CN108805217B - 一种基于支持向量机的锂离子电池健康状态估计方法及*** - Google Patents

一种基于支持向量机的锂离子电池健康状态估计方法及*** Download PDF

Info

Publication number
CN108805217B
CN108805217B CN201810636667.9A CN201810636667A CN108805217B CN 108805217 B CN108805217 B CN 108805217B CN 201810636667 A CN201810636667 A CN 201810636667A CN 108805217 B CN108805217 B CN 108805217B
Authority
CN
China
Prior art keywords
regression
support vector
vector machine
constant current
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810636667.9A
Other languages
English (en)
Other versions
CN108805217A (zh
Inventor
崔纳新
方浩然
杨亚宁
王春雨
王光臣
张承慧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN201810636667.9A priority Critical patent/CN108805217B/zh
Publication of CN108805217A publication Critical patent/CN108805217A/zh
Application granted granted Critical
Publication of CN108805217B publication Critical patent/CN108805217B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Molecular Biology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种基于支持向量机的锂离子电池健康状态估计方法及***，包括：确定支持向量机回归预测的输入变量和输出变量；将输入变量和输出变量分成训练集数据组和测试集数据组；对归一化后的训练集数据进行回归模型建立，得到回归函数；将测试集数据带入训练后的回归模型，从而预测出电池恒流充电到达截止电压时所充入的电量；将训练集数据中的恒流充电到截止电压所充入的电量和进行容量测试后得到的当前测试容量进行拟合，将测试集数据预测得到的电量带入拟合后的方程得到当前预测容量，从而对电池健康状态进行估计。本发明能够对各种恒流充电环境下的锂离子电池恒流充电到达截止电压所充入的电量进行预测，具有广泛的适用性。

