法以及時(shí)間域特征提取方法，所述統(tǒng)計(jì)分析方法是對(duì)初始特征進(jìn)行處理形成統(tǒng)計(jì)特征，所述頻域特征提取方法是對(duì)電池頻率特性的提取，所述時(shí)間域特征提取方法是對(duì)電池時(shí)間特性的提取。
4.根據(jù)權(quán)利要求1所述的基于特征篩選技術(shù)的鋰電池健康狀態(tài)預(yù)測方法，其特征在于，基于費(fèi)舍爾信息矩陣特征篩選技術(shù)包括費(fèi)舍爾信息矩陣構(gòu)建、凸優(yōu)化問題求解以及重要性排列。
5.根據(jù)權(quán)利要求4所述的基于特征篩選技術(shù)的鋰電池健康狀態(tài)預(yù)測方法，其特征在于，費(fèi)舍爾信息矩陣構(gòu)建是通過在神經(jīng)網(wǎng)絡(luò)模型中使用反向傳播計(jì)算的偏導(dǎo)數(shù)矩陣構(gòu)造近似費(fèi)舍爾信息矩陣，將特征選擇過程轉(zhuǎn)化為一個(gè)
6.根據(jù)權(quán)利要求1所述的基于特征篩選技術(shù)的鋰電池健康狀態(tài)預(yù)測方法，其特征在于，機(jī)器學(xué)習(xí)模型包括多層感知機(jī)、卷積神經(jīng)網(wǎng)絡(luò)、圖神經(jīng)網(wǎng)絡(luò)。
7.根據(jù)權(quán)利要求6所述的基于特征篩選技術(shù)的鋰電池健康狀態(tài)預(yù)測方法，其特征在于，在網(wǎng)絡(luò)的配置中，多層感知機(jī)由三層組成，卷積神經(jīng)網(wǎng)絡(luò)包含兩個(gè)卷積層、兩個(gè)池化層和一個(gè)全連接層，圖神經(jīng)網(wǎng)絡(luò)由兩個(gè)圖卷積層和一個(gè)全連接層構(gòu)成，多層感知機(jī)、卷積神經(jīng)網(wǎng)絡(luò)、圖神經(jīng)網(wǎng)絡(luò)均應(yīng)用批量歸一化、線性整流函數(shù)激活函數(shù)，并設(shè)置0.1的隨機(jī)失活率以防過擬合。
8.根據(jù)權(quán)利要求1所述的基于特征篩選技術(shù)的鋰電池健康狀態(tài)預(yù)測方法，其特征在于，篩選后的特征集的80%作為訓(xùn)練集，篩選后的特征集的20%作為測試集。
9.根據(jù)權(quán)利要求1所述的基于特征篩選技術(shù)的鋰電池健康狀態(tài)預(yù)測方法，其特征在于，采用其他特征篩選方法包括斯皮爾曼法、皮爾遜法、肯德爾法。
10.根據(jù)權(quán)利要求1所述的基于特征篩選技術(shù)的鋰電池健康狀態(tài)預(yù)測方法，其特征在于，還包括：模型更新與自適應(yīng)調(diào)整，通過定期的模型更新、在線學(xué)習(xí)或增量學(xué)習(xí)方法，逐步調(diào)整模型參數(shù)，保證其隨著電池老化過程的進(jìn)展而不斷提高預(yù)測的準(zhǔn)確性。
...【技術(shù)特征摘要】
1.一種基于特征篩選技術(shù)的鋰電池健康狀態(tài)預(yù)測方法，其特征在于：包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于特征篩選技術(shù)的鋰電池健康狀態(tài)預(yù)測方法，其特征在于，所述鋰電池?cái)?shù)據(jù)包括充電電流、電壓、溫度及放電電流、電壓、溫度，所述初始特征包括電池的電壓、溫度及充放電過程中的電流波形、循環(huán)次數(shù)。
3.根據(jù)權(quán)利要求1所述的基于特征篩選技術(shù)的鋰電池健康狀態(tài)預(yù)測方法，其特征在于，初始特征初步處理的方法包括統(tǒng)計(jì)分析方法、頻域特征提取方法以及時(shí)間域特征提取方法，所述統(tǒng)計(jì)分析方法是對(duì)初始特征進(jìn)行處理形成統(tǒng)計(jì)特征，所述頻域特征提取方法是對(duì)電池頻率特性的提取，所述時(shí)間域特征提取方法是對(duì)電池時(shí)間特性的提取。
4.根據(jù)權(quán)利要求1所述的基于特征篩選技術(shù)的鋰電池健康狀態(tài)預(yù)測方法，其特征在于，基于費(fèi)舍爾信息矩陣特征篩選技術(shù)包括費(fèi)舍爾信息矩陣構(gòu)建、凸優(yōu)化問題求解以及重要性排列。
5.根據(jù)權(quán)利要求4所述的基于特征篩選技術(shù)的鋰電池健康狀態(tài)預(yù)測方法，其特征在于，費(fèi)舍爾信息矩陣構(gòu)建是通過在神經(jīng)網(wǎng)絡(luò)模型中使用反向傳播計(jì)算的偏導(dǎo)數(shù)矩陣構(gòu)造近似費(fèi)舍爾信息矩陣，將特征選擇過程轉(zhuǎn)化為一個(gè)優(yōu)化問題，具體步驟為：
...【專利技術(shù)屬性】
技術(shù)研發(fā)人員：俞輝，戴厚德，張宇航，朱利琦，黃呈偉，上官宗浩，夏許可，連陽林，
申請(qǐng)(專利權(quán))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(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。