基于多源迁移学习的电动汽车锂电池SOH估算方法

基于多源迁移学习的电动汽车锂电池soh估算方法
技术领域
1.本发明涉及一种电动汽车锂电池soh估算方法，属于电池健康状态及迁移学习技术领域。


背景技术：

2.近年来，全球面临着能源短缺、气候变化和污染物排放等可持续发展方面的重大挑战，因此各国开始广泛关注以电动汽车为代表的新能源汽车的发展，并逐渐形成了全球共识。电动汽车采用电池作为动力源，其中锂电池因其长寿命、高能量密度和快速响应等特性，逐渐成为电动汽车动力源发展的重要方向。电动汽车的电池组需要使用先进的电池管理系统(battery manager system,bms)进行管理，其中bms的基本功能之一是准确估计电池组的荷电状态(state of charge,soc)和健康状态(state of health，soh)。
3.soh是衡量电池性能衰减的指标，在电动汽车电池的实际充放过程中具有重要意义。电池在使用过程中会经历不可逆的性能衰减，当衰减程度达到无法满足汽车动力、可靠性和安全性需求时，可能导致汽车性能降低甚至出现故障。事实上，已经发现许多燃烧事故与电池老化密切相关。因此，准确而实时地评估电池的soh可以帮助及时更换低寿命电池，降低故障发生的可能性，确保车辆和人员的安全，避免资源浪费，并最终提高锂电池的整体性能。
4.目前，许多学者已经通过各种不同的方法对soh估算算法展开了研究。然而，锂离子电池的测量过程和内部结构复杂，建模难度较大，因此等效电路法等非数据驱动估计方法难以满足在线soh估算的需求。随着数据挖掘和机器学习理论的发展，基于数据驱动的soh估算方法应运而生。这类方法不需要了解电池的内部机制，仅从数据角度进行预测，相较于模型法和实验法，具有更高的灵活性和适用性。因此，当前soh研究的发展方向为基于数据驱动的soh估算方法。
5.然而，目前的数据驱动方法如果直接用于工况车辆上仍然存在一定的问题。一方面，现有的基于数据驱动的soh估算方法大多针对实验室数据进行研究，很少分析工况数据与实验室数据之间的差异，而实验室数据上提取的特征可能不适用于工况数据域，因此在实际应用中，直接将这些方法应用于工况数据可能会出现问题。因此，研究基于工况数据的soh估算方法对于改进电动汽车电池管理系统具有重要意义。
6.另一方面，现有的研究大多基于有监督的方法进行。然而，在实际工况下，由于无法进行全充全放实验，很难获取到soh的真实值，因此工况数据很可能是无标签的，极少量情况下会有小部分标签。这意味着研究需要探索无监督的soh估算算法。通过研究无监督的soh估算方法，可以在没有真实soh值的情况下提供较为可靠的电池健康状态评估。
7.综上所述，鉴于现实的实际需求以及该领域的研究缺失，为了满足工况下电动车soh日常估算的需求，本发明研究了基于多源迁移学习的电动汽车锂电池soh估算方法。采用多源对抗域自适应网络，基于实际的工况数据，利用与目标域较为相近的多个源域同时进行联合训练，建立soh估算模型。根据实际工况数据情况，设计了适用于无标签和小样本
的两种实验条件，进行了相关的验证实验。实验结果表明，基于多源迁移学习的soh估算方法在工况数据上有明显的精度优势，能够满足日常soh估算的需求


技术实现要素：

8.本发明为解决现有估算方法难以满足工况下电动车soh日常估算需求的问题，进而提出一种基于多源迁移学习的电动汽车锂电池soh估算方法。
9.本发明为解决上述问题采取的技术方案是：本发明的步骤包括：
10.步骤一、数据预处理及特征提取；
11.步骤二、领域选择；
12.步骤三、soh估算模型训练；
13.步骤四、构建基于多源对抗领域自适应网络的估算网络。
14.进一步的，步骤一中数据预处理及特征提取的步骤为：
15.步骤1、观察电压、电流、soc曲线随电池老化的变化趋势，并从中提取能反映电池老化的参数；
16.步骤2、从增量容量曲线以及充电曲线的包络面积需要二次计算的曲线中，观察电池老化过程的变化并提取相应特征；
17.步骤3、利用主成分分析法等降维技术，从各个维度中自动提取特征；
