基于集成学习和实车大数据的电池健康状态估计方法技术

本发明专利技术具体涉及基于集成学习和实车大数据的电池健康状态估计方法，包括：对获取的实车电池大数据进行数据切片，生成若干个充电片段数据；基于蒙特卡洛模拟对各个充电片段数据进行容量估计，得到SOH标签；提取各个充电片段数据的健康特征因子，进而结合对应的SOH标签构建训练数据集；构建用于预测电池SOH的Stacking集成学习模型，并通过训练数据集训练Stacking集成学习模型；对于待估计的目标车辆，提取目标车辆实车电池数据中的健康特征因子并输入训练后的Stacking集成学习模型，得到对应的电池SOH估计结果。本发明专利技术通过Stacking集成学习模型实现电池SOH预测，并且采用实车电池大数据来训练Stacking集成学习模型，从而提高电池健康状态估计的准确性和实际应用效果。果。果。

【技术实现步骤摘要】
基于集成学习和实车大数据的电池健康状态估计方法


[0001]本专利技术涉及电动汽车电池管理
，具体涉及基于集成学习和实车大数据的电池健康状态估计方法。

技术介绍

[0002]电池SOH(State of Health)是指电池的健康状况，包括容量、功率、内阻等性能，更多情况下是对电池组寿命的预测，SOH值为测量的电池实际容量与额定容量之比。目前锂离子电池SOH估计方法主要有直接测量法、基于模型的方法和基于数据驱动的方法。
[0003]随着大数据和人工智能的蓬勃发展，基于数据驱动的方法显示出了在电池预测方面的优越性，成为了目前SOH估计的主流方法。其中，公开号为CN115856678A的中国专利就公开了《一种锂离子电池健康状态估计方法》，包括：获取锂离子电池实验数据提取反映电池退化的健康特征参数，利用Pearson相关系数法计算各健康特征参数与电池健康状态(SOH)之间的相关性并进行筛选；使用主成分分析对筛选得到的健康特征因子进行降维，将降维后的健康特征因子划分为训练集数据和测试集数据；使用训练集数据训练LSTM网络，利用混沌粒子群算法(CPSO)对LSTM网络中参数进行优化，构建CPSO
‑
LSTM网络估计模型，将电池在线数据输入网络模型中，实现SOH实时估计。
[0004]上述现有方案通过LSTM网络实现电池SOH预测。申请人发现，电池SOH涉及多个关键因素之间的复杂关系。然而，现有方案通过单一的神经网络模型难以有效捕捉这些关键因素及其复杂关系，导致电池健康状态估计的准确性不够好。同时，现有方案通过实验数据来训练神经网络模型，但实验数据脱离了实际应用场景，导致训练所得模型的实际应用效果不好。此外，实车电池大数据存在采样稀疏和容量难以估计等问题，导致很难将实车电池大数据应用于模型训练。因此，如何提高电池健康状态估计的准确性和实际应用效果是亟需解决的技术问题。

