CN119395561A 一种基于熵特征技术的电池健康状态监测方法 （泉州装备制造研究所）

一种基于熵特征技术的电池健康状态监测本发明公开了一种基于熵特征技术的电池信息熵特征输入至cpo_wlssvm_adaboost模型进通过提取出电压信号中的信息熵特征后，输入cpo_wlssvm_adaboost模型中进行训练和预测，2采用线性或非线性映射函数将非线性时间序列x映射到y=y,z…YWYE(0,1)；采用线性变换式u⃞=round(c-y+0.5)将每个赋值给[1,2,…,c]的整数，其中，uf表示;利用uf=vo,1fza=v1…1ifrm-)a=vn-1将每个序列u""映射到TV3,表示分配给时间序列u""的散布模式的数量除以嵌入向量的总,,其中，T是决定循环次数的变量，t是当前的函数评估次数，Tmax是函数评估的最大4,其中,是一个O到1之间的随机向量,T3是一个随机数,和是随机,其中，s是一个适应度函数，是一个随机向量，y,9.根据权利要求7所述的基于熵特征技术的电池健康状态监测方法，其特征在于，WLSSVM_Adaboost强预测器的构建算法如输入训练集{(x1,y1),(xz,y2),…,(xw,yw)}，惩罚因子c，核宽σ,初始值oini，最小值)：(a)在当前样本权重分布fa下使用LSSVM对训练样本进行分类,生成弱分类器,5,练集((,n).(a,9n),(wn)中的预测值向量。将提取的信息熵特征的60%作为测试集输入SVM、LSTM、原模型LSSV,,6物理环境的影响都可能导致容量退化，容量退化的结果不仅会导致电池的使用效果变差，信息熵特征的训练与预测，将信息熵特征输入至cpo_wlssvm_adaboost模型进行[0007]本发明通过提取出电压信号中的信息熵特征，再使用cpo_wlssvm_adaboost模型7本发明优选充电电压段为3.6v_3.7v中的根据功率谱所占的比例以及功率谱能量的大小计算出功率谱熵特征PSDE，公式,其中，表示输入采用线性或非线性映射函数将非线性时间序列映射到；;中，则TVOV1…vn-1为u""的散布模式，每个嵌入向量u""都对应一个散布模8,其中，表示分配给时间序列u""的散布模式TVOV1…n-1为u""的个数，表示分配给时间序列u",9,其中,是一个O到1之间的随机向量,是一个随机数,和是随机选,其中，s是一个适应度函数，是一个随机向量，yt是一个时间相关因子，,：,,将提取的信息熵特征的60%作为测试集输入SVM,LSTM，原模型LSSVM_Adaboost中,,yi和分别表示第i次循环后的实际SOH和估计的SOH，表示SOH的平均[0018]2、本发明通过熵特征技术解决了电池健康监测中如何通过外部电压数据估计电图2为本发明一些实施例中的基于熵特征技术的电池健康状态监测方法的流程图3为本发明一些实施例中cpo_wlssvm信息熵特征的训练与预测，将信息熵特征输入至cpo_wlssvm_adaboost模型进行[0031]本发明通过提取出电压信号中的信息熵特征，再使用cpo_wlssvm_adaboost模型根据功率谱所占的比例以及功率谱能量的大小计算出功率谱熵特征PSDE，公式,其中，4o表示输入;利用将每个序列u""映射到其元素，vo是嵌入向量u""的第一个元素，va是第二个元,其中，表示分配给时间序列的散布模式TVOV1…n-1为u""的个数，表示分配给时间序列u",,,,(a)在当前样本权重分布fa下使用LSSVM对训练样本进行分类,生成弱分类器h,(G3)；(b)计算h,(G)错误率(c)若Er>0.5，则在σ的基础,,其中，函数为计算括号内函数取得的最大值所对应将提取的信息熵特征的60%作为测试集输入SVM,LSTM，原模型LSSVM_Adaboost中,,yi和分别表示第i次循环后的实际SOH和估计的SOH，表示SOH的平均信息熵特征的训练与预测，将信息熵特征输入至cpo_wlssvm_adaboost模型进行根据功率谱所占的比例以及功率谱能量的大小计算出功率谱熵特征PSDE，公式,采用线性或非线性映射函数将非线性时间序列映射到y=,;中，则TVOV1…n-1为u""的散布模式，每个嵌入向量u""都对应一个散布模式,其中，表示分配给时间序列u""的散布模式TVOV1…n-1为u""的个数，表示分配给时间序列u",,其中，s是一个适应度函数，是一个随机向量，yt是一个时间相关因子，,[0047]WLSSVM增加了权重系数以改善模型的稳健性，并且在LSSVM的基础上保留了计算WLSSVM_Adaboost强预测器的构建算法如(a)在当前样本权重分布下使用LSSVM对训练样本进行分类,生,,[0048]进一步地，利用信息熵特征输入cpo_wlssvm_adaboost进行训练与预测得到最终将提取的信息熵特征的60%作为测试集输入SVM,LSTM，原模型LSSVM_Adaboost中,,yi和分别表示第i次循环后的实际SOH和估计的SOH，表示SOH的平均好的模型进行验证和评估，具体地，通过cpo_wlssvm_adaboost训练得到估值与与SVM、[0050]应该理解的是，本发明所公开的实施例不限于