一种基于数据驱动的锂电池健康状态SOH估算方法技术

本申请公开了一种基于数据驱动的锂电池健康状态SOH估算方法，其特征在于：包括以下步骤：1)对锂电池在恒流充电工作模式的充电数据进行实时记录；2)通过容量增量分析采用简化的dQ/dV处理方式对恒流充电电压曲线进行容量增量曲线计算；随后通过灰色关联分析确定将容量增量曲线2号峰的峰值强度和峰值位置电压作为估计SOH的特征向量；3)以峰值强度和峰值位置电压作为特征向量为输入，以SOH为输出构建支持向量回归模型；4)将差分进化策略与灰狼优化算法相融合，构成改进的灰狼优化算法IGWO；5)通过IGWO对支持向量回归模型中的超参数进行三参数联合寻优。本发明专利技术的优点在于它能克服现有技术的弊端，结构设计合理新颖。

【技术实现步骤摘要】
一种基于数据驱动的锂电池健康状态SOH估算方法
本专利技术涉及一种基于数据驱动的锂电池健康状态SOH估算方法，属于电池电量管理领域。
技术介绍
电池系统作为电动汽车的关键部件，对电动汽车的行驶性能和充电行驶里程影响很大。锂电池因具有能量密度高、寿命长、无记忆效应等内在优势，在众多类型的电池中脱颖而出。电池健康状态(Stateofhealth,SOH)作为电池管理系统(BMS)检测的多种锂电池性能参数之一，其准确地评估有助于有效的电池健康管理，对SOC、SOP等参数的计算提供重要依据。然而，电池内部所涉及的电化学反应的复杂性和耦合效应，且不同类型的锂电池老化机理不同，都增加了对SOH准确评估的难度。现有的SOH估算方法主要基于经验模型和基于机理的方法。通过拟合实验数据，得到经验模型。它们在一定条件下对特定电池类型具有较好的预测精度，但缺乏物理意义，具有严重的局限性。基于机理的方法是从电池本质机理的角度分析并建立电池的运行机理模型及老化模型，从电化学原理的角度描述电池的老化行为，通过对电池模型的分析预测电池寿命。然而，该模型需要精细的参数，极高的计算要求阻碍了其在BMS中的实际应用。支持向量回归作为一种机器学习算法，具有良好的逼近和泛化能力，并在非线性系统辨识领域显示出巨大的潜力。本专利技术提出一种基于数据驱动的锂电池健康状态SOH的预测方法，运用容量增量分析采用简化的dQ/dV处理方式对充电电压曲线进行处理，大大减少电池管理系统的运行负担，节约了时间成本，并且通过改进的灰狼优化算法对支持向量回归模型中的超参数进行三参数联合寻优，相对于只进行两参数寻优，大大提升了模型的预测效果，应用价值广泛。
技术实现思路
本专利技术提供一种基于数据驱动的锂电池健康状态SOH估算方法，运用容量增量分析采用简化的dQ/dV处理方式对充电电压曲线进行处理，大大减少电池管理系统的运行负担，节约了时间成本，并且通过改进的灰狼优化算法对支持向量回归模型中的超参数进行三参数联合寻优，相对于只进行两参数寻优，大大提升了模型的预测效果，应用价值广泛。为解决上述技术问题，本专利技术采取的技术方案是，一种基于数据驱动的锂电池健康状态SOH估算方法，包括以下步骤：1)针对不同类型的动力锂电池，测算其出厂时锂电池的额定容量；2)针对不同类型的锂电池在恒流充电工作模式的数据进行实时记录，直到电池寿命终止结束记录；在对不同类型的锂电池在恒流充电工作模式的数据进行实时记录后，根据实时记录的数据形成锂电池恒流充电电压曲线；3)通过容量增量分析法对锂电池恒流充电电压曲线进行处理变换，并选择采用简化的处理方式进行容量增量曲线计算；在容量增量曲线计算后，通过灰色关联分析方法确定将容量增量曲线上2号尖峰的峰值强度和峰值位置电压作为估计SOH的特征向量；4)以步骤3)中获得的容量增量曲线上2号尖峰的峰值强度和峰值位置电压作为估计SOH的特征向量为输入，以锂电池SOH为输出构建支持向量回归模型；5)将差分进化策略与灰狼优化算法相融合，构成改进的灰狼优化算法IGWO；6)通过改进的灰狼优化算法对步骤4)获得的支持向量回归模型中的超参数进行三参数联合寻优；7)利用寻优得到的三参数构建SOH预测模型，对动力锂电池的SOH进行实时估算和预测。优化的，上述基于数据驱动的锂电池健康状态SOH估算方法，在步骤2)中，针对不同类型的锂电池在恒流充电工作模式的数据进行实时记录时，实时记录不同类型的锂电池在两种不同的恒流充电工作模式的数据。优化的，上述基于数据驱动的锂电池健康状态SOH估算方法，在步骤2)中，锂电池两种不同的恒流充电工作模式过程如下：首先在1.5A的恒流模式下充电，直到电池电压升高到4.2V，然后在4.2V的恒压模式下继续充电，直到充电电流降至20mA，充电过程结束；在2A的恒流模式下对电池进行放电，直到电池电压降至截止放电电压为止。优化的，上述基于数据驱动的锂电池健康状态SOH估算方法，在步骤2)至步骤4)中，将锂电池的每次充电循环作为一个样本采集锂电池在恒流充电工作模式的数据并形成锂电池恒流充电电压曲线，利用容量增量分析采用简化的处理方式对锂电池恒流充电电压曲线进行处理变换，通过灰色关联分析方法确定将容量增量曲线上2号尖峰的峰值强度和峰值位置电压作为估计SOH的特征向量，将电池的SOH作为模型输出，构建支持向量回归模型。优化的，上述基于数据驱动的锂电池健康状态SOH估算方法，在步骤5)中，将将差分进化策略与灰狼优化算法相融合构成改进的灰狼优化算法，其方式为基于差分进化策略的灰狼优化算法的变异因子，函数表达式为：Vi(t+1)＝Xα(t)+W·(Xβ(t)-Xδ(t))，其中，W为动态变化的缩放因子，其取值范围为[0,2],t为当前迭代次数。优化的，上述基于数据驱动的锂电池健康状态SOH估算方法，在步骤6)中，利用改进的灰狼优化算法对支持向量回归模型的超参数进行优化，实现三参数的联合寻优，此过程中三参数的联合寻优包括惩罚系数、核函数参数、最大误差的寻优。优化的，上述基于数据驱动的锂电池健康状态SOH估算方法，在步骤6)中三参数的联合寻优的过程中引入一个评估数据集。优化的，上述基于数据驱动的锂电池健康状态SOH估算方法，步骤4)获得的支持向量回归模型采用RBF函数作为核函数，RBF函数计算公式为：式中，σ表示RBF核函数参数。优化的，上述基于数据驱动的锂电池健康状态SOH估算方法，动力锂电池的额定容量是在环境温度25℃，充电电流0.5C的条件下测得的。本专利技术对不同类型的锂电池的充电数据进行实时记录；通过容量增量分析法对锂电池恒流充电电压曲线进行处理变换，并创新性地选择采用简化的处理方式进行容量增量曲线计算，通过灰色关联分析方法确定将容量增量曲线上2号尖峰的峰值强度和峰值位置电压作为估计SOH的特征向量，以两个特征向量为输入，锂电池SOH为输出构建支持向量回归模型；将差分进化策略与灰狼优化算法相融合，构成改进的灰狼优化算法IGWO；通过改进的灰狼优化算法对支持向量回归模型中的超参数(惩罚系数、核函数参数和最大误差)进行三参数联合寻优，利用寻优得到的三个参数构建预测模型，即可对动力锂电池的SOH进行估算和预测。本专利技术避免了从电池本质机理的角度分析并建立电池的运行机理模型及老化模型，无需建立具体的电池模型，不涉及电化学反应的复杂性和耦合效应，只需要电池管理系统实时记录电池充电数据，避免了电池电化学具体模型中对参数的精细计算，适用于各种类型的动力锂电池；采用简化的处理方式对充电电压曲线进行处理，可大大减少电池管理系统的运行负担，节约了时间成本；利用改进的灰狼优化算法对支持向量回归模型进行三参数联合寻优，相对于只进行两参数寻优，大大提升了锂电池健康状态的预测效果，具有广泛的应用价值。附图说明图1为两种锂电池在放电循环中的SOH变化曲线图；图2为未滤波的不同充放电循环下的容量增量曲线；图3为滤波后的不同充放电循环下的容量增量曲本文档来自技高网...

