基于POA-SVR的海岛环境下储能电池状态监测方法

基于poa-svr的海岛环境下储能电池状态监测方法
技术领域
1.本发明属于储能电池状态监测技术领域，具体涉及一种基于poa-svr的海岛环境下储能电池状态监测方法。


背景技术：

2.储能设备作为工业系统中的不可或缺的部分，储能电池状态对于系统的稳定性有着很重要的影响，而对于储能电池而言，电池的健康状态(state of health，soh)和荷电状态(state of charge，soc)是其最为重要的状态量，准确的soc预测对防止电池过充、过放以及延迟电池循环寿命具有重要作用。同时随着电池使用次数的增加，电池性能会有所下降，电池容易发生热失控、内短路等安全问题，导致设备或者系统瘫痪，严重可能导致灾难性事故发生，因此准确的储能电池状态的估计对储能系统的估计有着非常重要的意义。
3.在海岛环境下，其自然环境相当恶劣，雨季多湿度高，形成了与大陆不同的气候环境，而储能电池的健康状态和荷电状态的预测又易受到外界环境影响，不能及时的预测其健康状态可能会导致严重的安全事故，降低了设备可靠性。目前以数据驱动的方式进行储能电池状态监测的研究，大部分采用的数据集为实验室所获得，很少有学者考虑到现场环境复杂性对储能电池的影响，且在具体的海岛环境下的相关研究技术也甚少。
4.同时在基于数据驱动进行电池状态估计方法中，支持向量回归是一种非常典型的算法，在目前的研究中也有大量学者对支持向量回归进行优化研究，其较未优化的支持向量回归预测的效果较好，但在预测精度上依然拥有较大误差同时在对储能电池进行状态监测中，大部分学者集中在使用模型驱动进行电池的soc估计以及使用数据驱动进行电池的soh估计，但是尚未有学者使用poa-svr算法进行储能电池soc及soh联合估计。文献[徐佳宁,倪裕隆,朱春波.基于改进支持向量回归的锂电池剩余寿命预测[j].电工技术学报,2021,36(17):12]中使用了改进蚁狮优化算法优化支持向量回归进行了电池剩余有效寿命(rul)的预测，但是可以看出优化后的支持向量回归仍然存在较大的预测误差，且未考虑到对电池的联合估计。公开号为cn111443293a的中国专利申请提出了一种基于数据驱动的锂电池健康状态soh估算方法，该方法中使用了数据驱动的方法进行了锂电池健康状态soh估算，但是未考虑到使用数据驱动对电池soc的联合预测，同时该方法在提取输入量时未考虑到输入量的多样性，使预测精度大大降低。


技术实现要素：

[0005]
鉴于上述，本发明提供了一种基于poa-svr的海岛环境下储能电池状态监测方法，能够实现海岛环境下储能电池的soc和soh联合预测，且有效提高模型预测精度。
[0006]
一种基于poa-svr的海岛环境下储能电池状态监测方法，包括如下步骤：
[0007]
(1)从海岛储能设备数据集中提取电池循环数据作为健康因子，对健康因子进行归一化预处理；
[0008]
(2)构建基于poa-svr的算法模型；
[0009]
(3)利用健康因子以及对应的soh标签对上述算法模型进行训练，得到电池健康状态(即剩余寿命)的预测模型h1；
[0010]
(4)利用健康因子中的电流电压数据以及对应的soc标签对上述算法模型进行训练，得到电池荷电状态(即剩余电量)的预测模型h2；
[0011]
(5)实时监测海岛环境下储能电池的健康因子，将相应的数据输入至预测模型h1和h2中，即可得到关于储能电池健康状态和荷电状态的预测结果。
[0012]
进一步地，所述步骤(1)中提取的健康因子包含了从电压、电流、温度、充放电时间四个角度反应储能电池健康状态的11组特征，分别为：充电最高温度、放电最高温度，充电温度平均值，放电温度平均值、等流降充电时间间隔、恒流放电时间间隔、等压升时间间隔、等压降时间间隔、等压升阶段电压对时间积分量、等压降阶段电压对时间积分量、等流降阶段电流对时间积分量。
[0013]
进一步地，所述步骤(2)的具体实现方式为：首先建立svr(support vector regression，支持向量回归)模型，其非线性映射函数定义为：
