一种锂离子电池健康状态估计方法技术

本发明专利技术提供一种锂离子电池健康状态预测方法，具首先提取电池充电过程与电池老化相关的健康因子；在采用灰色关联分析法对提取的健康因子与电池容量之间的相关性进行分析，将相关性等级高的健康因子划分源域数据集和目标域数据集；再采用迁移学习方法将不同数据集的数据转换到相同的特征空间，在最大均值差异的基础上采用迁移成分分析对特征进行迁移和降维，实现在知识迁移的同时尽可能地减小计算负担，解决对于不同数据集需要对机器学习模型进行重新训练或重新建模的问题，提高了计算效率；最后采用长短时记忆神经网络进行电池SOH估计，预测精度高，提高估计准确性。提高估计准确性。提高估计准确性。

【技术实现步骤摘要】
一种锂离子电池健康状态估计方法


[0001]本专利技术涉及新能源汽车动力电池
，具体提出了一种锂离子电池健康状态估计方法。

技术介绍

[0002]近年来，随着人们生活节奏不断加快，汽车已成为当今生活中不可或缺的出行工具。但快速发展的汽车行业带来了能源与环境危机，这限制了传统燃油车的发展。同时，传统燃油车尾气排放的有害气体会严重影响人类的健康，因此新能源电动汽车因其节能环保得到了快速发展。
[0003]新能源电动汽车以动力电池为动力源，其性能的优劣往往直接影响到电动汽车行驶的安全性与可靠性，因此需要对电动汽车的动力电池进行管理和维护，保障其正常使用。锂离子电池因其能量密度高，重量轻，循环寿命长，自放电量低等优势，被广泛的使用在电动汽车中。为了保证锂离子电池在复杂的行驶条件下高效和安全的运行，需要电池管理系统(Battery Management System,BMS)对电池进行管理，实时监控电池状态，保证电池系统正常运行，从而提高电动汽车的驾驶性能及安全性。
[0004]BMS的核心功能是对电池状态，如对荷电状态(State of Charge,SOC)，健康状态(State of Health,SOH)，剩余使用寿命(Remaining Useful Life,RUL)，及能量状态(State of Energy,SOE)等进行估计和预测。由于电池在使用过程中不断老化，不仅会导致电动汽车的续驶里程下降，造成“里程焦虑”，而且会给电动汽车带来安全隐患，导致“安全焦虑”，这就需要对电动汽车的电池SOH进行准确的估计。SOH一般通过电池的可用容量反映当前的健康状态，即可表示为当前时刻最大可用容量与额定容量的比值。在新能源电动汽车中，一般当电池SOH达到初始状态的70％或者80％(根据不同种类的电池有不同的标准)时，电池就达到了报废条件，需要对达到失效阈值的电池及时进行更换，以延长电池的使用年限，保障电动汽车的安全可靠运行。
[0005]电池SOH的估计方法主要包括实验测量法、基于模型的估计方法和基于数据驱动的方法。实验测量法容易受到实验环境的影响，而且测量过程的累计误差也难以避免。基于模型的方法估计精度主要依赖于模型的精度，由于电池的内部电化学反应机理复杂，且模型参数容易受到如环境温度和使用条件等因素的影响，因此很难建立准确的电池模型。基于数据驱动的SOH估计方法不需要建立复杂的机理模型，只需要通过可测量的电池的电流，电压，温度和充放电时间等参数估计电池的SOH值，并且数据驱动方法具有很强的泛化性与较高的精度。在数据驱动方法中，由于神经网络方法可以处理非线性估计问题，因此被广泛应用于电池的SOH估计。
[0006]一般机器学习方法存在的最大问题就是需要大量的数据用于模型训练，而且需要假设不同的测试数据具有相同的分布，但是这在实际工程中很难成立。当测试数据发生变化时，传统机器学习算法就需要重新进行模型训练，这增加了计算负担，也在一定程度上降低了机器学习模型的泛化性，而且实际上往往缺少足够的数据用于模型的重建。
[0007]目前，常用的解决方法大都是基于模型的迁移，但是基于模型的迁移往往只能依赖有关经验，而已存在的基于特征迁移的方法没有考虑迁移后得到的特征对于计算负担的影响，如何在实现知识迁移的同时尽可能地减小计算负担是一个至关重要的问题。此外，电池的电流，电压，温度和充放电时间等参数的采集是一个长期过程，重复采集的数据用于模型的训练，这大大降低了计算效率，影响了SOH估计的实时性。因此在电池SOH估计中，基于不同时间采集到的电池电压，电流，温度和充放电时间等数据，如何避免重复进行机器学习模型的训练与建模，提高计算效率，同时保证SOH估计的准确性是一个亟待解决的问题。

