基于隐马尔可夫模型的锂电池健康状态预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于隐马尔可夫模型的锂电池健康状态预测方法及装置，涉及锂电池状态预测领域，通过获取锂电池的电压、充放电时间、每次循环的最大容量和温度，得到电池容量增量曲线、平均温度时间曲线和最大容量变化曲线，并将每个曲线的极值点、斜率、均值作为特征数据；计算特征数据与SOH实际值之间的相关性系数，基于相关性系数选择最佳特征组合；建立并训练容量估计模型，容量估计模型采用隐马尔可夫模型，将最佳特征组合的特征差值输入经训练的容量估计模型，得到下一次循环的容量差值，根据当前容量值与容量差值得到容量估计值，根据容量估计值和SOH定义计算得到SOH估计值，解决现有锂电池状态预测计算量大等问题。解决现有锂电池状态预测计算量大等问题。解决现有锂电池状态预测计算量大等问题。

【技术实现步骤摘要】
基于隐马尔可夫模型的锂电池健康状态预测方法及装置


[0001]本专利技术涉及锂电池状态预测领域，具体涉及一种基于隐马尔可夫模型的锂电池健康状态预测方法及装置。

技术介绍

[0002]数据驱动作为进行锂电池SOH的预测方法之一，具有不依赖电池形状和电化学原理，通过对数据的特征研究实现电池健康状态的预测。目前主要的数据驱动方法有：
[0003](1)支持向量机，重点是其中的函数拟合，核函数必须满足Mercer条件，而随着数据量的加大，会造成计算负担，无法确定惩罚系数。
[0004](2)人工神经网络，通过数学模型模拟人体神经元网络处理信息的方式，能够自主组织和学习，但在运算过程中存在算法复杂程度高，网络结构复杂的问题。
[0005](3)高斯回归：对试验数据进行训练，限制先验分布，估计后验分布，得到预测结果的不确定性表达，存在的问题是计算量大和超参数值敏感。

