控制理论与应用

作者：王一航,陈旭,赵春晖

单位：浙江大学控制科学与工程学院,浙江大学控制科学与工程学院,浙江大学控制科学与工程学院

关键词：锂离子电池; 健康状态; 掩码表征迁移策略; 变工况迁移

基金：国家自然科学基金杰出青年基金项目(62125306), NSFC–浙江两化融合联合基金项目(U1709211)

锂电池健康状态(SOH)预测可以对电池老化程度进行评估. 由于电池工作状况的差异, 锂电池训练数据(源域)和在线应用数据(目标域)具有不同的分布, 而迁移学习是解决上述问题的有效方法. 然而, 一方面, 传统迁移学习方法需要大量源域数据标签, 而SOH测量困难, 难以提供充足标签; 另一方面, 这些方法无法充分利用已有的专家知识. 基于此, 本文创新性地提出了一种掩码表征迁移策略(MFTS), 实现了源域无标签场景下的变工况锂电池SOH预测. 首先, 设计了一种掩码自监督框架, 其可以在无标签的情况下实现自动特征提取来表征源域数据. 其次, 提出了一种专家知识模块, 引导所提特征逼近专家特征, 从而实现了专家知识的融入. 最后, 提出了一种双学习率的方法对特征提取和SOH预测网络进行同步变速训练, 在迁移源域知识的同时实现了目标域SOH的准确预测. 基于NASA的公开数据集, 所提出的MFTS模型在6组实验上的预测误差均不大于4.08%.

来源：2024年第8期

《控制理论与应用》期刊编辑部

查看控制理论与应用杂志2024年第8期