【技术实现步骤摘要】
本专利技术涉及新能源储能电池的健康检测，具体来说是基于lssvr(最小二乘支持向量回归least square support vector regression)和部分充电/放电数据的电池健康估算模型构建方法及应用。
技术介绍
1、全球能源结构的转变和储能技术的快速发展导致钠离子电池(sib)成为锂离子电池越来越重要的替代品.这是由于它们在资源丰富、成本低和环境友好方面提供的优势.然而，钠离子电池的性能将不可避免地随着时间的推移而下降。因此，准确有效地估计电池的健康状态(soh)已成为电池管理系统(bms)设计中的关键问题.soh作为反映当前电池容量与初始容量相比的性能指标，对于延长电池寿命、确保系统安全和提高能源效率至关重要。
2、现有的soh估计方法通常依赖于电池的完整充电/放电曲线或复杂的电化学模型.xiang等人[1]使用从电化学阻抗谱构建的三阶等效电路模型中提取的soh相关特征，为sib构建了三种soh估计方法，即多元线性回归、岭回归和支持向量回归。wei等人。[2]通过从增量容量分析中提取与soh高度相关的6个特征，实施了用于钠离子电池soh评估的高斯过程回归方法。
3、从上述文献研究来看，虽然通过这些不同的方法实现了有效的电池容量退化预测，但仍存在局限性，主要表现在:在实际应用中，受充电时间或设备运行条件的限制，通常只能获得部分充放电数据，这给传统的soh估计方法带来了挑战.此外，这些方法的准确性和泛化能力在一定程度上取决于模型参数的优化，在面对部分充放电数据时，它们的预测性能往往受到限制
技术实现思路
1、本专利技术所要解决的技术问题在于如何在充放电数据无需作任何特征工程的情况下进行电池soh估算。
2、本专利技术通过以下技术手段实现解决上述技术问题的：
3、基于lssvr和部分充电/放电数据的电池健康估算模型的构建方法，包括以下步骤：
4、采集电池在不同健康状况下的完整的充放电数据，将每一种健康状态下的充放电数据任意分割成多段，并对每一段数据标注同一标签，构建训练集；将标注后的数据送入cs-lssvm模型进行训练，输出soh，最后得到电池健康估算模型。
5、进一步的，所述充放电数据为电压或电流数据。
6、进一步的，所述cs-lssvm模型的构建方法为采用布谷鸟搜索算法对lssvr进行全局寻优。
7、进一步的，所述lssvr定义如下：
8、
9、其中是x model的输入向量，y是相应的输出。是一种非线性映射函数，用于将输入向量映射到更高维空间。w是超平面的权重向量，b是截距。对于给定的数据集d＝{xi,yi}n(xi∈rd×1,yi∈r,i＝1,2,k,n)，lssvr的优化问题是：
10、
11、其中ei是误差变量c是正则化参数，用于权衡模型复杂性和误差。目标函数和约束通过拉格朗日函数组合：
12、
13、其中αi是对应于的拉格朗日乘子xi。推导拉格朗日函数并消除变量，得到以下线性方程组：
14、
15、其中k(xi,xj)是内核函数。上述方程可以缩写为矩阵形式：
16、
17、其中1n＝[1,1,k,1]n×1α＝[α1,α2,k,αn]，in，是n×n单位矩阵。输入训练数据后，通过求解这个线性方程组得到截距b和拉格朗日乘子α。模型的训练完成，对于新的样本x'，回归预测值为：
18、
19、核函数是svr的重要术语，它有不同的形式，如多项式、线性和高斯核函数等。在本专利中，选择高斯核作为核函数，其公式如下所示：
20、
21、其中σ是核函数的一个参数，称为bandwidth参数(scale参数)，它控制kernel函数的动作范围和分布的形状。
22、本专利技术还提供一种基于lssvr和部分充电/放电数据的电池健康估算模型的构建系统，包括：
23、训练集构建模块：采集电池在不同健康状况下的完整的充放电数据，将每一种健康状态下的充放电数据任意分割成多段，并对每一段数据标注同一标签；
24、训练模块：将标注后的数据送入cs-lssvm模型进行训练，输出soh，最后得到目标模型。
25、进一步的，所述充放电数据为电压或电流数据。
26、进一步的，所述cs-lssvm模型的构建方法为采用布谷鸟搜索算法对lssvr进行全局寻优。
27、进一步的，所述lssvr定义如下：
28、
29、其中是x model的输入向量，y是相应的输出。是一种非线性映射函数，用于将输入向量映射到更高维空间。w是超平面的权重向量，b是截距。对于给定的数据集d＝{xi,yi}n(xi∈rd×1,yi∈r,i＝1,2,k,n)，lssvr的优化问题是：
30、
