基于局部电压片段和集成学习的锂电池健康状态估计方法技术

本申请提出基于局部电压片段和集成学习的锂电池健康状态估计方法，包括S1：获取m个电池充电过程的样本，确定电压区间范围，然后对该区间范围划分n个局部电压片段；S2：对每个样本中的每个局部电压片段提取容量间隔特征；S3：分析每个局部电压片段与电池健康度的特征相关性；S4：通过步骤S1

【技术实现步骤摘要】
基于局部电压片段和集成学习的锂电池健康状态估计方法


[0001]本专利技术涉及锂电池状态估计
，特别涉及一种基于局部电压片段和集成学习的锂电池健康状态估计方法。

技术介绍

[0002]近年，由于交通运输引起的全球变暖和空气污染等问题，如何促进能源绿色化，减少能源消耗造成的环境污染，成为重要的研究课题。目前，电动汽车因其搭载的锂电池具有能量密度高、成本低、优异的可循环性和寿命长等显著优势逐渐代替了传统燃油汽车。然而，随着电动汽车的使用次数增加，锂电池在充电和放电中产生压力导致电极出现老化和开裂问题，这将直接影响到锂电池的使用寿命。更重要的是，如果不及时检测到电池健康状况的下降，会进一步影响整个电动汽车的安全性和可靠性。因此，对锂离子电池实时健康状态进行评估和正确的判断，不仅提高电动汽车系统的安全性和可靠性，还对电动汽车行业的发展具有重要意义。一般情况下，在电车应用中对于电池健康状态的估计，可利用的电池老化数据有采样时间(t)、电池电流(I)、电池电压(V)、电池温度(T)并且电池充电容量(Q)也可以通过积分电流随时间的变化而获得。现有的电池本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于局部电压片段和集成学习的锂电池健康状态估计方法，其特征在于，包括以下步骤：S1：获取m个锂电池充电过程的样本，并确定锂电池合理的电压区间范围，然后对该电压区间范围划分n个局部电压片段；S2：对每个样本中的每个局部电压片段提取容量间隔特征Δq；S3：基于步骤S1和S2的内容，分析每个局部电压片段与锂电池健康度的特征相关性；S4：通过步骤S1
‑
S3的方式生成初始训练集，然后搭建n+1个集成学习模型，基于初始训练集对前n个集成学习模型进行训练和预测，得到二次训练集；S5：将二次训练集对最终模型，也即对第n+1个集成学习模型进行训练，然后利用该最终模型分析局部电压片段以完成对锂电池健康状态进行估计。2.根据权利要求1所述的一种基于局部电压片段和集成学习的锂电池健康状态估计方法，其特征在于，在步骤S1中，确定锂电池合理的电压区间范围，然后对该电压区间范围划分n个局部电压片段的具体内容如下：锂电池合理的电压区间范围为[U
start
,U
end
]，其中U
start
表示电压区间范围起始值，并将U
start
设置为锂电池满电荷容量的20％，U
end
表示电压区间范围终止值，并将U
end
设置为低于锂电池充电截止电压的一个值；对电压区间范围为[U
start
,U
end
]划分为n个局部电压片段：式中，ΔU表示设定的局部电压片段之间的区间间隔。3.根据权利要求2所述的一种基于局部电压片段和集成学习的锂电池健康状态估计方法，其特征在于，在步骤S2中，每个样本中的每个局部电压片段提取容量间隔特征为Δq：Δq＝{Δq1,Δq2,...,Δq
l
}，由该参数能够清楚每个样本中的每个局部电压片段所提取到的容量间隔特征元素共有l个，数值l的确定公式为：式中，ΔU表示设定的局部电压片段之间的区间间隔，Δu表示设定自变量电压间隔。4.根据权利要求3所述的一种基于局部电压片段和集成学习的锂电池健康状态估计方法，其特征在于，在步骤S3中，任意一个局部电压片段与锂电池健康度的特征相关性具体计算公式如下：式中，由于锂电池会逐渐老化，因此在不同的样本中锂电池健康度状态也不同；SOH表示包含m个样本中，每个样本下的锂电池健康度状态值；F表示包含所有样本在对应某个局部电压片段中的容量间隔特征值；ρ表示对应的某个局部电压片段与锂电池健康度之间的相关系数，ρ值在0到1之间，越接近1说明两者之间相关性越强，反之越接近0，两者之间的相关性就越弱；另外，式中的Cov(SOH,F)表示对应的SOH值与对应的F值之间的协方差；σ
SOH
表示对应的SOH值标准差；σ
F
表示对应的F值标准差。
5.根据权利要求4所述的一种基于局部电压片段和集成学习的锂电池健康状态估计方法，其特征在于，步骤S4的具体内容如下：通...

【专利技术属性】
技术研发人员：丁鼎，彭纪昌，孟锦豪，杜星皓，刘海涛，郝思鹏，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：