基于支持向量回归的铁-铬液流电池性能预测方法与系统与流程

1.本发明属于废液处理技术领域，特别涉及一种基于支持向量回归的铁-铬液流电池性能预测方法与系统。


背景技术：

2.液流电池作为一种长时储能电池，是可再生能源为主题的新型电力系统的重要组成部分，研发人员通过更换不同电池的关键材料以及调整温度、流量、电密等设置参数来进行大量实验，以得到铁-铬液流电池的最优性能(库伦效率、电压效率以及能量效率)。当前的铁铬液流电池预测领域，多用仿真的方法从电池的运行机理层面进行模型建立，尚未有机器学习等方法用于性能预测的研究。若能将现有电池数据通过使用数据驱动的方法对其进行数据分析，建立电池的寿命预测模型，用以预测其他不同方案下的电池性能结果并加以指导后续的实验设计，对于降低研发团队的实验成本、缩短研发时间，提升经济效益等具有重要的指导意义。支持向量回归(support vector regression，svr)是一类典型的预测类算法，相较于线性回归更适用于非线性数据集，同时由于其松弛变量以及管道的引入，该算法具有更好的泛化能力及精确度。
3.cn111999650 a公开了一种基于支持向量回归算法的锂电池剩余寿命预测方法，包括如下步骤：1)特征提取：对锂电池运行过程中产生的数据进行监测，从中提取锂电池放电的电压时间序列数据，并根据需要对提取的电压时间序列数据进行特征生成，按照相等电压差的原则对放电过程中的电压变化数据进行整理；2)构建模型：构建svr算法模型，建立样本空间到高维空间的映射，使非平稳的训练数据可以在高维空间被线性拟合；3)训练并预测：将所提取的放电过程中的电压变化数据送入svr模型中进行训练。
4.但是，目前还没有将svr算法模型用于铁-铬液流电池性能预测的研究，本发明旨在通过从电池运行数据中提取放电电压变化时间序列数据，并通过svr算法对所提取的数据进行分析，克服了一般预测模型无法捕捉锂电池相关数据关系的难点。


技术实现要素：

5.针对上述问题，本发明将提出一种基于支持向量回归的铁-铬液流电池性能预测方法与系统，该方法对铁-铬液流电池电堆实际运行数据进行收集、清洗整理并有效提取特征变量，进行数据分析，构建支持向量回归模型预测铁-铬液流电池性能；铁-铬液流电池电堆数据整理包括去除无效数据、分类变量进行编码处理以及采用标准化法进行归一化处理；同时使用均方误差(mse)、均方根误差(rmse)以及决定系数(r2)的方式对模型训练结果进行评价。
6.本发明设计的一种基于支持向量回归的铁-铬液流电池性能预测方法，与现有技术中基于支持向量回归算法的锂电池剩余寿命预测方法，存在以下区别：首先，实验数据处理方式不同，本发明中电压、温度及流量随时间的变化采用了每秒测点的数据，以一个循环为单位积分取均值；同时，由于锂电池和铁铬液流电池的差异，提取特征变量不同；另外，对
于目标函数的选择，本发明选择能量效率作为预测指标。
7.本发明采用的技术方案如下：一种基于支持向量回归的铁-铬液流电池性能预测方法，所述方法包括以下步骤：
8.提取、清洗相同系统完整充放电循环下的铁-铬液流电池储能电堆充放电实验数据；
9.对清洗后的储能电堆充放电实验数据进行特征变量选择及数据集划分，所述特征变量包括运行温度、运行流量、放电容量、充放电最高截止电压、充放电最低截止电压、电流密度、电解液批次和充放电等效恒流值；所述数据集划分为训练集和测试集；
10.将训练集的数据传入支持向量回归模型进行训练，将特征变量作为输入变量通过映射函数映射到高维度的线性空间，转化为线性函数；
11.将测试集的数据传入支持向量回归模型进行测试，并用训练得到的支持向量回归模型对测试数据的铁-铬液流电池性能进行预测。
12.进一步地，所述相同系统完整充放电循环下的铁-铬液流电池储能电堆充放电实验数据包括：
