一种基于wasserstein距离的电池SOH估计方法及装置与流程

一种基于wasserstein距离的电池soh估计方法及装置
技术领域
1.本发明涉及一种基于wasserstein距离的电池soh估计方法及装置。


背景技术：

2.常用的soh(电池健康状态)定义为soh＝c
now
/c0，其中c
now
为电池当前时刻满充后的最大可用容量，c0则代表着电池出厂时的最大可用容量。准确的电池健康状态估计是bms(电池管理系统)的关键环节，soh是表征电池老化程度的重要指标，一般认为该值降至70％-80％即视为寿命终止。
3.soh的测量与直接的电压电流测量不同，只能通过对电池特征的观测，并结合相应的数学模型进行估计和预测，现有技术中，可通过模型驱动进行预测，但基于模型驱动的方法需要建立电池模型，计算复杂，不适合bms的在线应用。


技术实现要素：

4.本发明提出一种基于wasserstein距离的电池soh估计方法及装置，无需建立电池模型，以wasserstein距离作为预测模型的特征，适合soh的在线估计，且估计精度高，实用性强。
5.本发明通过以下技术方案实现：
6.一种基于wasserstein距离的电池soh估计方法，包括如下步骤：
7.s1、采集多个袋式电池的老化数据，并分别获取各袋式电池各老化周期的ic曲线，其中，ic表示一个连续的电压增量上所增加的电池电量；
8.s2、分别计算各相邻两ic曲线峰值窗口之间的wasserstein距离，得到特征数据集，并将特征数据集分为前期数据集和后期数据集；
9.s3、采用基于高斯回归过程方法的预测模型，所述s2中的特征数据集作为预测模型的输入，电池soh作为预测模型的输出，对于预测模型的超参数α、l和p，分别设定其取值范围为(0.1,100)、(0,1)和(0,100)，先取取值范围内的任意值，再利用前期数据集对预测模型进行初次训练，并根据预测所得值与真值之间的差距，调整并确定各超参数的值；
10.s4、利用后期数据集对已确定超参数的预测模型进行训练。
11.进一步的，所述s2中，分别利用差分公式对各ic曲线进行采样，得到采样数据集，并通过pytorch进行sinkhorn迭代，以获取相邻两ic曲线峰值窗口之间的wasserstein距离。
12.进一步的，所述s1中，所述多个袋式电池的老化数据具体为预先记录的八个标称740ma
·
h的袋式电池的老化数据。
13.进一步的，所述s2中，所述峰值窗口为以ic曲线峰值为中心的长度为3的区间。
14.进一步的，所述s3中，所述参数确定模块中，当预测所得值与真值之间的差距大于第一阈值时，则调低超参数α的值、调高超参数l和p的值，当预测所得值与真值之间的差距小于第二阈值时，则调高超参数α的值、调低超参数l和p的值，调整额度应在经验区间的
10％以内，经验区间从步骤s3中的各超参数的取值范围内选出。
15.进一步的，所述预测模型中，高斯过程的核函数为协方差函数。
16.进一步的，所述s1中，所述ic具体计算公式为：其中，q为电池容量，u为电池电压。
17.本发明还通过以下技术方案实现：
18.一种基于wasserstein距离的电池soh估计装置，包括：
19.采集模块：用于采集多个袋式电池的老化数据，并分别获取各袋式电池各老化周期的ic曲线，其中，ic表示一个连续的电压增量上所增加的电池电量；
20.特征数据集获取模块：用于分别计算各相邻两ic曲线峰值窗口之间的wasserstein距离，得到特征数据集，并将特征数据集分为前期数据集和后期数据集；
21.参数确定模块：采用基于高斯回归过程方法的预测模型，将特征数据集作为预测模型的输入，电池soh作为预测模型的输出，对于预测模型的超参数α、l和p，分别设定其取值范围为(0.1,100)、(0,1)和(0,100)，先取取值范围内的任意值，再利用前期数据集对预测模型进行初次训练，并根据预测所得值与真值之间的差距，调整并确定各超参数的值；
22.模型训练模块：利用后期数据集对已确定超参数的预测模型进行训练。
23.进一步的，所述特征数据集获取模块中，分别利用差分公式对各ic曲线进行采样，得到采样数据集，并通过pytorch进行sinkhorn迭代，以获取相邻两ic曲线峰值窗口之间的wasserstein距离。
