基于极限学习机模型的鲁棒锂离子电池SOH估计方法

技术领域

本发明属于锂电池储能管理技术领域，涉及一种基于极限学习机模型的鲁棒锂离子电池SOH估计方法。

背景技术

近年来，随着传统化石能源消耗的日益增加而带来的能源危机问题和环境污染问题日益加剧，人们正寻求以新能源(如太阳能等)代替传统化石能源。新能源由于随机性高使其难以直接利用，储能技术恰好可解决这一问题。锂离子电池(Lithium ion Battery，LiB)由于其高能量密度、长寿命、高功率耐受性、重量轻、环境友好等优点成为当前较为流行的储能单元。

LiB的大量使用为保证其安全运行提出较高要求，而对LiB健康状态(State ofHealth，SOH)的精确估计是保证LiB安全运行的关键环节。精准的SOH估计不仅可提高电池的利用率，还可以有效减少资源浪费。电池在运行过程中相当于一个黑箱系统，其SOH受到充放电速率、环境等多种因素影响，使得实现快速、精确的SOH估计仍具有一定挑战性。目前SOH估计方法大致分为模型驱动法和数据驱动法，其中模型驱动法要求建立准确的电池模型并进行复杂的参数辨识过程才能实现SOH精确估计，过程较为复杂；而数据驱动法只需要利用采集到的电压、电流等数据训练模型，不需要复杂的建模过程就可以实现SOH精确估计。

极限学习机(Extreme Learning Machine，ELM)模型由于其网络结构简单，计算速度快等优点，基于其可构建面向SOH估计的数据驱动法。然而传统的ELM是以均方误差(MeanSquare Error，MSE)作为代价函数，其在量测噪声为高斯假设下表现最优。但当数据中有离群值时或量测噪声服从非高斯分布时，其估计精度会受到严重影响。而在储能系统所处的外界环境中往往会存在一些外部干扰，也即测量的数据会受到物理或人为影响，从而使得实际获取的数据中包含非高斯噪声。另外，在训练数据中的标签值本身就不易获得，这也意味着标签值中存在一些非高斯干扰。此种情况下应用传统ELM进行SOH估计，则会产生较大的估计误差。因此，针对实际工况，提高非高斯噪声条件下ELM估计SOH的鲁棒性有重要意义。

发明内容

本发明的目的是提供一种基于极限学习机模型的鲁棒锂离子电池SOH估计方法，解决了现有技术中存在的非高斯噪声对SOH估计精度影响较大的问题。

本发明所采用的技术方案是基于极限学习机模型的鲁棒锂离子电池SOH估计方法，具体按照以下步骤实施：

步骤1、采集锂离子电池在不同充放电循环环境下的电流数据；

步骤2、对步骤1采集到的电流数据进行降维处理，提取与电池SOH相关的健康特征；

步骤3、将传统ELM的代价函数MSE替换为鲁棒性代价函数KRP，得到KRP-ELM改进模型；

步骤4、利用步骤2提取到的健康特征和步骤3得到的KRP-ELM改进模型进行SOH估计，即而获知电池的健康状态。

本发明的特点还在于：

步骤1的电流数据包括电压、电流以及温度。

步骤1的不同充放电循环环境为：充电电压曲线趋势为先上升至4.2V然后保持不变；充电电流曲线趋势为保持不变，然后持续下降至20mA。

步骤2中通过局部切空间排列算法LTSA对步骤1采集到的数据进行降维处理。

步骤2中将电流数据作为LTSA算法的输入，每个周期提取的健康特征表示为

hf

式(1)中hf

步骤2的具体过程如下：

步骤2.1、定义X＝[x

步骤2.2、通过欧氏距离确定x

步骤2.3、确定正交基矩阵Q

式中

步骤2.4、计算局部切空间中每个数据点的投影坐标，计算公式如下：

式中θ

步骤2.5、通过线性对齐所有局部坐标θ

式中

步骤2.6、最小化所有映射误差之和，令

Y

式中Y

令M＝[M

式中Z＝diag(Z

HF＝[hf

步骤3的KRP-ELM改进模型具体过程为：步骤3中ELM是一种单隐含层前馈神经网络(Single hidden Layer Feedforward Neural Network，SLFN)，给定N个不同的训练样本

式中f(·)是激活函数，ω

Y＝Hβ(10)

