本發(fā)明涉及蓄電池健康狀態(tài)評(píng)估領(lǐng)域，尤其是指基于域自適應(yīng)遷移的蓄電池多場(chǎng)景健康狀態(tài)估計(jì)方法。

背景技術(shù)：

1、蓄電池廣泛應(yīng)用于電動(dòng)汽車、儲(chǔ)能和便攜設(shè)備中，準(zhǔn)確估計(jì)其健康狀態(tài)對(duì)于保障安全和延長(zhǎng)壽命至關(guān)重要。傳統(tǒng)的健康狀態(tài)估計(jì)方法主要基于實(shí)驗(yàn)室數(shù)據(jù)，但實(shí)際應(yīng)用中，溫度、濕度和充放電策略等因素導(dǎo)致電池退化過程呈現(xiàn)非線性和場(chǎng)景依賴性，造成數(shù)據(jù)分布差異，影響模型的跨場(chǎng)景泛化能力。盡管遷移學(xué)習(xí)和領(lǐng)域自適應(yīng)技術(shù)為解決數(shù)據(jù)分布偏移提供了思路，但現(xiàn)有方法在特征對(duì)齊和時(shí)序信息挖掘方面仍存在不足，難以應(yīng)對(duì)復(fù)雜場(chǎng)景下的精確估計(jì)需求。因此，亟需一種基于域自適應(yīng)遷移的多場(chǎng)景健康狀態(tài)估計(jì)方法，以提升蓄電池在多樣化場(chǎng)景中的適應(yīng)性和估計(jì)精度。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是克服現(xiàn)有技術(shù)中蓄電池在跨場(chǎng)景使用中健康狀態(tài)估計(jì)誤差較大，無法適應(yīng)多場(chǎng)景的使用需求的缺陷，提供一種基于域自適應(yīng)遷移的蓄電池多場(chǎng)景健康狀態(tài)估計(jì)方法，利用源域數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練，遷移到目標(biāo)域，提高模型在存在顯著數(shù)據(jù)分布差異樣本上的估計(jì)精度；通過卷積神經(jīng)網(wǎng)絡(luò)-多核最大均值差異(cnn-mkmmd)有效利用無標(biāo)簽數(shù)據(jù)，提升模型對(duì)復(fù)雜場(chǎng)景的適應(yīng)性，降低數(shù)據(jù)成本。該方法在少量數(shù)據(jù)下仍能實(shí)現(xiàn)高精度健康狀態(tài)估計(jì)，并有效處理數(shù)據(jù)分布差異，具有較強(qiáng)的泛化能力。

2、本發(fā)明的目的是通過下述技術(shù)方案予以實(shí)現(xiàn)：

3、基于域自適應(yīng)遷移的蓄電池多場(chǎng)景健康狀態(tài)估計(jì)方法，包括以下步驟：

4、步驟1，采集監(jiān)測(cè)的蓄電池充放電階段的動(dòng)態(tài)過程參數(shù)信號(hào)，同時(shí)采集蓄電池老化階段反應(yīng)健康狀態(tài)的狀態(tài)參數(shù)，推導(dǎo)蓄電池的健康狀態(tài)量；

5、步驟2，從充放電數(shù)據(jù)和電化學(xué)阻抗譜分析結(jié)果中提取出表征蓄電池退化的健康因子；對(duì)提取的健康因子進(jìn)行皮爾遜相關(guān)系數(shù)分析，篩選出與電池健康狀態(tài)相關(guān)系數(shù)絕對(duì)值大于等于設(shè)定閾值的特征作為模型輸入；

6、步驟3，構(gòu)建基于殘差結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)作為模型的高維特征提取器，選取均方誤差作為優(yōu)化函數(shù)，對(duì)源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)進(jìn)行特征提??；

7、步驟4，引入多核最大均值差異損失函數(shù)，計(jì)算源域數(shù)據(jù)與目標(biāo)域數(shù)據(jù)在卷積神經(jīng)網(wǎng)絡(luò)模型高層特征輸出的分布距離，并將該損失函數(shù)與均方誤差損失函數(shù)通過加權(quán)求和方式得到總損失函數(shù)，應(yīng)用自適應(yīng)矩估計(jì)優(yōu)化器對(duì)總損失函數(shù)進(jìn)行優(yōu)化，實(shí)現(xiàn)無標(biāo)簽電池?cái)?shù)據(jù)的域自適應(yīng)訓(xùn)練；

