基于改进极限学习机的锂电池健康状态预测方法技术

本发明专利技术涉及一种基于改进极限学习机的锂电池健康状态预测方法，包括数据处理与特征提取

【技术实现步骤摘要】
基于改进极限学习机的锂电池健康状态预测方法


[0001]本专利技术涉及电池系统管理领域，更具体地说，涉及一种基于改进极限学习机的锂电池健康状态预测方法
。

技术介绍

[0002]为节约能源和降低排放，交通领域大力推进电动船舶和电动汽车的发展
。
由于锂电池具有高能量密度
、
强环境适应性和低自放电率的特点，被广泛应用于设备的储能或动力系统中
。
然而，随着充放电循环不断进行，锂离子电池内部的物理化学结构逐渐变化，例如
SEI
层分解
、
锂损失和集流体腐蚀等，这会造成电池性能退化下降，严重时可能会引起火灾引发爆炸，造成财产损失甚至人员伤亡事故
。
通常情况下，电池性能劣化是一个持续渐进的过程，但由于外部环境
、
运行条件和内部物理化学反应的不同和复杂性，不同电池间的性能劣化水平往往差别较大
。
[0003]在电池性能劣化的过程中，通常可以直接观察或测量到以下变化：电阻内阻增大，充电温度变高，持续放电时间变短...

【技术保护点】

【技术特征摘要】
1.
一种基于改进极限学习机的锂电池健康状态预测方法，其特征在于，包括数据处理与特征提取
、
模型参数设置与模型搭建
、
电池健康状态的在线预测，具体包括以下步骤：
S1、
数据处理：对采集的电池数据集进行处理，提取出所需要的健康因子和电池健康状态数据，并将处理后的数据分为训练集和测试集；
S2、
模型参数设置：设置天牛须搜索算法迭代次数
、
天牛步长变化因子
、
天牛初始步长和极限学习机的隐含层神经元数目，并天牛须搜索算法优化极限学习机的相关参数：通过不断更新天牛须的位置，再根据位置更新时计算的适应度函数值，得到相关参数最佳取值，最后利用最佳参数构造
BAS
‑
ELM
预测模型；
S3、
适应度函数设置：选择电池健康状态预测值与实际值间的平均绝对百分比误差建立适应度函数；
S4、
天牛须搜索算法优化极限学习机的输入权重
W
和隐藏层偏置
b
：通过不断更新天牛须的位置，再根据位置更新时计算的适应度函数值，得到参数
W
和
b
的最佳取值，最后利用最佳参数构造
BAS
‑
ELM
预测模型；
S5、
锂离子电池健康状态的在线预测：利用测试数据集对完成训练的模型进行验证，进而完成锂离子电池健康状态的在线预测
。2.
根据权利要求1所述的基于改进极限学习机的锂电池健康状态预测方法，其特征在于，所述步骤
S1
中，数据处理中所提取的健康因子包括：峰值温度到达时间
、
恒压阶段等电流差充电时间
、
恒流阶段等电压差充电时间
、
充电阶段平均充电电压
。3.
根据权利要求2所述的基于改进极限学习机的锂电池健康状态预测方法，其特征在于，所述峰值温度到达时间为电池充电阶段充电起始点到温度最高点所花费的时间
。4.
根据权利要求2所述的基于改进极限学习机的锂电池健康状态预测方法，其特征在于，所述恒压阶段等电流差充电时间为恒压阶段电流值从
1.5A
下降至
0.5A
的时间间隔
。5.
根据权利要求2所述的基于改进极限学习机的锂电池健康状态预测方法，其特征在于，所述恒流阶段等电压差充电时间为恒流阶段电压从
3.8V
升至
4.2V

【专利技术属性】
技术研发人员：洪洲，王军华，应肖磊，余豪华，王荣历，毛佰一，方云辉，曾德龙，王蒋静，王旭晴，许耀杰，黄琰波，吴增俣，张力，
申请(专利权)人：国网浙江省电力有限公司宁波市奉化区供电公司，
类型：发明
国别省市：