18.步骤4、采用皮尔逊相关系数计算从三个部分中提取出各个的特征与soh真实值之间的相关性
19.步骤5、选择与soh具有较高相关性的特征作为模型输入。
20.进一步的，步骤二中的领域选择是基于wasserstein距离和欧式距离的领域选择，它包括：
21.假设存在概率分布p1和p2，则这两个概率的wasserstein距离的数学定义如下：
[0022][0023]
公式
①
中，∏(p1,p2)是两个分布组合起来的所有联合组合的分布，x和y是从其可能的联合分布γ中采样(x,y)～γ得到的样本；使用计算距离||x-y||计算在联合分布γ下样本对距离的期望值；对于所有可能的联合分布，期望值的下界e
(x,y)～γ
[|x-y|]就是wasserstein距离；
[0024]
欧式距离为：
[0025][0026][0027]
公式
②
和
③
中，a表示源域的特征矩阵，b表示目标域的特征矩阵，a和b代表矩阵中某一行特征值，将其作为向量计算欧氏距离，m和n为两特征矩阵的行数，最后取平均值得到最终的欧式距离，t表示转置，i表示源域特征矩阵的第i行，j表示目标域特征矩阵的第j行；
[0028]
最终，领域选择算法采用的距离度量方法为wasserstein距离与欧式距离的组合；通过这种方法，既能利用wasserstein距离的优势，又能考虑到源域和目标域soh范围覆盖
情况的影响，从而在领域选择中取得更好的效果；
[0029]
dis＝dw+do④
，
[0030]
公式
④
中，dis表示组合距离，dw表示wasserstein距离，do表示欧式距离。
[0031]
进一步的，步骤三中soh估算模型由网络输入、特征层、回归器和判别器组成；其训练步骤包括：
[0032]
步骤(1)、特征提取器根据各个源域的标签数据进行训练，以获取有用的特征：在得到源域的特征表示后，这些特征被送入回归层，目标是预测电池的健康状态soh，得到估算值后使用平均绝对误差l1loss计算soh估算值和源域数据的真实soh值之间的差异，作为回归损失，它计算的是估算值和真实值之间的绝对差值，这个回归损失记为lr；
[0033]
步骤(2)、每个源域都有一个相应的判别器，判别器使用特征提取器提取的特征进行训练，其目标是区分这些特征是来自源域还是目标域；在训练开始之前将分别给源域和目标与打上域标签，源域的标签被设为1，目标域的标签被设为0；；采用二分类的交叉熵损失；
[0034][0035]
公式
⑤
中，l
cj
代表第j个源域的分类损失，yi代表第i个样本的真实标签，f(xi)代表模型对第i个样本的预测概率，n表示样本数量；
[0036]
步骤(3)、在训练过程中，特征提取器和判别器进行对抗训练，特征提取器的目标是生成所有判别器都无法区分的特征，即使得源域和目标域在特征空间中的分布尽可能接近，而判别器则试图改进其对源域和目标域特征的区分能力，即尽可能准确地判断出特征是来自源域还是目标域，为了实现这种对抗训练，引入梯度反转层，梯度反转层在前向传播过程中，不改变输入；在反向传播过程中，对梯度进行取反；
[0037]ygrl
＝x
grl
⑥
[0038][0039]
公式
⑥
和
⑦
中，y
grl
表示输出特征，x
grl
表示输入特征，表示输入偏微分，表示输入偏微分，表示损失偏微分，λ表示梯度加权导数；
[0040]
最终的损失可以表示为公式
⑧
，公式
⑧
中同时包含了各个源域的回归损失和判别损失；
[0041][0042]
公式
⑧
中，其中θ表示域损失的权重，k表示判别器的个数，l
rj
表示源域j的回归损失，j表示中间变量。
[0043]
本发明的有益效果是：本发明使用无监督学习解决了工况下soh估算无标签的问题，并且引入多源迁移学习解决了单源域迁移soh估算算法中泛化性较差的问题；本发明采用基于多源迁移学习的soh估算模型，在各个工况车辆上都能有较好的表现效果，相对于对比算法有明显的精度优势，提高了工况下soh估算的精度，能够满足soh估算的需求，可以应用于车载电池管理系统中；
