一种预测电动汽车锂离子电池健康状态的方法及系统技术方案

一种预测电动汽车锂离子电池健康状态的方法及系统，方法包括：统计电动汽车锂离子电池SOH数据及其他相关数据；通过LASSO回归对训练的输入特征进行选取；采用岭回归和Savitzky

【技术实现步骤摘要】
一种预测电动汽车锂离子电池健康状态的方法及系统


[0001]本专利技术属于锂离子电池评估领域，具体涉及一种预测电动汽车锂离子电池健康状态的方法及系统。

技术介绍

[0002]近年来，随着“碳达峰、碳中和”目标的提出，推动能源转型势在必行。在此背景下，我国电动汽车保有量大幅提升，电动汽车锂离子电池的寿命问题也日益凸显。锂离子电池的健康状态事关汽车的运行效率和安全，如何高效并准确地对电池寿命进行监测成为当下的重点问题。
[0003]机器学习是当前针对电池寿命监测问题的热点方向，能够对电池寿命衰减和外在表现特征的联系进行有效探索。针对当前方法的不足，本专利技术提出一种判断预测电动汽车锂离子电池健康状态的方法，该方法依托统计学和机器学习技术，通过LASSO(Least absolute shrinkage and selection operator，最小绝对值收敛和选择算子)回归对电池寿命衰减的特征进行筛选，采用ARIMA(Autoregressive Integrated Moving Average，差分自回归移动平均模型)模型、岭回归S
‑
G(Savitzky
‑
Golay)滤波器设计混合模型，有效减少电池数据集中的不良数据的影响，提高预测精度。

技术实现思路

[0004]为解决现有技术中存在的不足，本专利技术提供一种判断预测电动汽车锂离子电池健康状态的方法及系统，能够对电池寿命衰减的特征进行筛选，并减少电池数据集中的不良数据对预测精度的影响。
[0005]本专利技术采用如下的技术方案。
[0006]一种预测电动汽车锂离子电池健康状态的方法，包括：
[0007]步骤1，采集电动汽车锂离子电池SOH数据及其他特征数据；
[0008]步骤2，利用LASSO回归对步骤1采集的电动汽车锂离子电池SOH数据进行特征提取；
[0009]步骤3，对步骤2提取得到的电池特征数据集，采用S
‑
G滤波器和岭回归检测电动汽车锂离子电池当前SOH；
[0010]步骤4，根据步骤1采集的电动汽车锂离子电池SOH数据及其他特征数据结合步骤3得到的电动汽车锂离子电池当前SOH，采用S
‑
G滤波器，ARIMA模型对电动汽车锂离子电池SOH进行预测。
[0011]优选地，步骤1中，采集电动汽车锂离子电池SOH数据为美国宇航局NASA提供得到数据集，其他特征数据包括：充放电时间，工作温度，开路电压。
[0012]优选地，步骤2具体包括：采用LASSO回归对电池特征进行提取，根据LASSO回归的结果计算皮尔逊相关系数CI，如下式所示，根据计算结果挑选|CI|≥0.9的电池特征数据集，
[0013][0014]式中，
[0015]X、Y分别表示经LASSO回归选择的特征样本数组，
[0016]x、y分别表示数组X、Y中的元素，
[0017]和分别表示X和Y的两个数组的样本均值。
[0018]优选地，步骤3中，经LASSO回归分析提取的电池特征数据集，采用S
‑
G滤波器对数据进一步处理，具体包括：
[0019]S
‑
G滤波器基于最小二乘法平滑信号，并最小化以n＝0为中心的2M+1个样本的均方误差，
[0020][0021]式中，
[0022]p(n)表示拟合后输出的特征数据集，
[0023]n表示经过回归分析处理的特征数据集，
[0024]a表示待求解的系数，
[0025]N表示最小二乘法拟合的多项式总项数，
[0026]误差函数如下式所示，
[0027][0028]式中，
[0029]∈
N
表示第N个多项式的误差函数，
[0030]2M+1表示样本总数，
[0031]M表示样本总数减一的一半，
[0032]x[n]表示第n个样本数据的输入特征值，
[0033]将误差函数的导数设为零，通过求解方程可完成S
‑
G滤波，方程如下所示：
[0034][0035][0036]求解方程得到a
k
，从而得到输出特征p(n)。
[0037]步骤3中，对LASSO回归分析提取的电池特征数据集进行S
‑
G滤波后通过岭回归以防止在机器学习中可能产生的过度拟合问题，岭回归的误差函数如下式所示，
[0038][0039][0040]式中，
[0041]OLS表示正常最小二乘方，
[0042]α表示惩罚系数，
[0043]y
i
表示经过S
‑
G滤波处理后的数据序列，
[0044]表示拟合后电池当前健康状态数据。
[0045]优选地，步骤4具体包括：
[0046]步骤4.1，通过S
‑
G滤波器对电动汽车锂离子电池输入特征数据进行预处理；
[0047]步骤4.2，采用混合线性回归模型根据D天的电池输入特征对每个输入特征分别进行输入特征预测，得到d天的特征预测值；
[0048]步骤4.3，将D天的特征值和d天的特征预测值合并在一起，创建一个D+d天的数据集；
[0049]步骤4.4，通过ARIMA模型，用D+d天的数据集和D天的经过步骤3输出的SOH预测EV锂离子电池未来d天的SOH；
[0050]ARIMA模型由自回归模型AR和移动平均模型MA通过差分构成，如下式所示：
[0051][0052]式中，
[0053]t表示时间序列的编号，
[0054]表示对应t时刻的电池健康状况预测值，
[0055]y
t
‑
p
表示t
‑
p时电池健康状况，
[0056]∈
t
‑
q
表示序列编号为t
‑
q时的存在的随机误差。
[0057]表示AR模型系数，
[0058]θ表示MA模型系数，
[0059]p表示自回归项，
[0060]q表示移动平均项。
[0061]优选地所述方法还包括：
[0062]步骤5，计算电动汽车锂离子电池SOH的均方误差、均方根误差、平均绝对误差，验证电动汽车锂离子电池SOH预测的准确性；
[0063]均方误差、均方根误差、平均绝对误差的计算公式如下：
[0064][0065][0066][0067]式中，
[0068]SOH
i,estimate
表示步骤4ARIMA模型输出的序列，
[0069]SOH
i,real
表示第i个电池健康状态实际值，
[0070]通过下式计算精度R2与电池SOH实际值比对，验证方法的有效性，
[0071][0072]式中，
[0073]R2表示决定系数，...