Description

一种基于支持向量机的锂离子电池健康状态估计方法及***
技术领域
本发明属于锂离子电池健康状态估计技术领域，尤其涉及一种基于支持向量机的锂离子电池健康状态估计方法及***。
背景技术
电动汽车在节能减排和环境保护方面与燃油车相比有较大的优势，因此各国争相出台各种激励措施来大力推动电动汽车的发展。而锂电池具有比能量高、使用寿命长、额定电压高、具备高功率承受力、自放电率低等优点，自上市以来就被电动汽车厂所青睐。电动汽车的快速发展，使得人们对锂电池的性能提出了更高的要求，从而锂电池的健康状态(State Of Health；SOH)估计备受关注。由于电池老化机理的复杂性，使得电池SOH的快速、准确估计具有难度。
判断SOH的典型方法是依据容量减少或者电阻增加来估计其值。其中，扩展卡尔曼滤波方法被认为是最可靠的在线估计SOH的方法。但该方法的准确度依赖于所建模型的参数，精度容易受到模型准确度的影响。因此，方便、简单准确的获取SOH值的方法备受关注。
由电池循环数据可知，在相同充电条件下，电池恒流充电到达截止电压所充入的电量Q随SOH的降低而减少且两者存在较高的关联度。由于实际充电情况，锂电池无法在每次恒流充电时都将端电压充电到截止电压。因此，准确预测相同充电条件下电池恒流充电到达截止电压所充入的电量Q成为预测锂电池SOH值的关键一步。同时，由于电池充电***的迟滞性，锂电池在恒流充电过程中到达充电截止电压之后，各充电相关设备才会做出动作，必然会造成电池的过冲并对电池造成损害，从而缩短电池的使用寿命。为解决上述问题，需要***出电池恒流充电到达截止电压所充入的电量Q以防止端电压超过截止电压并进一步做到对电池SOH的估计。
SOH一般定义为
Figure BDA0001701741830000011
其中cM为电池当前的测试容量，c0为电池额定容量。由于测试cM值时的试验周期长并且会造成浪费，因此准确、可靠、方便的估计电池的SOH是电池管理***的重要任务。
发明内容
本发明的目的就是为了解决上述问题，提出一种基于支持向量机算法的锂离子电池健康状态估计方法及***。该方法根据锂电池工作的历史数据、工作状态及环境数据由支持向量机对锂电池恒流充电到达截止电压所充入的电量Q做出准确预测，同时使用网格搜寻法对支持向量机的参数选择进行了相应的优化，提高了参数选择的准确度。由实验可知，相同充电条件下，锂电池恒流充电到达截止电压所充入的电量随着SOH值的降低而减少且两者存在较高的关联度。因此根据之前测试的相关数据，可由最小二乘法拟合测试集恒流充电电量Q11与SOH值两者之间的关系，从而由上述支持向量机算法预测的恒流充电电量Q1对当前锂电池的SOH做出估计。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一目的是公开一种基于支持向量机的锂离子电池健康状态估计方法，包括：
对锂电池进行循环充放电实验，实时记录锂电池各项工作状态的历史数据，确定支持向量机回归预测的输入变量和输出变量；
将输入变量和输出变量分成两组：训练集数据组和测试集数据组；
对训练集数据组和测试集数据组进行归一化处理；
对归一化后的训练集数据进行回归模型建立，得到回归函数；
选取RBF作为核函数，运用网格搜寻法选择最优的RBF核函数参数组合：核函数的宽度参数，惩罚系数和损失函数；
根据最优的RBF核函数参数组合确定最优参数回归模型；
将测试集数据带入训练后的回归模型，从而预测出电池恒流充电到达截止电压时所充入的电量Q1；
在相同恒流充电条件下，将训练集数据中的恒流充电到截止电压所充入的电量Q11和进行容量测试后得到的当前测试容量Q0运用最小二乘法进行拟合，将测试集数据预测得到的Q1带入拟合后的方程得到当前预测容量cM，从而对电池健康状态进行估计。
进一步地，所述确定支持向量机回归预测的输入变量和输出变量具体为：
实时记录锂电池各项工作状态的历史数据，包括循环次数、循环充放电电流、放电深度、温度和下次将要进行的恒流充电的电流，作为支持向量机回归预测的输入变量；
在设定的循环周期后，对锂电池进行一次恒流充电和容量测试，统计电池恒流充电到达截止电压时所充入的电量Q作为支持向量机回归预测的输出变量。
进一步地，所述对训练集数据组和测试集数据组进行归一化处理，具体为：
归一化后的样本值为该样本值与样本的最小值之差与该样本值最大值与最小值之差的比值。
进一步地，当参数训练预测模型的性能相同时，优先选择惩罚系数相对较小的参数组合。
进一步地，所述对归一化后的训练集数据进行回归模型建立，得到回归函数；具体为：
设含有m个训练样本的训练集样本对为
Figure BDA0001701741830000031
其中，
Figure BDA0001701741830000032
是第i个训练样本的输入列向量，
Figure BDA0001701741830000033
Figure BDA0001701741830000034
为对应的输出值；
