基于极限学习机模型的鲁棒锂离子电池SOH估计方法

本发明属于锂电池储能管理，涉及一种基于极限学习机模型的鲁棒锂离子电池soh估计方法。

背景技术：

1、近年来，随着传统化石能源消耗的日益增加而带来的能源危机问题和环境污染问题日益加剧，人们正寻求以新能源(如太阳能等)代替传统化石能源。新能源由于随机性高使其难以直接利用，储能技术恰好可解决这一问题。锂离子电池(lithium ion battery，lib)由于其高能量密度、长寿命、高功率耐受性、重量轻、环境友好等优点成为当前较为流行的储能单元。

2、lib的大量使用为保证其安全运行提出较高要求，而对lib健康状态(state ofhealth，soh)的精确估计是保证lib安全运行的关键环节。精准的soh估计不仅可提高电池的利用率，还可以有效减少资源浪费。电池在运行过程中相当于一个黑箱系统，其soh受到充放电速率、环境等多种因素影响，使得实现快速、精确的soh估计仍具有一定挑战性。目前soh估计方法大致分为模型驱动法和数据驱动法，其中模型驱动法要求建立准确的电池模型并进行复杂的参数辨识过程才能实现soh精确估计，过程较为复杂；而数据驱动法只需要利用采集到的电压、电流等数据训练模型，不需要复杂的建模过程就可以实现soh精确估计。

3、极限学习机(extreme learning machine，elm)模型由于其网络结构简单，计算速度快等优点，基于其可构建面向soh估计的数据驱动法。然而传统的elm是以均方误差(meansquare error，mse)作为代价函数，其在量测噪声为高斯假设下表现最优。但当数据中有离群值时或量测噪声服从非高斯分布时，其估计精度会受到严重影响。而在储能系统所处的外界环境中往往会存在一些外部干扰，也即测量的数据会受到物理或人为影响，从而使得实际获取的数据中包含非高斯噪声。另外，在训练数据中的标签值本身就不易获得，这也意味着标签值中存在一些非高斯干扰。此种情况下应用传统elm进行soh估计，则会产生较大的估计误差。因此，针对实际工况，提高非高斯噪声条件下elm估计soh的鲁棒性有重要意义。

技术实现思路

1、本发明的目的是提供一种基于极限学习机模型的鲁棒锂离子电池soh估计方法，解决了现有技术中存在的非高斯噪声对soh估计精度影响较大的问题。

2、本发明所采用的技术方案是基于极限学习机模型的鲁棒锂离子电池soh估计方法，具体按照以下步骤实施：

3、步骤1、采集锂离子电池在不同充放电循环环境下的电流数据；

4、步骤2、对步骤1采集到的电流数据进行降维处理，提取与电池soh相关的健康特征；

5、步骤3、将传统elm的代价函数mse替换为鲁棒性代价函数krp，得到krp-elm改进模型；

6、步骤4、利用步骤2提取到的健康特征和步骤3得到的krp-elm改进模型进行soh估计，即而获知电池的健康状态。

7、本发明的特点还在于：

8、步骤1的电流数据包括电压、电流以及温度。

9、步骤1的不同充放电循环环境为：充电电压曲线趋势为先上升至4.2v然后保持不变；充电电流曲线趋势为保持不变，然后持续下降至20ma。

10、步骤2中通过局部切空间排列算法ltsa对步骤1采集到的数据进行降维处理。

11、步骤2中将电流数据作为ltsa算法的输入，每个周期提取的健康特征表示为

12、hfi＝ltsa(xi),i＝1,2…,n  (1)

13、式(1)中hfi表示提取的第i个循环的健康特征，xi表示第i个周期的电流数据，ltsa可以挖掘电池高维电流数据中的隐藏退化行为。

14、步骤2的具体过程如下：

15、步骤2.1、定义x＝[x1,x2,…,xn]∈rd×n,y＝[y1,y2,…,yn]∈rd×n,d＜＜d分别为原始电流数据和提取的hf矩阵，其中n表示充电循环周期，d表示每个充电周期电流采样点的个数，d表示提取的hf的维数，在soh估计中d被设为1；

