基于域自适应迁移的蓄电池多场景健康状态估计方法与流程
本发明涉及蓄电池健康状态评估领域，尤其是指基于域自适应迁移的蓄电池多场景健康状态估计方法。
背景技术：
1、蓄电池广泛应用于电动汽车、储能和便携设备中，准确估计其健康状态对于保障安全和延长寿命至关重要。传统的健康状态估计方法主要基于实验室数据，但实际应用中，温度、湿度和充放电策略等因素导致电池退化过程呈现非线性和场景依赖性，造成数据分布差异，影响模型的跨场景泛化能力。尽管迁移学习和领域自适应技术为解决数据分布偏移提供了思路，但现有方法在特征对齐和时序信息挖掘方面仍存在不足，难以应对复杂场景下的精确估计需求。因此，亟需一种基于域自适应迁移的多场景健康状态估计方法，以提升蓄电池在多样化场景中的适应性和估计精度。
技术实现思路
1、本发明的目的是克服现有技术中蓄电池在跨场景使用中健康状态估计误差较大，无法适应多场景的使用需求的缺陷，提供一种基于域自适应迁移的蓄电池多场景健康状态估计方法，利用源域数据进行预训练，迁移到目标域，提高模型在存在显著数据分布差异样本上的估计精度；通过卷积神经网络-多核最大均值差异(cnn-mkmmd)有效利用无标签数据，提升模型对复杂场景的适应性，降低数据成本。该方法在少量数据下仍能实现高精度健康状态估计，并有效处理数据分布差异，具有较强的泛化能力。
2、本发明的目的是通过下述技术方案予以实现：
3、基于域自适应迁移的蓄电池多场景健康状态估计方法，包括以下步骤：
4、步骤1，采集监测的蓄电池充放电阶段的动态过程参数信号，同时采集蓄电池老化阶段反应健康状态的状态参数，推导蓄电池的健康状态量；
5、步骤2，从充放电数据和电化学阻抗谱分析结果中提取出表征蓄电池退化的健康因子；对提取的健康因子进行皮尔逊相关系数分析，筛选出与电池健康状态相关系数绝对值大于等于设定阈值的特征作为模型输入；
6、步骤3，构建基于残差结构的卷积神经网络作为模型的高维特征提取器，选取均方误差作为优化函数，对源域数据和目标域数据进行特征提取；
7、步骤4，引入多核最大均值差异损失函数，计算源域数据与目标域数据在卷积神经网络模型高层特征输出的分布距离，并将该损失函数与均方误差损失函数通过加权求和方式得到总损失函数，应用自适应矩估计优化器对总损失函数进行优化，实现无标签电池数据的域自适应训练；
8、步骤5，使用验证集评估模型性能，并将其应用于测试集以输出健康状态估计结果，实现蓄电池在跨域场景下的健康状态估计。
9、作为优选，所述的步骤1中，动态过程参数信号包括：充电过程中记录的电流信号c、充电电压信号v和充电温度信号t。
10、作为优选，所述的健康状态量为：
11、
12、其中，qi表示老化过程中电池每个循环的最大放电容量，i表示当前循环数，qnom为电池的标称容量。
13、作为优选，所述的步骤2具体包括以下子步骤：
14、步骤2a，从充放电数据中提取恒流充电阶段电压曲线的等压降时间间隔、恒压充电阶段电流衰减曲线的时间积分、以及充放电循环中温度变化率；同时结合电化学阻抗谱分析结果中提取的系统特性参数，综合形成初始健康因子；
15、步骤2b，通过皮尔逊相关系数计算初始健康因子与电池健康状态的线性相关性，筛选相关系数绝对值大于等于设定阈值的特征作为模型输入；
16、步骤2c，将处理后的数据划分为训练集、验证集和测试集，标签为对应健康状态序列。
17、作为优选，所述的步骤3中，卷积神经网络包括：
18、输入层，接收时序健康因子数据；残差卷积模块，由若干层一维卷积层构成，每层包含卷积核、批归一化层、激活函数和残差连接；池化层，在最后一层卷积后接入全局平均池化层，输出高维特征向量；全连接层，采用线性激活函数将池化后的特征映射至健康状态预测值。
19、作为优选，所述的步骤4中，多核最大均值差异损失函数包括回归损失和分布对齐损失。
20、作为优选，所述的步骤5具体为：
