CN110068774A - 锂电池健康状态的估计方法、装置及存储介质 - Google Patents

Abstract

本发明公开了一种锂电池健康状态的估计方法、装置及存储介质。其中，该方法包括：利用多个有效充电循环对应的多个健康因子HI作为输入变量，以及多个有效充电循环对应的多个健康状态SOH作为输出变量，进行训练，得到高斯过程回归GPR模型，其中，GPR模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：有效充电循环的HI和HI对应的SOH；获取待检测充电循环的HI，将HI输入GPR模型，由GPR模型输出HI对应的SOH。本发明解决了相关技术中检测锂电池健康状态比较复杂且难以适应质量较差的采集数据的技术问题。

Description

锂电池健康状态的估计方法、装置及存储介质

技术领域

本发明涉及电池领域，具体而言，涉及一种锂电池健康状态的估计方法、装置及存储介质。

背景技术

目前，锂电池被广泛应用在电动汽车(EVs)、混合动力汽车(HEVs)和电网储能领域，其健康状态(State of Health，简称为SOH)的估计是锂电池使用过程中的重点关注技术。

SOH的估计方法主要有两类：基于模型和基于数据驱动。基于模型的方法主要有老化经验模型、等效电路模型和电化学模型。然而，老化经验模型需要耗费大量的人力、时间和资源，并且在如今锂电池制造技术飞速发展的背景下，针对旧型号电池建立的经验模型可能失去时效性；等效电路模型通过模型元件参数表征健康状态，但是这种模型多只适用于某一品牌同型号电池；电化学模型存在计算复杂度过高的问题。因此，基于数据驱动的方法非常适用于锂电池实际运行阶段的使用。

数据驱动的方法比基于模型的方法更为灵活，可以不考虑外部干扰。但是，已有的研究多是基于高精度和较为完整的实验循环，适用于精度较差和充电不完整的实际运行数据的研究目前还比较少。由于目前电池采集***精度不高和数据上传能力有限，导致原始数据质量较差。容量增量分析法(Incremental Capacity Analysis，简称为ICA)结合一定的数据前处理技术可以将充电曲线中的细节特征进行提取，得到健康因子(HealthIndicator，简称为HI)，减少因数据质量问题引入的误差。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种锂电池健康状态的估计方法、装置及存储介质，以至少解决相关技术中检测锂电池健康状态比较复杂且难以适应质量较差的采集数据的技术问题。

根据本发明实施例的一个方面，提供了一种锂电池健康状态的估计方法，包括：利用多个有效充电循环对应的多个健康因子HI作为输入变量，以及所述多个有效充电循环对应的多个健康状态SOH作为输出变量，进行训练，得到高斯过程回归GPR模型，其中，所述GPR模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：有效充电循环的HI和所述HI对应的SOH；获取待检测充电循环的HI，将所述HI输入所述GPR模型，由所述GPR模型输出所述HI对应的SOH。

可选地，在利用多个有效充电循环对应的多个健康因子HI作为输入变量，以及所述多个有效充电循环对应的多个健康状态SOH作为输出变量，对高斯过程回归GPR模型进行训练之前包括：采集锂电池运行数据；根据所述锂电池运行数据，确定多个有效充电循环，其中，所述有效充电循环为获取充电过程覆盖荷电状态达到预设荷电状态阈值的充电循环。

可选地，在利用多个有效充电循环对应的多个健康因子HI作为输入变量，以及所述多个有效充电循环对应的多个健康状态SOH作为输出变量，对高斯过程回归GPR模型进行训练之前还包括：根据所述多个有效充电循环对应的容量增量IC曲线的特征数据，将所述特征数据进行组合得到多个健康因子HI；从所述多个有效充电循环获取的多个健康状态SOH。

可选地，在根据所述多个有效充电循环对应的容量增量IC曲线的特征数据，将所述特征数据进行组合得到多个健康因子HI作为GPR模型的输入变量之前包括：对所述多个有效充电循环进行容量增量处理，得到相应的IC曲线；根据所述IC曲线，提取所述IC曲线的特征数据，其中，所述特征数据包括以下至少之一：峰值，峰面积，以及峰值所在的电压。

可选地，根据所述多个有效充电循环对应的容量增量IC曲线的特征数据，将所述特征数据进行组合得到多个健康因子HI作为GPR模型的输入变量包括：对所述IC曲线的特征数据进行归一化处理，得到归一化特征数据；利用灰色关联分析GRA计算出归一化特征数据和所述SOH的灰色关联度；根据所述归一化特征数据对应的灰色关联度进行组合，得到所述多个HI。

