一种锂电池健康状态估计方法技术

本发明专利技术公开了一种锂电池健康状态估计方法，包括以下步骤：从动力锂电池充电过程中随机提取部分电压片段，以所述电压片段中的电压值构成向量，作为动力锂电池的老化特征，并形成训练样本；采用训练样本，建立弱估计器；将上述建立好的弱估计器通过权重系数进行联合，各弱估计器的输出经过加权后，得到最终锂电池的健康状态。本发明专利技术可对锂电池健康状态进行更为准确的评估。

【技术实现步骤摘要】
一种锂电池健康状态估计方法
本专利技术涉及一种锂电池健康状态估计方法，属于动力锂电池应用领域。
技术介绍
动力锂电池因具备高能量密度、无记忆效应和低自放电率等多种优势，已经成为了当前电动汽车和固定式储能的重要解决方案。然而，在新能源汽车实际应用中，动力锂电池会逐渐老化。而从车辆中退役的动力锂电池仍然具备一定的使用价值。而动力锂电池的健康状态对于安全高效的使用退役动力锂电池具有重要意义。经过大量的离线测试，建立动力锂电池的经验模型，是一类被广泛提出的动力锂电池健康状态估计方法。然而，该类方法的测试过程依赖于大量离线测试，不同类型电池的电化学特性有一定差异，即使同一类型的电池，也可能因电池系统的具体设计方不同，而出现性能偏差。再综合考虑因制作工艺导致的锂电池出厂不一致性以及老化测试过程的偏差，经验模型的准确性将受限于所测定的电池类型，面对不同电池的有效性仍有待于进一步探讨。为提高估计的准确性和便捷性，基于模型的估计方法通过预先建立以电池容量为状态变量的状态空间方程，利用卡尔曼滤波、最小二乘等方法，实现对锂电池容量的在线辨识。然而，荷电状态是此类方法估计的输入量，必然会导致最终估计结果的偏差。另外，此类方法中基于电池容量的状态方程的建立较为困难。
技术实现思路
本专利技术是提供一种锂电池健康状态估计方法，可对锂电池健康状态进行更为准确的评估。为达到上述目的，本专利技术所采用的技术方案是：一种锂电池健康状态估计方法，包括以下步骤：从动力锂电池充电过程中随机提取部分电压片段，以所述电压片段中的电压值构成向量，作为动力锂电池的老化特征，并形成训练样本；采用训练样本，建立弱估计器；将上述建立好的弱估计器通过权重系数进行联合，各弱估计器的输出经过加权后，得到最终锂电池的健康状态。优选地，所述弱估计器包括基于神经网络的弱估计器以及基于支持向量机的弱估计器。优选地，所述基于神经网络的弱估计器的建立包括以下步骤：采用训练样本对基于神经网络的数据驱动模型进行训练，经过训练过程建立基于神经网络的弱估计器；所述基于神经网络的数据驱动模型的输入为随机匹配的老化特征，输出为训练样本对应的电池健康状态。优选地，所述基于神经网络的数据驱动模型的训练包括对输入数据依次进行向前传播计算和误差反向传播计算。优选地，所述基于支持向量机的弱估计器包括以下步骤：根据支持向量机，建立基于支持向量机的弱估计器；所述支持向量机的输入为随机匹配的电压片段，输出为训练样本中电池的健康状态。优选地，所述支持向量机为：其中，fSVR(x)为支持向量机输出的电池健康状态，能够将训练数据映射到高维空间，x为输入的电压片段，b为复数参数，w为支持向量机的权重系数，T为矩阵转置运算。优选地，所述支持向量机的核函数为径向基核函数。优选地，所述权重系数采用自适应差分进化算法，经过迭代优化后得到。一种存储或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行上述的方法。一种计算设备，包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述方法中的任一方法的指令。本专利技术通过建立多个异质的弱估计器，混合建立集成估计模型，同时结合老化特征的随机选取与匹配，提高各弱估计器的多样性，以满足集成学习对于弱估计器多样性及准确性的要求，提高估计动力锂电池健康状态的泛化性。同时，所使用的老化特征可从电池相对固定的充电过程中获得，在实际应用中容易获取。而使用自适应差分进化算法能够避免繁琐的调参过程，也能够进一步提高多模型联合集成估计的整体表现。附图说明图1为本专利技术实施例提供的一种锂电池健康状态估计方法的流程示意图；图2为本专利技术实施例中神经网络的示意图；图3为本专利技术实施例中支持向量机的示意图；图4为本专利技术实施例中差分进化算法的流程示意图。具体实施方式为了更好的理解本专利技术的实质，下面结合具体实施例和附图对本专利技术作进一步的阐述。本专利技术适用于锂电池健康状态的估计，尤其适用于退役动力锂电池健康状态的估计，具体包括以下步骤：步骤一，从动力锂电池充电过程中随机提取部分电压片段，以所述电压片段中的电压值构成向量，作为动力锂电池的老化特征，并形成训练样本。由于动力锂电池的充电过程相对固定，因此，本专利技术将在在电池充电电压曲线中随机选取部分电压片段，作为老化特征。如图4所示，定义所选取的电压片段长度为L，弱估计器的数目为N，则需要从电压片段中选取N个长度为L的不同电压片段，则获得的老化特征可表示为F＝[u1,u2,u3,…,uN]。步骤二，建立弱估计器，所述弱估计器包括基于神经网络的弱估计器以及基于支持向量机的弱估计器。分别采用基于神经网络的数据驱动驱动模型、基于支持向量机的数据驱动模型建立弱估计器，以保证集成学习的多样性。可选地，基于神经网络的弱估计器以及基于支持向量机的弱估计器的数量均为N/2。1、建立基于神经网络的弱估计器包括以下步骤：如图1所示，采用训练样本对基于神经网络的数据驱动模型进行训练，所述基于神经网络的数据驱动模型的输入为随机匹配的老化特征，输出为训练样本对应的电池健康状态。经过训练过程建立N/2个基于神经网络的弱估计器。所述基于神经网络的数据驱动模型的训练过程包括以下步骤：1)前向传播计算。首先，定义前向传播过程中，从第1层到第2层的计算由(1)式表示：其中，为第1层第j个神经元到第2层第i个神经元之间的权重，为第2层第i个神经元相应的偏置，f(·)为神经元的激活函数，xj为第j个神经元的训练样本中的老化特征，为第二层神经网络输出的电池健康状态，n为层数，为第二层神经网络的输出。由此更一般的前向传播计算过程，可表示为(2)式：其中，z(l)表示第l层的输入，a(l)表示第l层的输出，a(l-1)表示第l-1层的输出，b(l-1)表示第l-1层相应的偏置，W(l-1)表示第l-1层的权重。逐层向前计算，即可得到各层的激活值。2)误差反向传播计算。在完成前向传播的计算后，计算残差δ(n)：其中，y为神经网络输出，f'(z(l))为激活函数的结果，⊙为矩阵乘法运算，W(l)为第l层的权重，T为矩阵转置运算。之后，即可完成偏导数的计算，如式(5)、(6)所示：其中，为函数J(W,b；x,y)对于权重W(l)的偏导数，为函数J(W,b；x,y)对于权重b(l)的偏导数采用梯度下降法更新权重与偏置，则参数更新方式可由式(7)、(8)计算得到：通过以上的前向传播和的反向传播算法，即可实现对基于神经网络的弱估计器的建立。2、建立基于支持向量机的弱估计器包括以下步骤：...

