一种基于回归元学习的锂电池健康状态预测的方法及系统

本发明属于电池健康预测，更具体地，涉及一种基于回归元学习的锂电池健康状态预测的方法及系统。

背景技术：

1、锂电池因其具有能量密度高、循环寿命长和低自放电等优异性能已被广泛应用于电动汽车、手机和笔记本电脑等终端设备中。由于不可逆的电化学反应，锂电池会随着使用时长的增加发生容量退化的现象，导致性能降低和安全隐患。因此，电池管理系统应具有准确和实时预测锂电池健康状态的功能，以监测锂电池的退化程度。

2、随着人工智能技术的发展，众多机器学习方法被用于锂电池的健康状态预测，且取得了不错的效果。这些机器学习算法需要在假设训练数据和测试数据具有相同分布的情况下才能作出准确的预测，但事实上锂电池的退化模式严重依赖于环境温度和操作策略，往往导致电池数据具有不同的分布情况。

3、现有的基于机器学习的方法需要采用大量的各种操作策略的电池进行长时间的训练才能取得理想的结果，但由于数据和硬件资源有限，获取足够的锂电池数据进行训练要付出巨大的时间和经济成本，且对新出现的操作策略电池进行预测具有较大挑战性，效果可能不佳。因此，亟待开发一种小样本条件下的锂电池健康状态预测框架。

技术实现思路

1、针对相关技术的缺陷，本发明的目的在于提供了一种基于回归元学习的锂电池健康状态预测的方法及系统，旨在现有电池健康状态预测技术中的训练数据量依赖程度高，小样本条件下预测性能较差，且难以适应对不同工况下的锂电池的健康状态进行预测的问题。

2、为实现上述目的，第一方面，本发明提供了一种基于回归元学习的锂电池健康状态预测的方法，包括：

3、分别将多个锂电池的充电数据按照充电协议划分为多个训练数据集，所述训练数据集包括支撑集和查询集；所述充电数据中包括电压特征曲线和健康状态标签；

4、建立回归元学习模型，分别采用各训练数据集对所述回归元学习模型进行训练；训练所述回归元学习模型包括：采用余弦距离计算每个查询集样本特征与所有支撑集样本特征之间的相似度，根据所述相似度给每个查询集样本匹配若干支撑集样本，以得到每个查询集样本对应的预测健康状态，根据所述预测健康状态和真实健康状态对所述回归元学习模型进行修正；

5、通过训练后的回归元学习模型对不同充电协议的锂电池的健康状态进行预测。

6、可选的，所述采用余弦距离计算每个查询集样本特征与所有支撑集样本特征之间的相似度，根据所述相似度给每个查询集样本匹配若干支撑集样本，以得到每个查询集样本对应的预测健康状态，包括：

7、对所述支撑集和所述查询集进行特征提取，并采用余弦距离计算每个查询集样本和支撑集样本的相似度；

8、选取相似度最高的t个支撑集样本进行softmax计算，得到相似度分数；

9、将所述相似度分数对应的支撑集的健康状态进行加权求和得到所述查询集样本的预测健康状态；

10、所述预测健康状态的计算公式为：

11、

12、其中，表示查询集中锂电池第j个循环的预测健康状态，表示支撑集中锂电池所选择第i个循环的真实健康状态，fθ为特征提取器，表示支撑集所选择第i个循环的输入特征，表示查询集中第j个循环的输入特征，t、τ、b为超参数；

13、可选的，所述建立回归元学习模型，分别采用各训练数据集对所述回归元学习模型进行训练，包括：

14、从所述训练数据中选取两个锂电池中一个电池的充电数据作为支撑集，另一个电池的充电数据作为查询集，共同组成一个预测任务；

15、随机选取每个预测任务对应的支撑集和查询集中的预设数量的循环充电数据对所述回归元学习模型进行小样本训练。

16、可选的，在对所述回归元学习模型的小样本训练时，还包括：

17、采用添加惩罚项的损失函数优化所述模型训练过程；损失函数表示为：

18、

19、其中，k表示查询集中样本总数，表示查询集电池第j个循环的真实健康状态，表示第j个循环的预测健康状态，sd0是所选t个支撑集样本的位置索引标准差，sd1则是余弦相似度的标准差，λ0、λ1、λ2为可优化的超参数。

20、可选的，sd0的计算公式为：

21、

22、sd1的计算公式为：

23、

24、其中，hi表示支撑集电池所选的t个循环的位置索引，为对应的相似度。

25、可选的，在对所述回归元学习模型的小样本训练时，还包括：

26、采用粒子群优化算法对所述回归元学习模型的超参数进行优化，根据所述训练数据自动寻找最优的训练超参数；其中，超参数包括所述回归元学习模型的网络参数以及所述损失函数的参数。

27、可选的，所述采用粒子群优化算法对所述回归元学习模型的超参数进行优化，包括：

28、初始化所述回归元学习模型的超参数；

29、在所述回归元学习模型进行训练时，每间隔预设迭代次数，固定所述回归元学习模型的权重，采用粒子群优化算法对超参数进行优化，以使模型更新后的损失函数的值最小；

30、固定超参数，采用基于梯度下降的优化算法对模型进行更新，得到最优的训练超参数。

31、第二方面，本发明还提供了一种基于回归元学习的锂电池健康状态预测的系统，包括：

32、数据获取模块，用于分别将多个锂电池的充电数据按照充电协议划分为多个训练数据集，所述训练数据集包括支撑集和查询集；所述充电数据中包括电压特征曲线和健康状态标签；

33、模型构建和训练模块，用于建立回归元学习模型，分别采用各训练数据集对所述回归元学习模型进行训练；训练所述回归元学习模型包括：采用余弦距离计算每个查询集样本特征与所有支撑集样本特征之间的相似度，根据所述相似度给每个查询集样本匹配若干支撑集样本，以得到每个查询集样本对应的预测健康状态，根据所述预测健康状态和真实健康状态对所述回归元学习模型进行修正；

34、预测模块，用于通过训练后的回归元学习模型对不同充电协议的锂电池的健康状态进行预测。

35、总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

36、(1)本发明提出了一种基于回归元学习的锂电池健康状态预测的方法，创新性地采用元学习的机制应对小样本情况，并提出了回归元学习模型应用于锂电池的健康状态预测。在小样本训练条件下，回归元学习方法可快速学习元知识以适应新任务，对于测试集中各种充放电协议电池有准确且鲁棒的预测性能，优于目前的机器学习和深度学习方法，从而实现了小样本条件下的高性能预测。

37、(2)本发明在训练回归元学习模型时，设计了较为理想的损失函数，通过添加惩罚项，同时考虑了预测精度、用于查询集样本预测的t个支撑集循环的相似度分散性以及位置集中度，并通过模型的训练提升了查询集电池健康状态的预测准确度。

38、(3)本发明在训练回归元学习模型时，采用粒子群优化算法，选择最优的模型超参数。根据锂电池训练数据自动寻找最优的训练超参数，包括相似度变换参数τ、b，损失函数参数λ0，λ1，λ2以及选择的支撑集循环数目t来计算查询集样本的输出预测值，并由最终优化的超参数构建回归元学习模型，提高电池的健康状态预测的准确性。