13.充放电循环次数、充放电循环时间、充放电最高截止电压、充放电最低截止电压、电流密度、充放电方式及其对应参数、充放电容量、运行温度、运行流量、电解液批次及初始化方式、电压效率、库伦效率、能量效率以及电池衰减率。
14.进一步地，所述数据集划分比例为：训练集：测试集＝70:30。
15.进一步地，支持向量回归算法通过构建“管道”及弹性区域，使用核函数将非线性空间的样本进行高维映射转化到线性空间处理和运算电堆充放电实验数据；模型的最优参数通过不断调整松弛变量ξ以及能量效率预测值f(x)的大小降低损失函数j获得；具体实现方式：将完成变量及标签分类的训练集数据传入支持向量回归模型中，调用python内置的sklearn包中的支持向量回归模型。
16.进一步地，将训练集的数据传入支持向量回归模型进行训练，将特征变量作为输入变量通过映射函数映射到高维度的线性空间，转化为线性函数包括：
17.依托支持向量回归算法建立模型，将特征变量整合为数据集d：
18.对于每一个样本支持向量回归模型认为当实际值yn与预测值f(x)偏差程度z不超过间隔带ε大小时，预测准确，不需计算损失，只有yn与f(x)差值超过ε，才计算损失；损失函数j为：
[0019][0020]
其中，w和b分别表示支持向量回归算法在高维空间所构造的拟合曲线的法向量和位移项；l为ε不敏感损失函数，具体如下：
[0021]
[0022]
当能量效率的实际值yn在预测值f(x)的2ε管道内，不计入损失；为使函数间隔要求宽松，允许一些样本不在间隔带内，引入松弛变量ξ，位于隔离带上方或上边缘的点用ξi表示，位于隔离带下方或下边缘的点用表示；对于任意样本，如果它在隔离带里面或者边缘上，则ξ都为0；ξi和表达式如下：ξi＝y
i-(f(xi)+ε)，ifyi＞f(xi)+ε
[0023]
ξi＝0，otherwise
[0024][0025][0026]
此时，损失函数j为：
[0027][0028]
s.t.f(xi)-yi≤ε
+
ξi[0029]
其中，c表示惩罚系数，ε表示扩展长度；
[0030]
通过预测值f(x)、实际值yn、扩展长度ε与松弛变量ξ和ξi的相互制约关
[0031]
系，最终可明确判断实际值yn是否落在了以输出值f(x)为中心，扩展长度2ε为宽度的弹性区域内，并由此可知支持向量回归算法的预测是否准确；
[0032]
支持向量回归算法通过在高维空间构建预测曲线及其弹性区域来对所提取到的特征量变数据进行学习，通过不断调整预测值以及弹性区域的大小来逼近真实值，最终完成建模。
[0033]
进一步地，对清洗后的储能电堆充放电实验数据进行特征变量选择及数据集划分之前，对特征变量数据进行标准化处理，具体公式如下：
[0034][0035]
xk为未进行标准化处理的数据；μ为数据均值；σ为数据的标准差。
[0036]
进一步地，所述将测试集的数据传入支持向量回归模型进行测试，并用训练得到的支持向量回归模型对测试数据的铁-铬液流电池性能进行预测之前，采用均方误差mse、均方根误差rmse以及决定系数r2对预测结果进行评价，衡量预测值和实际值之间的差异大小，通过调用sklearn包中的metrics实现；所述均方误差mse、均方根误差rmse以及决定系数r2公式如下：
[0037][0038][0039][0040]
另外，本发明还涉及一种基于支持向量回归的铁-铬液流电池性能预测系统，所述
系统包括：
[0041]
提取、清洗模块，用于提取、清洗相同系统完整充放电循环下的铁-铬液流电池储能电堆充放电实验数据；
[0042]
特征变量选择及数据集划分模块，用于对清洗后的储能电堆充放电实验数据进行特征变量选择及数据集划分，所述特征变量包括运行温度、运行流量、放电容量、充放电最高截止电压、充放电最低截止电压、电流密度、电解液批次和充放电等效恒流值；所述数据集划分为训练集和测试集；
[0043]
训练模块，用于将训练集的数据传入支持向量回归模型进行训练，将特征变量作为输入变量通过映射函数映射到高维度的线性空间，转化为线性函数；