【技术保护点】
1.一种基于数据驱动的锂电池健康状态SOH估算方法，其特征在于：包括以下步骤：/n1)针对不同类型的动力锂电池，测算其出厂时锂电池的额定容量；/n2)针对不同类型的锂电池在恒流充电工作模式的数据进行实时记录，直到电池寿命终止结束记录；在对不同类型的锂电池在恒流充电工作模式的数据进行实时记录后，根据实时记录的数据形成锂电池恒流充电电压曲线；/n3)通过容量增量分析法对锂电池恒流充电电压曲线进行处理变换，并选择采用简化的

【技术特征摘要】
1.一种基于数据驱动的锂电池健康状态SOH估算方法，其特征在于：包括以下步骤：
1)针对不同类型的动力锂电池，测算其出厂时锂电池的额定容量；
2)针对不同类型的锂电池在恒流充电工作模式的数据进行实时记录，直到电池寿命终止结束记录；在对不同类型的锂电池在恒流充电工作模式的数据进行实时记录后，根据实时记录的数据形成锂电池恒流充电电压曲线；
3)通过容量增量分析法对锂电池恒流充电电压曲线进行处理变换，并选择采用简化的处理方式进行容量增量曲线计算；在容量增量曲线计算后，通过灰色关联分析方法确定将容量增量曲线上2号尖峰的峰值强度和峰值位置电压作为估计SOH的特征向量；
4)以步骤3)中获得的容量增量曲线上2号尖峰的峰值强度和峰值位置电压作为估计SOH的特征向量为输入，以锂电池SOH为输出构建支持向量回归模型；
5)将差分进化策略与灰狼优化算法相融合，构成改进的灰狼优化算法IGWO；
6)通过改进的灰狼优化算法对步骤4)获得的支持向量回归模型中的超参数进行三参数联合寻优；
7)利用寻优得到的三参数构建SOH预测模型，对动力锂电池的SOH进行实时估算和预测。


2.根据权利要求1所述的基于数据驱动的锂电池健康状态SOH估算方法，其特征在于：在步骤2)中，针对不同类型的锂电池在恒流充电工作模式的数据进行实时记录时，实时记录不同类型的锂电池在两种不同的恒流充电工作模式的数据。


3.根据权利要求2所述的基于数据驱动的锂电池健康状态SOH估算方法，其特征在于：在步骤2)中，锂电池两种不同的恒流充电工作模式过程如下：首先在1.5A的恒流模式下充电，直到电池电压升高到4.2V，然后在4.2V的恒压模式下继续充电，直到充电电流降至20mA，充电过程结束；在2A的恒流模式下对电池进行放电，直到电池电压降至截止放电电压为止。

<...

【专利技术属性】
技术研发人员：李立伟，王凯，李龙刚，
申请(专利权)人：青岛大学，
类型：发明
国别省市：山东;37