基于SVD-MMD策略的锂离子电池SOC跨域估计方法、系统及介质技术方案

本发明专利技术涉及电池SOC估算技术领域，具体涉及一种基于SVD

【技术实现步骤摘要】
基于SVD
‑
MMD策略的锂离子电池SOC跨域估计方法、系统及介质


[0001]本专利技术涉及电池SOC估算
，具体而言，涉及一种基于SVD
‑
MMD策略的锂离子电池SOC跨域估计方法、系统及介质。

技术介绍

[0002]在双碳背景下，寻找新型能源替代传统能源已成为研究热点。锂离子电池具有高能量密度、长循环寿命和高性价比等优点，已广泛应用于电网中作为储能电站的常用储能形式。然而，锂离子电池的性能受环境和操作条件影响较大，存在潜在故障风险。因此，需通过电池管理系统（Battery Management System，BMS）监测电池状态，确保其安全高效运行。电池状态估计（state of charge，SOC）是BMS中最重要且具有挑战性的功能之一。
[0003]同时，由于SOC无法直接观测，需通过电压、电流、温度等可观测变量进行间接估计。因此，建立可观测变量与SOC之间的非线性映射关系成为关键问题，然而电池实际工作条件的复杂性进一步增加了SOC估计的难度。
[0004]迄今为止，锂电池SOC估计常用方法有安时积分法、开路电压法、基于模型的估计方法和数据驱动估计方法。安时积分法计算量较小且易于实现，但不考虑噪声、电流以及温度等不确定因素的干扰，缺乏反馈校正，易导致误差积累；开路电压法需要电池保持较长时间的搁置状态来达到平衡，以获得开路电压（open circuit voltage, OCV）与SOC曲线，使其实际应用场景十分受限；基于模型的方法很大程度上依赖于电池模型的精度，且电池的参数易受不同的条件因素影响，从而需要不同版本的模型来在不同的环境条件下进行SOC估计，这面临着硬件计算能力的瓶颈。与其他三种方法不同，数据驱动方法不要求了解电池工作原理和数学模型特定领域知识，该方法依靠大量的数据来训练一个测量变量与SOC之间的映射模型。近年来，随着深度学习的发展，许多研究者提出了各种改进的深度学习方法来实现SOC估计。
[0005]现有深度学习估计锂电池SOC的方法基本遵循训练集和测试集具有相似分布的假设。然而，在实际情况下，锂电池受到不同环境温度、运行工况和化学性质的影响。这忽略了分布差异的现实，导致构建的SOC估计模型泛化能力不佳。此外，实际应用场景中电池标签数据获取困难，可能导致标签数据不足和网络模型过拟合。为解决这些问题，越来越多的研究者采用迁移学习中的微调策略，利用固定的全连接层在源网络和目标网络之间传递知识以实现锂离子电池跨域SOC估计。但微调策略方法未考虑源域和目标域之间特征的相似度存在显著差异，而过度的知识迁移将会造成负迁移现象，导致目标网络性能下降。