设在高维特征空间中建立的线性回归函数为：
Figure BDA0001701741830000035
定义ε线性不敏感损失函数为：
Figure BDA0001701741830000036
为了寻找到一个最优分类面使得所有训练样本离该最优分类面的误差最小，引入松弛变量ξi,ξi *，则需要满足如下约束关系式：
Figure BDA0001701741830000037
其中，
Figure BDA0001701741830000038
为非线性映射函数，
Figure BDA0001701741830000039
为回归系数向量，b为阈值；
Figure BDA00017017418300000310
为回归函数返回的预测值，y为对应的真实值，ε为设定的大于0的数；C为惩罚因子，C越大表示对训练误差大于ε的样本惩罚越大，ε规定了回归函数的误差要求，ε越小表示回归函数的误差越小。
进一步地，对所述约束关系式进行求解，具体为：
采用拉格朗日对偶理论将约束关系式转化为对偶问题；
由拉格朗日对偶性，将原拉格朗日函数中最小值问题转化为最大化问题；
采用SMO算法求解对偶问题中的拉格朗日乘子；进而得到回归系数向量
Figure BDA00017017418300000311
和阈值b，确定回归函数。
进一步地，所述回归函数具体为：
Figure BDA00017017418300000312
其中，
Figure BDA00017017418300000313
分别为样本i对应的拉格朗日乘子的最优解，
Figure BDA00017017418300000314
为核函数，b*为根据拉格朗日乘子的最优解求解得到的阈值。
进一步地，所述选取RBF作为核函数，运用网格搜寻法选择最优的RBF核函数参数组合；具体为：
步骤一：对各种可能的RBF核函数参数组合值进行交叉验证，找出使交叉验证精确度最高的组合对；将各个参数可能的取值进行排列组合，列出所有可能的组合结果生成“网格”；
步骤二：将各RBF核函数参数组合用于SVM训练，并使用交叉验证对表现进行评估；
步骤三：在拟合函数尝试了所有的参数组合后，返回一个最优分类面，自动调整至最佳参数组合，使得所有训练样本离该最优分类面的误差最小。
本发明的第二目的是公开一种基于支持向量机的锂离子电池健康状态估计***，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
确定支持向量机回归预测的输入变量和输出变量；
将输入变量和输出变量分成两组：训练集数据组和测试集数据组；
对训练集数据组和测试集数据组进行归一化处理；
对归一化后的训练集数据进行回归模型建立，得到回归函数；
选取RBF作为核函数，运用网格搜寻法选择最优的RBF核函数参数组合：核函数的宽度参数，惩罚系数和损失函数；
根据最优的RBF核函数参数组合确定最优参数回归模型；
将测试集数据带入训练后的回归模型，从而预测出电池恒流充电到达截止电压时所充入的电量Q1；
在相同恒流充电条件下，将训练集数据中的恒流充电到截止电压所充入的电量Q11和进行容量测试后得到的当前测试容量Q0运用最小二乘法进行拟合，将测试集数据预测得到的Q1带入拟合后的方程得到当前预测容量cM，从而对电池健康状态进行估计。
本发明的第三目的是公开一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行以下步骤：
确定支持向量机回归预测的输入变量和输出变量；
将输入变量和输出变量分成两组：训练集数据组和测试集数据组；
对训练集数据组和测试集数据组进行归一化处理；
对归一化后的训练集数据进行回归模型建立，得到回归函数；
选取RBF作为核函数，运用网格搜寻法选择最优的RBF核函数参数组合：核函数的宽度参数，惩罚系数和损失函数；
根据最优的RBF核函数参数组合确定最优参数回归模型；
将测试集数据带入训练后的回归模型，从而预测出电池恒流充电到达截止电压时所充入的电量Q1；
在相同恒流充电条件下，将训练集数据中的恒流充电到截止电压所充入的电量Q11和进行容量测试后得到的当前测试容量Q0运用最小二乘法进行拟合，将测试集数据预测得到的Q1带入拟合后的方程得到当前预测容量cM，从而对电池健康状态进行估计。
本发明有益效果：
(1)不需要针对特定材料的锂电池，能够对各种恒流充电环境下的锂离子电池恒流充电到达截止电压所充入的电量Q1进行预测，具有广泛的适用性；
(2)不需要深入研究锂电池复杂的电化学反应机理，简化了计算过程；
(3)能够根据充电的数据进行锂电池SOH的估计，不需要单独进行容量测试，缩短了试验周期长并且减少了浪费；
(4)考虑到实际应用，电池不必每次都充电到截止电压。
(5)可确定电池的允许充电量，防止电池恒流充电过程的过充现象的出现，做到对充电设备和锂电池的有效保护。
附图说明
图1为电池SOH估计的流程图；
图2为不同SOH值下的锂电池恒流恒压充电图；
图3(a)为训练集恒流充电到达截止电压所充入的电量Q11预测图；
