一种基于统计特征分析的锂电池健康状态估计方法与流程

本发明属于电池状态估计领域，具体涉及一种基于统计特征分析的锂电池健康状态估计方法。

背景技术：

1、现有的电池健康状态(soh)估计方法可以分为两大类：基于模型的方法和数据驱动法。基于模型的方法通常可以通过多种模型来实现，如等效电路模型(ecm)和电化学模型。电化学模型的困难在于电池soh降解可由多种失效机制引起，并且在后续计算时需要进行降维处理，这就造成建立一个全面的电化学模型几乎是不可能实现的。与电化学模型相比，ecm更加简洁。然而，简单的模型结构难以反映复杂的电池老化机制，这对于电池soh的准确估计具有挑战性。

2、随着人工智能和机器学习的快速发展，相较于基于模型的方法，数据驱动不需要考虑锂电池内部的电化学反应和失效机理，成为近几年soh估计的研究热点。使用数据驱动的方法包括神经网络、支持向量机、高斯滤波器等。与其它数据驱动方法相比，神经网络具有更强的泛化能力，可以获得更高的估计精度。在基于数据驱动的神经网络方法中，通过提取老化过程的健康特征(hf)来估计电池的soh。

3、但现有技术中，在进行hf提取过程中，有些hf与soh的关联程度不高，从而导致无法全面地表征电池老化过程，难以获得较高的估计精度，且现有技术中是将所有hf作为输入来估计soh，但是这容易造成过拟合的问题，这也会对估计精度造成不良影响，再者，现有技术中有使用单核高斯过程回归(gpr)模型进行soh估计，但是单一核存在预测精度和泛化能力不够高的问题，且对于gpr的超参数，现有技术中需要人工计算，但人工计算无法保证超参数达到最优值，也无法避免人为操作造成的误差，从而导致估计精度不够高。

技术实现思路

1、本发明的目的是提出一种基于统计特征分析的锂电池健康状态估计方法，能够有效提高估计精度。

2、本发明通过以下技术方案实现：

3、一种基于统计特征分析的锂电池健康状态估计方法，包括如下步骤：

4、步骤s1、根据电池的充电电压曲线、充电容量曲线、ic曲线和温度曲线获取n个初始特征，并根据这n个初始特征分别获取六个统计特征：均值特征fa、中位数特征fm、下四分位数特征flq、上四分位数特征fuq、极差特征fr、标准差特征fsd；

5、步骤s2、构建单核高斯过程回归模型，将步骤s1获取的六个统计特征通过排列组合得到多个特征组合，利用该多个特征组合对单核高斯过程回归模型进行训练，其中，特征组合包括一个或者多个统计特征；

6、步骤s3、利用训练后的单核高斯过程回归模型以及步骤s2的各特征组合对锂电池健康状况进行估计，从而确定最优的特征组合；

7、步骤s4、构建双核高斯过程回归模型，利用北方苍鹰算法对该双核高斯过程回归模型的超参数进行搜索寻优，并将得到的最优超参数带入双核高斯过程回归模型，得到最终的预测模型；

8、步骤s5、根据步骤s4所得的预测模型和步骤s3所得的最优的特征组合对锂电池健康状况进行估计。

9、进一步的，所述步骤s1中，所述均值特征所述中位数特征所述下四分位数特征所述上四分位数特征所述极差特征fr＝hin-hi1，所述标准差特征其中，hii表示第i个初始特征，i＝1,2,…,n。

10、进一步的，所述步骤s2中，对六个统计特征进行排列组合得到的特征组合分别为：仅包括一个统计特征的特征组合、包括两个不同统计特征的特征组合、包括三个不同统计特征的特征组合、包括四个不同统计特征的特征组合、包括五个不同统计特征的特征组合和包括六个统计特征的特征组合。

11、进一步的，步骤s2中，所构建的双核高斯过程回归模型的核函数k＝ma3+ma5，其中，式中，δf1表示核函数ma3的信号方差，δl1表示核函数ma3的长度尺度，δf2表示核函数ma5的信号方差，δl1表示核函数ma5的长度尺度，xi表示观测数据，xj表示输入特征向量。

12、进一步的，所述步骤s1中，根据充电电压曲线获取初始特征时，选取充电电压曲线包含电压拐点的区间，并以相同电压间隔在该区间内取值以获取若干时间数据作为初始特征。

