[发明专利]基于局部信息融合的铅酸电池健康状态预测方法

权利要求书

1.一种基于局部信息融合的铅酸电池健康状态预测方法，其特征在于包括以下步骤：

步骤1、在铅酸电池的放电过程中，以放电循环为单位构成训练样本集；将每次放电循环作为一个样本，并提取相应的时间序列作为特征；

步骤2、将原始的训练集按照时间序列划分为若干个样本数目相等子训练集；

步骤3、在每个子训练集上训练支持向量回归SVR模型，多个SVR组成一个SVR的集合；

步骤4、利用集成学习算法将多个训练的SVR模型融合，得到集成的SVR模型；令为一个独立评估集，其中表示第k个评估样本的特征向量，表示第k个评估样本的回归量，M^eval表示评估样本的数目，分别利用两种集成学习算法AdaBoost和Stacking对SVR_Team中的SVR进行集成，其具体步骤如下：

1)基于AdaBoost算法的SVR集成

利用SVR_Team中的每个SVR_p对IED进行预测，通过比较IED中每个样本的预测值与真实值，计算出每个SVR_p对应的错误率ε_p，根据错误率ε_p计算出其对应的权重β_p，0≤β_p≤1，β₁+β₂+...+β_N＝1；最终集成的SVR模型表示为z_p表示SVR_p对应的输入；

2)基于Stacking算法的SVR集成

利用SVR_Team中的每个SVR_p对IED进行预测，对于IED中的每个评估样本将所有SVR的预测值与的真实值串联起来，形成一个新的样本，表示为表示SVR_p对的预测值；所有新样本构成一个新的训练集，表示为：在Tr^meta上训练一个新的支持向量回归模型Sta_SVR_En为最终集成的SVR模型；

步骤5、给定待查询铅酸电池的一次放电循环，利用集成的SVR模型预测铅酸电池本次放电循环后的健康状态SOH。

2.根据权利要求1所述的铅酸电池健康状态预测方法，其特征在于：所述步骤1中，提取相应的时间序列作为特征的具体步骤如下：

1)对铅酸电池进行n次完整的充放电实验，每一次完整的放电实验被称为一次放电循环；

2)对于每次放电循环i，测量出电池的完全放电量即电池容量，表示为C_i；根据电池容量C_i，计算出本次放电循环后电池的健康状态，表示为SOH_i，它的计算公式如下：

SOH_i＝C_i/C₀

其中C₀表示电池的额定容量，第i次放电循环对应的样本表示为(i,SOH_i)。

3.根据权利要求1所述的铅酸电池健康状态预测方法，其特征在于：所述步骤2中，将原始的训练集按照时间序列划分为若干个样本数目相等子训练集的具体步骤如下：

1)令原始训练集表示为其中X_i是第i个训练样本的特征向量，Y_i表示第i个训练样本的真实回归值，M表示训练样本的数目；

2)将原始的训练集按照时间序列划分为若干个数目相等子训练集，依次表示为：STD₁,STD₂,...,STD_p,...,STD_N，其中N表示子训练集的数目，STD_p表示第p个子集，它包含了原始训练集OTD中的第start(p)个样本到end(p)个样本，start(p)＝(p-1)*m+1，m表示每个子训练集中样本的数目，m＝M/N。