[0044]
本发明建立了基于多源对抗域自适应的soh估算网络模型，多源对抗域自适应网
络的核心思想是通过对抗性训练来学习一个共享的特征表示，使得来自不同源域的数据在该表示下具有相似的分布；这样，在目标域上训练的分类器可以更好地泛化到源域上的数据。此外为了更好地处理源域之间的异质性，多源对抗域自适应网络采用了共享和专用表示的框架；在这个框架中，共享表示用于捕捉跨所有源域的公共信息，而专用表示用于捕捉每个源域的特定信息；通过这种方式，模型可以更好地平衡源域之间的共享和独特信息，从而提高迁移学习的性能。
附图说明
[0045]
图1是本发明的特征提取框图；
[0046]
图2是多源对抗域自适应网络结构示意图；
[0047]
图3是soh估算流程框图；
[0048]
图4是无监督条件下veh24估算结果示意图；
[0049]
图5是无监督条件下veh30估算结果示意图；
[0050]
图6是小样本条件下veh24估算结果；
[0051]
图7是小样本条件下veh30估算结果。
具体实施方式
[0052]
具体实施方式一：结合图1至图3说明本实施方式，本实施方式所述基于多源迁移学习的电动汽车锂电池soh估算方法的步骤包括：
[0053]
步骤一、数据预处理及特征提取；
[0054]
步骤二、领域选择；
[0055]
步骤三、soh估算模型训练；
[0056]
步骤四、构建基于多源对抗领域自适应网络的估算网络。
[0057]
步骤一中数据特征提取的步骤为：
[0058]
步骤四中构建的估算网络可以同时处理来自多个源域的数据，并尽可能地减小源域和目标域之间的分布差异。将选择出来的源域集和目标域一起进行训练，通过优化损失函数，使得模型在源域上的知识可以成功迁移到目标域，从而确定了最终的网络。新的片段数据到达后经过数据预处理及特征提取，将提取到的特征训练好的网络中，得到soh的估算结果。
[0059]
具体实施方式二：结合图1至图3说明本实施方式，本实施方式所述基于多源迁移学习的电动汽车锂电池soh估算方法的步骤一中数据预处理及特征提取的步骤为：
[0060]
步骤1、观察电压、电流、soc曲线随电池老化的变化趋势，并从中提取能反映电池老化的参数；
[0061]
步骤2、从增量容量曲线以及充电曲线的包络面积需要二次计算的曲线中，观察电池老化过程的变化并提取相应特征；
[0062]
步骤3、利用主成分分析法等降维技术，从各个维度中自动提取特征；
[0063]
步骤4、采用皮尔逊相关系数计算从三个部分中提取出各个的特征与soh真实值之间的相关性
[0064]
步骤5、选择与soh具有较高相关性的特征作为模型输入。
[0065]
具体实施方式三：结合图1至图3说明本实施方式，本实施方式所述基于多源迁移学习的电动汽车锂电池soh估算方法的步骤二中的领域选择是基于wasserstein距离和欧式距离的领域选择，它包括：
[0066]
假设存在概率分布p1和p2，则这两个概率的wasserstein距离的数学定义如下：
[0067][0068]
公式
①
中，π(p1,p2)是两个分布组合起来的所有联合组合的分布，x和y是从其可能的联合分布γ中采样(x,y)～γ得到的样本；使用计算距离||x-y||计算在联合分布γ下样本对距离的期望值；对于所有可能的联合分布，期望值的下界e
(x,y)～γ
[|x-y|]就是wasserstein距离；
[0069]
欧式距离为：
[0070][0071][0072]
公式
②
和
③
中，a表示源域的特征矩阵，b表示目标域的特征矩阵，a和b代表矩阵中某一行特征值，将其作为向量计算欧氏距离，m和n为两特征矩阵的行数，最后取平均值得到最终的欧式距离，t表示转置，i表示源域特征矩阵的第i行，j表示目标域特征矩阵的第j行；
[0073]
最终，领域选择算法采用的距离度量方法为wasserstein距离与欧式距离的组合；通过这种方法，既能利用wasserstein距离的优势，又能考虑到源域和目标域soh范围覆盖情况的影响，从而在领域选择中取得更好的效果；