技术实现思路

[0008]本专利技术的目的是提供了一种锂离子电池SOH估计方法，首先，针对电池的容量数据在实验中难以直接测量的问题，基于电池的电压，电流，温度和充放电时间等数据，提取与电池老化相关的健康因子，并经过灰色关联度分析，对所提取的特征与电池容量之间的相关性进行了分析与排序；然后，采用迁移学习方法将不同测试数据集的数据转换到相同的特征空间，在最大均值差异的基础上采用的迁移成分分析对特征进行迁移和降维，解决对于不同数据集需要对机器学习模型进行重新训练或重新建模的问题，提高了计算效率，也解决传统神经网络在长期预测中出现的预测精度低的问题，提高锂离子电池SOH估计的准确性。
[0009]本专利技术的目的通过如下技术方案实现：
[0010]第一步，电池健康因子的提取；
[0011]本专利技术选择采用LSTM神经网络方法进行电池SOH的估计，通过测量得到的电池外特性参数，如电流，电压和温度等数据中，提取反映电池老化的特征。本专利技术提取了电池充电过程的与电池的老化相关的15个健康因子(Health Indicator,HI)，用于估计电池的SOH。按照其影响因素将HI分为四组：分别是与电流相关的3个HI，与电压相关的3个HI，与充电时间相关的3个HI和与温度相关的6个HI。
[0012]第二步，采用灰色关联分析法进行相关性评价；
[0013]提取锂离子电池的健康因子HI后，采用灰色关联分析(Grey Relation Analysis,GRA)法，对提取的HI与电池容量之间的相关性进行分析，并对相关性等级进行排序。GRA的计算过程如下：
[0014]首先，分别选取参考序列X0＝{x0(q)|q＝1,2,...}，q为参考序列中元素数目。比较序列X
p
＝{x
p
(q)|p＝1,2,...}，p为比较序列中元素的数目。
[0015]参考序列与比较序列的数据进行归一化，即
[0016][0017]其中，X与X
norm
分别表示归一化前后的数据，X
min
与X
max
分别表示序列中数据的最小值与最大值。
[0018]然后，计算比较序列X
p
中每个点与参考序列X0对应的相关系数ξ
p
，即
[0019][0020]其中，α为识别系数，α∈(0,1)。选取α＝0.5。
[0021]最后，计算比较序列X
p
与参考序列X0之间的灰色关联等级r
p
，即
[0022][0023]第三步，采用迁移学习方法对源域与目标域的HI进行知识迁移；
[0024]针对传统机器学习中不同测试集之间由于数据分布不同而需要对机器学习模型进行重新训练或建模，计算复杂度大的问题，
[0025]本专利技术采用了基于特征的迁移学习方法，将目标域与源域的特征转移到一个新的特征空间φ，该特征空间既剔除了源域与目标域各自的特定属性，又减小了源域与目标域的边界概率分布的距离。本专利技术所采用的迁移成分分析法的具体过程如下：
[0026]首先，选择最大均值差异(Maximum Mean Discrepancy,MMD)表示源域和目标域之间的分布本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种锂离子电池健康状态预测方法，其特征在于，包括如下步骤：步骤一、提取电池充电过程与电池的老化相关的健康因子；步骤二、采用灰色关联分析法对提取的健康因子与电池容量之间的相关性进行分析，并对相关性等级进行排序；步骤三、对源域与目标域的健康因子进行知识迁移；选取相关性等级高的健康因子划分为源域数据集和目标域数据集，用最大均值差异表示源域和目标域之间的分布差异为：其中，为再生希尔伯特核空间范数，n
x
与n
y
分别两个领域的维数；设源域数据集为其中x
S
与y
S
分别表示输入集及相应的输出集，目标域数据集为其中x
T
与y
T
分别为目标域输入集与相应的输出集；假设P(X
S
)与Q(X
T
)分别表示来自源域和目标域的输入集x
S
和x
T
的边际分布，P(φ(X
S
))≈P(φ(X
T
))，则分布P与Q之间的距离可以表示为：其中，n
S
与n
T
表示源域与目标域数据的维度；假设k(x
i
,x
j
)＝φ(x
i
)
T
φ(x
j
)，k表示相应的核函数，源域和目标域的输入集的边际分布P(X
S
)与Q(X
T
)之间的距离可以转化为一个求解矩阵迹的问题，即其中，K为复合核矩阵，K
S
与K
T
分别为源域数据X
S
，目标域数据X
T
与核函数k所定义的核矩阵，tr表示矩阵的迹，L表示系数矩阵，具体表示为：具体表示为：选取MMDE目标函数同时满足分布之间的距离最小和特征空间中的方差最大，即
其中，λ≥0表示惩罚参数；将核矩阵K分解为经验核映射K＝(KK
‑
1/2
)(K
‑
1/2
K)，并使用变换矩阵将经验核映射特征转换到一个m维空间，其中m＜＜n1+n2；由此，合成核矩阵为：其中，因此，边际分布间的距离可以重新写为：Dist(X
S
,X
T
)＝tr((KWW
T
K)L)＝tr(W
T
KLKW)(8)采用最大限度地对齐嵌入，即其中，γ为一个权衡系数，一般γ≥0，如果i,j≤n
S
，[K
l
]
ij
＝k
yy
(y
i
,y
j
)，否则[K
l
]
ij
＝0，令K
v
＝I。优化问题可以表示为：其中，H为中心矩阵，是所有元素全为1的列向量，为一个单位矩阵。Γ＝D
‑
M，D为元素为的对角矩阵，M＝[m
ij
]，μ表示一个权衡参数，一般大于0。引入拉格朗日乘子与Karush
‑
Kuhn
‑
Tucker条件，将(14)的优化问题转化为其对偶问题，即通过特征分解矩阵来求解，计算得到变化矩阵，进而可以确定源域与目标域数据在新特征空间的映射；步骤四、将求解变化矩阵得到的特征映射值输入LSTM神经网络，LSTM神经网络将输入的数据进行前向传播，其通过在单元中的三个门结构即遗忘门，输入门和输出门来控制信息的传递过程；遗忘门用来决定哪些信息需要被舍弃，哪些信息需要被传递下去，即f
t
＝σ(W
fx
x
t
+W
fh
h
t
‑1+b
f
)(12)其中，W
fx
，W
fh
与b
...

【专利技术属性】
技术研发人员：马彦，单策，姚美好，朱家俊，高金武，陈虹，
申请(专利权)人：吉林大学，
类型：发明
国别省市：