本发明专利技术公开了一种锂电池SOH状态的预估方法，包括以下步骤：锂电池数据采集，提取健康因子构建特征向量，生成训练样本和测试样本；确定锂电池SOH状态的预估算法为蚁狮优化算法；定义算法参数和输出参数组；改进预估算法，输出最优输出参数组，改进指：通过调整精英蚁狮和普通蚁狮的随机游走对应权重值，控制不同迭代阶段搜索平衡，输出最优输出参数组；结合最优输出参数组，通过支持向量回归模型对所述测试样本集进行预测，输出所述SOH预估值。根据上述技术方案，可以支持以更少的迭代次数输出最优的参数组，以更少的代价，提高模型训练的泛化能力和拟合能力，以实现精确、实时地对锂离子电池SOH进行估计，提高准确度和收敛精度。提高准确度和收敛精度。提高准确度和收敛精度。
【技术实现步骤摘要】
一种锂电池SOH状态的预估方法和装置
[0001]本专利技术涉及电池
，具体而言，涉及一种锂电池SOH状态的预估方法和装置。
技术介绍
[0002]锂离子电池是目前最广泛使用的储能设备之一，随着其不断的充放电循环使用,电池容量会不断的减小,电池不断的老化,这个判断电池老化的指标就是SOH(state of health，电池健康状态)。监测电池SOH状态可以及时知道电池老化状态以便于及时对电池组进行维护和更换电池。在实际应用中，SOH难以通过传感器直接测量，需要特征参数来表征，而锂离子电池的容量被广泛认为是表征SOH的指标。目前，现有技术使用的SOH估计方法主要有三种:直接测量法、基于模型的方法和数据驱动的方法。直接测量方法主要包括安培小时积分法和库仑计数法，通过离线直接测量电池容量、内阻等老化特性，公式计算得出估计的SOH值。这种测量方法的应用场景非常有限，无法在电池实际应用场景中在线测量，只能在实验室环境中使用复杂的设备离线测量。基于模型的方法综合考虑电池材料特性、内部化学机理和负荷条件，构建电池老化模型进行SOH估算，主要包括电化学模型、等效电路模型和经验退化模型。但是，基于模型的方法比较复杂，容易受到外部动态因素的干扰，以至于精度不高，鲁棒性不强。基于数据驱动方法不需要考虑电化学反应、复杂的外部因素和复杂的模型，只需要从电池循环数据中挖掘电池降解规律，找到能够映射SOH的健康因子，建立非线性映射关系，实现SOH的精确估计。目前数据驱动的主要方法有：1)BP(Back Propagation Neural Network)神经网络估计SOH；2)基于蚁狮优化算法的支持向量回归(ALO
‑
SVR)的SOH估计方法。
[0003]基于蚁狮优化算法的支持向量回归(ALO
‑
SVR)的SOH估计方法,虽然克服了直接测量法、基于模型的方法当中精度、鲁棒性的问题，但是由于其在迭代过程中易陷入局部最优解的问题，导致估算结果误差大，应用范围有一定的局限，算法的收敛精度也不够高。
技术实现思路
[0004]本专利技术的目的在于解决目前ALO
‑
SVR的估算结果误差大，对迭代次数要求高，应用范围局限的技术问题。
[0005]第一方面，为实现上述目的，本申请提供了一种锂电池SOH状态的预估方法，包括以下步骤：
[0006]锂电池数据采集，提取健康因子构建特征向量，生成训练样本和测试样本，其中健康因子为电池容量衰退趋势相关的元素；健康因子包括：等压升时间、平均放电电压和等压降时间；训练样本和测试样本的占比分别为60％和40％。
[0007]确定锂电池SOH状态的预估算法，定义算法参数和输出参数组；确定预估算法为蚁狮优化算法；
[0008]改进预估算法，输出最优输出参数组，改进内容具体指：通过调整精英蚁狮和普通
蚁狮的随机游走对应权重值，控制不同迭代阶段搜索平衡，输出最优输出参数组，对应不同迭代阶段搜索平衡为：迭代前期、中期以全局搜索为主，迭代后期以局部搜索为主；
[0009]结合所述最优输出参数组，通过支持向量回归模型对所述测试样本集进行预测，输出所述SOH预估值。
[0010]其中，定义算法参数包括：
[0011]蚂蚁和蚁狮的种群数量设为Agents_no＝30，
[0012]适应度函数的维数设为dim＝2，
[0013]最大迭代次数设为Max_iter＝100,
[0014]输出参数组为代表和蚂蚁和蚁狮的位置的空间向量(C，σ)，所述C和σ的上限设为100，下限设为0.01。
[0015]其中，通过精英蚁狮和普通蚁狮的随机游走对应权重值控制不同迭代阶段搜索平衡指：根据迭代次数非线性动态调整普通蚁狮惯性权重γ，计算方法为：
[0016][0017]其中，γ
max
为惯性权重最大值，γ
min
为惯性权重最小值。
[0018]进一步的，输出最优输出参数组前还包括计算适应度值，对蚂蚁和蚁狮的适度值排序，最大值设为精英蚁狮，对应参数为最优输出参数组，其中，适应度值的计算方法为均方误差(MSE)实际值和预测值之间的适应度函数，其表达式为：
[0019]其中为第i个预测值，y
i
为第i个实际值，n是训练集数量。