[0014][0015]
其中：x为输入向量，y为输出向量，w为权重向量，b为偏差值，为非线性变换函数，xi为用于模型训练的第i组输入样本，ai和ai'为xi对应的拉格朗日乘数，k(xi,x)为关于xi与x的核函数，i为自然数且1≤i≤n，n为样本数量；
[0016]
然后利用poa(pelican optimization algorithm，鹈鹕优化算法)算法进行寻优，为svr模型中所涉及的惩罚系数和核函数半径寻找最优解。
[0017]
进一步地，所述核函数k(xi,x)的表达式如下：
[0018][0019]
其中：g为核函数半径，exp()表示以自然常数e为底的指数函数。
[0020]
进一步地，所述拉格朗日乘数ai和ai'的求解表达式如下：
[0021][0022][0023]
其中：yi为输入样本xi对应的标签，c为惩罚系数，ε为常数，j为自然数且1≤j≤n。
[0024]
进一步地，所述poa算法进行寻优的具体过程如下：
[0025]
2.1根据超参数的上下界随机初始化一定规模数量的种群，种群中每一成员即对
应一组关于惩罚系数和核函数半径的候选解；
[0026]
2.2通过在搜索空间中进行探索并随机产生猎物位置p，从而对种群进行第一次更新；
[0027]
2.3通过检测鹈鹕位置邻域内的点并将其收敛至狩猎区域中更优点，从而对种群进行第二次更新；
[0028]
2.4以上述两次更新过程作为一轮迭代，通过反复多轮迭代，最终从种群中输出最优的候选解。
[0029]
进一步地，所述候选解的数学表达形式如下：
[0030]
xk＝[x
k,c
,x
k,g
]
[0031]
x
k,c
＝lc+rand
·
(u
c-lc)
[0032]
x
k,g
＝lg+rand
·
(u
g-lg)
[0033]
其中：xk表示种群中第k个成员对应的候选解，x
k,c
表示候选解xk中关于惩罚系数的变量值，x
k,g
表示候选解xk中关于核函数半径的变量值，rand为0～1之间的随机数，uc和lc分别为惩罚系数的上界值和下界值，ug和lg分别为核函数半径的上界值和下界值，k为自然数且1≤k≤n，n为种群的规模数量。
[0034]
进一步地，所述步骤2.2的具体实现方式为：首先对于种群中任一成员，通过以下公式计算该成员的新位置p1；
[0035][0036][0037]
其中：表示新位置p1中关于惩罚系数的变量值，表示新位置p1中关于核函数半径的变量值，猎物位置p＝[pc,pg]，pc为lc～uc之间的随机值，pg为lg～ug之间的随机值，f
p
为猎物位置p对应的模型目标函数值，fk为候选解xk对应的模型目标函数值，i为1或2的随机数；
[0038]
然后计算新位置p1对应的模型目标函数值，若该模型目标函数值相对于fk得到了改善，则将新位置p1替换候选解xk，否则保留候选解xk。
[0039]
进一步地，所述步骤2.3的具体实现方式为：首先对于种群中任一成员，通过以下公式计算该成员的新位置p2；
[0040][0041][0042]
其中：表示新位置p2中关于惩罚系数的变量值，表示新
位置p2中关于核函数半径的变量值，t表示本轮的迭代次数，t表示最大迭代次数，r为常数；
[0043]
然后计算新位置p2对应的模型目标函数值，若该模型目标函数值相对于fk得到了改善，则将新位置p2替换候选解xk，否则保留候选解xk。
[0044]
进一步地，所述模型目标函数值选用模型输出预测结果与对应标签之间的均方误差。
[0045]
基于上述技术方案，本发明具有以下有益技术效果：
[0046]
1.本发明通过poa算法有效解决svr算法内核参数选择困难问题，相比于传统的优化svr算法，本发明在局部搜索中的开发能力和向全局最优的收敛能力更强，有着对储能电池状态更好的预测精度，同时本发明拥有很好的扩展性。
[0047]
2.本发明同时考虑到海岛环境的特殊性，以海岛环境下获得的储能电池数据分别训练poa-svr模型，得到poa-svr电池剩余寿命预测模型和poa-svr电池荷电状态预测模型，并以训练后的模型进行在线监测海岛环境下储能电池状态，实现海岛环境下储能电池的soc和soh联合预测，达到了实时在线监测海岛环境下储能电池运行状态的目的。
