基于特征选择与集成学习的储能电池退化估计方法和装置与流程

本发明涉及储能电池退化估计，特别是涉及一种基于特征选择与集成学习的储能电池退化估计方法和装置。

背景技术：

1、锂离子电池因高能量比、无记忆效应等优势，已被广泛应用于储能系统中。锂电池会因长时间运行而逐渐老化，导致不可逆的容量损失，老化过程将不可避免地降低电池的性能和可靠性，容量损失限制了电池的寿命，因此，电池退化估计是储能系统设计的关键考虑因素之一。然而，锂电池内部机理复杂、具有较强的非线性电化学机制和多种退化机制，电池退化估计一直是业界难题。

2、目前主要有模型驱动方法和数据驱动方法。基于模型的方法旨在建立数学模型来表征锂电池退化的过程，如多物理建模方法、卡尔曼滤波方法和粒子滤波方法等。大部分模型方法是建立一个数学模型来拟合锂电池的退化曲线，然后利用粒子滤波方法进行预测。上述模型驱动方法有两个显著缺点：1)由于复杂的内部电化学特性，电池容易受到温度和湿度等外部因素的影响；因此，建立一个通用的精确数学或物理模型是困难的。2)滤波方法很容易受到电流和温度的影响，由于粒子退化问题，滤波方法预测退化程度精度有限。因此，数据驱动方法拟合电池复杂的退化过程，而无需深入的机理研究，受到更多的关注

3、数据驱动方法通过提取锂电池的退化特征参数，如容量、电流、电压和阻抗等，结合神经网络、支持向量机和贝叶斯回归等智能算法进行退化估计。尽管数据驱动的方法避免了模型驱动方法的缺点，但仍存在不足：1)数据驱动模型需要大量数据训练模型，尤其是深度学习方法，需要长时间、多维度的电池充放电数据。2)特征选择对数据驱动方法的精度起到至关重要的作用，然而如何选择电池退化最关键的特征一直是个难题。

技术实现思路

1、本发明所要解决的技术问题是提供一种基于特征选择与集成学习的储能电池退化估计方法和装置，能够提高机器学习模型精确度，减少运行时间。

2、本发明解决其技术问题所采用的技术方案是：提供一种基于特征选择与集成学习的储能电池退化估计方法，包括以下步骤：

3、收集电池数据，并对所述电池数据进行预处理，将预处理好的数据分成训练集和测试集；

4、对训练集和测试集中所有样本数据采用相同的方法提取特征并构建特征库；

5、将所述特征库代入到演化学习框架进行特征选择，得到最优特征和预测模型；

6、提取待估计储能电池的最优特征，并采用预测模型对待估计储能电池进行退化估计。

7、所述特征库包括以下特征：电压数据、电流数据、温度数据、容量数据、电压变化率数据、容量对电压的导数数据、电池激活能量数据和电荷吞吐量数据。

8、所述将所述特征库代入到演化学习框架进行特征选择，得到最优特征，具体包括以下步骤：

9、(a)随机生成初始种群，种群中的单体由长度与特征库中特征的数量相等的二进制编码构成，其中，二进制编码为“0”时，表示选择该特征；二进制编码为“1”时，表示不选择该特征；

10、(b)采用种群中被选择的特征对集成预测器进行训练；

11、(c)计算集成预测器中不同预测模型的精度，并根据不同预测模型的精度计算适应度值；

12、(d)当适应度值不满足停止条件时，对当前种群进行演化操作，重新进行编码得到新的种群，并返回步骤(b)；

13、(e)当适应度值满足停止条件时，将当前选择的特征作为最优特征。

14、所述集成预测器包括神经网络预测模型、支持向量机回归预测模型和随机森林预测模型。

15、所述集成预测器中不同预测模型的精度采用均方根误差进行度量，其计算方式为：其中，rmse为预测模型的精度，n为数据点数，ypred为预测模型的预测结果，ytrue为真实标签；所述适应度值为不同预测模型的精度的平均值。

16、所述对当前种群进行演化操作，具体包括：

17、采用贪婪选择的策略选择较优的个体作为新的个体；

18、随机选取种群中两个不同的个体，将其向量差缩放后与待变异个体进行向量合成；

19、随机选择种群中的个体进行交叉操作。

20、本发明解决其技术问题所采用的技术方案是：提供一种基于特征选择与集成学习的储能电池退化估计装置，包括：

21、收集处理模块，用于收集电池数据，并对所述电池数据进行预处理，将预处理好的数据分成训练集和测试集；

22、构建模块，用于对训练集和测试集中所有样本数据采用相同的方法提取特征并构建特征库；

23、演化学习模块，用于将所述特征库代入到演化学习框架进行特征选择，得到最优特征和预测模型；

24、评估模型，用于提取待估计储能电池的最优特征，并采用预测模型对待估计储能电池进行退化估计。

25、本发明解决其技术问题所采用的技术方案是：提供一种电子设备，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于特征选择与集成学习的储能电池退化估计方法的步骤。

26、本发明解决其技术问题所采用的技术方案是：提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于特征选择与集成学习的储能电池退化估计方法的步骤。

27、有益效果

28、由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明通过搜索得到与电池退化相关的最优子集，在最优子集上构建预测模型，可提高训练效率，减少模型的过拟合，提升模型精度。同时通过集成学习来构建预测模型，利用集成多个不同的预测模型来提升鲁棒性。

技术特征：

1.一种基于特征选择与集成学习的储能电池退化估计方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于特征选择与集成学习的储能电池退化估计方法，其特征在于，所述特征库包括以下特征：电压数据、电流数据、温度数据、容量数据、电压变化率数据、容量对电压的导数数据、电池激活能量数据和电荷吞吐量数据。

3.根据权利要求1所述的基于特征选择与集成学习的储能电池退化估计方法，其特征在于，所述将所述特征库代入到演化学习框架进行特征选择，得到最优特征，具体包括以下步骤：

4.根据权利要求3所述的基于特征选择与集成学习的储能电池退化估计方法，其特征在于，所述集成预测器包括神经网络预测模型、支持向量机回归预测模型和随机森林预测模型。

5.根据权利要求3所述的基于特征选择与集成学习的储能电池退化估计方法，其特征在于，所述集成预测器中不同预测模型的精度采用均方根误差进行度量，其计算方式为：

6.根据权利要求3所述的基于特征选择与集成学习的储能电池退化估计方法，其特征在于，所述对当前种群进行演化操作，具体包括：

7.一种基于特征选择与集成学习的储能电池退化估计装置，其特征在于，包括：

8.一种电子设备，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6中任一所述基于特征选择与集成学习的储能电池退化估计方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述基于特征选择与集成学习的储能电池退化估计方法的步骤。

技术总结
本发明涉及一种基于特征选择与集成学习的储能电池退化估计方法和装置，方法包括：收集电池数据，并对所述电池数据进行预处理，将预处理好的数据分成训练集和测试集；对训练集和测试集中所有样本数据采用相同的方法提取特征并构建特征库；将所述特征库代入到演化学习框架进行特征选择，得到最优特征和预测模型；提取待估计储能电池的最优特征，并采用预测模型对待估计储能电池进行退化估计。本发明能够提高机器学习模型精确度，减少运行时间。

技术研发人员：薛金花,王德顺,裴志伟,庄俊,周晨,胡安平,卢俊峰,余豪杰,殷实,曹远志,冯鑫振,雷洁,项鹏飞,鄢盛驰
受保护的技术使用者：国网上海能源互联网研究院有限公司
技术研发日：
技术公布日：2024/4/17