(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110346401.2 (22)申请日 2021.03.31 (65)同一申请的已公布的文献号 申请公布号 CN 113094985 A (43)申请公布日 2021.07.09 (73)专利权人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 盛瀚民　周圆　邵晋梁　石磊　 白利兵　米金华　 (74)专利代理 机构 成都行之专利代理事务所 (普通合伙) 51220 专利代理师 温利平 (51)Int.Cl. G06F 30/27(2020.01) G06F 17/15(2006.01) G06F 17/16(2006.01) G06F 17/18(2006.01)(56)对比文件 CN 111985156 A,2020.1 1.24 CN 112540298 A,2021.0 3.23 CN 112241608 A,2021.01.19 CN 112380773 A,2021.02.19 WO 2020009652 A1,2020.01.09 洪晟等.基 于迁移学习方法的安全运行状态 评估综述. 《航空工程进 展》 .2020,(第04期),15 - 21页. shengshen 等.deep convolutional neural networks with ensemble learn ing and transfer learn ing for capacity estimati on of lithium-i on batteries. 《Ap plied Energy》 .2019,第26 0卷 王一全等.基 于LSTM-DaNN的动力电池SOC估 算方法. 《储能科 学与技术》 .2020,(第0 6期), 383-389页. 叶林海.小样本条件下的锂电池健康状态估 计研究. 《中国优秀硕士学位 论文全文数据库 工 程科技II辑》 .2020,(第7期), 审查员 周涯波 (54)发明名称 一种基于交叉流形嵌入迁移学习的电池SOH 预测方法 (57)摘要 本发明公开了一种基于交叉流形嵌入迁移 学习的电池SOH预测方法， 将电池的一次充放电 过程所提取的特征与 SOH值作为一个循环的样本 点， 而辅助电池每一次循环提取的源域数据集和 新电池前t次循环提取的目标域数据集在特征空 间中被视为两个不同的流形。 将新电池的目标域 数据作为辅助电池的源域数据的锚点集， 对于每 一个源域样本点， 在锚点集中找到关于SOH值的K 个近邻点， 求解最优权重使 得源域样本点能够映 射到K个近邻所在的流形， 再根据最优权重与K个 近邻的特征将 源域样本点的特征进行映射。 由此 将源域数据集嵌入目标域流形中， 从而在不丢失特征维度的情况下实现低维数据的特征迁移， 由 此提高机 器学习方法的跨场景泛化 性能。 权利要求书2页 说明书8页 附图3页 CN 113094985 B 2022.06.14 CN 113094985 B 1.一种基于交叉流形嵌入迁移学习的电池SOH预测方法， 其特 征在于， 包括以下步骤： (1)、 提取 特征 (1.1)、 提取辅助电池S在每一次完整充放电过程中的m维特征向量， 以及健康状态S OH， 由这些特征向量与SOH构成源域 其中， X 与Y分别表示特征向量集合与SOH集合， x与y分别表 示单次提取的特征向量和健康状态SOH， n表示辅助电池S在整个寿命周期的总循环次数； (1.2)、 提取新电池T在前t次完整充放电过程中的m维特征向量， 以及健康状态SOH， 由 这些特征向量与SOH构成目标域 其中， YT ∈[a,b]， (2)、 数据预处 理 利用matlab中的mapminmax函数分别对Dsource和Dtarget中的特征向量x进行归一化， 健康 状态y不变， 然后再利用matlab中的smooth函数分别进行滤波平滑化处理， 处理完成后的源 域记为 目标域记为 (3)、 流形映射 (3.1)、 将将步骤(2)处理后的目标域 作为流形映射的锚点集Danchor， 即： (3.2)、 从源域 中选择辅助集Dtrain； 从步骤(2)处理后的源域 中选取与锚点集Danchor的SOH处于同一区间[a,b]的电池 数据作为 流形映射的对象， 构成辅助集 (3.3)、 寻找辅助集Dtrain在锚点集Danchor中的K近邻 及最优权重， 并做特征映射得到理想 点集Dideal： (3.3.1)、 在辅助集Dtrain任意选取一个辅助集样本(xk,yk)， k＝1,2, …,n'， n'为辅助集 Dtrain中辅助集样本的个数， n'＜n； (3.3.2)、 计算每一个锚点 与辅助集样本(xk,yk)的SOH的绝对值， 然 后对所有的绝对值进行升序排列， 选取绝对值最小的K个锚点作为辅助集样本(xk,yk)在锚 点集Danchor中的K近邻， 记为 (3.3.3)、 求 解辅助集样本(xk,yk)关于K近邻的最优权 重； 记辅助集样本(xk,yk)关于K近邻 的权重向量为W＝[w1, w2,…,wh,…,wK]， wh为辅助集样本(xk,yk)关于第h个近邻点 的权重； 基于流形映射的LLE算法， 求辅助集样本(xk,yk)关于K近邻的最优权重W， 即求解以下优权　利　要　求　书 1/2 页 2 CN 113094985 B 2化问题： 求解步骤如下： 1)、 取辅助集样本(xk,yk)与K近邻 的SOH， 令： Y＝[yk,…, yk]∈R1×K， 其中， R表示实数域； 构造矩阵S： S＝(Y ‑N)T(Y‑N)∈RK×K， 此处的上 标T表示转置； 2)、 计算S的逆矩阵S‑1∈RK×K； 令S+10‑3*trace(S)*eye(K,K)替代S， 然后计算逆矩阵S‑1； 其中， trace(S)为矩阵S的迹， eye(K,K)为K阶单位矩阵； 3)、 根据S‑1计算最优权重W： 其中1K表示K*1维的元素全为1的向量， 此 处的上标T表示转置； (3.3.4)、 辅助集样本(xk,yk)的特征映射； 利用K近邻 及最优权重W将辅助集样本(xk,yk)的特征向 量x进行映射， 得到 从而得到辅助集样本(xk,yk)的特征映射理想点 (3.4)、 重复步骤(3.3.1) ‑(3.3.4)， 将辅助集Dtrain中所有辅助集样本的特征向量x进 行 映射， 得到所有的特 征映射理想点； (3.5)、 将所有的特 征映射理想点构成理想点 集 (4)、 源域的映射； (4.1)、 通过matlab中的polyfit函数将辅助集映射前后的两个点集Dtrain与Dideal的特征 向量x进行多 项式拟合， 得到模型p； (4.2)、 基于模型p， 利用matlab中的polyval函数对源域Dsource的特征向量x进行映射， 得到源域映射后的点 集D'source； (5)、 实时预测新电池T的SOH； (5.1)、 将映射后的源域数据D'source训练最小二乘支 持向量机预测模型， 使每输入一个 特征向量 最小二乘支持向量机预测模型对应输出一个SOH值 即 ： (5.2)、 实时采集新电池T在第t+1次完整充放电过程中的m维特征向量， 然后按照步骤 (2)所述方法进 行预处理， 预处理完成后输入至最小二乘支持向量机预测模型， 从而实时输 出新电池T在第t+1时刻的SOH值。权　利　要　求　书 2/2 页 3 CN 113094985 B 3