附图说明
[0048]
图1为本发明海岛环境下储能电池状态监测方法的流程示意图。
[0049]
图2为采用本发明算法模型下电池soh状态预测结果示意图。
[0050]
图3为采用本发明算法模型进行在线监测的总体示意图。
具体实施方式
[0051]
为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
[0052]
如图1所示，本发明基于poa-svr的海岛环境下储能电池状态监测方法，包括如下步骤：
[0053]
(1)由海岛储能设备数据集中提取电池循环数据作为健康因子，对健康因子进行归一化预处理。
[0054]
由海岛储能设备数据集中提取电池循环数据，电池循环数据由储能电池监测bms系统直接采集获得，包括电压、电流、温度和充放电时间，为提高模型预测的准确度，本发明进行多维特征向量提取，共提取11组特征向量，所提取的指标分别从电压、电流、温度、充放电时间四个角度反应电池健康状态。
[0055]
温度相关健康因子提取，bms系统中温度是较为容易监测和记录，由储能电池温度监测数据分别进行提取四个温度相关健康因子，分别是充电最高温度、放电最高温度、充电温度平均值、放电温度平均值。
[0056]
充放电时间相关健康因子提取，根据监测充放电时间，分别提取等流降充电时间间隔、恒流放电时间间隔、等压升时间间隔、等压降时间间隔四组健康因子。
[0057]
电流、电压相关健康因子提取，由已获得储能电池电流、电压监测数据进行电流健康因子分离，分别提取等压升阶段电压对时间积分量、等压降阶段电压对时间积分量、等流降阶段电流对时间积分量三组健康因子。
[0058]
对健康因子进行归一化预处理，其中归一化方式为：
[0059][0060]
其中：x为归一化前的数据，x'为归一化后的数据，x
max
为样本数据的最大值，x
min
为样本数据的最小值。
[0061]
(2)将归一化后的数据划分为测试集和数据集，采用poa算法对svr模型进行优化，使用测试集训练poa-svr算法，建立poa-svr电池剩余寿命预测模型。
[0062]
本实施例使用nasa公开电池数据集b0005号电池进行poa-svr模型验证其有效性。首先，进行nasa公开电池b0005数据样本划分，将总样本的80％数据划分为训练集，将总样本的20％数据划分为测试集，建立svr模型，给定一个电池循环数据训练集：
[0063]
s＝{(x1,y1),(x2,y2),
…
,(xi,yi)},yi∈r
[0064]
其中：xi为输入向量，yi为相应的输出向量，此时非线性映射函数定义为：
[0065][0066]
其中：w为权重向量，b为偏差值；w和b参数可通过如下目标函数来求解：
[0067][0068]
由于在超平面两次的松弛程度不同，引入松弛变量，此时目标函数转化为以下约束性形式：
[0069][0070]
式中：ξi和ξi'为松弛因子，将回归问题转化为求解目标函数最小化问题，此时引入了拉格朗日惩罚算子，将目标函数转化为对偶问题：
[0071][0072][0073]
目标函数中的ai和ai'为拉格朗日乘数，通过最小化拉格朗日函数，可获得非线性映射svr表达式：
[0074][0075]
式中：为核函数，k(xi,x)可以通过内积运算将低维度的线性不可分问题转化到高维度的线性可分问题，这核函数选择径向基核函数，定义为：
[0076][0077]
其中：g为核函数半径，惩罚系数c和核函数半径g的值直接影响最终svr模型的预测效果，但目前对于二者的选择缺少理论的指导，鹈鹕优化算法在局部搜索中的高开发能力以及向全局最优的收敛能力具有非常强的竞争力，可以达到对参数很好的寻优效果，具体过程如下：
[0078]
首先，poa算法进行寻优，poa初始化，根据svr超参数的下界和上界随机初始化种群成员，其中每个种群成员代表一个候选解：
[0079]
x
