【技术实现步骤摘要】
本专利技术涉及电池技术和材料科学领域，特别是涉及一种锂离子电池健康状态预测方法。
技术介绍
1、随着中国新能源汽车国内保有量的持续提升，电池安全问题愈加突显。新能源汽车电池自燃起火事故频繁发生，极大阻碍了新能源汽车进一步向前发展。提升电池安全性成为亟需行业解决的共性问题。新能源动力电池健康状态的准确预测是保证车辆可靠与安全的前提，具有十分重要的现实意义。目前新能源汽车基本采用锂离子动力电池，锂离子动力电池因其能量密度高、体积小而从其他清洁能源中脱颖而出。随着锂离子动力电池的应用范围和规模的增加，对其健康状态的实时、准确的监测在保证储能系统的健康稳定运行方面发挥着重要作用。
2、锂离子电池状态估计技术是蓄电池管理系统(battery management system，bms)的核心功能元件之一。常用的估计电池状态包括充电状态(soc)、健康状态(soh)、功率状态(sop)、能量状态(soe)和状态安全(sos)。与大多数电化学储能系统的情况一样，内部电池状态不能直接测量，只能从电压、电流和温度信号等有限信号间接估计和预测。锂离子电池具有较长的生命周期，在此期间它们的状态具有严重的非线性特征。然而，在bms中只能直接得到电流、电压和温度等信号。因此，电池状态估计的技术挑战是：利用有限的外部信号估计电池复杂的内部状态，并需要用短时测试信号预测长期状态。
3、基于此，出现了基于机器学习的方法，如支持向量机(svm)、相关向量机(rvm)和高斯过程回归(gpr)模型等。例如，一种新颖的用于锂离子电池实时rul估
4、还有将广义学习系统(bls)与rvm结合的混合算法，利用经验模态分解(emd)提取数据特征，输入训练数据到bls网络，产生不同预测起点的数据输出。将所有预测数据形成矩阵，用于训练rvm作为混合模型的预测层，最终得到混合模型的rul预测结果。但rvm在优化过程中容易陷入局部最优，并且计算复杂度较高。
5、还有现有技术用gpr来预测电池健康状态，突出了gp相对于其他数据驱动和机械建模方法的优势。尽管gpr可以提供不确定性估计，但其复杂的非参数性质使得模型的解释性较差，难以直观理解。
6、因此，需要一种计算结构简单、收敛速度快、不受噪音影响的电池健康状态预测方法。
技术实现思路
1、有鉴于此，本专利技术提供了一种锂离子电池健康状态预测方法，该方法利用霜冰算法优化高斯过程回归模型gpr，收敛速度快，结构简单，并且能达到较高的预测精度。
2、为此，本专利技术提供了以下技术方案：
3、本专利技术提供了一种锂离子电池健康状态预测方法，包括以下步骤：
4、对数据集进行预处理及特征提取；
5、采用主成分分析方法对提取后特征进行降维筛选；
6、利用霜冰优化算法对高斯过程回归模型中的核参数进行优化；
7、利用优化后的高斯过程回归模型预测电池健康状态。
8、进一步地，所述对数据集进行预处理及特征提取，包括：
9、基于所述数据集，划分充放电数据片段；
10、基于所述充放电数据片段，绘制恒流恒压充电曲线；
11、基于所述恒流恒压充电曲线进行特征提取。
12、进一步地，所述采用主成分分析方法对提取后特征进行降维筛选，包括：
13、对提取出的特征进行标准化处理，包括：
14、假设样本数据为n，维度为p，具体过程如下：
15、
16、其中xij代表提取后的特征值，代表所有提取特征的均值，sj代表所有提的的特征值的平方差，zij代表标准化处理后的特征矩阵；
17、对标准化后的特征数据，计算协方差矩阵及其特征值和特征向量；所述协方差矩阵表示为：
18、
19、其中，n代表样本数量，z代表标准化处理后的特征矩阵；
20、求解r的特征方程：rb＝λjb；
21、其中，λj为求解的特征值，b为特征向量；
22、将特征值按大小排序，选择前两个特征作为最终特征。
23、进一步地，所述利用霜冰优化算法对高斯过程中的核参数进行优化，包括：
24、初始化参数，确定优化参数，定义适应度函数，设置种群大小、迭代次数、温度、冷却速度；
25、随机初始化生成一个包含多个候选解的初始种群；
26、每个候选解表示一个核参数的组合；
27、计算初始种群的适应度值，选择适应度值较好的候选解作为父代进行繁殖；
28、计算新候选解的适应度值，更新温度参数；
29、输出最优的核参数组合作为高斯过程的核参数。
30、进一步地，所述利用优化后的高斯过程回归模型预测电池健康状态，包括：
31、将主成分分析方法降维后的特征作为高斯过程回归模型的输入；
32、霜冰优化后的参数作为高斯过程回归模型的高斯过程核参数；
33、训练所述高斯过程回归模型；
34、利用训练好的模型对测试数据进行预测，得到电池健康状态的预测值。
35、进一步地，所述对提取后的特征进行标准化处理，具体过程如下：
36、
37、其中xij代表提取后的特征值，代表所有提取特征的均值，sj代表所有提的的特征值的平方差，zij代表标准化处理后的特征矩阵。
38、进一步地，训练所述高斯过程回归模型，包括：
39、假设空间中第i个点的坐标为x(i)，其输出为y(i)，则高斯过程回归模型的表达式为：
40、y(i)＝f(x(i))+ε(i),i＝1,2,...,n
41、其中ε(i)表示噪声变量，服从n(0,σ2)，假设f(x(i))服从高斯过程，即：f(x)～gp(m(x),k(x,x′))
42、
43、长度尺度l和信号方差σf为霜冰优化后的参数组合，代入上式得到电池数据的高斯拟合分布。
44、本专利技术的优点和积极效果：
45、本专利技术根据cccv曲线提取老化特征，提高了数据的准确度；
46、本专利技术通过pca降维数据特征，获取足以描述锂离子电池的老化特性的主成分，同时降低了系统输入维度；
47、本专利技术利用霜冰优化算法对高斯过程中的核参数进行优化，提高了高斯回归预测的精准度。
48、本专利技术方法结构简单、易于实现，收敛速度快且能达到本文档来自技高网...
【技术保护点】
1.一种锂离子电池健康状态预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种锂离子电池健康状态预测方法，其特征在于，所述对数据集进行预处理及特征提取，包括：
3.根据权利要求1所述的一种基于智能优化算法的锂离子电池健康状态预测方法，其特征在于，所述采用主成分分析方法对提取后特征进行降维筛选，包括：
4.根据权利要求1所述的一种锂离子电池健康状态预测方法，其特征在于，所述利用霜冰优化算法对高斯过程中的核参数进行优化，包括：
5.根据权利要求1所述的一种锂离子电池健康状态预测方法，其特征在于，所述利用优化后的高斯过程回归模型预测电池健康状态，包括：
6.根据权利要求5所述的一种锂离子电池健康状态预测方法，其特征在于，训练所述高斯过程回归模型，包括：
【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，包括以下步骤：
2.根据权利要求1所述的一种锂离子电池健康状态预测方法，其特征在于，所述对数据集进行预处理及特征提取，包括：
3.根据权利要求1所述的一种基于智能优化算法的锂离子电池健康状态预测方法，其特征在于，所述采用主成分分析方法对提取后特征进行降维筛选，包括：
4.根据权利...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。