可选地，根据所述锂电池运行数据，确定多个有效充电循环包括：对所述锂电池运行数据进行预处理，得到优化的运行数据，其中，所述预处理至少包括以下之一：异常值剔除，遗漏值填补，平滑滤波；根据优化后的运行数据，确定所述多个有效充电循环。

可选地，根据所述锂电池运行数据，确定多个有效充电循环包括：确定所述锂电池运行数据的标志位；根据所述标志位截取所述锂电池运行数据的充电循环；获取所述充电循环的数据集；判断所述充电循环的数据集是否满足预设阈值，其中所述预设阈值包括数据采集的数量阈值，数据采集的时长阈值；在所述数据集满足所述预设阈值的情况下，所述数据集对应的所述充电循环为有效充电循环；否则，所述数据集对应的所述充电循环为无效充电循环。

可选地，通过以下方式，利用灰色关联分析GRA计算出归一化特征数据和所述SOH的灰色关联度包括：

其中，ρ∈[0，1]是分辨系数，ρ越小，分辨率越大，i＝1，2，3...m，i为第i个与y比较的x，k为时间，x为SOH，y为归一化特征数据；

通过以下方式，根据所述归一化特征数据对应的灰色关联度进行组合，得到所述多个HI包括：

其中，F_i为第i个特征数据，r为灰色关联度。

根据本发明实施例的另一方面，还提供了一种锂电池健康状态的估计装置，包括：训练模块，用于利用多个有效充电循环对应的多个健康因子HI作为输入变量，以及所述多个有效充电循环对应的多个健康状态SOH作为输出变量，进行训练，得到高斯过程回归GPR模型，其中，所述GPR模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：有效充电循环的HI和所述HI对应的SOH；检测模块，用于获取待检测充电循环的HI，将所述HI输入所述GPR模型，由所述GPR模型输出所述HI对应的SOH。

根据本发明实施例的另一方面，还提供了一种存储介质，所述存储介质存储有程序，其中，在所述程序被处理器运行时使得所述处理器执行上述中任意一项所述的锂电池健康状态的估计方法。

在本发明实施例中，采用利用多个有效充电循环对应的多个健康因子HI作为输入变量，以及所述多个有效充电循环对应的多个健康状态SOH作为输出变量，进行训练，得到高斯过程回归GPR模型，其中，所述GPR模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：有效充电循环的HI和所述HI对应的SOH；获取待检测充电循环的HI，将所述HI输入所述GPR模型，由所述GPR模型输出所述HI对应的SOH的方式，通过GPR模型检测充电循环的HI，达到了根据充电循环的HI得到该HI对应的SOH的目的，从而实现了在降低检测锂电池健康状态复杂度的同时，提升了对数据的适应能力的技术效果，进而解决了相关技术中检测锂电池健康状态比较复杂且难以适应质量较差的采集数据的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的锂电池健康状态的估计方法的流程图；

图2是根据本发明优选实施例的锂电池健康状态的估计方法的流程图；

图3是根据本发明优选实施例的锂电池健康状态的估计方法中步骤S1的流程图；

图4是根据本发明优选实施例的锂电池健康状态的估计方法中步骤S2的流程图；

图5是根据本发明优选实施例的锂电池健康状态的估计方法中IC曲线的示意图；

图6是根据本发明优选实施例的锂电池健康状态的估计方法中IC曲线的图噪音处理效果与特征提取的示意图；

图7是根据本发明优选实施例的锂电池健康状态的估计方法中步骤S3的流程图；

图8是根据本发明优选实施例的锂电池健康状态的估计方法步骤S32中多种群粒子群优化算法的流程图；

图9是根据本发明优选实施例的锂电池健康状态的估计方法中SOH估计结果的示意图；

图10是根据本发明实施例的锂电池健康状态的估计装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明实施例，提供了一种锂电池健康状态的估计方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的锂电池健康状态的估计方法的流程图，如图1所示，该方法包括如下步骤：

步骤S102，利用多个有效充电循环对应的多个健康因子HI作为输入变量，以及多个有效充电循环对应的多个健康状态SOH作为输出变量，进行训练，得到高斯过程回归(Gaussian Process Regression，简称为GPR)模型，其中，GPR模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：有效充电循环的HI和HI对应的SOH；