24.进一步的，所述参数确定模块中，当预测所得值与真值之间的差距大于第一阈值时，则调低超参数α的值、调高超参数l和p的值，当预测所得值与真值之间的差距小于第二阈值时，则调高超参数α的值、调低超参数l和p的值，调整额度应在经验区间的10％以内，经验区间从各超参数的取值范围内选出。
25.本发明具有如下有益效果：
26.1、本发明首先获取各袋式电池各老化周期的ic曲线，然后分别计算各相邻两ic曲线峰值窗口之间的wasserstein距离，以得到特征数据集，特征数据集分为前期数据集和后期数据集，利用前期数据集对基于高斯回归过程方法的也测模型进行训练，并根据预测所得值与真值之间的差距，调整并确定各超参数的值，最后利用后期数据集对预测模型进行训练，将缓慢变化的充电电压转化为ic曲线峰值高度，并计算各相邻ic曲线峰值窗口之间的wasserstein距离，能够得到更为准确的电池状态特征，再与高斯回归过程方法相结合，能够使预测结果更为准确，且无需建立电池模型，计算也更为简单，实用性更强，适合soh的在线估计。
27.2、分别利用差分公式对各ic曲线进行采样，得到采样数据集，并通过pytorch进行sinkhorn迭代，以获取相邻两ic曲线峰值窗口之间的wasserstein距离，使得预测模型建立过程中，具有更多的灵活性。
附图说明
28.下面结合附图对本发明做进一步详细说明。
29.图1为本发明的流程图。
具体实施方式
30.如图1所示，基于wasserstein距离的电池soh估计方法，包括如下步骤：
31.s1、采集预先记录的八个标称740ma
·
h的袋式电池的老化数据，并通过matlab分别获取各袋式电池各老化周期的ic曲线，其中，ic表示一个连续的电压增量上所增加的电池电量，ic具体计算公式为：
32.其中，q为电池容量，u为电池电压；
33.与标准电压老化测量不同，ic分析是从电极水平研究电池的老化机制，随着老化次数的增加，ic曲线变得逐渐平缓，曲线峰值降低，并在老化过程中随着电池内部材料的变化而变化；
34.s2、分别计算各相邻两ic曲线峰值窗口之间的wasserstein距离，得到特征数据集，并将特征数据集分为前期数据集和后期数据集；
35.在本实施例中，分别利用差分公式对各ic曲线进行采样，得到采样数据集，再将峰值窗口内的采样数据通过pytorch进行sinkhorn迭代，以获取相邻两ic曲线峰值窗口之间的wasserstein距离；
36.在本实施例中，该峰值窗口是以ic曲线峰值为中心的长度为3的区间；在本实施例中，峰值窗口设定为电压为3.26v-3.54v的区间；
37.s3、采用基于高斯回归过程方法的预测模型，所述s2中的特征数据集作为预测模型的输入，电池soh作为预测模型的输出，对于预测模型的比例系数超参数α、特征长度尺度超参数l和周期超参数p，分别设定其取值范围为(0.1,100)、(0,1)和(0,100)，先取取值范围内的任意值，再利用前期数据集对预测模型进行初次训练，并根据预测所得值与真值之间的差距，调整并确定各超参数的值；
38.更具体地，首先确定数据点为一个高斯过程的采样点，高斯回归过程的核函数为协方差函数；再根据后延概率确定预测的表达式，通常情况下要求似然估计最大，通过最大似然估计求解超参数，超参数即表达式中无法确定的未知量；
39.预测所得值即为预测容量曲线，真值是所记录的真实容量曲线，当预测所得值与真值之间的差距大于第一阈值时，则调低超参数α的值、调高超参数l和p的值，当预测所得值与真值之间的差距小于第二阈值时，则调高超参数α的值、调低超参数l和p的值，调整额度应在经验区间的10％以内，该经验区间上述各超参数的取值范围内选出；在本实施中，预测所得值与真值之间的差距也可采用wasserstein距离计算，计算过程现有技术，第一阈值设置为0.89，第二阈值设置为0.67；
40.s4、利用后期数据集对已确定超参数的预测模型进行训练。
41.以上所述，仅为本发明的较佳实施例而已，故不能以此限定本发明实施的范围，即依本发明申请专利范围及说明书内容所作的等效变化与修饰，皆应仍属本发明专利涵盖的范围内。