[0074]
dis＝dw+do④
，
[0075]
公式
④
中，dis表示组合距离，dw表示wasserstein距离，do表示欧式距离。
[0076]
具体实施方式四：结合图1至图3说明本实施方式，本实施方式所述基于多源迁移学习的电动汽车锂电池soh估算方法的步骤三中soh估算模型由网络输入、特征层、回归器和判别器组成；其训练步骤包括：
[0077]
步骤(1)、特征提取器根据各个源域的标签数据进行训练，以获取有用的特征：在得到源域的特征表示后，这些特征被送入回归层，目标是预测电池的健康状态soh，得到估算值后使用平均绝对误差l1loss计算soh估算值和源域数据的真实soh值之间的差异，作为回归损失，它计算的是估算值和真实值之间的绝对差值，这个回归损失记为lr；
[0078]
步骤(2)、每个源域都有一个相应的判别器，判别器使用特征提取器提取的特征进行训练，其目标是区分这些特征是来自源域还是目标域；在训练开始之前将分别给源域和目标与打上域标签，源域的标签被设为1，目标域的标签被设为0；；采用二分类的交叉熵损失；
[0079][0080]
公式
⑤
中，l
cj
代表第j个源域的分类损失，yi代表第i个样本的真实标签，f(xi)代表模型对第i个样本的预测概率，n表示样本数量；
[0081]
步骤(3)、在训练过程中，特征提取器和判别器进行对抗训练，特征提取器的目标
是生成所有判别器都无法区分的特征，即使得源域和目标域在特征空间中的分布尽可能接近，而判别器则试图改进其对源域和目标域特征的区分能力，即尽可能准确地判断出特征是来自源域还是目标域，为了实现这种对抗训练，引入梯度反转层，梯度反转层在前向传播过程中，不改变输入；在反向传播过程中，对梯度进行取反；
[0082]ygrl
＝x
grl
⑥
[0083][0084]
公式
⑥
和
⑦
中，y
grl
表示输出特征，x
grl
表示输入特征，表示输入偏微分，表示输入偏微分，表示损失偏微分，λ表示梯度加权导数；
[0085]
最终的损失可以表示为公式
⑧
，公式
⑧
中同时包含了各个源域的回归损失和判别损失；
[0086][0087]
公式
⑧
中，其中θ表示域损失的权重，k表示判别器的个数，l
rj
表示源域j的回归损失，j表示中间变量。
[0088]
本实施方式中特征层的目标是从输入数据中提取有用的信息或特征。这些特征被映射到一个共享的特征空间，源域和目标域的数据在这个空间内被表示；这个空间被设计成可以捕捉到对源域和目标域都有意义的特征；
[0089]
回归器：在特征层的基础上，使用一个全连接层和relu激活函数来构建一个回归器；此回归器的目标是在共享特征空间中，根据提取的特征计算soh估计值；relu激活函数可以引入非线性，使得网络可以学习并表示更复杂的函数；
[0090]
判别器用于区分源域和目标域的特征，在这个网络结构中，每一个源域都有一个对应的判别器，每个判别器由全连接层和softmax层构成；每个判别器的任务是尝试区分其对应的源域特征和目标域特征；这样的设计使得模型能够更好地处理多源域的情况，但其目标不仅是让判别器能够有效地区分这两类特征，而且是通过使用梯度反向传播来优化特征提取模块；对于每个源域，都需要一个单独的判别器；这意味着当源域的数量增加时，模型的复杂性和计算需求也会增加；因此，需要考虑到这种计算成本的增加，在本文中设置判别器个数为5时训练成本和效果都比较好。
[0091]
工作原理
[0092]
电池健康状态是一个用于描述电池在其生命周期中当前性能与原始性能之间的相对差异的度量。soh是一个百分比，表示电池当前性能与新电池性能之间的比例。通常，电池健康状态会随着使用时间的推移而逐渐下降。衡量电池健康状态的方法有很多种，可以从容量损耗、内阻增加、循环寿命、日历寿命等方式来定义，本发明采用以电池容量损耗为特征的soh定义
[0093][0094]
其中capk代表锂离子电池在该次充电时的最大可用容量(ah)，capo代表锂离子的额定容量(ah)。在电动汽车实际工作状态下，最大可用容量无法直接获取，但可以由安时积分法间接的获取容量值，这种soh的定义方式被大多数学者所认可。