步骤S104，获取待检测充电循环的HI，将HI输入GPR模型，由GPR模型输出HI对应的SOH。

通过上述步骤，可以实现通过GPR模型，达到了根据充电循环的HI准确得到该HI对应的SOH的目的，从而实现了在降低检测锂电池健康状态复杂度的同时，提升了对数据的适应能力的技术效果，进而解决了相关技术中检测锂电池健康状态比较复杂且难以适应质量较差的采集数据的技术问题。

作为一种可选的实施例，上述多个健康因子HI和多个健康状态SOH可以按照预设的规则分别生成HI序列和SOH序列，进而可以将HI序列作为输入变量，将SOH序列作为输出变量。需要说明的是，HI序列中的健康因子HI与SOH序列中的健康状态SOH存在对应关系，即每一个健康因子HI与健康状态SOH是对应存在的。

作为一种可选的实施例，上述高斯过程回归GPR模型，其中，该模型是选择合适的核函数，对构建的GPR模型进行训练得到的，需要说明的是，在实际训练中可以得到最优超参数和最优GPR模型。例如，将多个HI作为模型输入，将多个SOH作为模型输出，得到数据集(X，Y)，将数据集按照一定比例分为训练集(x，y)和测试集(x^*，y^*)。选择径向基(RadialBasis Function，简称为RBF)作为GPR模型的核函数，使用训练集进行模型训练。在训练过程中，通过最大化边际似然函数优化超参数，优化过程采用多种群粒子群优化算法，之后，根据最优RBF核函数确定最优GPR模型，同时可以使用测试集进行最优GPR精度校验，使得最优超参数和最优GPR模型更加准确。

作为一种可选的实施例，可以通过GPR模型根据输入的HI，从而快速、准确地确定对应的SOH。

可选地，在利用多个有效充电循环对应的多个健康因子HI作为输入变量，以及多个有效充电循环对应的多个健康状态SOH作为输出变量，对高斯过程回归GPR模型进行训练之前包括：采集锂电池运行数据；根据锂电池运行数据，确定多个有效充电循环，其中，有效充电循环为获取充电过程覆盖荷电状态达到预设荷电状态阈值的充电循环。

作为一种可选的实施例，上述锂电池运行数据可以包括电池型号、额定容量、出厂信息、应用场景等基本信息。

作为一种可选的实施例，上述有效充电循环用于获取充电过程覆盖荷电状态(State of Charge，简称为SOC)较广的充电循环，实际操作中依据充电倍率不同以采样点数量或充电时长为筛选依据。

可选地，在利用多个有效充电循环对应的多个健康因子HI作为输入变量，以及多个有效充电循环对应的多个健康状态SOH作为输出变量，对高斯过程回归GPR模型进行训练之前还包括：根据多个有效充电循环对应的容量增量IC曲线的特征数据，将特征数据进行组合得到多个健康因子HI；从多个有效充电循环获取的多个健康状态SOH。

作为一种可选的实施例，对于不完整的充电循环对应的增量IC曲线的特征数据，可以将其部分可用的特征数据进行组合得到健康因子。

作为一种可选的实施例，可以采用容量增量分析法对各个充电循环进行计算，提取容量增量IC曲线相关特征，对特征进行组合获得间接健康因子。

作为一种可选的实施例，在确定有效充电循环后，可以从上述有效充电循环获取健康状态。

作为一种可选的实施例，不仅可以从多个有效充电循环得到对应的多个SOH和多个HI，还可以从一个有效充电循环得到对应的一个SOH和一个HI。

可选地，在根据多个有效充电循环对应的容量增量IC曲线的特征数据，将特征数据进行组合得到多个健康因子HI作为GPR模型的输入变量之前包括：对多个有效充电循环进行容量增量处理，得到相应的IC曲线；根据IC曲线，提取IC曲线的特征数据，其中，特征数据包括以下至少之一：峰值，峰面积，以及峰值所在的电压。

作为一种可选的实施例，对于不完整的容量增量IC曲线，可以提取部分可用的IC曲线的特征数据。

作为一种可选的实施例，在根据IC曲线，提取IC曲线的特征数据之前还包括：对获取的IC曲线进行噪声处理，得到去噪后的IC曲线；根据去噪后的IC曲线，提取去噪后的IC曲线的特征数据；其中，上述特征数据包括但不限于峰值，峰面积，以及峰值所在的电压。