31、其中ei是误差变量c是正则化参数，用于权衡模型复杂性和误差。目标函数和约束通过拉格朗日函数组合：
32、
33、其中αi是对应于的拉格朗日乘子xi。推导拉格朗日函数并消除变量，得到以下线性方程组：
34、
35、其中k(xi,xj)是内核函数。上述方程可以缩写为矩阵形式：
36、
37、其中1n＝[1,1,k,1]n×1α＝[α1,α2,k,αn]，in，是n×n单位矩阵。输入训练数据后，通过求解这个线性方程组得到截距b和拉格朗日乘子α。模型的训练完成，对于新的样本x'，回归预测值为：
38、
39、核函数是svr的重要术语，它有不同的形式，如多项式、线性和高斯核函数等。在本专利中，选择高斯核作为核函数，其公式如下所示：
40、
41、其中σ是核函数的一个参数，称为bandwidth参数(scale参数)，它控制kernel函数的动作范围和分布的形状。
42、本专利技术还提供一种使用上所述基于lssvr和部分充电/放电数据的电池健康估算模型对新能源电池进行soh估算，其特征在于：获取电池充放电数据，直接输入至健康估算模型中，输出soh结果。
43、本专利技术还提供一种新能源电池soh估算系统，包括上述的基于lssvr和部分充电/放电数据的电池健康估算模型。
44、本专利技术的优点在于：
45、1.使用的部分充放电数据作为输入特征易于获取且无需特征工程
46、本专利提出的方法框架的输入可以是充放电过程中获取的任一一段连续的部分数据，如电压等，这些数据易于获取，且无需特征工程，也不依赖数据的完整性只需要部分连续的数据。
47、2.soh的评估不依赖于数据工况的类型
48、本专利提出的方法不依赖于电池数据工况类型，它可以是多种工况形成的电本文档来自技高网...
【技术保护点】
1.基于LSSVR和部分充电/放电数据的电池健康估算模型的构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于LSSVR和部分充电/放电数据的电池健康估算模型的构建方法，其特征在于，所述充放电数据为电压或电流数据。
3.根据权利要求1或2所述的基于LSSVR和部分充电/放电数据的电池健康估算模型的构建方法，其特征在于，所述CS-LSSVM模型的构建方法为采用布谷鸟搜索算法对LSSVR进行全局寻优。
4.根据权利要求3所述的基于LSSVR和部分充电/放电数据的电池健康估算模型的构建方法，其特征在于，所述LSSVR定义如下：
5.基于LSSVR和部分充电/放电数据的电池健康估算模型的构建系统，其特征在于，包括：
6.根据权利要求5所述的基于LSSVR和部分充电/放电数据的电池健康估算模型的构建系统，其特征在于，所述充放电数据为电压或电流数据。
7.根据权利要求5或6所述的基于LSSVR和部分充电/放电数据的电池健康估算模型的构建系统，其特征在于，所述CS-LSSVM模型的构建方法为采用布谷鸟搜索算法
8.根据权利要求7所述的基于LSSVR和部分充电/放电数据的电池健康估算模型的构建系统，其特征在于，所述LSSVR定义如下：
9.使用权利要求1至4任一所述基于LSSVR和部分充电/放电数据的电池健康估算模型对新能源电池进行SOH估算，其特征在于：获取电池充放电数据，直接输入至健康估算模型中，输出SOH结果。
10.一种新能源电池SOH估算系统，其特征在于，包括权利要求1至4任一所述的基于LSSVR和部分充电/放电数据的电池健康估算模型。
...【技术特征摘要】
1.基于lssvr和部分充电/放电数据的电池健康估算模型的构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于lssvr和部分充电/放电数据的电池健康估算模型的构建方法，其特征在于，所述充放电数据为电压或电流数据。
3.根据权利要求1或2所述的基于lssvr和部分充电/放电数据的电池健康估算模型的构建方法，其特征在于，所述cs-lssvm模型的构建方法为采用布谷鸟搜索算法对lssvr进行全局寻优。
4.根据权利要求3所述的基于lssvr和部分充电/放电数据的电池健康估算模型的构建方法，其特征在于，所述lssvr定义如下：
5.基于lssvr和部分充电/放电数据的电池健康估算模型的构建系统，其特征在于，包括：
6.根据权利要求5所述的基于lssvr和部分充电/放电数据的...
【专利技术属性】
技术研发人员：李金中，徐斌，谢毓广，高博，马伟，张红，李喆，吴自强，滕越，丁津津，汤伟，
申请(专利权)人：国网安徽省电力有限公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。