[0095]
现阶段soh主要估算方法根据是否基于数据驱动可以分为数据驱动的soh估算方法和非数据驱动的soh估算方法两大类。其中非数据驱动的soh估算方法涵盖了电化学阻抗法、等效电路模型法和电化学模型法等。尽管这些方法在理论上具备一定优势，然而它们往往需要复杂的建模过程或者昂贵的实验设备以及传感器，这些限制因素阻碍了其在实际应用中的普及。
[0096]
数据驱动的soh估算方法包括支持向量机、高斯过程回归、贝叶斯推断、深度学习和迁移学习等技术。数据驱动方法能够通过分析大量的运行数据，学习并识别电池内部的复杂关系，从而更准确地预测电池健康状态，降低建模复杂性，同时提高其适用性。它避免了电池建模及复杂的数据预处理等步骤，更适合于soh的实时估算，因此成为了当前主流的研究方向。
[0097]
迁移学习及领域自适应
[0098]
迁移学习是属于机器学习的一种研究领域，它利用数据和领域之间存在的相似性关系，把之前学习到的知识，应用于新的未知领域。迁移学习的核心问题是找到两个领域的相似性，并利用相似性将信息在两域之间迁移，从而完成迁移学习任务。
[0099]
传统的机器学习要求训练和测试的数据必须服从相同的分布，而且需要足够的数据标注来训练模型，由于电池老化数据的难以获得，工况下的电动汽车数据往往难以满足这些条件，而迁移学习可以避免这些限制，通过知识迁移弥补小样本条件下缺失的电池信息。
[0100]
在迁移学习中领域通常分为(source domain)和目标领域(target domain)。源领域是拥有大量标签数据的领域，这些数据通常在训练过程中具有关键作用，因为它们包含了对目标领域具有参考价值的信息。目标领域则是希望通过迁移学习技术获取知识和经验的领域，通常在这个领域中，可用的标签数据相对较少
[0101]
domain
→
d＝(χ,p(x))
[0102]
领域分为源领域(source domain)和目标领域(target domain)。源领域是有带标签数据，含有对目标域有用的信息的领域，是要迁移的对象，在本课题中，源域就是nasa电池老化实验数据；目标领域就是希望通过迁移赋予知识的领域，在本课题中，目标域就是工况下的锂离子电池充电数据。通常用小写下标s和t来分别指代两个领域。结合领域的表示方式，ds表示源领域，d
t
表示目标领域。迁移学习的过程就是将知识从源领域迁移到目标领域，即用源领域的大量数据和目标领域的少量数据去学习一个模型，使得其在目标领域的泛化误差尽量的低。
[0103]
领域自适应作为迁移学习的一种策略，旨在解决源领域与目标领域之间数据分布不同的问题。在实际应用中，由于源领域和目标领域的数据分布可能存在较大差异，直接将源领域的知识应用于目标领域可能导致性能下降。因此，领域自适应的目标是找到一种方法，通过减小源域和目标域之间数据分布的差异来实现迁移学习。下面给出领域自适应的形式化定义：给定源域ds和目标域d
t
，且ds和d
t
任务一致、特征空间一致但特征数据分布不一致这种情况下的迁移学习问题，称之为领域自适应。
[0104][0105]
领域自适应的重要性体现在缓解标注数据不足、提高模型泛化能力和降低训练成
本等方面。通过在源领域与目标领域之间迁移知识，领域自适应有助于在不同领域的任务中提高模型的性能，同时减少在目标领域进行大量标注和训练的需求。
[0106][0107]
领域选择作为这一策略的关键部分，其任务在于从多个源领域中挑选出一个或多个与目标领域最为相似的领域，以便从中迁移知识。领域选择的主要目标是识别并利用最相关的领域，从而提高迁移学习的性能。
[0108]
领域选择其主要作用是提高迁移性能，降低迁移难度，减少训练时间和计算资源的消耗，以及提高模型的泛化能力。选择与目标领域更相似的源领域可以使知识迁移更为容易，并且从与目标领域相似的源领域迁移的知识更易于适应目标领域，从而提高迁移性能。同时，识别出最有用的源领域可以避免不必要的迁移尝试，从而减少训练时间和计算资源的消耗。最后，识别出更适合目标领域的知识来源将有利于模型在新场景下的表现，从而提高模型的泛化能力。因此，领域选择是迁移学习中一个不可或缺的环节，它可以帮助迁移学习更好地完成任务。