21、在验证集上计算平均绝对误差和均方根误差，选择最优模型参数；将训练好的模型应用于目标域无标签数据，输出健康状态估计值，实现跨工况、跨批次场景下的健康状态预测。
22、一种计算机存储介质，所述存储介质包括计算机指令，当其在计算机上运行时，使得计算机执行权利要求1-7所述的方法。
23、一种电子设备，所述电子设备包括：存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序；其中，所述处理器执行所述程序时实现权利要求1-7所述的方法。
24、本发明的有益效果是：本发明提出的卷积神经网络-多核最大均值差异模型的创新方法，有效解决了跨域场景下数据分布差异导致的估计精度下降问题；通过源域数据的预训练和无标签数据的有效利用，显著降低了对大量有标签数据的依赖；本发明在少量样本情况下仍能保持高精度的健康状态估计，具有较强的实际应用价值。
技术特征：
1.基于域自适应迁移的蓄电池多场景健康状态估计方法，其特征是，包括以下步骤：
2.根据权利要求1所述的基于域自适应迁移的蓄电池多场景健康状态估计方法，其特征是，所述的步骤1中，动态过程参数信号包括：充电过程中记录的电流信号c、充电电压信号v和充电温度信号t。
3.根据权利要求1所述的基于域自适应迁移的蓄电池多场景健康状态估计方法，其特征是，所述的健康状态量为：
4.根据权利要求1所述的基于域自适应迁移的蓄电池多场景健康状态估计方法，其特征是，所述的步骤2具体包括以下子步骤：
5.根据权利要求1所述的基于域自适应迁移的蓄电池多场景健康状态估计方法，其特征是，所述的步骤3中，卷积神经网络包括：
6.根据权利要求1所述的基于域自适应迁移的蓄电池多场景健康状态估计方法，其特征是，所述的步骤4中，多核最大均值差异损失函数包括回归损失和分布对齐损失。
7.根据权利要求1所述的基于域自适应迁移的蓄电池多场景健康状态估计方法，其特征是，所述的步骤5具体为：
8.一种计算机存储介质，其特征是，所述存储介质包括计算机指令，当其在计算机上运行时，使得计算机执行权利要求1-7所述的方法。
9.一种电子设备，其特征是，所述电子设备包括：存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序；其中，所述处理器执行所述程序时实现权利要求1-7所述的方法。
技术总结
本发明公开了一种基于域自适应迁移的蓄电池多场景健康状态估计方法，包括步骤1，推导蓄电池的健康状态量；步骤2，筛选出与电池健康状态相关系数绝对值大于等于设定阈值的特征作为模型输入；步骤3，对源域数据和目标域数据进行特征提取；步骤4，计算源域数据与目标域数据在卷积神经网络模型高层特征输出的分布距离，并将该损失函数与均方误差损失函数通过加权求和方式得到总损失函数，应用自适应矩估计优化器对总损失函数进行优化，实现无标签电池数据的域自适应训练；步骤5，使用验证集评估模型性能，并将其应用于测试集以输出健康状态估计结果。本发明有效解决了跨域场景下数据分布差异导致的估计精度下降问题。
技术研发人员：马恒,徐静蕾,应光耀,张翔,高博,彭彪,楼旺权,朱家立,叶谢平
受保护的技术使用者：浙江华电器材检测研究院有限公司
技术研发日：
技术公布日：2025/7/31
相关知识
一种基于EIS的领域自适应退役电池健康状态估计方法
基于深度迁移学习的健康意识汽车电池状态估计,Applied Energy
诊断蓄电池健康状态的方法与流程
一种基于电化学阻抗谱的铅酸电池健康状态诊断方法与流程
电池健康状态的评估方法与流程
基于特征赋能的锂离子电池健康状态估计方法研究.docx
蓄电池健康度估算方法、装置、电子设备及存储介质与流程
基于多目标优化的锂离子电池健康状态估计方法
一种基于图像处理对锂电池健康评估方法与流程
基于GA+SVM的航空铅酸蓄电池健康评估
网址: 基于域自适应迁移的蓄电池多场景健康状态估计方法与流程 https://m.trfsz.com/newsview1639765.html