式中Y＝(y

公式(11)表示隐含层输出矩阵，传统的ELM通过最小化正则MSE损失来求解输出权重向量β，如下式：

式中e

β＝[H

为了获得对非高斯噪声(或异常值)具有鲁棒性的ELM算法，我们考虑将传统的ELM的MSE代价函数替换为KRP代价函数，KRP的表达式如下：

式中μ>0是风险敏感参数，κ(·)是一个非线性映射的高斯核函数，p>0是幂参数，σ是核宽度；

基于(14)，应用梯度法导出：

式中

由(15)即可得到KRP-ELM模型，在优化求解过程中采用不动点迭代法。

步骤4的具体过程为：对于观察到的目标值被附加噪声破坏：

式中

将由LTSA提取出的HF作为KRP-ELM的单输入，隐含层节点数设为30，输出节点为1。

本发明的技术方案采用核风险敏感平均p-幂误差(Kernel Risk-Sensitive Meanp-Power Error，KRP)代价函数替代传统ELM中MSE代价函数，基于梯度法和不动点法推导鲁棒ELM，实现非高斯噪声下SOH准确估计。能有效减少非高斯噪声对SOH估计精度的影响，保证锂离子电池SOH估计的有效性；算法计算复杂度低，在非高斯噪声条件下估计精度高于传统的以MSE为代价函数的ELM的估计精度。

附图说明

图1是本发明的流程示意图；

图2是本发明锂离子电池在训练目标值中未加噪声的情况下传统ELM和KRP-ELM分别做SOH估计的对比图；

图3是本发明锂离子电池在训练目标值中未加噪声的情况下传统ELM和KRP-ELM分别做SOH估计的绝对误差对比图；

图4是本发明锂离子电池在训练目标值中加入混合噪声的情况下传统ELM和KRP-ELM分别做SOH估计的对比图；

图5是本发明锂离子电池在训练目标值中加入混合噪声的情况下传统ELM和KRP-ELM分别做SOH估计的绝对误差对比图；

图6是本发明锂离子电池在训练目标值中加入拉普拉斯噪声的情况下传统ELM和KRP-ELM分别做SOH估计的对比图；

图7是本发明锂离子电池在训练目标值中加入拉普拉斯噪声的情况下传统ELM和KRP-ELM分别做SOH估计的绝对误差对比图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明的基于极限学习机模型的鲁棒锂离子电池SOH估计方法，如图1所示，包括以下步骤：

步骤1、采集锂离子电池不同充放电循环下的电压、电流以及温度数据；

步骤2、通过局部切空间排列(Local Tangent Space Alignment，LTSA)算法对提取到充电过程的电流数据进行降维处理，以提取与电池SOH高度相关的健康特征(HealthFeature，HF)；

首先，通过LTSA对电流数据进行降维处理，提取与电池SOH高度相关的健康特征，每个周期提取的HF可以表示为；

hf

式(1)中hf

步骤2.1、定义原始电流数据和提取的HF矩阵X＝[x

步骤2.2、通过欧氏距离确定x

步骤2.3、确定正交基矩阵Q

式中

步骤2.4、计算局部切空间中各数据点的投影坐标，计算公式如下：

式中θ

步骤2.5、通过线性对齐所有局部坐标θ

式中

步骤2.6、最小化所有映射误差之和，令

Y

式中Y

令M＝[M

式中Z＝diag(Z

HF＝[hf

步骤3、将传统ELM的代价函数MSE替换为鲁棒性代价函数KRP，得到KRP-ELM改进模型；

定义基于KRP的鲁棒代价函数，其表达式如下：

式中μ>0是风险敏感参数，κ(·)是一个非线性映射的高斯核函数，p>0是幂参数，σ是核宽度。

根据(9)，应用梯度法获取最优权值为

式中

步骤4、利用提取出的HF和所研究的KRP-ELM模型进行LiB的SOH估计。

假设观察到的目标值被附加噪声破坏：

式中

将由LTSA提取出的HF作为KRP-ELM的单输入，隐含层节点数设为30，输出节点为1。

为了验证本发明的效果，特对本发明的改进的ELM性能进行测试，结果如下：

在不考虑噪声干扰时，如图2和图3估计结果所示，从图中可以看出，KRP-ELM的估计效果与传统ELM的估计效果几乎没有差别，这表明KRP代价函数和MSE代价函数在无噪声干扰的情况下性能接近。

在考虑混合噪声干扰时，如图4和图5估计结果所示，从图中可以看出，KRP-ELM的估计效果明显比传统ELM的估计更平稳，精度更高，由此可知KRP代价函数抵抗混合噪声的能力比MSE代价函数强。

在考虑拉普拉斯噪声干扰时，如图6和图7所示，从图中结果可以看出，KRP-ELM的估计效果明显好于传统极限学习机的估计效果，由此可以得出改进的ELM抵抗拉普拉斯噪声的能力比传统极限学习机的强。

以上结论可在表1中获知，表中评价指标MSE表示均方误差，MAPE表示平均绝对百分比误差。

表1

通过上述方式，本发明基于极限学习机模型的鲁棒锂离子电池SOH估计方法，所提出的KRP-ELM改进模型能有效减少非高斯噪声对锂离子电池SOH估计精度的影响，保证SOH估计的准确性和有效性；算法计算复杂度较低，在非高斯噪声条件下SOH估计精度高于传统ELM算法。