锂电池健康状态(state of health, SOH)的退化过程在一定程度上是一个非平稳随机过程,使得当前多数点估计机器学习方法在实际应用中受到限制。基于贝叶斯理论的高斯过程回归(Gaussian process regression,GPR),因可输出估计结果的不确定...锂电池健康状态(state of health, SOH)的退化过程在一定程度上是一个非平稳随机过程,使得当前多数点估计机器学习方法在实际应用中受到限制。基于贝叶斯理论的高斯过程回归(Gaussian process regression,GPR),因可输出估计结果的不确定性,近年来在锂电池SOH区间估计中得到广泛应用。然而,GPR的性能很大程度上取决于其核函数的选择,当前研究多凭借经验选用固定单一核函数,无法适应不同的数据集。为此,本文提出一种基于自适应最优组合核函数GPR的锂电池SOH区间估计方法。该方法首先从电池充放电数据中提取出多个健康因子(health factor, HF),并采用皮尔森相关系数法优选出6个与SOH高度相关的健康因子作为模型的输入。然后,在当前常用的7个核函数集合上,通过两两随机组合构造新的组合核函数,并利用交叉验证自适应优选出最优组合核函数。采用3个不同数据集对所提方法进行了验证,结果表明:本文方法具有出色的SOH区间估计性能。在3个公开数据集上,平均区间宽度指标在0.0509以内,平均区间分数大于-0.0004,均方根误差小于0.0181。展开更多
为解决单个高斯过程回归无法对来自多个信息源的数据进行整体建模的问题,提出了卡尔曼滤波优化的高斯过程回归模型(Gaussian process regression model based on Kalman filtering,KF-GPR).该模型首先根据多个传感器获取的离散样本数据...为解决单个高斯过程回归无法对来自多个信息源的数据进行整体建模的问题,提出了卡尔曼滤波优化的高斯过程回归模型(Gaussian process regression model based on Kalman filtering,KF-GPR).该模型首先根据多个传感器获取的离散样本数据分别进行高斯过程回归,预测关键参数的均值和方差,并将其视作软传感器输出的测量值和噪声.然后利用卡尔曼滤波算法对软传感器的输出进行融合,在最小均方误差准则下,实现对多个高斯过程回归结果的融合优化,获得优化后模型的输出结果.仿真实验将KF-GPR与平均值融合方法进行对比,结果表明KFGPR能够获得拟合精度更高的预测曲线,验证了模型的有效性.最后,将KF-GPR应用于温度随纬度变化的实例分析中,分季节给出了纬度−温度预测曲线.展开更多
文摘锂电池健康状态(state of health, SOH)的退化过程在一定程度上是一个非平稳随机过程,使得当前多数点估计机器学习方法在实际应用中受到限制。基于贝叶斯理论的高斯过程回归(Gaussian process regression,GPR),因可输出估计结果的不确定性,近年来在锂电池SOH区间估计中得到广泛应用。然而,GPR的性能很大程度上取决于其核函数的选择,当前研究多凭借经验选用固定单一核函数,无法适应不同的数据集。为此,本文提出一种基于自适应最优组合核函数GPR的锂电池SOH区间估计方法。该方法首先从电池充放电数据中提取出多个健康因子(health factor, HF),并采用皮尔森相关系数法优选出6个与SOH高度相关的健康因子作为模型的输入。然后,在当前常用的7个核函数集合上,通过两两随机组合构造新的组合核函数,并利用交叉验证自适应优选出最优组合核函数。采用3个不同数据集对所提方法进行了验证,结果表明:本文方法具有出色的SOH区间估计性能。在3个公开数据集上,平均区间宽度指标在0.0509以内,平均区间分数大于-0.0004,均方根误差小于0.0181。
文摘为解决单个高斯过程回归无法对来自多个信息源的数据进行整体建模的问题,提出了卡尔曼滤波优化的高斯过程回归模型(Gaussian process regression model based on Kalman filtering,KF-GPR).该模型首先根据多个传感器获取的离散样本数据分别进行高斯过程回归,预测关键参数的均值和方差,并将其视作软传感器输出的测量值和噪声.然后利用卡尔曼滤波算法对软传感器的输出进行融合,在最小均方误差准则下,实现对多个高斯过程回归结果的融合优化,获得优化后模型的输出结果.仿真实验将KF-GPR与平均值融合方法进行对比,结果表明KFGPR能够获得拟合精度更高的预测曲线,验证了模型的有效性.最后,将KF-GPR应用于温度随纬度变化的实例分析中,分季节给出了纬度−温度预测曲线.