[0044]
预测模块，用于将测试集的数据传入支持向量回归模型进行测试，并用训练得到的支持向量回归模型对测试数据的铁-铬液流电池性能进行预测。
[0045]
进一步地，所述系统还包括数据预处理模块，所述数据预处理模块用于对特征变量数据进行标准化处理。
[0046]
进一步地，所述系统还包括评价模块，所述评价模块用于采用均方误差mse、均方根误差rmse以及决定系数r2对预测结果进行评价，衡量预测值和实际值之间的差异大小。
[0047]
本发明具有以下有益效果：
[0048]
(1)充分利用有效历史数据，将铁-铬液流电池行业与机器学习领域结合，通过建立支持向量回归模型来预测电池性能，降低研发团队的实验成本、缩短研发时间，提升经济效益；
[0049]
(2)电池的性能预测方法可以分为模型仿真及数据驱动两种。铁-铬液流电池实际运行机理非常复杂，包括主反应、副反应及反应随着材料、工况和时间变化等，精准建模难度相对较大，而数据驱动提供了一种新的角度从结果数据逆推性能；
[0050]
(3)液流电池的数据集非简单线性关系，svr相较于其他线性算法更为适用，同时，由于管道的存在，其对误差的容忍度更高，具有更出色的泛化能力及预测精度。
[0051]
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书以及附图来实现和获得。
附图说明
[0052]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0053]
图1示出了本发明实施例中一种基于支持向量回归的铁-铬液流电池性能预测方法的流程图；
[0054]
图2a表示本发明实施例中对铁-铬液流电池性能预测的训练集拟合情况；图2b表示本发明实施例中对铁-铬液流电池性能预测的测试集预测结果；
[0055]
图3示出了本发明实施例中一种基于支持向量回归的铁-铬液流电池性能预测系统的示意图。
具体实施方式
[0056]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0057]
一种基于支持向量回归的铁-铬液流电池性能预测方法，如图1所示，包括以下步骤：
[0058]
提取、清洗相同系统完整充放电循环下的铁-铬液流电池储能电堆充放电实验数据；
[0059]
对清洗后的储能电堆充放电实验数据进行特征变量选择及数据集划分，所述特征变量包括运行温度、运行流量、放电容量、充放电最高截止电压、充放电最低截止电压、电流密度、电解液批次和充放电等效恒流值；所述数据集划分为训练集和测试集；
[0060]
将训练集的数据传入支持向量回归模型进行训练，将特征变量作为输入变量通过映射函数映射到高维度的线性空间，转化为线性函数；
[0061]
将测试集的数据传入支持向量回归模型进行测试，并用训练得到的支持向量回归模型对测试数据的铁-铬液流电池性能进行预测。
[0062]
具体地，提取、清洗相同系统完整充放电循环下的铁-铬液流电池储能电堆充放电实验数据包括：充放电循环次数及时间、充放电最高最低截止电压、电流密度、充放电方式及其对应参数、充放电容量、运行温度及流量、电解液批次及初始化方式等运行参数以及电压效率、库伦效率、能量效率以及电池衰减率的性能指标。其中，充放电方式有两种：恒流模式、恒功率模式；电解液批次分为进行初始化和未初始化。
[0063]
具体地，对清洗后的储能电堆充放电实验数据进行特征变量选择及数据集划分包括：
[0064]
(1)删除异常、无效数据，只保留有效数据；
[0065]
(2)由于选择的特征变量数据的量级不同，对数据进行标准化处理，具体公式如下：
[0066][0067]
其中，xk表示未进行标准化处理的数据；μ表示数据均值；σ表示数据的标准差。
[0068]