8、步驟5，使用驗(yàn)證集評(píng)估模型性能，并將其應(yīng)用于測(cè)試集以輸出健康狀態(tài)估計(jì)結(jié)果，實(shí)現(xiàn)蓄電池在跨域場(chǎng)景下的健康狀態(tài)估計(jì)。

9、作為優(yōu)選，所述的步驟1中，動(dòng)態(tài)過程參數(shù)信號(hào)包括：充電過程中記錄的電流信號(hào)c、充電電壓信號(hào)v和充電溫度信號(hào)t。

10、作為優(yōu)選，所述的健康狀態(tài)量為：

11、

12、其中，qi表示老化過程中電池每個(gè)循環(huán)的最大放電容量，i表示當(dāng)前循環(huán)數(shù)，qnom為電池的標(biāo)稱容量。

13、作為優(yōu)選，所述的步驟2具體包括以下子步驟：

14、步驟2a，從充放電數(shù)據(jù)中提取恒流充電階段電壓曲線的等壓降時(shí)間間隔、恒壓充電階段電流衰減曲線的時(shí)間積分、以及充放電循環(huán)中溫度變化率；同時(shí)結(jié)合電化學(xué)阻抗譜分析結(jié)果中提取的系統(tǒng)特性參數(shù)，綜合形成初始健康因子；

15、步驟2b，通過皮爾遜相關(guān)系數(shù)計(jì)算初始健康因子與電池健康狀態(tài)的線性相關(guān)性，篩選相關(guān)系數(shù)絕對(duì)值大于等于設(shè)定閾值的特征作為模型輸入；

16、步驟2c，將處理后的數(shù)據(jù)劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，標(biāo)簽為對(duì)應(yīng)健康狀態(tài)序列。

17、作為優(yōu)選，所述的步驟3中，卷積神經(jīng)網(wǎng)絡(luò)包括：

18、輸入層，接收時(shí)序健康因子數(shù)據(jù)；殘差卷積模塊，由若干層一維卷積層構(gòu)成，每層包含卷積核、批歸一化層、激活函數(shù)和殘差連接；池化層，在最后一層卷積后接入全局平均池化層，輸出高維特征向量；全連接層，采用線性激活函數(shù)將池化后的特征映射至健康狀態(tài)預(yù)測(cè)值。

19、作為優(yōu)選，所述的步驟4中，多核最大均值差異損失函數(shù)包括回歸損失和分布對(duì)齊損失。

20、作為優(yōu)選，所述的步驟5具體為：

21、在驗(yàn)證集上計(jì)算平均絕對(duì)誤差和均方根誤差，選擇最優(yōu)模型參數(shù)；將訓(xùn)練好的模型應(yīng)用于目標(biāo)域無標(biāo)簽數(shù)據(jù)，輸出健康狀態(tài)估計(jì)值，實(shí)現(xiàn)跨工況、跨批次場(chǎng)景下的健康狀態(tài)預(yù)測(cè)。

22、一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)包括計(jì)算機(jī)指令，當(dāng)其在計(jì)算機(jī)上運(yùn)行時(shí)，使得計(jì)算機(jī)執(zhí)行權(quán)利要求1-7所述的方法。

23、一種電子設(shè)備，所述電子設(shè)備包括：存儲(chǔ)器，處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序；其中，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)權(quán)利要求1-7所述的方法。

24、本發(fā)明的有益效果是：本發(fā)明提出的卷積神經(jīng)網(wǎng)絡(luò)-多核最大均值差異模型的創(chuàng)新方法，有效解決了跨域場(chǎng)景下數(shù)據(jù)分布差異導(dǎo)致的估計(jì)精度下降問題；通過源域數(shù)據(jù)的預(yù)訓(xùn)練和無標(biāo)簽數(shù)據(jù)的有效利用，顯著降低了對(duì)大量有標(biāo)簽數(shù)據(jù)的依賴；本發(fā)明在少量樣本情況下仍能保持高精度的健康狀態(tài)估計(jì)，具有較強(qiáng)的實(shí)際應(yīng)用價(jià)值。

技術(shù)特征：

1.基于域自適應(yīng)遷移的蓄電池多場(chǎng)景健康狀態(tài)估計(jì)方法，其特征是，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于域自適應(yīng)遷移的蓄電池多場(chǎng)景健康狀態(tài)估計(jì)方法，其特征是，所述的步驟1中，動(dòng)態(tài)過程參數(shù)信號(hào)包括：充電過程中記錄的電流信號(hào)c、充電電壓信號(hào)v和充電溫度信號(hào)t。