作为一种可选的实施例，可以利用平滑滤波器所采用的移动窗口对特征数据进行连续获取，并对当前窗口内的特征数据采用最小二乘拟合的高阶多项式。

其中，上述容量增量处理主要利用容量增量分析法，而容量增量分析法是研究锂离子动力电池材料特性衰退机理的重要方法，以恒流充电过程为例，电流I为常数，所以容量变化量dQ＝I*dt，则dQ/dV＝I*dt/dV，单位时间内电压变化越小，那么dt/dV越大，充电曲线的平台便以峰值的方式呈现出来。

对于锂电池实际运行数据，采用统计采样点个数的方法获取IC曲线。一般电池端电压采样频率恒定，则电池充入的电量即正比于充电过程中采样点数。在电压上升较迅速的时候，采样点数较少，而电压上升缓慢的时候，采样点数就比较多，电压出现平台，对应于IC曲线出现峰值。

其中，n为相应区间内统计得到的采样点点数，I为恒流充电的电流，f为采样频率，δV为电压区间宽度。

可选地，根据多个有效充电循环对应的容量增量IC曲线的特征数据，将特征数据进行组合得到多个健康因子HI作为GPR模型的输入变量包括：对IC曲线的特征数据进行归一化处理，得到归一化特征数据；利用灰色关联分析(Grey Relation Analysis，简称为GRA)计算出归一化特征数据和SOH的灰色关联度；根据归一化特征数据对应的灰色关联度进行组合，得到多个HI。

上述对对IC曲线的特征数据进行归一化处理，实际上就是将上述特征数据以的概率形式分布在一定的概率区间内，例如，该概率区间可以是[0，1]，当然，也可以是其他的概率区间。此时，归一化特征数据呈规律性分布。

上述灰色关联分析GRA，可以通过上述GRA得到归一化特征数据和SOH的灰色关联度。

上述根据归一化特征数据对应的灰色关联度进行组合，得到多个HI，在具体实施中，可以通过归一化特征数据对应的灰色关联度进行组合，得到每一个HI。以峰值Peak和峰面积Area组合为例：

上述方法可以在某一特征数据缺失时，可以利用可用的特征数据组合得到相应的HI。

可选地，根据锂电池运行数据，确定多个有效充电循环包括：对锂电池运行数据进行预处理，得到优化的运行数据，其中，预处理至少包括以下之一：异常值剔除，遗漏值填补，平滑滤波；根据优化后的运行数据，确定多个有效充电循环。

作为一种可选的实施例，上述异常值剔除处理包括使用阈值设定法、相关性分析、重复冗余数据筛选等剔除异常值；上述遗漏值填补处理包括使用回归、贝叶斯形式化、固定值填补等补全遗漏值；上述平滑滤波处理包括使用最小二乘滤波、三次样条插值等平滑滤波。上述预处理方法是对锂电池运行数据的优化，在具体实施过程中，可以采用其中一种方法或者几种方法结合的形式。而且，经过上述预处理方法可以得到优化后的运行数据，进而使得最终得到的多个有效充电循环更加准确，更具有参考意义。

可选地，根据锂电池运行数据，确定多个有效充电循环包括：确定锂电池运行数据的标志位；根据标志位截取锂电池运行数据的充电循环；获取充电循环的数据集；判断充电循环的数据集是否满足预设阈值，其中预设阈值包括数据采集的数量阈值，数据采集的时长阈值；在数据集满足预设阈值的情况下，数据集对应的充电循环为有效充电循环；否则，数据集对应的充电循环为无效充电循环。

作为一种可选的实施例，上述标志位根据锂电池运行数据的来源，可以包括充电状态打开标志、循环数累计、充电机(桩)连接状态等。其中，在无标志位的情况下，判断电流是否在某一负值长期轻微波动，即可判断为恒流充电状态。在存在标志位的情况下，截取标志位代表恒流充电状态的数据记录为充电循环，获取的该充电循环的数据集包括但不限于电压、电流、温度、里程累计值等。

作为一种可选的实施例，上述预设阈值的设定需要考虑诸多因素，例如，数据离散度及充放电倍率等。进一步地，可以根据上述因素设置数量阈值或者时长阈值，其中，预设阈值的设置应该根据具体应用场景设定。

