本技术公开了一种基于域相似元学习的小样本锂电池SOH估计方法,包括以下步骤:S1、设计动态‑静态特征提取模块,采用动态‑静态特征提取模块从电池数据集中提取动态特征和静态特征,通过灰色关联系数将得到的特征联系起来;S2、设计基于域相似的任务排序模块,任务排序模块利用最大均值差异MMD算法计算训练任务之间的域相似度,对训练任务进行排序;S3、在元学习框架中加入LSTM元学习模块,LSTM模型作为学习器,捕捉SOH与电压时间序列之间的依赖关系,并将排序后训练任务嵌入元训练过程。本发明采用上述一种基于域相似元学习的小样本锂电池SOH估计方法,将数学工具和元学习框架相结合,用于在不同工况下精确估计锂电池SOH。
背景技术
近年来,随着全球经济的高速发展,对能源的需求量不断增加,能源短缺和环境污染问题逐渐受到世界各国的密切关注,各国家和地区都提出了节能减排和保护环境的目标。与铅酸电池相比,锂电池拥有约5-7倍的高储存能量密度,2-6倍长的循环寿命、更高效稳定的运行状态。并且由于铅酸电池里面含有多种重金属和电解质溶液铅类化合物,对环境污染严重,而锂电池相对来说污染较小,因此锂电池目前是各国能源领域的重点方向之一。自从2019年以来,锂电池在全球范围内的需求不断攀升,已被广泛应用于电动汽车、移动通信、电网、航空航天及军工等领域。
电池的SOH被定义为容量的损失或电阻的增加,通常无法直接测量,需要用一定的方法估计得到,从而为电池管理系统提供有效的信息。由于锂电池的内部化学反应十分复杂,并且电池的老化还受到生产工艺、操作条件、环境等因素的影响,因此难以建立准确的物理模型来估计锂电池SOH。
现有技术中,使用数据驱动方法估计锂电池SOH的思路受到国内外学者的广泛关注。数据驱动方法只需要根据电池的历史退化数据找出一定的规律,与在线运行数据进行比对估计SOH,而不需要准确地描述其退化机制,因此展现出较好的应用潜力。但由于锂电池的老化是一个长期的过程,对其进行老化实验获得数据比较复杂和困难,因此可用于研究的数据比较少。再加上即使是同一批次出厂的电池间也存在不一致性,存储条件和充放电工况也不能完全相同,因此用于建立数据驱动建模的数据与历史操作数据存在分布差异,影响传统方法的估计效果。由于数据量有限且差异性较大,为了能在实际应用中数据有限的情况下有效地估计锂电池SOH,研究小样本情况下的锂电池健康状态估计方法显得尤为关键。
使用元学习算法进行锂电池SOH估计在一定程度上是有效的。但它也同时存在一些亟待解决的问题。当电池工作状态发生变化时,上述方法的整个网络需要重新训练,这限制了学习方法对航天器电池SOH估计的适应性。
实现思路