[发明专利]基于特征选择和支持向量回归的电池健康状况预测方法

权利要求书

1.一种基于特征选择和支持向量回归的电池健康状况预测方法，其特征在于，包括以下步骤：

步骤一、从电池管理系统中采集a个电池组的离线数据，组成总训练数据集T_r＝{T_r1，T_r2，......，T_ra}，式中，总训练数据集T_r中的第i个数据集T_ri＝{V，I，T，s^T}，V、I、T、s分别为第i个电池组在生命周期内N次充电时的电压序列集合、电流序列集合、温度序列集合、每次充电后记录的最大可用容量序列集合；

步骤二、对每个电池组的数据集进行特征提取，从电压、电流和温度序列中测算提取出和电池容量相关性较高的J个特征，将每个电池组提取出的特征序列组成特征序列集合，得到a个特征序列集合X₁，X₂，......，X_a，其中，将第i个电池组提取出的特征序列组成的特征序列集合定义为X_i＝{x_i1，x_i2，......，x_iJ}，i＝1，2，......，a，x_i1、x_i2、......、x_iJ分别对应于属于第i个特征序列集合X_i的J个特征的特征向量；

步骤三、对步骤二得到的每个特征序列集合进行特征选择，根据Filter法，首先去除变化量最小的特征向量，然后计算剩余各特征向量与最大可用容量序列集合s之间的皮尔森系数，皮尔森系数越大表示该特征向量与容量之间有着更好的相关性，根据特征选择的要求，选择相关性最好的K个特征序列作为回归模型训练的样本集{X′₁，X′₂，......，X′_a}；

步骤四、设通过特征选择筛选的样本集为{X′₁，X′₂，......，X′_a}，将样本集{X′₁，X′₂，......，X′_a}中的第i个样本定义为X′_i，X′_i＝{x′_i1，x′_i2，......，x_iK′}，x_iK′表示第i个特征序列集合X_i经过步骤三筛选后的第K个特征向量，其维度为N，由此共获得了a×K个特征向量；

步骤五、获得样本集{X′₁，X′₂，......，X′_a}中所有样本的每个特征向量组成的特征子集与最大可用容量序列集合s之间的回归关系，其中，将样本集{X′₁，X′₂，......，X′_a}中所有样本的第k个特征向量组成的特征子集x_k与最大可用容量序列集合s之间的回归关系定义为f_k(x_k)，则f_k(x_k)通过以下步骤获得：

步骤501、设样本集{X′₁，X′₂，......，X′_a}中所有样本的第k个特征向量组成的特征子集根据SVR算法，特征子集x_k与最大可用容量序列集合s存在回归关系：

上式中，ω、b表示待优化参数，表示SVR算法中的非线性核函数，即可得到以下优化问题：

subject to f_k(x_k)-s_i≤ε+ξ_i

ξ_i≥0，i＝1，2，3，...，3×170

式中，ε＝ω·x_k+b为算法设定在回归超平面周围的误差带；ξ_i＝max(0，1-f(ω^Tx_i+b))为松弛变量，用于计算落在误差带以外样本点至边界的距离，当样本点与超平面距离超过ε的范围则计入误差，否则不计误差；C为惩罚因数，表示优化方向中两个指标偏好的权重；表示计算超平面另一侧的误差的松弛变量；

而误差带间隔为2/||ω||，优化目标即为最大化误差带间隔，即最小化ω让尽量多的样本点落在该区域；

使用拉格朗日乘子将约束条件融合进损失函数，并求解即可得到特征子集x_k与最大可用容量序列集合s的回归关系s＝f_k(x_k)；

步骤六、当K个特征子集全部完成上述步骤，可获得K个回归关系f₁(x₁)，f₂(x₂)，......，f_k(x_k)，按照各特征的皮尔森系数将其加权平均，即得到SOH估计的公式：

式中，α_k为加权因子，皮尔森系数越高，加权因子越大；

步骤七、对待测电池进行在线参数采集，具体方法为：以恒流充电模式为基准，记录电池在单次充电至截至容量的过程中的电压、电流和温度曲线，将采集所得的电压数据记作序列v’＝[v₁，v₂，v₃，......，v_s]，所得的电流数据记作序列i’＝[i₁，i₂，i₃，......，i_s]，所得的温度数据记作序列t’＝[t₁，t₂，t₃，......，t_s]，其中，s为各曲线中包含数据的个数；

步骤八、对步骤七中在线采集所获得的序列进行特征提取，但并不要求提取如步骤二中的所有特征，仅需提取经步骤三特征选择后所筛选的K个特征，记作n’＝[n₁，n₂，......，n_k]；

步骤九、将在线采集并经过特征提取的特征序列n’＝[n₁，n₂，......，n_k]代入步骤六得到的SOH估计公式，即可得到待测电池的SOH，其公式为：

式中，s′即为待测电池的SOH。