CN119414238A 一种基于半监督回归与协同训练的电池健康状态估计方法 （重庆大学）

一种基于半监督回归与协同训练的电池健本发明涉及一种基于半监督回归与协同训练的电池健康状态估计方法，属于电池技术领别基于Pearson相关系数和灰色关联梯度指标提将提取健康指标集后的测试数据作为电池健康状态估计模型的输入，得到估计的电池健康状2S3：分别基于Pearson相关系数PCC和灰色关联梯度GRG指标提取与电池健康状态高度S4：根据选定的健康指标集，利用半监督协同训S5：将提取健康指标集后的测试数据作为电池健康2.根据权利要求1所述的一种基于半监督回归与协同训练的电池健康状态估计方法，3.根据权利要求2所述的一种基于半监督回归与协同训练的电池健康状态估计方法，4.根据权利要求3所述的一种基于半监督回归与协同训练的电池健康状态估计方法，S33：分别通过基于Pearson相关系数PCC和灰色关联梯度5.根据权利要求4所述的一种基于半监督回归与协同训练的电池健康状态估计方法，为了保证健康指标组合的多样性，选择两个36.根据权利要求4所述的一种基于半监督回归与协同训练的电池健康状态估计方法，7.根据权利要求6所述的一种基于半监督回归与协同训练的电池健康状态估计方法，8.根据权利要求6所述的一种基于半监督回归与协同训练的电池健康状态估计方法，S51：将提取过健康指标集后的测试数据输入到训练好的电池健康状态估计模型中进S52：利用增强训练集的电池健康状态估计模型估计的平均值被认为是最终估计的电4[0006]一种基于半监督回归与协同训练的电池健康状态估计方法，该方法包括以下步[0009]S3：分别基于Pearson相关系数PCC和灰色关联梯度GRG指标提取与电池健康状态5[0017]S21：分析电动汽车的充电数据，筛选满足使用开路电压校正策略规则的充电片[0031]S51：将提取过健康指标集后的测试数据输入到训练好的电池健康状态估计模型[0032]S52：利用增强训练集的电池健康状态估计模型估计的平均值被认为是最终估计6[0035](2)本发明中安培小时积分公式和开路电压校正策略相结合的方法可降低因荷电[0036](3)本发明可以克服现场电池健康状态数据集受电动汽车复杂条件和高昂数据收[0037](4)本发明保留了健康指标的多样性，提供多维相关准则确定电池健康状态与多[0041]图2为实施例的健康指标集与电池健康状态相关性结果分析示意图；图2(a)为基于Pearson相关系数PCC的相关性分析结果示意图；图2(b)为基于灰色关联梯度GRG的相关7[0047]请参阅图1，一种基于半监督回归与协同训练的电池健康状态估计方法可以分为[0050]S3：分别基于Pearson相关系数(PCC)和灰色关联梯度(GRG)指标提取与电池健康[0059]S21：分析电动汽车的充电数据，筛选满足使用开路电压校正策略规则的充电片荷电状态查找表根据初始时间的最小电池电压来矫正8和SOC(t2)分别表示充电过程t1时的初始荷电状态和t2时的结束荷电状态。[0073]S33：分别通过基于Pearson相关系数(PCC)和灰色关联梯度([0076]作为一种可选的实施例，采用Pearson相关系数(PCC)和灰色关联梯度(GRG)两个[0079]式中，xi表示第i个健康指是第i个健康指标和k时刻的标记健康状态的灰色关联系数，ρ表示区9[0095]S51：将提取过健康指标集后的测试数据输入到训练好的电池健康状态估计模型[0096]S52：利用增强训练集的电池健康状态估计模型估计的平均值被认