技术实现思路

[0005]针对上述现有技术的不足，本专利技术所要解决的技术问题是：如何提供一种基于集成学习的实车大数据的电池健康状态估计方法，通过Stacking集成学习模型实现电池SOH预测，并且采用实车电池大数据来训练Stacking集成学习模型，同时有效构建模型训练时的实车SOH标签，从而提高电池健康状态估计的准确性和实际应用效果。
[0006]为了解决上述技术问题，本专利技术采用了如下的技术方案：
[0007]基于集成学习和实车大数据的电池健康状态估计方法，包括：
[0008]S1：对获取的实车电池大数据进行数据切片，生成若干个充电片段数据；
[0009]S2：基于蒙特卡洛模拟对各个充电片段数据进行容量估计，得到对应的SOH标签；
[0010]S3：提取各个充电片段数据的健康特征因子，进而结合对应的SOH标签构建训练数据集；其中，训练数据集中的一组训练数据包括健康特征因子及其对应的SOH标签；
[0011]S4：构建用于预测电池SOH的Stacking集成学习模型，并通过训练数据集训练
Stacking集成学习模型；
[0012]S5：对于待估计的目标车辆，提取其实车电池数据中的健康特征因子并输入训练后的Stacking集成学习模型，得到对应的电池SOH估计结果。
[0013]优选的，对实车电池大数据进行数据切片之前，先对实车电池大数据进行包括异常数据剔除、缺失数据填补和重复数据删除的数据预处理。
[0014]优选的，通过如下实现容量估计：
[0015]S201：在预设的SOC区间内随机产生两个随机数a和b；
[0016]S202：判断a＞b+10是否成立：若是，则保留a和b，并进入S203；否则，返回S201；
[0017]S203：通过电量增益法计算充电片段数据的估计容量；
[0018]公式描述如下：
[0019][0020]式中：Q表示估计容量；ΔQ
cha
表示SOC区间内的充入电量；ΔSOC是第i时刻的SOC与第i
‑
1时刻的SOC差值，电流为随时间变化的函数；
[0021]S204：重复S201至S203得到若干个估计容量，构成容量向量Q＝[Q1,Q2,Q3,...,Q
m
]；
[0022]S205：对容量向量进行频率分布直方统计，并将容量分布的中心作为对应充电片段数据的容量估计值。
[0023]优选的，首先将电池的额定容量作为基准容量值；然后将后续每个充电片段数据的容量估计值除以基准容量值，得到对应充电片段数据的SOH值作为其SOH标签。
[0024]优选的，健康特征因子包括区间电压特征、IC峰特征和DTV峰特征。
[0025]优选的，通过如下公式表示区间电压特征：
[0026][0027]式中：U1表示充电片段数据的区间电压特征向量；表示第n个充电片段数据中第m个特征点的电压。
[0028]优选的，首先计算充电片段数据中各个特征点的增量容量值；然后绘制各个特征点的增量容量值与电压之间的关系曲线，即IC曲线；最后提取IC曲线的IC峰特征；
[0029]其中，通过如下公式计算增量容量值：
[0030][0031]式中：IC表示增量容量值；Q表示充电片段数据的容量；V表示充电片段数据的电压；Q
k
表示充电片段数据中第k个特征点的充电容量；V
k
表示充电片段数据中第k个特征点的电压。
[0032]优选的，首先计算充电片段数据中各个特征点的差分热伏安值；然后根据各个特
征点的差分热伏安值绘制DTV曲线；最后提取DTV曲线的DTV峰特征；
[0033]其中，通过如下公式计算差分热伏安值：
[0034][0035]式中：DTV表示充电片段数据的差分热伏安值；T表示充电片段数据的温度；V表示充电片段数据的电压；T
k
表示充电片段数据中k时刻的温度；V
k
表示充电片段数据中k时刻的电压。
[0036]优选的，Stacking集成学习模型包括两层模型；第一层模型由支持向量回归模型、随机森林回归模型、梯度提升决策树模型、极限梯度提升模型和轻量高效梯度提升树模型构成；第二层模型由逻辑回归模型构成。
[0037]优选的，通过如下步骤生成电池健康状态估计结果：
[0038]S501：对第一层模型进行四折交叉验证：将训练集数据分为四组子数据，然后通过四组子数据分别对支持向量回归模型、随机森林回归模型、梯度提升决策树模型、极限梯度提升模型和轻量高效梯度提升树模型进行四折交叉验证；
[0039]S502：将各个模型在四折交叉验证中的四组子数据作为四折向量，进而将各个模型的四折向量作为第二层模型的训练集；
[0040]公式描述为：
[0041][0042][0043]式中：表示第二层模型的训练集；分别表示支持向量回归模型、随机森林回归模型、梯度提升决策树模型、极限梯度提升模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于集成学习和实车大数据的电池健康状态估计方法，其特征在于，包括：S1：对获取的实车电池大数据进行数据切片，生成若干个充电片段数据；S2：基于蒙特卡洛模拟对各个充电片段数据进行容量估计，得到对应的SOH标签；S3：提取各个充电片段数据的健康特征因子，进而结合对应的SOH标签构建训练数据集；其中，训练数据集中的一组训练数据包括健康特征因子及其对应的SOH标签；S4：构建用于预测电池SOH的Stacking集成学习模型，并通过训练数据集训练Stacking集成学习模型；S5：对于待估计的目标车辆，提取其实车电池数据中的健康特征因子并输入训练后的Stacking集成学习模型，得到对应的电池SOH估计结果。2.如权利要求1所述的基于集成学习和实车大数据的电池健康状态估计方法，其特征在于：步骤S1中，对实车电池大数据进行数据切片之前，先对实车电池大数据进行包括异常数据剔除、缺失数据填补和重复数据删除的数据预处理。3.如权利要求1所述的基于集成学习和实车大数据的电池健康状态估计方法，其特征在于，步骤S2中，通过如下实现容量估计：S201：在预设的SOC区间内随机产生两个随机数a和b；S202：判断a＞b+10是否成立：若是，则保留a和b，并进入S203；否则，返回S201；S203：通过电量增益法计算充电片段数据的估计容量；公式描述如下：式中：Q表示估计容量；ΔQ
cha
表示SOC区间内的充入电量；ΔSOC是第i时刻的SOC与第i
‑
1时刻的SOC差值；S204：重复S201至S203得到若干个估计容量，构成容量向量Q＝[Q1,Q2,Q3,...,Q
m
]；S205：对容量向量进行频率分布直方统计，并将容量分布的中心作为对应充电片段数据的容量估计值。4.如权利要求3所述的基于集成学习和实车大数据的电池健康状态估计方法，其特征在于，步骤S2中，将电池的额定容量作为基准容量值；然后将每个充电片段数据的容量估计值除以基准容量值，得到对应充电片段数据的SOH值作为其SOH标签。5.如权利要求4所述的基于集成学习和实车大数据的电池健康状态估计方法，其特征在于：步骤S3中，健康特征因子包括区间电压特征、IC峰特征和DTV峰特征。6.如权利要求5所述的基于集成学习和实车大数据的电池健康状态估计方法，其特征在于，通过如下公式表示区间电压特征：式中：U1表示充电片段数据的区间电压特征向量；表示第n个充电片段数据中第m个
特征点的电压。7.如权利要求6所述的基于集成学习和实车大数据的电池健康状态估计方法，其特征在于，首先计算充电片段数据中各个特征点的增量容量值；然后绘制各个特征点的增量容量值与电压之间...

【专利技术属性】
技术研发人员：汤爱华，伍心雨，胡远志，龙胜文，于全庆，
申请(专利权)人：哈尔滨工业大学威海，
类型：发明
国别省市：