根据液流电池机理，同一运行工况下不同循环圈数的数值型测试数据取平均值处理；拆分充放电最高与最低截止电压为两个独立输入变量；恒功率充放电形式等效为恒流充放电等。
[0069]
(3)特征选择及数据集划分：
[0070]
根据液流电池机理，最终从现有数据中筛选出8个独立变量作为特征变量，分别为运行温度、运行流量、放电容量、充放电最高截止电压、充放电最低截止电压、电流密度、电解液批次及充放电等效恒流值，并将能量效率作为标签进行建模。清洗并整理得到的数据集划分比例为：训练集：测试集＝70：30。
[0071]
具体地，将训练集的数据传入支持向量回归模型进行训练，将特征变量作为输入变量通过映射函数映射到高维度的线性空间，转化为线性函数包括：
[0072]
以能量效率作为标签，提取得到的8个特征变量作为输入变量，构建支持向量回归模型，将输入变量通过映射函数映射到高维度的线性空间，转化为线性函数；
[0073]
(1)模型方法及程序实现
[0074]
依托svr算法建立模型，将特征变量整合为数据集d：
[0075]
对于每一个样本svr模型认为当实际值yn与预测值f(x)偏差程度z不超过间隔带ε大小时，预测准确，不需计算损失，只有yn与f(x)差值超过ε，才计算损失；损失函数j为：
[0076][0077]
其中，w和b分别表示svr算法在高维空间所构造的拟合曲线的法向量和位移项；l为ε不敏感损失函数，具体如下：
[0078][0079]
当能量效率的实际值yn在预测值f(x)的2ε管道内，不计入损失；为使函数间隔要求宽松，允许一些样本不在间隔带内，引入松弛变量ξ，位于隔离带上方或上边缘的点用ξi表示，位于隔离带下方或下边缘的点用表示；对于任意样本，如果它在隔离带里面或者边缘上，则ξ都为0；ξi和表达式如下：ξi＝y
i-(f(xi)+ε)，ifyi＞f(xi)+ε
[0080]
ξi＝0，otherwise
[0081][0082][0083]
此时，损失函数j为：
[0084][0085]
s.t.f(xi)-yi≤ε
+
ξi[0086]
其中，c表示惩罚系数，ε表示扩展长度；
[0087]
通过预测值f(x)、实际值yn、扩展长度ε与松弛变量ξ和ξi的相互制约关系，最终可明确判断实际值yn是否落在了以输出值f(x)为中心，扩展长度2ε为宽度的弹性区域内，并由此可知svr算法的预测是否准确；
[0088]
svr算法通过在高维空间构建预测曲线及其弹性区域来对所提取到的特征量变数据进行学习，通过不断调整预测值以及弹性区域的大小来逼近真实值，最终完成建模。
[0089]
svr算法通过构建“管道”及弹性区域，使用核函数将非线性空间的样本进行高维映射转化到线性空间来进行处理和运算电堆充放电实验数据。模型的最优参数通过不断调整松弛变量以及能量效率预测值的大小降低代价损失函数来获得。具体实现方式：将完成
变量及标签分类的训练集数据传入模型中，调用python内置的skleam包中的支持向量回归模型。
[0090]
(2)模型评价及保存
[0091]
将训练得到的模型结果进行评价，评价标准包括均方误差(mse)、均方根误差(rmse)以及决定系数(r2)，以衡量测量值和真实值之间的差异大小，通过调用sklearn包中的metrics实现；将训练好的模型保存待用。
[0092]
将测试集的数据传入支持向量回归模型进行测试，并用训练得到的支持向量回归模型对测试数据的铁-铬液流电池性能进行预测。均方误差mse、均方根误差rmse以及决定系数r2公式如下：
[0093][0094][0095][0096]
图2a表示本发明实施例中对铁-铬液流电池性能预测的训练集拟合情况；图2b表示本发明实施例中对铁-铬液流电池性能预测的测试集预测结果；图2b中测试集的预测结果显示mse的误差为0.0029，rmse的误差为0.054，决定系数为0.944，接近1，表明拟合效果较好；同时，图2a和图2b中训练集和测试集的误差mse相差不大，表明性能效率预测准确；同时未出现过拟合的情况，预测结果可信。