图3(b)为测试集恒流充电到达截止电压所充入的电量Q1预测图；
图3(c)为训练集恒流充电的电量Q11和容量测试得到的当前测试容量Q0的拟合关系图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步的说明。
本发明公开了一种基于支持向量机的锂离子电池健康状态估计方法，如图1所示，包括以下步骤：
步骤(1)：在对锂电池进行循环充放电的过程中，实时记录锂电池各项工作状态的历史数据，这包括循环次数N、循环充放电电流I充和I放、放电深度D、温度Tem和下次将要进行的恒流充电的电流大小I，作为支持向量机的回归预测的输入变量。
在经历一定的循环周期后，对锂电池进行一次恒流充电和容量测试，统计电池恒流充电到达截止电压所充入的电量Q,作为回归预测的输出变量。
步骤(2)：将输入和输出变量组分成训练集数据组和测试集数据组，其中训练集用来训练得到回归模型，测试集用来作为回归预测以及对模型的性能做出评价。由于输入和输出是成对存在的，可以将前半部分的输入和输出作为训练集，后半部分的输入和输出作为预测集。
并将数据调整到符合Libsvm工具箱要求的格式。
步骤(3)：对得到的输入和输出变量集进行归一化处理，以加快交叉验证方法求最优解的速度和提高预测的精度。
在建立回归模型之前，先对数据进行归一化处理，即根据公式(1)将输入和输出变量统一归化到[0,1]的取值范围。
Figure BDA0001701741830000061
其中，xi、yi分别为转换前后的值，MaxValue、MinValue分别为样本的最大值和最小值。
步骤(4)：由上一步得到的归一化后的训练集数据进行回归模型建立，得到回归函数。
不失一般性，设含有m个训练样本的训练集样本对为
Figure BDA0001701741830000062
其中，
Figure BDA0001701741830000063
是第i个训练样本的输入列向量，
Figure BDA0001701741830000064
Figure BDA0001701741830000065
为对应的输出值。在该预测的实际应用中，针对此类线性不可分问题，需要通过非线性映射Φ:Rd→H，将原输入空间的样本映射到高维的特征空间H中，再将高维特征空间H中构造最优分类面使得所有训练样本离该最优分类面的误差最小。设在高维特征空间中建立的线性回归函数为公式(2)所示。
Figure BDA0001701741830000066
其中，
Figure BDA0001701741830000067
为非线性映射函数，
Figure BDA0001701741830000068
为回归系数向量，
Figure BDA0001701741830000069
为阈值。
定义ε线性不敏感损失函数为：
Figure BDA00017017418300000610
其中，f(x)为回归函数返回的预测值，y为对应的真实值并且ε为事先取定的一个大于0的数。该函数表示若
Figure BDA00017017418300000611
与y之间的差别小于等于ε，则损失等于0。
为了寻找到一个最优分类面使得所有训练样本离该最优分类面的误差最小，但考虑到少数样本满足不了约束条件，导致寻找不到最优分类面。针对此类情况，在满足上述约束的条件下使得
Figure BDA0001701741830000071
最小，需要引入松弛变量ξi,ξi *，并将上述寻找
Figure BDA0001701741830000072
b的问题用数学语言描述出来，即式(4)所示：
Figure BDA0001701741830000073
其中，C为惩罚因子，C越大表示对训练误差大于ε的样本惩罚越大，ε规定了回归函数的误差要求，ε越小表示回归函数的误差越小。
对于上述问题的求解是一个凸二次规划问题，由于计算的复杂性，直接求解相对困难。虽然能直接用现成的优化计算包求解，但相比之下，将采用更高效的办法。即依据拉格朗日对偶理论将式(4)转化为对偶问题，这样做的优点在于：一者对偶问题往往更容易求解；二者可以自然的引入核函数，进而推广到非线性分类问题。其中构造的拉格朗日函数如式(5)所示。
Figure BDA0001701741830000074
其中，a＝(a1,a2,...,am)T，a*＝(a1 *,a2 *,...,am *)T，η＝(η1,η2,...,ηm)T，η*＝(η1 *,η2 *,...,ηm *)T是拉格朗日乘子向量。
而求解这个对偶问题，分为3个步骤：首先要让L(ω,b,ξ,ξ*,a,a*,η,η*)关于ω,b和ξ,ξ*最小化，然后求对a,a*,η,η*的极大，最后SMO算法被用来求解对偶问题中的拉格朗日乘子。
首先固定a,a*,η,η*，要让L关于ω,b和ξ,ξ*最小化，我们分别对ω,b和ξ,ξ*求偏导数，即令
Figure BDA0001701741830000075
和
Figure BDA0001701741830000076