作为一种可选的实施例，在充电循环的数据集满足预设阈值的情况下，则上述数据集对应的充电循环为有效充电循环；否则，上述数据集对应的充电循环为无效充电循环。通过该方法，可以快速、准确的对原始的充电循环进行分类。

可选地，通过以下方式，利用灰色关联分析GRA计算出归一化特征数据和SOH的灰色关联度包括：

其中，ρ∈[0，1]是分辨系数，ρ越小，分辨率越大，i＝1，2，3...m，i为第i个与y比较的x，k为时间，x为SOH，y为归一化特征数据；

通过以下方式，根据归一化特征数据对应的灰色关联度进行组合，得到多个HI包括：

其中，F_i为第i个特征数据，r为灰色关联度。

需要说明的是，上述特征数据可以为归一化特征数据，也可以是非归一化特征数据，该特征数据包括：峰值，峰面积以及峰值电压等等，而i的取值可以是该特征数据中的任意一个。

下面对本发明的优选实施方式进行说明。

本发明的优选实施方式提供了一种锂电池健康状态的估计方法，且该方法是基于容量增量法与高斯过程回归来实现对锂电池健康状态的检测，也即可以实现锂电池SOH的在线估计。

上述方法的实施步骤如下：

S1：采集锂电池运行数据，进行数据前处理，提取有效充电循环，获取SOH序列，作为GPR输出变量；

S2：采用容量增量法对各个充电循环进行计算，提取容量增量曲线相关特征，对特征进行组合获得健康因子，作为GPR输入变量；

S3：选择合适核函数，进行GPR模型训练，得到最优超参数和最优GPR模型；

S4：获取最新充电循环的健康因子，输入训练好的GPR模型得到当前SOH。

进一步，步骤S1中，数据前处理方法包括异常值剔除、遗漏值填补、平滑滤波中的一种或多种。其中，异常值剔除所用方法包括阈值设定法、相关性分析、重复冗余数据筛选等；遗漏值填补所用方法包括回归、贝叶斯形式化、固定值填补等；平滑滤波所用方法包括最小二乘滤波、三次样条插值等。有效充电循环用于获取充电过程覆盖荷电状态(State ofCharge，简称为SOC)较广的充电循环，实际操作中依据充电倍率不同以采样点数量或充电时长为筛选依据。健康状态序列为获取各个充电循环充入电量作为当前容量，采用归一化方法所得序列是SOH序列。

进一步，步骤S2包括：

S21：提取IC曲线峰值(Peak)、峰面积(Area)与峰值所在电压(V_Peak)，并对各特征进行归一化处理；

S22：采用灰色关联分析计算各特征与SOH的灰色关联度；

S23：对多个间接特征进行组合得到HI。

进一步，步骤S3包括：

S31：将输入变量和输出变量按照一定比例分为训练集和测试集；

S32：选取RBF为核函数，运用多种群粒子群算法选择最优RBF核函数参数组合；

S33：根据最优RBF核函数确定最优GPR模型；

S34：使用测试集进行模型精度校验。

进一步，S22中的灰色关联度计算方式为：

序列x_i(k)和y(k)的关联度系数计算公式如下：

其中ρ∈[0，1]是分辨系数，ρ越小，分辨率越大。i＝1，2，3...m，i为第i个与y比较的x序列，k为k时刻的序列值。

关联度是对曲线各个点关联度系数的整合：

进一步，步骤S23中的组合方式为：

其中F_i为第i个特征值，r为灰色关联度，i，j均为排序数。

进一步，步骤S32中采用的最优RBF核函数参数选择方法为多种群粒子群算法，但不局限于该最优估计方法。

根据上述方法，通过前处理技术与容量增量分析法得到锂电池充电曲线的特征，采用灰色关联度分析进行特征组合得到健康因子，将健康因子序列和历史SOH序列数据集用于训练高斯过程回归模型，进而在采集到新的充电数据时可利用模型进行SOH估计。