[0109]
实施例
[0110]
在本发明中，为了验证和展示基于多源领域自适应的soh估算算法在典型工况下的估算效果和优势，分别在无监督和小样本条件下对所有工况数据进行了实验。且为了为了证明所提模型在小样本情况的优势性，分别选用了基于改进蚁狮优化和支持向量回归的soh估算算法，基于遗传算法优化和高斯回归的soh估算算法及基于lstm的soh估算算法作为对比实验。
[0111]
首先在无监督条件下进行多源领域自适应的算法验证，对所有工况车辆进行实验，寻找和各自距离最近的k个源域数据集，以这些数据集为源域，进行多源领域自适应模型的训练。
[0112]
在训练的过程中，适用选取的各个源域的特征及其标签，以及目标域的特征一起放入网络中进行训练。源域特征经过特征层后到达回归层得到源域估计值，估计值和源域真实值计算l1loss得到回归损失。同时源域和目标域的数据经过特征层后一起进入判别器进行域判别，得到域损失。
[0113]
随着训练的进行，各个源域的回归损失逐渐减小，同时通过判别器和梯度反转层得到的域损失也逐渐减小，域损失的减小意味着特征层逐渐能够提取出判别器分不清源域和目标域的特征，使得源域和目标域的距离逐渐减小，从而实现源域和目标域之间的有效迁移。最终在各个工况车辆上的实验结果如表1，图4，图5。
[0114]
表1无监督条件下的实验结果
[0115][0116][0117]
从图和表中可以看出，在使用多源领域自适应网络后，算法的性能有了明显的提升，在工况车辆上的平均绝对误差下降到了1.64％，这意味着使用基于多源领域自适应的估算算法，在不使用任何带标签数据的情况下，能够对工况数据进行准确的soh估算。此外可以看到在表格中没有误差超过3％的车辆数据，这意味着通过从多个源域同时进行领域迁移，有效的提升了模型的泛化性能。
[0118]
同样，在小样本条件下对基于多源领域自适应的soh估算算法的效果进行验证。与上一节一样使用与目标与距离最近的k个源域的特征及标签，以及目标域的特征进行多源对抗域自适应网络的训练。在训练结束后选择目标域前10％的特征和标签进行微调，以提升模型效果。最终实验结果如表2，图6，图7。
[0119]
从图和表中可以看出，在使用少量样本进行微调后，模型的估算误差从1.64％下降到了1.58％，获得了更好的估算效果。
[0120]
此外在小样本条件下与其它几种soh估算算法进行了对比，得到的结果如表3。从表格中可以看出使用多源领域自适应后误差对比其它算法有着明显的优势，且相比较于单源域领域自适应在准确性和稳定性上都有明显提升。
[0121]
表2小样本下的实验结果
[0122][0123][0124]
表2(续表)小样本下的实验结果
[0125][0126]
表3小样本条件下的实验结果
[0127][0128]
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。

技术特征：
1.基于多源迁移学习的电动汽车锂电池soh估算方法，其特征在于：所述基于多源迁移学习的电动汽车锂电池soh估算方法的步骤包括：步骤一、数据预处理及特征提取；步骤二、领域选择；步骤三、soh估算模型训练；步骤四、构建基于多源对抗领域自适应网络的估算网络。2.根据权利要求1所述的基于多源迁移学习的电动汽车锂电池soh估算方法，其特征在于：步骤一中数据预处理及特征提取的步骤为：步骤1、观察电压、电流、soc曲线随电池老化的变化趋势，并从中提取能反映电池老化的参数；步骤2、从增量容量曲线以及充电曲线的包络面积需要二次计算的曲线中，观察电池老化过程的变化并提取相应特征；步骤3、利用主成分分析法等降维技术，从各个维度中自动提取特征；步骤4、采用皮尔逊相关系数计算从三个部分中提取出各个的特征与soh真实值之间的相关性步骤5、选择与soh具有较高相关性的特征作为模型输入。3.根据权利要求1所述的基于多源迁移学习的电动汽车锂电池soh估算方法，其特征在于：步骤二中的领域选择是基于wasserstein距离和欧式距离的领域选择，它包括：假设存在概率分布p1和p2，则这两个概率的wasserstein距离的数学定义如下：公式