等于零,从而得到式(6)
Figure BDA0001701741830000081
由拉格朗日对偶性，将式(6)带入到原拉格朗日函数(5)中可将最小值问题转化为最大化问题，如式(7)所示
Figure BDA0001701741830000082
其中，
Figure BDA0001701741830000083
为核函数。
设求解式(7)时得到的最优解为
Figure BDA0001701741830000084
则有
Figure BDA0001701741830000085
其中，Nnsv为支持向量个数σ。
于是，回归函数可化为
Figure BDA0001701741830000086
其中，只有部分参数
Figure BDA0001701741830000087
不等于0，其对应的样本xi即为问题中的支持向量。
步骤(5)：由式(9)可知，要想求解支持向量机算法的回归函数问题，必须要选择一个合适的核函数。其中常用的核函数包括：1.线性核函数；2.d阶多项式核函数；3.径向基核函数(RBF)；4.Sigmoid核函数。RBF核函数相比于其它核函数应用相对较广，无论是小样本还是大样本，高维还是低维等情况，RBF核函数均适用。它相比其他的函数有以下优点：
1)RBF核函数可以将一个样本映射到一个更高维的空间，而且线性核函数是RBF的一个特例，即如果考虑使用RBF，那么就无需考虑线性核函数。
2)与多项式核函数相比，RBF需要确定的参数要少，核函数参数的多少直接影响函数的复杂程度。另外，当多项式的阶数比较高时，核矩阵的元素值将趋于无穷大或无穷小。而RBF则在上述问题中，会减少数值的计算困难。
3)对于某些参数，RBF和Sigmoid具有相似的性能。
因此在恒流充电到达截止电压所充入的电量的预测中，选用RBF核函数，其表达式如式(10)所示。
Figure BDA0001701741830000091
其中，σ为函数的宽度参数,其控制了函数的径向作用范围。
由于核函数模型参数对模型的性能影响较大，因此，在使用Libsvm工具箱时，需要选择较佳的RBF核函数参数组合：核函数的宽度参数σ，惩罚系数C和损失函数P。考虑到需要选择的参数相对较少，“网格搜寻法”的复杂度相比高级算法并无太大差异，而且又具有可并行性高且能够避免过拟合的优势。因此，我们在参数选择中应用“网格搜寻法”。具体实施步骤如下：
一、尝试各种可能的组合值，然后进行交叉验证，找出使交叉验证精确度最高的组合对。将各个参数可能的取值进行排列组合，列出所有可能的组合结果生成“网格”。
二、然后将各组合用于SVM训练，并使用交叉验证对表现进行评估。
三、在拟合函数尝试了所有的参数组合后，返回一个合适的分类面，自动调整至最佳参数组合。
步骤(6)：利用“网格搜寻法”获得的最优参数训练预测模型。当模型的性能相同时，为了减少计算时间，优先选择惩罚因子C相对较小的参数组合。
步骤(7)：将测试集数据带入训练后的回归模型，从而预测出电池恒流充电到达截止电压所充入的电量Q1而进一步预测SOH值，并对最终的测试集预测结果的准确度做出评价。
步骤(8)：在相同恒流充电条件下，将训练集数据中的恒流充电到达截止电压所充入的电量Q11和进行容量测试后得到的当前测试容量Q0运用最小二乘法进行拟合，然后将测试集数据预测得到的电量Q1带入拟合后的方程，从而得到预测的当前容量cM，根据
Figure BDA0001701741830000092
做到对电池SOH的估计。
训练集和测试集恒流充电到达截止电压所充入的电量Q11与Q1预测结果如图3(a)和3(b)所示。训练集相同充电条件下的恒流充电的电量Q11和容量测试得到的当前测试容量Q0的拟合关系如图3(c)所示。
训练集和测试集恒流充电到截止电压所充入电量Q11与Q1预测结果的精度通过均方误差E和决定系数R2评价，训练集和测试集对电池SOH估计的精度通过绝对误差率均值评价，具体结果如表1所示。从具体评价指标来说，基于支持向量机的恒流充电到截止电压所充入的电量Q1预测及SOH估计方法具有较高的预测精度。
表1锂电池恒流充电到截止电压所充入的电量Q预测及SOH估计方法精度评价
E R<sup>2</sup> SOH估计绝对误差率均值
训练集 0.00065566 0.99271 0.48％
测试集 0.00086036 0.99112 0.56％
由实验可知，相同充电条件下，锂电池恒流充电到达截止电压所充入的电量Q随着SOH值的减小而缩短且两者存在较高的关联度。因此根据之前测试的相关数据，可由最小二乘法拟合Q11与SOH值两者之间的关系，从而由上述支持向量机算法预测的恒流充电电量Q1对当前锂电池的SOH做出估计。
图2给出了不同SOH值下的锂电池恒流恒压充电图，由图2可知，在相同恒流充电条件下，恒流充电的电量随SOH值的降低呈下降趋势。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (9)

