【技术实现步骤摘要】
一种锂电池健康状况的梯度提升树建模与预测方法
本专利技术涉及锂电池健康状况的梯度提升树建模与预测方法，本专利技术属于锂电池的健康状况预测领域，涉及锂电池充放电过程的特征提取、特征选择和建模方法。
技术介绍
电动汽车的主要动力来源来自于电池所储存的电能，锂离子电池依靠具有比能量高、工作电压高、温度范围宽、自放电率低、循环寿命长和安全性好等诸多优点，已成为电动汽车电能储存的首选。但是，锂电池在实际使用中随着充放电循环次数的增加，其内部容量会发生不可逆的衰减，导致电池逐渐老化，最终严重影响电池系统的稳定性和可靠性。健康状况(StateofHealth,SoH)用来描述电池容量的退化程度，准确预测SoH是保证电池系统稳定可靠运行的重要问题。目前，预测SoH的主要方法包括：化学分析法、物理分析法和数据驱动建模方法。化学分析法估算准确，但其破坏了电池结构，导致电池不能再使用。电池本身容量衰减过程是复杂的化学变化，同时电动汽车经常运行在不同的环境中，电池在使用过程中会受到外界环境的影响，如变电流放电、机械振动和温度场变化。由于电池容量衰减的化学和物理过程复杂，电池的行为表现出非...
【技术保护点】
1.一种锂电池健康状况的梯度提升树建模与预测方法，其特征在于，所述方法包括以下步骤：1)监测锂电池充电和放电过程并提取特征在锂电池的充电和放电过程中，通过传感器监测并记录电池的参数数据，并从数据中提取特征；2)对提取到的特征进行选择采用GBT模型进行预训练，得到特征在建立模型过程中的特征重要性，根据特征重要性对特征进行排序并选择排名靠前的特征；3)建立梯度提升树模型进行训练并评估利用经过选择的特征建立梯度提升树模型并进行训练，采用五折交叉验证和网格搜索方法对模型的超参数进行选择和调优，最后对模型的预测性能进行评估。
【技术特征摘要】
1.一种锂电池健康状况的梯度提升树建模与预测方法，其特征在于，所述方法包括以下步骤：1)监测锂电池充电和放电过程并提取特征在锂电池的充电和放电过程中，通过传感器监测并记录电池的参数数据，并从数据中提取特征；2)对提取到的特征进行选择采用GBT模型进行预训练，得到特征在建立模型过程中的特征重要性，根据特征重要性对特征进行排序并选择排名靠前的特征；3)建立梯度提升树模型进行训练并评估利用经过选择的特征建立梯度提升树模型并进行训练，采用五折交叉验证和网格搜索方法对模型的超参数进行选择和调优，最后对模型的预测性能进行评估。2.如权利要求1所述的一种锂电池健康状况的梯度提升树建模与预测方法，其特征在于，所述步骤1)中，监测锂电池充电和放电过程并提取特征的过程如下：1.1：监测锂电池充电过程并提取等电压差充电时间序列特征在锂电池充电过程中，通过传感器记录电池终端电压并记录数据采集时间，从数据中提取等电压差充电时间序列特征，做法是选取一组数值不等的电压：[V1，V2](V1<V2)，获取电池电压从V1到V2的时间；1.2：监测锂电池放电过程并提取等电压差放电时间序列特征在锂电池放电过程中，通过传感器记录电池终端电压并记录数据采集时间，提取等电压差放电时间序列特征，做法是选取一组数值不等的电压：[V1，V2](V1>V2)，获取电池电压从V1到V2的时间。3.如权利要求1或2所述的一种锂电池健康状况的梯度提升树建模与预测方法，其特征在于，所述步骤2)中，对提取到的特征进行选择的过程如下：2.1：建立单个回归树模型首先，定义X表示提取到的特征数据，即模型的输入；定义Y表示锂电池的SoH，即模型的输出，建模需要的样本数据表示如下：D＝{(X,Y)}＝{(x1,y1),(x2,y2),…,(xN,yN)}式中，N为样本总数；假设将输入空间划分为M个单元：R1,R2,…,RM，并且在每个单元上有一个固定的输出值cm，单个回归树模型表示如下：式中，I为指示函数，当x∈Rm为1，否则为0；当输入空间的划分确定时，用平方误差来表示模型对于训练数据的预测误差，平方误差的定义如下：式中，yi是真实值；是预测值，用平方误差最小的原则求解...
【专利技术属性】
技术研发人员：刘毅，许婷婷，杨超，徐东伟，杨建国，宣琦，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。