【技术保护点】
1.一种锂电池健康状态估计方法，其特征在于，包括以下步骤：/n从动力锂电池充电过程中随机提取部分电压片段，以所述电压片段中的电压值构成向量，作为动力锂电池的老化特征，并形成训练样本；/n采用训练样本，建立弱估计器；/n将上述建立好的弱估计器通过权重系数进行联合，各弱估计器的输出经过加权后，得到最终锂电池的健康状态。/n

【技术特征摘要】
1.一种锂电池健康状态估计方法，其特征在于，包括以下步骤：
从动力锂电池充电过程中随机提取部分电压片段，以所述电压片段中的电压值构成向量，作为动力锂电池的老化特征，并形成训练样本；
采用训练样本，建立弱估计器；
将上述建立好的弱估计器通过权重系数进行联合，各弱估计器的输出经过加权后，得到最终锂电池的健康状态。


2.根据权利要求1所述锂电池健康状态估计方法，其特征在于：所述弱估计器包括基于神经网络的弱估计器以及基于支持向量机的弱估计器。


3.根据权利要求2所述锂电池健康状态估计方法，其特征在于：所述基于神经网络的弱估计器的建立包括以下步骤：
采用训练样本对基于神经网络的数据驱动模型进行训练，经过训练过程建立基于神经网络的弱估计器；所述基于神经网络的数据驱动模型的输入为随机匹配的老化特征，输出为训练样本对应的电池健康状态。


4.根据权利要求3所述锂电池健康状态估计方法，其特征在于：所述基...

【专利技术属性】
技术研发人员：彭纪昌，孟锦豪，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：江苏;32