1.一种基于支持向量机的锂离子电池健康状态估计方法，其特征在于，包括：
对锂电池进行循环充放电实验，实时记录锂电池各项工作状态的历史数据，确定支持向量机回归预测的输入变量和输出变量；
所述确定支持向量机回归预测的输入变量和输出变量具体为：
实时记录锂电池各项工作状态的历史数据，包括循环次数、循环充放电电流、放电深度、温度和下次将要进行的恒流充电的电流，作为支持向量机回归预测的输入变量；
在设定的循环周期后，对锂电池进行一次恒流充电和容量测试，统计电池恒流充电到达截止电压时所充入的电量Q，作为支持向量机回归预测的输出变量；
将输入变量和输出变量分成两组：训练集数据组和测试集数据组；
对训练集数据组和测试集数据组进行归一化处理；
对归一化后的训练集数据进行回归模型建立，得到回归函数；
选取RBF作为核函数，运用网格搜寻法选择最优的RBF核函数参数组合：核函数的宽度参数，惩罚系数和损失函数；
根据最优的RBF核函数参数组合确定最优参数回归模型；
将测试集数据带入训练后的回归模型，从而预测出电池恒流充电到达截止电压时所充入的电量Q1；
在相同恒流充电条件下，将训练集数据中的恒流充电到截止电压所充入的电量Q11和进行容量测试后得到的当前测试容量Q0运用最小二乘法进行拟合，将测试集数据预测得到的Q1带入拟合后的方程得到当前预测容量cM，从而对电池健康状态进行估计。
2.如权利要求1所述的一种基于支持向量机的锂离子电池健康状态估计方法，其特征在于，所述对训练集数据组和测试集数据组进行归一化处理，具体为：
归一化后的样本值为该样本值与样本的最小值之差与该样本值最大值与最小值之差的比值。
3.如权利要求1所述的一种基于支持向量机的锂离子电池健康状态估计方法，其特征在于，当参数训练预测模型的性能相同时，优先选择惩罚系数相对较小的参数组合。
4.如权利要求1所述的一种基于支持向量机的锂离子电池健康状态估计方法，其特征在于，所述对归一化后的训练集数据进行回归模型建立，得到回归函数；具体为：
设含有m个训练样本的训练集样本对为
Figure FDA0002638049320000021
其中，
Figure FDA0002638049320000022
Figure FDA0002638049320000023
是第i个训练样本的输入列向量，
Figure FDA0002638049320000024
Figure FDA0002638049320000025
为对应的输出值；
设在高维特征空间中建立的线性回归函数为：
Figure FDA0002638049320000026
定义ε线性不敏感损失函数为：
Figure FDA0002638049320000027
为了寻找到一个最优分类面使得所有训练样本离该最优分类面的误差最小，引入松弛变量ξi,ξi *，则需要满足如下约束关系式：
Figure FDA0002638049320000028
其中，
Figure FDA0002638049320000029
为非线性映射函数，
Figure FDA00026380493200000210
为回归系数向量，b为阈值；
Figure FDA00026380493200000211
为回归函数返回的预测值，y为对应的真实值，ε为设定的大于0的数；C为惩罚因子，C越大表示对训练误差大于ε的样本惩罚越大，ε规定了回归函数的误差要求，ε越小表示回归函数的误差越小。
5.如权利要求4所述的一种基于支持向量机的锂离子电池健康状态估计方法，其特征在于，对所述约束关系式进行求解，具体为：
采用拉格朗日对偶理论将约束关系式转化为对偶问题；
由拉格朗日对偶性，将原拉格朗日函数中最小值问题转化为最大化问题；
采用SMO算法求解对偶问题中的拉格朗日乘子；进而得到回归系数向量
Figure FDA00026380493200000212
和阈值b，确定回归函数。
6.如权利要求5所述的一种基于支持向量机的锂离子电池健康状态估计方法，其特征在于，所述回归函数具体为：
Figure FDA0002638049320000031
其中，
Figure FDA0002638049320000032
分别为样本i对应的拉格朗日乘子的最优解，
Figure FDA0002638049320000033
为核函数，b*为根据拉格朗日乘子的最优解求解得到的阈值。
7.如权利要求1所述的一种基于支持向量机的锂离子电池健康状态估计方法，其特征在于，所述选取RBF作为核函数，运用网格搜寻法选择最优的RBF核函数参数组合；具体为：
步骤一：对各种可能的RBF核函数参数组合值进行交叉验证，找出使交叉验证精确度最高的组合对；将各个参数可能的取值进行排列组合，列出所有可能的组合结果生成“网格”；
步骤二：将各RBF核函数参数组合用于SVM训练，并使用交叉验证对表现进行评估；
步骤三：在拟合函数尝试了所有的参数组合后，返回一个最优分类面，自动调整至最佳参数组合，使得所有训练样本离该最优分类面的误差最小。
8.一种基于支持向量机的锂离子电池健康状态估计***，其特征在于，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
确定支持向量机回归预测的输入变量和输出变量；
所述确定支持向量机回归预测的输入变量和输出变量具体为：
实时记录锂电池各项工作状态的历史数据，包括循环次数、循环充放电电流、放电深度、温度和下次将要进行的恒流充电的电流，作为支持向量机回归预测的输入变量；
在设定的循环周期后，对锂电池进行一次恒流充电和容量测试，统计电池恒流充电到达截止电压时所充入的电量Q，作为支持向量机回归预测的输出变量；
将输入变量和输出变量分成两组：训练集数据组和测试集数据组；
对训练集数据组和测试集数据组进行归一化处理；
对归一化后的训练集数据进行回归模型建立，得到回归函数；
选取RBF作为核函数，运用网格搜寻法选择最优的RBF核函数参数组合：核函数的宽度参数，惩罚系数和损失函数；
根据最优的RBF核函数参数组合确定最优参数回归模型；
将测试集数据带入训练后的回归模型，从而预测出电池恒流充电到达截止电压时所充入的电量Q1；
在相同恒流充电条件下，将训练集数据中的恒流充电到截止电压所充入的电量Q11和进行容量测试后得到的当前测试容量Q0运用最小二乘法进行拟合，将测试集数据预测得到的Q1带入拟合后的方程得到当前预测容量cM，从而对电池健康状态进行估计。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时执行以下步骤：
确定支持向量机回归预测的输入变量和输出变量；
所述确定支持向量机回归预测的输入变量和输出变量具体为：
实时记录锂电池各项工作状态的历史数据，包括循环次数、循环充放电电流、放电深度、温度和下次将要进行的恒流充电的电流，作为支持向量机回归预测的输入变量；
在设定的循环周期后，对锂电池进行一次恒流充电和容量测试，统计电池恒流充电到达截止电压时所充入的电量Q，作为支持向量机回归预测的输出变量；
将输入变量和输出变量分成两组：训练集数据组和测试集数据组；
对训练集数据组和测试集数据组进行归一化处理；
对归一化后的训练集数据进行回归模型建立，得到回归函数；
选取RBF作为核函数，运用网格搜寻法选择最优的RBF核函数参数组合：核函数的宽度参数，惩罚系数和损失函数；
根据最优的RBF核函数参数组合确定最优参数回归模型；
将测试集数据带入训练后的回归模型，从而预测出电池恒流充电到达截止电压时所充入的电量Q1；
在相同恒流充电条件下，将训练集数据中的恒流充电到截止电压所充入的电量Q11和进行容量测试后得到的当前测试容量Q0运用最小二乘法进行拟合，将测试集数据预测得到的Q1带入拟合后的方程得到当前预测容量cM，从而对电池健康状态进行估计。
CN201810636667.9A 2018-06-20 2018-06-20 一种基于支持向量机的锂离子电池健康状态估计方法及*** Active CN108805217B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810636667.9A CN108805217B (zh) 2018-06-20 2018-06-20 一种基于支持向量机的锂离子电池健康状态估计方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810636667.9A CN108805217B (zh) 2018-06-20 2018-06-20 一种基于支持向量机的锂离子电池健康状态估计方法及***

