买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：广东电网有限责任公司东莞供电局

摘要：本发明涉及电池领域，公开了一种基于ACO‑GMR的储能电站电池健康状态估计方法，包括：首先，获取储能电站运行时电池充电的电压、电流、温度以及时间数据，并将其进行异常数据处理，减少干扰。之后从获取的数据中提取电池健康状态的健康指标，这些提取的健康指标从不同角度反映了电池老化过程的动态模式。其后利用改进的高斯混合模型算法对模型进行训练，其中高斯混合模型超参数采用蚁群智能算法进行优化。最后将测试集输入到改进的高斯混合模型模型中，得到测试集中电池SOH估计结果。该方法能够提高GMR方法应用于储能电站电池SOH估计的泛化性与鲁棒性。

主权项：1.一种基于ACO-GMR的储能电站电池健康状态估计方法，其特征在于，包括如下步骤：步骤A.从获取的数据中提取电池健康状态的健康指标；步骤B.利用改进的高斯混合模型算法对模型进行训练，其中高斯混合模型的超参数采用蚁群智能算法进行优化；步骤C.将测试集输入到改进的高斯混合模型中，得到测试集中电池SOH估计结果；在步骤B中，首先将所获得的健康指标x作为模型训练的输入，电池的健康状态y作为模型训练的输出，则训练数据集可以表述为,为第个输入样本，为第个输出样本，为样本个数，为训练数据集；之后利用改进的高斯混合模型来训练，获取估计模型；所述利用改进的高斯混合模型来训练，获取估计模型，具体包括：步骤一、构建基准高斯混合模型GMR；假设训练集的样本服从个高斯分布，则个高斯组分的模型概率密度函数如下： 1式中，表示属于第个高斯组分的混合系数,且满足约束条件表示均值向量为、协方差矩阵为的高斯组分的概率密度函数，，和组成GMR模型的超参数，为个高斯组分的模型概率密度函数，为第个高斯组分的模型概率密度函数；在获取超参数之后，计算各个高斯组分的均值向量和协方差矩阵，计算如下： 2式中表示第个输入训练数据均值，表示第个输出训练数据均值，表示第个输入训练数据的协方差，表示第个输出训练数据的协方差，为第个输入训练数据和第个输出训练数据之间的协方差，为第个输出训练数据和第个输入训练数据之间的协方差；在第个高斯组分中，给定训练输入数据，则训练输出的条件分布表示为如下： 3式中为均值向量为、协方差矩阵为的高斯组分的概率密度函数；在给定第个组分训练输入数据之后，训练输出均值向量和协方差矩阵通过以下计算获得：；则训练输出的条件分布表示为： 4其中为高斯组分的权重，通过以下公式求得： ， 为均值向量为、协方差矩阵为的高斯组分的概率密度函数；如果给定测试输入数据,则预测输出通过下式计算求得： 5步骤二、利用ACO优化GMR的超参数值。

全文数据：

权利要求：

百度查询： 广东电网有限责任公司东莞供电局 基于ACO-GMR的储能电站电池健康状态估计方法