[0020]进一步的，通过支持向量回归模型对测试样本集进行预测包括预测结果分析，包括使用绝对误差和均方根误差作为评价标准，计算方式如下：
[0021][0022]其中：MAE为平均绝对误差，RMSE为均方根误差，和y
i
分别是第i个SOH的预测值和实际值，n为样本数。
[0023]本申请还提供了一种锂电池SOH状态的预估装置，包括：
[0024]数据处理模块：用于锂电池数据采集，提取健康因子构建特征向量，生成训练样本和测试样本；数据处理模块采集的健康因子包括：等压升时间、平均放电电压和等压降时间；数据处理模块控制所述样本和测试样本的占比分别为60％和40％。
[0025]算法控制模块：用于确定锂电池SOH状态的预估算法，定义算法参数和输出参数组；定义算法参数包括定义蚂蚁和蚁狮的种群数量、适应度函数的维数、最大迭代次数；输出参数组包括空间向量(C，σ)，C和σ的上限设为100，下限设为0.01；
[0026]算法优化模块：用于改进预估算法，输出最优输出参数组，改进内容包括调整精英蚁狮和普通蚁狮的随机游走对应权重值；
[0027]模型训练和数据输出模块：用于通过支持向量回归模型对所述测试样本集进行预测，输出所述SOH预估值。
[0028]进一步的，算法优化模块定义的调整精英蚁狮和普通蚁狮的随机游走对应权重值的计算方法为：
[0029]其中，γ
max
为惯性权重最大值，γ
min
为惯性权重最小值。
[0030]进一步的，算法控制模块包括适应度值控制单元，用于为输出最优输出参数组计算适应度值，对蚂蚁和蚁狮的适度值排序，将最大值设为精英蚁狮，对应参数为最优输出参数组，其中，适应度值的计算方法支持均方误差(MSE)实际值和预测值之间的适应度函数，其表达式为：
[0031]其中为第i个预测值，y
i
为第i个实际值，n是训练集数量。
[0032]根据本专利技术，用优化后的蚁狮算法优化支持向量回归(IALO
‑
SVR)，支持更少的迭代次数输出最优的参数组，以更少的代价，提高模型训练的泛化能力和拟合能力，以实现精确、实时地对锂离子电池SOH进行估计，提高准确度和收敛精度。
附图说明
[0033]图1是根据本专利技术实施例提供的锂电池SOH状态的预估方法步骤图；
[0034]图2是根据本专利技术实施例提供的锂电池SOH状态的预估方法逻辑流程图；
[0035]图3是根据本专利技术实施例提供的锂电池SOH状态的预估方法中普通蚁狮惯性权重调整过程示意图本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种锂电池SOH状态的预估方法，其特征在于，包括以下步骤：锂电池数据采集，提取健康因子构建特征向量，生成训练样本和测试样本，所述健康因子为电池容量衰退趋势相关的元素；确定锂电池SOH状态的预估算法为蚁狮优化算法，定义算法参数和输出参数组；改进所述预估算法，输出最优输出参数组，所述改进指：通过调整精英蚁狮和普通蚁狮的随机游走对应权重值，控制不同迭代阶段搜索平衡，输出最优输出参数组，所述不同迭代阶段搜索平衡为：迭代前期、中期以全局搜索为主，迭代后期以局部搜索为主；结合所述最优输出参数组，通过支持向量回归模型对所述测试样本集进行预测，输出所述SOH预估值。2.根据权利要求1所述的锂电池SOH状态的预估方法，其特征在于，所述定义算法参数包括：蚂蚁和蚁狮的种群数量设为Agents_no＝30，适应度函数的维数设为dim＝2，最大迭代次数设为Max_iter＝100,所述输出参数组为代表和蚂蚁和蚁狮的位置的空间向量(C，σ)，所述C和σ的上限设为100，下限设为0.01。3.根据权利要求2所述的锂电池SOH状态的预估方法，其特征在于，所述通过精英蚁狮和普通蚁狮的随机游走对应权重值控制不同迭代阶段搜索平衡指：根据迭代次数非线性动态调整普通蚁狮惯性权重γ，计算方法为：其中，γ
max
为惯性权重最大值，γ
min
为惯性权重最小值。4.根据权利要求1所述的锂电池SOH状态的预估方法，其特征在于，所述输出最优输出参数组前还包括计算适应度值，对蚂蚁和蚁狮的适度值排序，最大值设为精英蚁狮，对应参数为最优输出参数组，其中，适应度值的计算方法为均方误差(MSE)实际值和预测值之间的适应度函数，其表达式为：其中为第i个预测值，y
i
为第i个实际值，n是训练集数量。5.根据权利要求1所述的锂电池SOH状态的预估方法，其特征在于，所述健康因子包括：等压升时间、平均放电电压和等压降时间；所述训练样本和测试样本的占比分别为60％和40％。6.根据权利要求1所述的锂电池SOH状态的预估方法，其特征在于，所述通过支持向量回归...
【专利技术属性】
技术研发人员：郑伟光，曹成虎，许恩永，冯高山，王善超，徐小红，郭葵，覃记荣，姜峰，何水龙，
申请(专利权)人：东风柳州汽车有限公司桂林电子科技大学，
类型：发明
国别省市：
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。