Publications (2)

Publication Number Publication Date
CN108805217A CN108805217A (zh) 2018-11-13
CN108805217B true CN108805217B (zh) 2020-10-23

Family

ID=64083726

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810636667.9A Active CN108805217B (zh) 2018-06-20 2018-06-20 一种基于支持向量机的锂离子电池健康状态估计方法及***

Country Status (1)

Country Link
CN (1) CN108805217B (zh)

Families Citing this family (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543759A (zh) * 2018-11-27 2019-03-29 北京石油化工学院 一种直流式气液旋流分离器分离性能的预测方法
CN109927575A (zh) * 2019-02-28 2019-06-25 福建工程学院 一种用于直流充电桩的电池性能检测方法
CN110080882A (zh) * 2019-04-16 2019-08-02 新奥能源动力科技（上海）有限公司 一种燃气轮机的启动方法及启动装置
CN110275129B (zh) * 2019-06-18 2022-10-04 中国电力科学研究院有限公司 一种确定高压电能计量装置合成误差的方法和***
CN110398697B (zh) * 2019-07-23 2021-06-25 北京工业大学 一种基于充电过程的锂离子健康状态估计方法
CN110608660B (zh) * 2019-08-28 2021-11-16 西安理工大学 一种电涡流传感器位移、温度预测方法
CN110501646A (zh) * 2019-08-29 2019-11-26 中国人民解放军国防科技大学 一种离线锂电池剩余电量估计方法
CN110568374B (zh) * 2019-09-02 2021-04-27 东北电力大学 基于考虑内外特性的锂离子电池剩余使用寿命预测方法
CN110850315A (zh) * 2019-11-29 2020-02-28 北京邮电大学 一种电池荷电状态的估算方法及装置
CN111308375B (zh) * 2020-02-04 2021-12-07 浙江大学 一种基于lstm-ffnn的电动叉车锂离子电池健康状态预测方法
CN111274539B (zh) * 2020-02-18 2023-04-25 金陵科技学院 一种基于交替最小二乘法的锂电池soh估计方法
CN111323705B (zh) * 2020-03-19 2021-07-23 山东大学 基于鲁棒递归最小二乘的电池参数辨识方法及***
CN111443293A (zh) * 2020-03-30 2020-07-24 青岛大学 一种基于数据驱动的锂电池健康状态soh估算方法
CN113935225B (zh) * 2020-06-29 2024-05-07 中国科学院大连化学物理研究所 一种基于机器学习的液流电池电堆优化和性能预测方法
CN111999656B (zh) * 2020-08-28 2023-05-12 广州小鹏汽车科技有限公司 车辆电池内短路的检测方法、检测装置和电子设备
CN112347692B (zh) * 2020-09-21 2024-02-06 深圳有电物联科技有限公司 不间断电源的电池预测性维护的实现方法、装置和电子装置
CN112287597B (zh) * 2020-09-22 2023-10-03 国网天津市电力公司电力科学研究院 基于vpga-gpr算法的铅酸蓄电池soh估计方法
CN112213643B (zh) * 2020-09-30 2023-06-23 蜂巢能源科技有限公司 电池初始容量、电池健康状态的预测方法、***及设备
CN112255559B (zh) * 2020-10-12 2023-05-09 启东沃太新能源有限公司 基于多元线性回归的锂电池储能电站剩余寿命预测方法
CN112684356B (zh) * 2020-10-31 2024-06-04 浙江锋锂新能源科技有限公司 一种锂离子电池的循环测试方法
CN112540318B (zh) * 2020-12-22 2022-01-04 武汉理工大学 一种起动内燃机的铅酸蓄电池健康状态估算方法
CN112580211A (zh) * 2020-12-23 2021-03-30 天津大学 基于sa和ann算法的铅酸蓄电池soh估计方法
CN112731184B (zh) * 2020-12-28 2023-03-03 深圳供电局有限公司 一种电池寿命检测方法和***
CN112834927A (zh) * 2021-01-06 2021-05-25 合肥工业大学 锂电池剩余寿命预测方法、***、设备及介质
CN112924886A (zh) * 2021-01-23 2021-06-08 青岛大学 一种电池健康状态soh预测方法及装置
CN113011464A (zh) * 2021-02-25 2021-06-22 沈阳工业大学 一种基于多维数据评价的变压器运行状态综合预测方法
CN113219341B (zh) * 2021-03-23 2023-04-07 陈九廷 一种模型生成及电池劣化推测装置、方法、介质及设备
CN113267733B (zh) * 2021-04-13 2023-11-17 西安理工大学 基于高斯过程回归的锂电池健康状态估计的自动配置方法
CN113866644A (zh) * 2021-09-30 2021-12-31 国网福建省电力有限公司龙岩供电公司 一种电池可使用时长和容量预测方法与装置
CN114355222A (zh) * 2021-12-23 2022-04-15 厦门大学 基于电压曲线的电池健康状态估计方法、装置及可读介质
CN114895206B (zh) * 2022-04-26 2023-04-28 合肥工业大学 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法
CN115267586A (zh) * 2022-07-11 2022-11-01 国网综合能源服务集团有限公司 锂电池soh评估方法
CN116413609B (zh) * 2023-06-08 2023-08-29 江苏正力新能电池技术有限公司 一种电池跳水识别方法、装置、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102680907A (zh) * 2012-05-31 2012-09-19 浙江大学 一种光伏***中电池充电soc检测方法
CN102749585A (zh) * 2011-04-21 2012-10-24 李昌 一种基于多层支持向量机的蓄电池在线监测方法
CN104021238A (zh) * 2014-03-25 2014-09-03 重庆邮电大学 一种铅酸动力电池***故障诊断方法
CN104391252A (zh) * 2014-12-04 2015-03-04 上海理工大学 一种汽车铅酸蓄电池健康状态检测方法
EP2975421A1 (en) * 2014-07-18 2016-01-20 Samsung Electronics Co., Ltd Method and apparatus for estimating state of battery
CN105334465A (zh) * 2015-09-15 2016-02-17 重庆长安汽车股份有限公司 一种锂离子电池健康状态估算方法
CN107132490A (zh) * 2017-07-05 2017-09-05 福州大学 一种实现锂电池组荷电状态估计的方法
CN107290679A (zh) * 2017-07-03 2017-10-24 南京能瑞电力科技有限公司 用于电动汽车共享充电桩的智能化电池健康状态检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102749585A (zh) * 2011-04-21 2012-10-24 李昌 一种基于多层支持向量机的蓄电池在线监测方法
CN102680907A (zh) * 2012-05-31 2012-09-19 浙江大学 一种光伏***中电池充电soc检测方法
CN104021238A (zh) * 2014-03-25 2014-09-03 重庆邮电大学 一种铅酸动力电池***故障诊断方法
EP2975421A1 (en) * 2014-07-18 2016-01-20 Samsung Electronics Co., Ltd Method and apparatus for estimating state of battery
CN104391252A (zh) * 2014-12-04 2015-03-04 上海理工大学 一种汽车铅酸蓄电池健康状态检测方法
CN105334465A (zh) * 2015-09-15 2016-02-17 重庆长安汽车股份有限公司 一种锂离子电池健康状态估算方法
CN107290679A (zh) * 2017-07-03 2017-10-24 南京能瑞电力科技有限公司 用于电动汽车共享充电桩的智能化电池健康状态检测方法
CN107132490A (zh) * 2017-07-05 2017-09-05 福州大学 一种实现锂电池组荷电状态估计的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Aging Performances and Cycle-life Predictions of Li-ion Battery;HUANG Hai et al;《Proceedings of the 35th Chinese Control Conference》;20160729;第8710-8715页 *
SOC Prediction of Lithium Battery Based on Fuzzy Information Granulation and Support Vector Regression;Wenwei Huang et al;《 2017 4th International Conference on Electrical and Electronic Engineering (ICEEE)》;20170601;第177-180页 *
一种基于支持向量机的锂电池健康状态评估方法;李睿琪等;《第17届中国***仿真技术及其应用学术年会(17th CCSSTA 2016)》;20161231;第17卷;第2.2.2节、第2.2.3节、第3.1节、第3.2节第1段、第3.3节第1段、 *
基于SVM的小样本条件下继电保护可靠性参数估计;何旭等;《电网技术》;20150531;第39卷(第5期);第2节第2段、第2节最后一段、第3.1节第2段、第3.3节第2段 *