【技术保护点】

【技术特征摘要】
1.一种预测电动汽车锂离子电池健康状态的方法，其特征在于，所述方法包括：步骤1，采集电动汽车锂离子电池SOH数据及其他特征数据；步骤2，利用LASSO回归对步骤1采集的电动汽车锂离子电池SOH数据进行特征提取；步骤3，对步骤2提取得到的电池特征数据集，采用S
‑
G滤波器和岭回归检测电动汽车锂离子电池当前SOH；步骤4，根据步骤1采集的电动汽车锂离子电池SOH数据及其他特征数据结合步骤3得到的电动汽车锂离子电池当前SOH，采用S
‑
G滤波器，ARIMA模型对电动汽车锂离子电池SOH进行预测。2.根据权利要求1所述的一种预测电动汽车锂离子电池健康状态的方法，其特征在于，步骤1中，采集电动汽车锂离子电池SOH数据为美国宇航局NASA提供得到数据集，其他特征数据包括：充放电时间，工作温度，开路电压。3.根据权利要求1所述的一种预测电动汽车锂离子电池健康状态的方法，其特征在于，步骤2具体包括：采用LASSO回归对电池特征进行提取，根据LASSO回归的结果计算皮尔逊相关系数CI，如下式所示，根据计算结果挑选|CI|≥0.9的电池特征数据集，式中，X、Y分别表示经LASSO回归选择的特征样本数组，x、y分别表示数组X、Y中的元素，和分别表示X和Y的两个数组的样本均值。4.根据权利要求3所述的一种预测电动汽车锂离子电池健康状态的方法，其特征在于，步骤3中，经LASSO回归分析提取的电池特征数据集，采用S
‑
G滤波器对数据进一步处理，具体包括：S
‑
G滤波器基于最小二乘法平滑信号，并最小化以n＝0为中心的2M+1个样本的均方误差，式中，p(n)表示拟合后输出的特征数据集，n表示经过回归分析处理的特征数据集，a表示待求解的系数，N表示最小二乘法拟合的多项式总项数，误差函数如下式所示，式中，∈
N
表示第N个多项式的误差函数，2M+1表示样本总数，
M表示样本总数减一的一半，x[n]表示第n个样本数据的输入特征值，将误差函数的导数设为零，通过求解方程可完成S
‑
G滤波，方程如下所示：G滤波，方程如下所示：求解方程得到a
k
，从而得到输出特征p(n)。5.根据权利要求4所述的一种预测电动汽车锂离子电池健康状态的方法，其特征在于，步骤3中，对LASSO回归分析提取的电池特征数据集进行S
‑
G滤波后通过岭回归以防止在机器学习中可能产生的过度拟合问题，岭回归的误差函数如下式所示，在机器学习中可能产生的过度拟合问题，岭回归的误差函数如下式所示，式中，OLS表示正常最小二乘方，α表示惩罚系数，y
i
表示经过S
‑
G滤波处理后的数据序列，表示拟合后电池当前健康状态数据。6.根据权利要求5所述的一种预测电动汽车锂离子电池健康状态的方法，其特征在于，步骤4具体包括：步骤4.1，通过S
‑
G滤波器对电动汽车锂离子电池输入特征数据进行预处理...

【专利技术属性】
技术研发人员：钱科军，李洁，李亚飞，刘乙，郑众，蒋达，宋远军，谢鹰，沈晓东，霍尧，严鹏，
申请(专利权)人：国网江苏省电动汽车服务有限公司，
类型：发明
国别省市：