3.根據(jù)權(quán)利要求1所述的基于域自適應(yīng)遷移的蓄電池多場(chǎng)景健康狀態(tài)估計(jì)方法，其特征是，所述的健康狀態(tài)量為：

4.根據(jù)權(quán)利要求1所述的基于域自適應(yīng)遷移的蓄電池多場(chǎng)景健康狀態(tài)估計(jì)方法，其特征是，所述的步驟2具體包括以下子步驟：

5.根據(jù)權(quán)利要求1所述的基于域自適應(yīng)遷移的蓄電池多場(chǎng)景健康狀態(tài)估計(jì)方法，其特征是，所述的步驟3中，卷積神經(jīng)網(wǎng)絡(luò)包括：

6.根據(jù)權(quán)利要求1所述的基于域自適應(yīng)遷移的蓄電池多場(chǎng)景健康狀態(tài)估計(jì)方法，其特征是，所述的步驟4中，多核最大均值差異損失函數(shù)包括回歸損失和分布對(duì)齊損失。

7.根據(jù)權(quán)利要求1所述的基于域自適應(yīng)遷移的蓄電池多場(chǎng)景健康狀態(tài)估計(jì)方法，其特征是，所述的步驟5具體為：

8.一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，其特征是，所述存儲(chǔ)介質(zhì)包括計(jì)算機(jī)指令，當(dāng)其在計(jì)算機(jī)上運(yùn)行時(shí)，使得計(jì)算機(jī)執(zhí)行權(quán)利要求1-7所述的方法。

9.一種電子設(shè)備，其特征是，所述電子設(shè)備包括：存儲(chǔ)器，處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序；其中，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)權(quán)利要求1-7所述的方法。

技術(shù)總結(jié)
本發(fā)明公開了一種基于域自適應(yīng)遷移的蓄電池多場(chǎng)景健康狀態(tài)估計(jì)方法，包括步驟1，推導(dǎo)蓄電池的健康狀態(tài)量；步驟2，篩選出與電池健康狀態(tài)相關(guān)系數(shù)絕對(duì)值大于等于設(shè)定閾值的特征作為模型輸入；步驟3，對(duì)源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)進(jìn)行特征提??；步驟4，計(jì)算源域數(shù)據(jù)與目標(biāo)域數(shù)據(jù)在卷積神經(jīng)網(wǎng)絡(luò)模型高層特征輸出的分布距離，并將該損失函數(shù)與均方誤差損失函數(shù)通過加權(quán)求和方式得到總損失函數(shù)，應(yīng)用自適應(yīng)矩估計(jì)優(yōu)化器對(duì)總損失函數(shù)進(jìn)行優(yōu)化，實(shí)現(xiàn)無標(biāo)簽電池?cái)?shù)據(jù)的域自適應(yīng)訓(xùn)練；步驟5，使用驗(yàn)證集評(píng)估模型性能，并將其應(yīng)用于測(cè)試集以輸出健康狀態(tài)估計(jì)結(jié)果。本發(fā)明有效解決了跨域場(chǎng)景下數(shù)據(jù)分布差異導(dǎo)致的估計(jì)精度下降問題。

技術(shù)研發(fā)人員：馬恒,徐靜蕾,應(yīng)光耀,張翔,高博,彭彪,樓旺權(quán),朱家立,葉謝平
受保護(hù)的技術(shù)使用者：浙江華電器材檢測(cè)研究院有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/7/31

相關(guān)知識(shí)

一種基于EIS的領(lǐng)域自適應(yīng)退役電池健康狀態(tài)估計(jì)方法
基于深度遷移學(xué)習(xí)的健康意識(shí)汽車電池狀態(tài)估計(jì),Applied Energy
診斷蓄電池健康狀態(tài)的方法與流程
一種基于電化學(xué)阻抗譜的鉛酸電池健康狀態(tài)診斷方法與流程
電池健康狀態(tài)的評(píng)估方法與流程
基于特征賦能的鋰離子電池健康狀態(tài)估計(jì)方法研究.docx
蓄電池健康度估算方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)與流程
基于多目標(biāo)優(yōu)化的鋰離子電池健康狀態(tài)估計(jì)方法
一種基于圖像處理對(duì)鋰電池健康評(píng)估方法與流程
基于GA+SVM的航空鉛酸蓄電池健康評(píng)估

網(wǎng)址: 基于域自適應(yīng)遷移的蓄電池多場(chǎng)景健康狀態(tài)估計(jì)方法與流程 http://www.u1s5d6.cn/newsview1639765.html