13、进一步的，所述步骤s1中，根据充电容量曲线获取初始特征时，选取充电容量曲线包含电压拐点的区间，并以相同电压间隔在该区间内获取若干容量数据作为初始特征。

14、进一步的，所述步骤s1中，根据ic曲线获取初始特征时，选取ic曲线包含电压峰值的区间，并以相同电压间隔在该区间内获取若干ic数据作为初始特征。

15、进一步的，所述步骤s1中，根据温度曲线获取初始特征时，根据公式计算温度曲线所对应的温度变化曲线，并以相同电压间隔在温度变化曲线上获取若干温度变化数据作为初始特征，其中，t(k)为电压为k时对应的温度值，δ为采样间隔。

16、本发明具有如下有益效果：

17、本发明根据电池的充电电压曲线、充电容量曲线、ic曲线和温度曲线获取n个初始特征，根据这n个初始特征分布获取六个统计特征，并将这六个统计特征通过排列组合得到多个特征组合，然后先构建常规的单核高斯过程回归模型，利用这些特征组合对该单核高斯过程回归模型进行训练，然后利用训练后的单核高斯过程回归模型获取最优的特征组合，再构建双核高斯过程回归模型，利用北方苍鹰算法对该双核高斯过程回归模型的超参数进行搜索寻优，得到最终的预测模型，最后根据该预测模型和最优的特征组合对锂电池健康状况进行估计，在该过程中，从多方面提取初始特征，能够全面地表征电池老化过程，且先利用常规的单核高斯过程回归模型选择最优的统计特征来进行最终估计，能够避免过拟合问题，且在最终估计时使用双核高斯过程回归模型，能够避免单一核所存在的预测精度和泛化能力不够高的问题，利用北方苍鹰对超参数寻优则能够在保证超参数达到最优值的同时避免人为操作造成的误差，综上，本发明将各个角度的最优处理相结合，最终有效提高电池健康状态估计的精度。

技术特征：

1.一种基于统计特征分析的锂电池健康状态估计方法，其特征在于：包括如下步骤：

2.根据权利要求1所述的一种基于统计特征分析的锂电池健康状态估计方法，其特征在于：所述步骤s1中，所述均值特征所述中位数特征所述下四分位数特征所述上四分位数特征所述极差特征fr＝hin-hi1，所述标准差特征其中，hii表示第i个初始特征，i＝1,2,…,n。

3.根据权利要求2所述的一种基于统计特征分析的锂电池健康状态估计方法，其特征在于：所述步骤s2中，对六个统计特征进行排列组合得到的特征组合分别为：仅包括一个统计特征的特征组合、包括两个不同统计特征的特征组合、包括三个不同统计特征的特征组合、包括四个不同统计特征的特征组合、包括五个不同统计特征的特征组合和包括六个统计特征的特征组合。

4.根据权利要求1或2或3所述的一种基于统计特征分析的锂电池健康状态估计方法，其特征在于：步骤s4中，所构建的双核高斯过程回归模型的核函数k＝ma3+ma5，其中，式中，δf1表示核函数ma3的信号方差，δl1表示核函数ma3的长度尺度，δf2表示核函数ma5的信号方差，δl1表示核函数ma5的长度尺度，xi表示观测数据，xj表示输入特征向量。

5.根据权利要求1或2或3所述的一种基于统计特征分析的锂电池健康状态估计方法，其特征在于：所述步骤s1中，根据充电电压曲线获取初始特征时，选取充电电压曲线包含电压拐点的区间，并以相同电压间隔在该区间内取值以获取若干时间数据作为初始特征。

6.根据权利要求1或2或3所述的一种基于统计特征分析的锂电池健康状态估计方法，其特征在于：所述步骤s1中，根据充电容量曲线获取初始特征时，选取充电容量曲线包含电压拐点的区间，并以相同电压间隔在该区间内获取若干容量数据作为初始特征。

技术总结
本发明提供一种基于统计特征分析的锂电池健康状态估计方法，包括：步骤S1、根据电池的充电电压曲线、充电容量曲线、IC曲线和温度曲线获取N个初始特征，并根据这N个初始特征进行统计分析获取六个统计特征；步骤S2、构建单核高斯过程回归模型，利用六个统计特征通过排列组合所得到多个特征组合对该模型进行训练；步骤S3、利用训练后的单核高斯过程回归模型以及各特征组合对锂电池健康状况进行估计，从而确定最优的特征组合；步骤S4、构建双核高斯过程回归模型，利用北方苍鹰算法对该双核高斯过程回归模型的超参数进行搜索寻优，得到最终的预测模型；步骤S5、根据预测模型和最优的特征组合对锂电池健康状况进行估计。本发明能够有效提高估计精度。

技术研发人员：戴厚德,朱利琦,王嘉欣,赖源,黄毅杨
受保护的技术使用者：泉州装备制造研究所
技术研发日：
技术公布日：2024/4/22