[0097]
同时，本发明还提供了一种基于支持向量回归的铁-铬液流电池性能预测系统，如图3所示，所述系统包括：
[0098]
提取、清洗模块，用于提取、清洗相同系统完整充放电循环下的铁-铬液流电池储能电堆充放电实验数据；
[0099]
特征变量选择及数据集划分模块，用于对清洗后的储能电堆充放电实验数据进行特征变量选择及数据集划分，所述特征变量包括运行温度、运行流量、放电容量、充放电最高截止电压、充放电最低截止电压、电流密度、电解液批次和充放电等效恒流值；所述数据集划分为训练集和测试集；
[0100]
训练模块，用于将训练集的数据传入支持向量回归模型进行训练，将特征变量作为输入变量通过映射函数映射到高维度的线性空间，转化为线性函数；
[0101]
预测模块，用于将测试集的数据传入支持向量回归模型进行测试，并用训练得到的支持向量回归模型对测试数据的铁-铬液流电池性能进行预测。
[0102]
所述系统还包括数据预处理模块，所述数据预处理模块用于对特征变量数据进行标准化处理。
[0103]
所述系统还包括评价模块，所述评价模块用于采用均方误差mse、均方根误差rmse以及决定系数r2对预测结果进行评价，以衡量预测值和实际值之间的差异大小。
[0104]
尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理
解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种基于支持向量回归的铁-铬液流电池性能预测方法，所述方法包括以下步骤：提取、清洗相同系统完整充放电循环下的铁-铬液流电池储能电堆充放电实验数据；对清洗后的储能电堆充放电实验数据进行特征变量选择及数据集划分，所述特征变量包括运行温度、运行流量、放电容量、充放电最高截止电压、充放电最低截止电压、电流密度、电解液批次和充放电等效恒流值；所述数据集划分为训练集和测试集；将训练集的数据传入支持向量回归模型进行训练，将特征变量作为输入变量通过映射函数映射到高维度的线性空间，转化为线性函数；将测试集的数据传入支持向量回归模型进行测试，并用训练得到的支持向量回归模型对测试数据的铁-铬液流电池性能进行预测。2.根据权利要求1所述的方法，其中，所述相同系统完整充放电循环下的铁-铬液流电池储能电堆充放电实验数据包括：充放电循环次数、充放电循环时间、充放电最高截止电压、充放电最低截止电压、电流密度、充放电方式及其对应参数、充放电容量、运行温度、运行流量、电解液批次及初始化方式、电压效率、库伦效率、能量效率以及电池衰减率。3.根据权利要求1所述的方法，其中，所述数据集划分比例为：训练集：测试集＝70:30。4.根据权利要求2或3所述的方法，其中，支持向量回归算法通过构建“管道”及弹性区域，使用核函数将非线性空间的样本进行高维映射转化到线性空间处理和运算电堆充放电实验数据；模型的最优参数通过不断调整松弛变量ξ以及能量效率预测值f(x)的大小降低损失函数j获得；具体实现方式：将完成变量及标签分类的训练集数据传入支持向量回归模型中，调用python内置的sklearn包中的支持向量回归模型。5.根据权利要求4所述的方法，其中，将训练集的数据传入支持向量回归模型进行训练，将特征变量作为输入变量通过映射函数映射到高维度的线性空间，转化为线性函数包括：依托支持向量回归算法建立模型，将特征变量整合为数据集d：对于每一个样本支持向量回归模型认为当实际值y
n
与预测值f(x)偏差程度z不超过间隔带ε大小时，预测准确，不需计算损失，只有y
n
与f(x)差值超过ε，才计算损失；损失函数j为：其中，w和b分别表示支持向量回归算法在高维空间所构造的拟合曲线的法向量和位移项；l为ε不敏感损失函数，具体如下：当能量效率的实际值y
n
