基于数据驱动的锂电池健康状态预测方法及系统
本发明属于数据科学与机器学习交叉,尤其涉及基于数据驱动的锂电池健康状态预测方法及系统。
背景技术:
1、锂电池因其能量密度大、可回收性好、安全性高、电压高等优势,被广泛应用于交通、航空、电子产品、电网储能等领域。随着使用时间增加,电池内部复杂的电化学反应导致锂离子损耗,电池容量逐渐衰退,内阻增大,这不仅影响设备的正常工作,甚至可能对人身安全造成危害。因此,对锂电池的健康状态进行准确监控和预测具有重要意义。
2、目前,锂电池健康状态预测方法主要分为基于模型的方法和基于数据驱动的方法。基于模型的方法通过模拟电池使用过程中的电化学过程和物理过程,构建电化学模型、等效电路模型或老化模型等数学模型,描述电池的老化机制和性能衰减趋势。在构建模型后,需要根据实验数据采用参数辨识方法估计模型参数,从而使模型表现出与真实情况相符的外部特征。然而,基于模型的方法往往难以应对复杂多变的动态工况,例如在实际应用中充放电倍率、温度、载荷等条件持续变化,导致预先建立的模型无法准确反映电池的真实状态,参数辨识的误差较大,从而限制了预测的准确性和适用性。
3、近年来,基于数据驱动的方法受到广泛研究。这类方法不依赖复杂的电池物理建模,而是依靠大量的历史和实时数据,通过机器学习算法直接从数据中学习电池容量衰减的规律。常见的数据驱动方法以有监督学习模型为主,训练数据包含输入特征和对应的输出标签,目标是在可接受的精度下学习输入到输出的映射关系。目前研究中采用的模型包括人工神经网络、支持向量回归、相关向量机、k近邻、高斯过程回归、随机森林回归等。然而,这些方法在实际应用中仍存在一些缺陷。部分模型如深度神经网络结构复杂,训练和推理过程消耗的计算资源较大,预测效率较低。同时,许多机器学习算法的预测性能依赖于超参数的合理选择,对于不同型号、不同运行工况的电池,需要反复进行调参和验证,实用性和泛化能力不足。
4、综上,现有技术虽然在锂电池健康状态预测方面取得了一定进展,但仍普遍存在预测精度不足、实用性不高以及效率较低等问题。这些问题在电池管理系统对实时性和准确度要求日益提高的背景下,成为制约锂电池全寿命周期管理和安全预警的关键技术瓶颈。
技术实现思路
1、为解决上述技术问题,本发明提出了基于数据驱动的锂电池健康状态预测方法及系统,以解决上述现有技术存在的问题。
2、第一方面,为实现上述目的,本发明提供了基于数据驱动的锂电池健康状态预测方法,包括以下步骤:
3、获取锂电池的退化数据,对所述退化数据进行预处理和特征提取,得到健康因子;
4、将所述健康因子输入时间卷积网络和transformer模型中,提取局部时间特征和全局时间依赖关系,生成初步健康状态预测序列;
5、将所述初步健康状态预测序列与所述健康因子共同作为支持向量回归模型的输入特征,并采用改进鲸鱼优化算法优化所述支持向量回归模型的参数,利用优化后的支持向量回归模型输出最终健康状态预测结果。
6、可选的,对所述退化数据进行预处理和特征提取的过程为:
7、从电池充放电数据中提取反映电池健康状态的健康因子,所述健康因子基于充电电流曲线、充电电压曲线、放电电压曲线、放电温度曲线和容量增量曲线提取;
8、采用xgboost算法评估各所述健康因子的特征重要性并排序,剔除不重要健康因子;
9、对保留的健康因子使用t-sne算法降维;
10、将降维后的健康因子划分为训练集和测试集。
11、可选的,将所述健康因子输入时间卷积网络和transformer模型的过程为:
12、利用所述时间卷积网络的膨胀卷积提取局部时间特征;
13、利用所述transformer模型的编码器,对输入序列进行实体嵌入和位置编码后,通过多头自注意力机制捕捉全局时间依赖关系,并加入残差连接和层归一化处理,生成所述初步健康状态预测序列。
14、可选的,采用改进鲸鱼优化算法优化所述支持向量回归模型的参数的过程为:
15、利用logistic混沌映射初始化鲸鱼种群;
16、采用动态收敛因子策略,动态收敛因子随迭代次数增加而非线性减小;
17、引入自适应权重策略,在迭代过程中自动调整权重;
18、在每次迭代结束时,采用levy飞行策略对鲸鱼位置进行随机扰动。
19、可选的,利用优化后的支持向量回归模型输出最终健康状态预测结果的过程为:
20、使用所述训练集和经过所述改进鲸鱼优化算法优化的参数,训练所述支持向量回归模型;
21、将所述初步健康状态预测序列与所述健康因子组合,构成输入特征,输入训练后的支持向量回归模型,得到所述最终健康状态预测结果。
22、可选的,在得到所述最终健康状态预测结果之后,还包括:
23、使用所述测试集中的实际电池容量数据与所述最终健康状态预测结果,计算平均绝对误差、均方根误差和平均绝对百分比误差。
24、第二方面,本发明还提供了基于数据驱动的锂电池健康状态预测系统,用于实施基于数据驱动的锂电池健康状态预测方法,所述系统包括:
25、健康因子获取模块,用于获取锂电池的退化数据,对所述退化数据进行预处理和特征提取,得到健康因子;
26、深度特征提取模块,用于将所述健康因子输入时间卷积网络和transformer模型中,提取局部时间特征和全局时间依赖关系,生成初步健康状态预测序列;
27、优化回归预测模块,用于将所述初步健康状态预测序列与所述健康因子共同作为支持向量回归模型的输入特征,并采用改进鲸鱼优化算法优化所述支持向量回归模型的参数,利用优化后的支持向量回归模型输出最终健康状态预测结果。
28、第三方面,本发明还提供了一种计算机终端设备,包括:
29、一个或多个处理器;
30、存储器,与所述处理器耦接,用于存储一个或多个程序;
31、当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述第一方面中基于数据驱动的锂电池健康状态预测方法的步骤。
32、第四方面,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现上述第一方面中基于数据驱动的锂电池健康状态预测方法的步骤。
33、第五方面,本发明还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面中基于数据驱动的锂电池健康状态预测方法的步骤。
34、与现有技术相比,本发明具有如下优点和技术效果:
35、本发明提供的基于数据驱动的锂电池健康状态预测方法及系统,通过结合深度学习、优化算法和传统机器学习,显著提高了锂电池健康状态预测的精度,能够更好地适应复杂的非线性动态特性;同时,通过时间卷积网络和transformer提取更具鲁棒性的高级抽象特征,提升了模型在复杂工况下的稳定性。最终使用轻量级的支持向量回归模型作为输出层,在保证高精度的同时,降低了模型的计算复杂度和预测时间。本发明在精度、实用性、效率方面均得到提升,为锂电池健康状态预测提供了精准、可靠、高效的方案,有助于准确预测电池健康状态,优化产品运营和维护,增大资源利用效率,延长电池系统整体寿命。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com