①
中，∏(p1,p2)是两个分布组合起来的所有联合组合的分布，x和y是从其可能的联合分布γ中采样(x,y)～γ得到的样本；使用计算距离||x-y||计算在联合分布γ下样本对距离的期望值；对于所有可能的联合分布，期望值的下界e
(x,y)～γ
[|x-y|]就是wasserstein距离；欧式距离为：欧式距离为：公式
②
和
③
中，a表示源域的特征矩阵，b表示目标域的特征矩阵，a和b代表矩阵中某一行特征值，将其作为向量计算欧氏距离，m和n为两特征矩阵的行数，最后取平均值得到最终的欧式距离，t表示转置，i表示源域特征矩阵的第i行，j表示目标域特征矩阵的第j行；最终，领域选择算法采用的距离度量方法为wasserstein距离与欧式距离的组合；通过这种方法，既能利用wasserstein距离的优势，又能考虑到源域和目标域soh范围覆盖情况的影响，从而在领域选择中取得更好的效果；dis＝d
w
+d
o
ꢀꢀꢀ④
，公式
④
中，dis表示组合距离，d
w
表示wasserstein距离，d
o
表示欧式距离。4.根据权利要求1所述的基于多源迁移学习的电动汽车锂电池soh估算方法，其特征在
于：步骤三中soh估算模型由网络输入、特征层、回归器和判别器组成；其训练步骤包括：步骤(1)、特征提取器根据各个源域的标签数据进行训练，以获取有用的特征：在得到源域的特征表示后，这些特征被送入回归层，目标是预测电池的健康状态soh，得到估算值后使用平均绝对误差l1loss计算soh估算值和源域数据的真实soh值之间的差异，作为回归损失，它计算的是估算值和真实值之间的绝对差值，这个回归损失记为l
r
；步骤(2)、每个源域都有一个相应的判别器，判别器使用特征提取器提取的特征进行训练，其目标是区分这些特征是来自源域还是目标域；在训练开始之前将分别给源域和目标与打上域标签，源域的标签被设为1，目标域的标签被设为0；；采用二分类的交叉熵损失；公式
⑤
中，代表第j个源域的分类损失，y
i
代表第i个样本的真实标签，f(x
i
)代表模型对第i个样本的预测概率，n表示样本数量；步骤(3)、在训练过程中，特征提取器和判别器进行对抗训练，特征提取器的目标是生成所有判别器都无法区分的特征，即使得源域和目标域在特征空间中的分布尽可能接近，而判别器则试图改进其对源域和目标域特征的区分能力，即尽可能准确地判断出特征是来自源域还是目标域，为了实现这种对抗训练，引入梯度反转层，梯度反转层在前向传播过程中，不改变输入；在反向传播过程中，对梯度进行取反；y
grl
＝x
grl
ꢀꢀꢀꢀ⑥
公式
⑥
和
⑦
中，y
grl
表示输出特征，x
grl
表示输入特征，表示输入偏微分，表示输入偏微分，表示损失偏微分，λ表示梯度加权导数；最终的损失可以表示为公式
⑧
，公式
⑧
中同时包含了各个源域的回归损失和判别损失；公式
⑧
中，其中θ表示域损失的权重，k表示判别器的个数，l
rj
表示源域j的回归损失，j表示中间变量。

技术总结
基于多源迁移学习的电动汽车锂电池SOH估算方法，它涉及一种电动汽车锂电池SOH估算方法。本发明为了解决现有估算方法难以满足工况下电动车SOH日常估算需求的问题。本发明的步骤包括步骤一、数据预处理及特征提取；步骤二、领域选择；步骤三、SOH估算模型训练；步骤四、构建基于多源对抗领域自适应网络的估算网络。本发明属于电池健康状态及迁移学习技术领域。发明属于电池健康状态及迁移学习技术领域。发明属于电池健康状态及迁移学习技术领域。


技术研发人员：郑文斌 乔家庆 付平 白晨宇 陈峻洋 周欣雨 石通航
受保护的技术使用者：哈尔滨工业大学
技术研发日：2023.07.26
技术公布日：2023/10/11