技术实现思路

[0006]本专利技术的目的在于在现有研究基础上，结合门控循环单元（Gated Recurrent Unit，GRU）网络，提出了一种融合奇异值分解（Singular Value Decomposition, SVD）技术与最大均值差异（Maximum Mean Discrepancy, MMD）的方法，旨在解决实际工况中，数据分
布差异和标签数据难以获取对SOC估计带来的难题，以增强锂电池的跨域SOC估计性能。
[0007]本专利技术的实施例通过以下技术方案实现：一种基于SVD
‑
MMD策略的锂离子电池SOC跨域估计方法，包括如下步骤：构建基于GRU网络的锂离子电池SOC估计源域模型以及目标域模型；基于SVD
‑
MMD策略改进迁移学习目标网络，将锂离子电池SOC估计源域模型训练数据参数转移至锂离子电池SOC估计目标域模型，对目标网络进行优化；采用训练完成后的锂离子电池SOC估计目标域模型估计锂离子电池SOC值。
[0008]根据一种优选实施方式，所述GRU网络的输入为锂离子电池的电压、电流和温度数据，其传播表达式如下：上式中，和分别表示时间步长的更新门输出和复位门输出，和分别表示权值和阈值，表示时间步长的输入，表示元素的乘法，和分别表示s型激活函数和激活函数，和分别表示时间步长的隐藏层输出和临时层输出，通过如下表达式转换为SOC输出：上式中，表示时间步长的估计SOC值，和分别表示全连通层权值矩阵和偏置向量。
[0009]根据一种优选实施方式，所述基于SVD
‑
MMD策略改进迁移学习目标网络，将锂离子电池SOC估计源域模型训练数据参数转移至锂离子电池SOC估计目标域模型，对目标网络进行优化，具体包括：利用SVD对锂离子电池非线性动态特征进行解耦，提取网络中与任务相关的重要特征和次要特征；通过MMD度量跨域中不同特征之间的相似性，并采用余弦差异衡量同一域上的差异性，对目标网络进行优化。
[0010]根据一种优选实施方式，所述MMD的双范数表达式如下：上式中，和分别表示源域和目标域提取的特征，和分别表示源域和目标域的特征长度，表示将MMD公式中的特征映射到一个特定的希尔伯特空间，并用该空
间中的内积度量两个分布之间的距离。
[0011]根据一种优选实施方式，所述为源网络训练阶段，对全连接层进行SVD提取得到，所述则是在目标网络自适应训练阶段，对全连接层进行SVD提取得到。
[0012]根据一种优选实施方式，源网络损失函数的表达式如下：上式中，表示时间步长的真实SOC值，表示观测数据的总长度。
[0013]根据一种优选实施方式，目标网络损失函数的表达式如下：上式中，表示目标域特征长度，表示损失项的平衡超参，表示SVD
‑
MMD损失。
[0014]根据一种优选实施方式，所述的表达式如下：上式中，和分别表示源域提取的重要特征和次要特征，和分别表示目标域提取的重要特征和次要特征。
[0015]本专利技术还提供一种基于SVD
‑
MMD策略的锂离子电池SOC估计系统，应用到如上述所述的方法，包括：第一处理模块，用于构建基于GRU网络的锂离子电池SOC估计源域模型以及目标域模型；第二处理模块，用于基于SVD
‑
MMD策略改进迁移学习目标网络，将锂离子电池SOC估计源域模型训练数据参数转移至锂离子电池SOC估计目标域模型，对目标网络进行优化；第三处理模块，用于采用训练完成后的锂离子电池SOC估计目标域模型估计锂离子电池SOC值。
[0016]10.本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的方法。
[0017]本专利技术实施例的技术方案至少具有如下优点和有益效果：本专利技术基于迁移学习结合特征解耦方法，有助于提取与任务相关的重要和次要特征，解决了实际应用中数据分布差异和标签数据难以获取的挑战；通过MMD方法度量跨域中不同特征之间的相似性，以及使用余弦差异量化同一域上的差异，确保了解耦后的特征在跨域中保持有效性和鲁棒性，有助于增强模型的泛化能力；本专利技术所构建SOC估计模型，与基本GRU模型与基于微调策略的迁移学习相比，其精度和泛化性均有显著提升。
附图说明
[0018本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于SVD
‑
MMD策略的锂离子电池SOC跨域估计方法，其特征在于，包括如下步骤：构建基于GRU网络的锂离子电池SOC估计源域模型以及目标域模型；基于SVD
‑
MMD策略改进迁移学习目标网络，将锂离子电池SOC估计源域模型训练数据参数转移至锂离子电池SOC估计目标域模型，对目标网络进行优化；采用训练完成后的锂离子电池SOC估计目标域模型估计锂离子电池SOC值。2.如权利要求1所述的基于SVD
‑
MMD策略的锂离子电池SOC跨域估计方法，其特征在于，所述GRU网络的输入为锂离子电池的电压、电流和温度数据，其传播表达式如下：上式中，和分别表示时间步长的更新门输出和复位门输出，和分别表示权值和阈值，表示时间步长的输入，表示元素的乘法，和分别表示s型激活函数和激活函数，和分别表示时间步长的隐藏层输出和临时层输出，通过如下表达式转换为SOC输出：上式中，表示时间步长的估计SOC值，和分别表示全连通层权值矩阵和偏置向量。3.如权利要求2所述的基于SVD
‑
MMD策略的锂离子电池SOC跨域估计方法，其特征在于，所述基于SVD
‑
MMD策略改进迁移学习目标网络，将锂离子电池SOC估计源域模型训练数据参数转移至锂离子电池SOC估计目标域模型，对目标网络进行优化，具体包括：利用SVD对锂离子电池非线性动态特征进行解耦，提取网络中与任务相关的重要特征和次要特征；通过MMD度量跨域中不同特征之间的相似性，并采用余弦差异衡量同一域上的差异性，对目标网络进行优化。4.如权利要求3所述的基于SVD
‑
MMD策略的锂离子电池SOC跨域估计方法，其特征在于，所述MMD的双范数表达式如下：上式中，和分别表示源域和目标域提取的特征，和分别表示源域和目标域的特征长度，表示将MMD公式中的特征映射...

【专利技术属性】
技术研发人员：梁惠施，周奎，李棉刚，贡晓旭，王姿尧，史梓男，
申请(专利权)人：清华四川能源互联网研究院，
类型：发明
国别省市：