技术实现思路

[0006]针对上述
技术介绍
中提到的技术问题。本申请的实施例的目的在于提出了一种基于隐马尔可夫模型的锂电池健康状态预测方法及装置，来解决以上
技术介绍
部分提到的技术问题。
[0007]第一方面，本申请的实施例提供了一种基于隐马尔可夫模型的锂电池健康状态预测方法，包括以下步骤：
[0008]S1，获取锂电池的电压、充放电时间、每次循环的最大容量和温度，根据电压、充放电时间、每次循环的最大容量和温度得到电池容量增量曲线、平均温度时间曲线和最大容量变化曲线，并将每个曲线的极值点、斜率、均值作为特征数据；<br/>[0009]S2，计算特征数据与SOH实际值之间的相关性系数，基于相关性系数选择最佳特征组合；
[0010]S3，建立容量估计模型，容量估计模型采用隐马尔可夫模型，使用训练数据对容量估计模型进行训练；
[0011]S4，将最佳特征组合的特征差值输入经训练的容量估计模型，得到下一次循环的容量差值，根据当前容量值与容量差值得到容量估计值，根据容量估计值和SOH定义计算得到SOH估计值。
[0012]作为优选，步骤S1具体包括：
[0013]电池容量增量曲线的横坐标为电压，纵坐标为IC，IC的计算公式如下：
[0014][0015]其中，Q为电池充电容量，V为电池电压，ΔQ为一个小区间内电池充电容量变化量；ΔV为该区间内电池电压变化量；
[0016]平均温度时间曲线的横坐标为时间，纵坐标为平均温度，平均温度的计算公式如下：
[0017][0018]其中，Tk为当前循环中第k次测量的温度；
[0019]电池容量增量曲线的峰值右侧斜率公式：
[0020][0021]苴中，Y1为峰值位置的IC值，Y2为峰值周期向后循环200周期后的IC值，x1为峰值位置的X轴数值，x2为峰值周期向后循环200周期后的x轴数值；
[0022]最大容量变化曲线的横坐标为循环次数，纵坐标为当前循环的最大容量值。
[0023]作为优选，步骤S2具体包括：
[0024]利用皮尔逊相关分析法计算各个特征数据与SOH实际值之间的相关性系数r
i
：
[0025][0026]其中，x
i
为所提取的第i个特征数据，n为特征数量，y
i
为各特征数据对应的SOH实际值，该SOH实际值根据容量实际值来计算，和为x
i
(i＝1，2，
…
，n)和y
i
(i＝1，2，
…
，n)的均值；
[0027]采用以下SOH公式定义锂电池健康状态SOH：
[0028][0029]其中，Q
current
是当前的容量值，Q
initial
是当前循环中最大容量值；
[0030]采用过滤法选择最佳特征组合。
[0031]作为优选，最佳特征组合包括电池容量增量曲线的峰值数据、电池容量增量曲线的峰值右侧斜率和平均温度。
[0032]作为优选，步骤S2和S3之间还包括：在锂电池的充放电循环数据中重复步骤S1
‑
S2，建立以每个循环的最佳特征组合及其对应的容量值分别与其前一次循环的最佳特征组合和容量值之间的差值构成的训练数据。
[0033]作为优选，步骤S3具体包括：
[0034]S31，将最佳特征组合进行归一化处理，并将归一化后的最佳特征组合与前一次循
环的最佳组合特征的特征差值输入隐马尔科夫模型，预测下一次循环的特征差值和容量差值；
[0035]S32，将当前特征数据与估计差值相加，得到下一次输入隐马尔科夫模型的特征数据；
[0036]S33，重复步骤S31
‑
S32，直至估计循环结束，将预测得到的多个容量差值进行反归一化处理并分别与前一次循环的容量值相加，得到多个容量值，根据SOH公式将多个容量值转化为多个SOH估计值。
[0037]作为优选，SOH估计模型的估计过程包括：
[0038]S41，隐马尔可夫模型(HMM)为λ＝(A，B，Π)，(A，B，Π)为输入，λ为输出，其中Π表示初始概率分布向量，A＝(a
ij
)
N
×
N
是状态转移矩阵，其中，a
ij
描述系统从状态S
i
转移到状态S
j
的概率，N表示模型所含的状态数，B表示每一个状态下的观测值的概率密度函数；
[0039]S42，采用Viterbi算法结合k
‑
means算法对隐马尔可夫模型进行初始化，得到初始模型；
[0040]S43，利用Viterbi算法求历史观测序列下的最优状态序列并更新初始模型的参数；
[0041]S44，重复步骤S43，直到模型收敛或大于设定的最大迭代次数，最终得到的模型参数λ
i
(i＝1，2，3)的输出，隐马尔科夫模型的隐藏估计状态分为三个状态：上升状态、下降状态、平稳状态，得到隐马尔科夫模型的参数集{λ1、λ2、λ3}；
[0042]从隐马尔科夫模型当前的监测数据中提取状态序列O，根据极大相似准则判断其所属的状态分类：
[0043]s
i
＝arg maxP(o|λ
i
)，i∈{1，2，3]；
[0044]最后用当前容量值加上下一状态预测的容量差值，即可得到容量估计值：
[0045]C
i+1
＝C
i
+HMM(S
i
)；
[0046]S45，采用SOH公式将容量估计值转化为SOH估计值。
[0047]第二方面，本申请的实施例提供了一种基于隐马尔可夫模型的锂电池健康状态预测装置，包括：
[0048]特征获取模块，被配置为获取锂电池的电压、充放电时间、每次循环的最大容量和温度，根据所述电压、充放电时间、每次循环的最大容量和温度得到电池本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于隐马尔可夫模型的锂电池健康状态预测方法，其特征在于，包括以下步骤：S1，获取锂电池的电压、充放电时间、每次循环的最大容量和温度，根据所述电压、充放电时间、每次循环的最大容量和温度得到电池容量增量曲线、平均温度时间曲线和最大容量变化曲线，并将每个曲线的极值点、斜率、均值作为特征数据；S2，计算所述特征数据与SOH实际值之间的相关性系数，基于所述相关性系数选择最佳特征组合；S3，建立容量估计模型，所述容量估计模型采用隐马尔可夫模型，使用训练数据对所述容量估计模型进行训练；S4，将所述最佳特征组合的特征差值输入经训练的容量估计模型，得到下一次循环的容量差值，根据当前容量值与所述容量差值得到容量估计值，根据容量估计值和SOH定义计算得到SOH估计值。2.根据权利要求1所述的基于隐马尔可夫模型的锂电池健康状态预测方法，其特征在于，所述步骤S1具体包括：所述电池容量增量曲线的横坐标为电压，纵坐标为IC，IC的计算公式如下：其中，Q为电池充电容量，V为电池电压，ΔQ为一个小区间内电池充电容量变化量；ΔV为该区间内电池电压变化量；所述平均温度时间曲线的横坐标为时间，纵坐标为平均温度，所述平均温度的计算公式如下：其中，T
k
为当前循环中第k次测量的温度；所述电池容量增量曲线的峰值右侧斜率公式：其中，Y1为峰值位置的IC值，Y2为峰值周期向后循环200周期后的IC值，x1为峰值位置的X轴数值，x2为峰值周期向后循环200周期后的x轴数值；所述最大容量变化曲线的横坐标为循环次数，纵坐标为当前循环的最大容量值。3.根据权利要求1所述的基于隐马尔可夫模型的锂电池健康状态预测方法，其特征在于，所述步骤S2具体包括：利用皮尔逊相关分析法计算各个特征数据与SOH实际值之间的相关性系数r
i
：
其中，x
i
为所提取的第i个特征数据，n为特征数量，y
i
为各特征数据对应的SOH实际值，该SOH实际值根据容量实际值来计算，和为x
i
(i＝1，2，
…
，n)和y
i
(i＝1，2，
…
，n)的均值；采用以下SOH公式定义锂电池健康状态SOH：其中，Q
current
是当前的容量值，Q
initial
是当前循环中最大容量值；采用过滤法选择最佳特征组合。4.根据权利要求1所述的基于隐马尔可夫模型的锂电池健康状态预测方法，其特征在于，所述最佳特征组合包括电池容量增量曲线的峰值数据、电池容量增量曲线的峰值右侧斜率和平均温度。5.根据权利要求1所述的基于隐马尔可夫模型的锂电池健康状态预测方法，其特征在于，所述步骤S2和S3之间还包括：在锂电池的充放电循环数据中重复步骤S1
‑
S2，建立以每个循环的最佳特征组合及其对应的容量值分别与其前一次循环的最佳特征组合和容量值之间的差值构成的训练数据。6.根据权利要求1所述的基于隐马尔可夫模型的锂电池健康状态预测方法，其特征在于，所述步骤S3具体包括：S31，将所述最佳特征组合进行归一化处理，并将归一化后的最佳特征组合与前一次循环的最佳组合特征的特征差值输入隐马尔科夫模型，预测下一次循环的特征...

【专利技术属性】
技术研发人员：林名强，游雨强，严晨昊，
申请(专利权)人：泉州装备制造研究所，
类型：发明
国别省市：