1.一种锂离子电池健康状态预测方法,其特征在于,包括如下步骤:步骤一、提取电池充电过程与电池的老化相关的健康因子;
步骤二、采用灰色关联分析法对提取的健康因子与电池容量之间的相关性进行分析,并对相关性等级进行排序;
步骤三、对源域与目标域的健康因子进行知识迁移;
选取相关性等级高的健康因子划分为源域数据集和目标域数据集,用最大均值差异表示源域和目标域之间的分布差异为:其中,
假设P(X
其中,n
假设k(x
其中,K为复合核矩阵,K选取MMDE目标函数同时满足分布之间的距离最小和特征空间中的方差最大,即其中,λ≥0表示惩罚参数;
将核矩阵K分解为经验核映射K=(KK其中,
因此,边际分布间的距离可以重新写为:Dist(X
采用最大限度地对齐嵌入,即其中,γ为一个权衡系数,一般γ≥0,如果i,j≤n优化问题可以表示为:其中,H为中心矩阵,引入拉格朗日乘子与Karush-Kuhn-Tucker条件,将(14)的优化问题转化为其对偶问题,即通过特征分解矩阵
步骤四、将求解变化矩阵得到的特征映射值输入LSTM神经网络,LSTM神经网络将输入的数据进行前向传播,其通过在单元中的三个门结构即遗忘门,输入门和输出门来控制信息的传递过程;
遗忘门用来决定哪些信息需要被舍弃,哪些信息需要被传递下去,即f
其中,W
输入门用来决定哪些信息用来进行单元状态的更新,输入门输出为i
其中,W
在单元状态的更新过程中,将输入信息通过遗忘门与输入门进行有选择性的遗忘和保留,结合上一时刻的单元状态进行更新,得到单元状态的更新值,即其中,W
最后是输出门,输出门决定输出的信息是什么,输出门输出oo
其中,W
则隐含层输出h
h
选取均方误差(Mean Square Error,MSE)作为损失函数,即其中,N表示训练数据的数量,F表示所提出的神经网络的模型,θ为LSTM的参数,y采用Adam算法求解和更新LSTM神经网络的权重与偏置参数,参数统一用θ表示,具体过程如下:首先,在时间t处,计算优化目标的梯度,即其中,g
然后,在t时刻,指数移动平均值梯度u其中,β
u
其中,
参数的更新过程为
其中,τ表示学习率,ε是一个非常小的系数,以避免分母为零,令ε=10通过上述更新过程,计算并更新了LSTM的权重和偏差参数,得到最终预测网络;
步骤五、将目标域数据输入到最终预测网络,经过模型训练与参数更新得到SOH估计结果,即其中,f表示输出层激活函数,设置为sigmoid函数,W
2.如权利要求1所述的一种锂离子电池健康状态预测方法,其特征在于,所述的灰色关联分析法的计算过程如下:首先,分别选取参考序列X参考序列与比较序列的数据进行归一化,即其中,X与X
然后,计算比较序列X其中,α为识别系数,α∈(0,1);
最后,计算比较序列X