在预测值f(x)的2ε管道内，不计入损失；为使函数间隔要求宽松，允许一些样本不在间隔带内，引入松弛变量ξ，位于隔离带上方或上边缘的点用ξ
i
表示，
位于隔离带下方或下边缘的点用表示；对于任意样本,如果它在隔离带里面或者边缘上，则ξ都为0；ξ
i
和表达式如下：ξ
i
＝y
i-(f(x
i
)+ε)，if y
i
＞f(x
i
)+ε；ξ
i
＝0，otherwise；＝0，otherwise；此时，损失函数j为：s.t.f(x
i
)-y
i
≤ε+ξ
i
；其中，c表示惩罚系数，ε表示扩展长度；通过预测值f(x)、实际值y
n
、扩展长度ε与松弛变量ξ和ξ
i
的相互制约关系，最终可明确判断实际值y
n
是否落在了以输出值f(x)为中心，扩展长度2ε为宽度的弹性区域内，并由此可知支持向量回归算法的预测是否准确；支持向量回归算法通过在高维空间构建预测曲线及其弹性区域来对所提取到的特征量变数据进行学习，通过不断调整预测值以及弹性区域的大小来逼近真实值，最终完成建模。6.根据权利要求1所述的方法，其中，对清洗后的储能电堆充放电实验数据进行特征变量选择及数据集划分之前，对特征变量数据进行标准化处理，具体公式如下：x
k
为未进行标准化处理的数据；μ为数据均值；σ为数据的标准差。7.根据权利要求5或6所述的方法，其中，所述将测试集的数据传入支持向量回归模型进行测试，并用训练得到的支持向量回归模型对测试数据的铁-铬液流电池性能进行预测之前，采用均方误差mse、均方根误差rmse以及决定系数r2对预测结果进行评价，衡量预测值和实际值之间的差异大小，通过调用sklearn包中的metrics实现；所述均方误差mse、均方根误差rmse以及决定系数r2公式如下：方根误差rmse以及决定系数r2公式如下：方根误差rmse以及决定系数r2公式如下：8.一种基于支持向量回归的铁-铬液流电池性能预测系统，所述系统包括：
提取、清洗模块，用于提取、清洗相同系统完整充放电循环下的铁-铬液流电池储能电堆充放电实验数据；特征变量选择及数据集划分模块，用于对清洗后的储能电堆充放电实验数据进行特征变量选择及数据集划分，所述特征变量包括运行温度、运行流量、放电容量、充放电最高截止电压、充放电最低截止电压、电流密度、电解液批次和充放电等效恒流值；所述数据集划分为训练集和测试集；训练模块，用于将训练集的数据传入支持向量回归模型进行训练，将特征变量作为输入变量通过映射函数映射到高维度的线性空间，转化为线性函数；预测模块，用于将测试集的数据传入支持向量回归模型进行测试，并用训练得到的支持向量回归模型对测试数据的铁-铬液流电池性能进行预测。9.根据权利要求8所述的系统，其中，所述系统还包括数据预处理模块，所述数据预处理模块用于对特征变量数据进行标准化处理。10.根据权利要求8所述的系统，其中，所述系统还包括评价模块，所述评价模块用于采用均方误差mse、均方根误差rmse以及决定系数r2对预测结果进行评价，衡量预测值和实际值之间的差异大小。

技术总结
本发明涉及基于支持向量回归的铁-铬液流电池性能预测方法与系统，方法包括：提取、清洗相同系统完整充放电循环下的铁-铬液流电池储能电堆充放电实验数据；对清洗后的储能电堆充放电实验数据进行特征变量选择及数据集划分，所述特征变量包括运行温度、运行流量、放电容量、充放电最高截止电压、充放电最低截止电压、电流密度、电解液批次和充放电等效恒流值；所述数据集划分为训练集和测试集；将训练集的数据传入支持向量回归模型进行训练，将特征变量作为输入变量通过映射函数映射到高维度的线性空间，转化为线性函数；将测试集的数据传入支持向量回归模型进行测试，并用训练得到的支持向量回归模型对测试数据的铁-铬液流电池性能进行预测。能进行预测。能进行预测。


技术研发人员：阮晴 张谨奕 江小松 王含
受保护的技术使用者：北京和瑞储能科技有限公司
技术研发日：2023.04.14
技术公布日：2023/8/24