Also Published As

Publication number Publication date
CN108805217A (zh) 2018-11-13

Similar Documents

Publication Publication Date Title
CN108805217B (zh) 一种基于支持向量机的锂离子电池健康状态估计方法及***
CN112666464B (zh) 电池健康状态预测方法、装置、电子设备和可读存储介质
Xuan et al. Real-time estimation of state-of-charge in lithium-ion batteries using improved central difference transform method
Meng et al. Lithium polymer battery state-of-charge estimation based on adaptive unscented Kalman filter and support vector machine
CN107066722B (zh) 一种基于电化学模型的动力电池***荷电状态和健康状态的联合估计方法
Xi et al. Accurate and reliable state of charge estimation of lithium ion batteries using time-delayed recurrent neural networks through the identification of overexcited neurons
Cui et al. A dynamic spatial-temporal attention-based GRU model with healthy features for state-of-health estimation of lithium-ion batteries
Weng et al. Model parametrization and adaptation based on the invariance of support vectors with applications to battery state-of-health monitoring
US20210048480A1 (en) Battery state estimation method
US11965935B2 (en) Method and apparatus for operating a system for providing predicted states of health of electrical energy stores for a device using machine learning methods
CN105911476B (zh) 一种基于数据挖掘的电池储能***soc预测方法
Shi et al. Estimation of battery state-of-charge using ν-support vector regression algorithm
US20220099743A1 (en) Method and Apparatus for Operating a System for Providing Predicted States of Health of Electrical Energy Stores for a Device Using Machine Learning Methods
CN115684947A (zh) 电池模型构建方法及电池劣化预测装置
Mian Qaisar A proficient Li-ion battery state of charge estimation based on event-driven processing
Wang et al. Health diagnosis for lithium-ion battery by combining partial incremental capacity and deep belief network during insufficient discharge profile
Wang et al. State-of-art survey of fractional order modeling and estimation methods for lithium-ion batteries
US20230349977A1 (en) Method and apparatus for estimating state of health of battery
CN114545262A (zh) 一种针对损失数据的锂离子电池参数辨识及soc估计方法
CN111950205A (zh) 一种基于fwa优化极限学习机的锂电池soh预测方法
Deng et al. Maximum available capacity and energy estimation based on support vector machine regression for lithium-ion battery
Zhang et al. Lithium-ion battery calendar aging mechanism analysis and impedance-based State-of-Health estimation method
Vedhanayaki et al. Certain investigation and implementation of Coulomb counting based unscented Kalman filter for state of charge estimation of lithium-ion batteries used in electric vehicle application
CN114545270A (zh) 一种考虑健康因子延迟的锂电池健康状态估计方法
CN116774045A (zh) 一种基于hho-svr的锂电池健康状态预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant