[发明专利]基于滑动窗口和多视角特征融合的铅酸电池寿命预测方法

说明书

技术领域

本发明涉及能源技术中的铅酸电池健康状态分析领域，具体地说，是一种基于滑动窗口和多视角特征融合的铅酸电池寿命预测方法。

背景技术

随着能源技术的发展，电池逐渐成为主要的能源载体之一。在众多类型的电池中，铅酸电池以其电压稳定、贮存性能好、造价较低等优势被广泛应用于各类供电系统中。铅酸电池有多种性能参数，其中最重要的一个参数是电池健康状态(State of Health，SOH)，它代表着电池储存电量的能力。准确地估计铅酸电池的SOH有助于人们及时更换老化的电池，对其自身的安全性和可靠性有着重要意义。因此，铅酸电池SOH的预测成为当前电池研究领域的一大热点问题。

现阶段，铅酸电池SOH的预测方法可以分为两类：基于经验的方法和基于机器学习的方法。基于经验的方法根据电池使用过程中的一些经验知识，并结合某些统计学规律对电池的SOH进行粗略估计。常用的基于经验的方法有：积分电流法、加权安时法等。此类方法只能在电池的经验知识充分的情况下取得令人满意的结果，具有严重的局限性。相比而言，基于机器学习的方法是一种较为有效的方法，它通过各种机器学习算法(支持向量回归算法(Support Vector Regression，SVR)、K近邻算法(K Nearest Neighbor，KNN)以及人工神经网络算法(Artificial Neural Network，ANN)等)对采集的历史数据进行建模，从而有效地预测铅酸电池的SOH。例如：(1)Bhangu B S,Bentley P,Stone D A,et al.,“Nonlinear observers for predicting state-of-charge and state-of-health of lead-acid batteries for hybrid-electric vehicles”,IEEE Transactions on Vehicular Technology,2005,54(3):783-794；(2)Holger B,Oliver B,Stephan B,et al.,“Impedance measurements on lead-acid batteries for state-of-charge,state-of-health and cranking capability prognosis in electric and hybrid electric vehicles”,Journal of Power Sources,2005,144(2):418-425；(3)Singh P,Reisner D.“Fuzzy logic-based state-of-health determination of lead acid batteries”,Telecommunications Energy Conference,2002,1(1):583-590。尽管基于机器学习的方法取得了巨大的成果，但仍然存在下面两个问题。

首先，基于机器学习的方法的预测性能严重依赖于提取的特征。对于大多数基于机器学习的方法，其相应的特征都是从电池的放电过程中提取的，该放电过程包含多个放电循环。具体而言，对于每一次放电循环，其相应的电池观察指标(例如：电池温度、电池电压和负载电压)被提取为特征来预测SOH。经过多个放电循环，生成电池的样本特征集。上述过程看似合理，其实存在如下缺陷：在该方法中，每次放电循环的SOH只取决于当前放电循环中的电池观察指标，而在前几次放电循环中的观察指标却被忽略了；实际上，它们也包含了有价值的信息，并且对于预测当前循环的SOH是很重要的；由于信息的丢失，训练的预测模型不会取得最优的结果。因此，提出一种新的特征提取方法来减少信息丢失是非常有必要的。

其次，研究人员通常会从不同的视角提取多种电池特征。为了取得令人满意的预测性能，有效地融合多种提取的特征是一项艰巨的任务。一般而言，最常见的做法是将多种特征进行线性串联。毋庸置疑，这种方法是最简单直接的。然而，先前的研究已经证明：相比于单个特征，线性串联多个特征并不总是能够提高预测性能。其潜在的原因在于：盲目地线性串联多个特征可能会导致信息冗余，从而使预测模型的性能下降。因此，寻找新的特征融合方法成为该领域的一个研究热点。

发明内容