i,j
＝lj+rand
·
(u
j-lj),i＝1,2,...,n,j＝1,2,...,m
[0080]
式中：x
i,j
是由第i个候选解指定的第j个变量值，n是总体种群数目，m是问题变量的数目(本发明中m＝2即c和g两个问题变量)，rand是区间[0,1]中的随机数，lj是问题变量的第j个下限，uj是问题变量的第j个上界，将poa种群矩阵定义如下，该矩阵的每一行代表一个候选解，而该矩阵的列代表问题变量值：
[0081][0082]
其中：x是鹈鹕的种群矩阵，xi是第i个鹈鹕，每个种群成员都是鹈鹕，代表着候选解。给定问题的目标函数是基于每个候选解进行建立，目标函数向量由目标函数值如下式进行确定：
[0083][0084]
其中：f是目标函数向量，并且fi是第i候选解的目标函数值。
[0085]
第一阶段：鹈鹕确定猎物的位置，然后向这个确定的区域移动，其中poa算法中的重点是猎物位置是在搜索空间中随机生成的，这提高了poa算法在问题解决空间中的探索能力，鹈鹕向猎物移动的策略如下式进行模拟：
[0086][0087]
式中：为第i个鹈鹕在j维度所产生的第一阶段新位置，i为1或2的随机数，且i是每次迭代及每个成员随机所选择的；当i的值等于2时，将提供更远的位移，可以将该成员
引导到搜索空间的较新区域。pj为猎物在j维所在的位置，f
p
为猎物位置对应的目标函数值，目标函数选择为电池实际状态和预测状态之间的均方误差mse：
[0088][0089]
式中：为实际状态，yi为预测状态，如果产生的新位置改善了目标函数的值，则更新位置，称为有效更新，以此防止算法移动到非最佳区域：
[0090][0091]
式中：xi'为更新后的新位置，是第一阶段新位置对应的目标函数值。
[0092]
poa算法第二阶段为开发阶段，鹈鹕到达水面后，展开翅膀在水面上推动鱼向上移动，然后将猎物收集在喉囊中，这种策略导致受攻击区域的更多鱼被鹈鹕捕获；对鹈鹕的这种行为进行建模使算法收敛到狩猎区域中更好的点，其数学建模表达式如下：
[0093][0094]
式中：为第i个鹈鹕在j维度所产生的第二阶段新位置，r为常数，其值为0.2，r(1-t/t)代表着种群成员的邻域半径，通过在每个成员附近进行局部搜索以收敛到更好的解。在初始迭代中，该系数的值很大，因此每个成员周围的区域都会被考虑到，随着算法重复次数的增加，r(1-t/t)系数减小，导致每个成员的邻域半径变小，这使我们能够以更小和更准确的步骤扫描每个成员周围的区域，以此收敛到更接近全局最优的解决方案；t为本次迭代次数，t为最大迭代次数，其中有效的位置更新规则如下所示：
[0095][0096]
其中：xi'为更新后的新位置，是第二阶段新位置对应的目标函数值。
[0097]
通过反复迭代，直到满足要求，输出惩罚系数c和核函数半径g两个超参数最优解，poa算法结束，将获得的最优超参数返回输入到svr模型中构建poa-svr模型，其中误差评价指标使用均方根误差(root mean square error，rmse)：
[0098][0099]
式中：和yi分别是第i次循环的预测容量和实际容量，n表示样本个数。
[0100]
如图2所示，根据对b0005电池的剩余寿命仿真结果可得rmse＝0.012125，其效果较好。
[0101]
(3)如图3所示，实时监测海岛环境下储能电池状态，将储能电池在线监测得到的健康因子输到已完成训练的poa-svr模型中，进行海岛环境下储能电池剩余寿命soh的实时预测。
[0102]
(4)进行海岛环境下储能电池荷电状态soc预测，由储能电池设备数据集得到的电流、电压数据作为特征量输入poa-svr模型中进行训练，建立poa-svr荷电状态预测模型。
[0103]
(5)如图3所示，实时监测海岛环境下储能电池状态，将储能电池在线监测得到的电流、电压数据输到已完成训练的poa-svr模型中，进行海岛环境下储能电池荷电状态预测。
[0104]
上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。