16、步骤2.2、通过欧氏距离确定xi的k个近邻，k的大小由反复试验得到；

17、步骤2.3、确定正交基矩阵qi∈rd×d，计算公式如下：

18、

19、式中表示xi的中心化矩阵，i表示k阶单位矩阵，e表示单位列向量，σi表示按奇异值降序排列的对角矩阵，ui∈rd×d和vi∈rk×k分别为左右特征向量矩阵，qi为ui中最大的特征向量；

20、步骤2.4、计算局部切空间中每个数据点的投影坐标，计算公式如下：

21、

22、式中θi是xi的局部坐标；

23、步骤2.5、通过线性对齐所有局部坐标θi寻找一组全局低维坐标yi∈rd×k，计算过程如下：

24、

25、式中是yij的均值，li∈rd×d是一个仿射变换，是局部坐标误差；

26、步骤2.6、最小化所有映射误差之和，令则公式(4)可表示为：

27、yi(i-eet/k)＝liθi+ei  (5)

28、式中yi和li通过最小化重建误差来确定；计算公式如下：

29、

30、令m＝[m1,…,mi,…mn],(i＝1,2,…,n)和ymi＝yi，mi为0～1的选择矩阵，所以公式(6)可以表示为：

31、

32、式中z＝diag(z1,z2,…,zn)，a＝mzztmt，然后增加一个约束条件i＝yyt以保证解的唯一性，最优全局坐标y是矩阵a的第2个到第d+1个特征向量，最后，ltsa提取的hf表示为：

33、hf＝[hf1,…,hfi,…,hfn]t＝y  (8)。

34、步骤3的krp-elm改进模型具体过程为：步骤3中elm是一种单隐含层前馈神经网络(single hidden layer feedforward neural network，slfn)，给定n个不同的训练样本其中xi＝[xi1,xi2,…,xid]t∈rd是输入向量，ti∈r是目标响应，具有l个隐含层节点的标准slfn的输出如下式：

35、

36、式中f(·)是激活函数，ωj＝[ωj1,ωj2,…,ωjd]∈rd和bj∈r(j＝1,2,…,l)是第i个隐含层节点的学习参数，βj∈r表示第j个隐含层节点连接到输出节点的权重，则公式(9)可以写成矢量形式为：

37、y＝hβ  (10)

38、式中y＝(y1,…,yn)t,β＝(β1,…,βl)t且

39、

40、公式(11)表示隐含层输出矩阵，传统的elm通过最小化正则mse损失来求解输出权重向量β，如下式：

41、

42、式中ei＝ti-yi是第i个目标值和第i个实际输出之间的误差，λ>0是防止过拟合的正则化参数，t＝(t1,…,tn)t是目标值向量，通过伪逆计算可以得到公式(12)的唯一解，如下式：

43、β＝[hth+λi]-1htt  (13)

44、为了获得对非高斯噪声(或异常值)具有鲁棒性的elm算法，我们考虑将传统的elm的mse代价函数替换为krp代价函数，krp的表达式如下：

45、

46、式中μ>0是风险敏感参数，κ(·)是一个非线性映射的高斯核函数，p>0是幂参数，σ是核宽度；

47、基于(14)，应用梯度法导出：

48、

49、式中hi是h的第i行，λ是对角元素为的对角矩阵，而

50、由(15)即可得到krp-elm模型，在优化求解过程中采用不动点迭代法。

51、步骤4的具体过程为：对于观察到的目标值被附加噪声破坏：

52、

53、式中是有噪声的目标值向量，ν是噪声向量，本发明选取的两种噪声分别为混合噪声和拉普拉斯噪声，其中混合噪声由均匀噪声和高斯噪声叠加得到；

54、将由ltsa提取出的hf作为krp-elm的单输入，隐含层节点数设为30，输出节点为1。

55、本发明的技术方案采用核风险敏感平均p-幂误差(kernel risk-sensitive meanp-power error，krp)代价函数替代传统elm中mse代价函数，基于梯度法和不动点法推导鲁棒elm，实现非高斯噪声下soh准确估计。能有效减少非高斯噪声对soh估计精度的影响，保证锂离子电池soh估计的有效性；算法计算复杂度低，在非高斯噪声条件下估计精度高于传统的以mse为代价函数的elm的估计精度。