(1)高斯过程回归模型所得的结果包括均值与置信区间，估计结果更具有说明性。

(2)算法不限于某一型号的电池，通用性较强。

(3)原始数据质量问题通过数据前处理技术与容量增量分析法得到处理，对估计结果影响较小。

(4)对于不完整充电循环曲线，可提取部分可用特征构建健康因子，实现了用于部分充电曲线的SOH在线估计。

(5)算法可在锂电池使用过程中同步采集数据进行模型优化，鲁棒性较强。

下面对上述实施方式进一步详细说明：

图2是根据本发明优选实施例的锂电池健康状态的估计方法的流程图，如图2所示，该方法可以包括以下步骤：

S1：采集锂电池运行数据，进行数据前处理，提取有效充电循环，获取SOH序列，作为GPR输出变量；

S2：采用ICA对各个充电循环进行计算，提取IC曲线相关特征，对特征进行组合获得健康因子，作为GPR输入变量；

S3：选择合适核函数，进行GPR模型训练，得到最优超参数和最优GPR模型；

S4：获取最新充电循环的健康因子，输入训练好的GPR模型得到当前SOH。

图3是根据本发明优选实施例的锂电池健康状态的估计方法中步骤S1的流程图，如图3所示，步骤S1具体包括步骤S11～S17。

S11：采集锂电池运行数据，确定电池型号、额定容量、出厂信息、应用场景等基本信息；

S12：进行数据前处理。使用阈值设定法、相关性分析、重复冗余数据筛选等剔除异常值；使用回归、贝叶斯形式化、固定值填补等补全遗漏值；使用最小二乘滤波、三次样条插值等平滑滤波。

S13：选定标志位，依据电池数据来源不同，可能为：充电状态打开标志、循环数累计、充电机(桩)连接状态等。若无标志位，判断电流是否在某一负值长期轻微波动，即可判断为恒流充电状态。截取标志位代表恒流充电状态的数据记录为当前循环，提取的数据列包括但不限于电压、电流、温度、里程累计值等。

S14：判断所截取当前循环数据集是否有效，若数据采集数量过少或采集时间过短(具体阈值视数据离散度及充放电倍率灵活选择)，进入S15，否则进入S16。

S15：该次数据记录无效，舍弃。

S16：存储该次数据记录为有效循环，记录该次循环充入电量，按照比例计算当前电池SOC为100％时的容量，记录为当前循环的电池可用容量。

S17：对所有循环得到的容量序列进行归一化，得到SOH序列。

图4是根据本发明优选实施例的锂电池健康状态的估计方法中步骤S2的流程图，如图4所示，步骤S2具体包括步骤S21～S24。

S21：对单个循环进行容量增量分析，获取IC曲线。

容量增量分析法是研究锂离子动力电池材料特性衰退机理的重要方法，以恒流充电过程为例，电流I为常数，所以容量变化量dQ＝I*dt，则dQ/dV＝I*dt/dV，单位时间内电压变化越小，那么dt/dV越大，充电曲线的平台便以峰值的方式呈现出来。

对于锂电池实际运行数据，采用统计采样点个数的方法获取IC曲线。一般电池端电压采样频率恒定，则电池充入的电量即正比于充电过程中采样点数。在电压上升较迅速的时候，采样点数较少，而电压上升缓慢的时候，采样点数就比较多，电压出现平台，对应于IC曲线出现峰值。

其中，n为相应区间内统计得到的采样点点数，I为恒流充电的电流，f为采样频率，δV为电压区间宽度。

图5是根据本发明优选实施例的锂电池健康状态的估计方法中IC曲线的示意图，初步获取的IC曲线如图5所示。

S22：对获取的IC曲线进行噪音处理并提取曲线特征。此处采用Savitzky-Golay平滑滤波器，该滤波器采用移动窗口对数据进行连续获取，并对当前窗口内的数据采用最小二乘拟合得高阶多项式。

图6是根据本发明优选实施例的锂电池健康状态的估计方法中IC曲线的图噪音处理效果与特征提取的示意图，如图6所示。A点对应IC曲线的峰值(Peak)，B所在的阴影面积为峰面积(Area)，C点对应峰值电压(V_Peak)，对各个特征序列进行归一化处理。

S23：计算单个特征序列与SOH序列的灰色关联度

S24：采用灰色关联度r之比进行组合所得的HI估计结果最佳，此处以Peak和Area组合为例，组合方式为：

若出现当前循环某个特征值缺失，则以可用特征值组合得到HI。

图7是根据本发明优选实施例的锂电池健康状态的估计方法中步骤S3的流程图，如图7所示，步骤S3具体包括S31～S34。

S31：HI序列作为模型输入，SOH序列作为模型输出，得到数据集(X，Y)，将数据集按照一定比例分为训练集(x，y)和测试集(x^*，y^*)，其中，HI序列由多个HI组成，SOH序列由多个SOH组成。

S32：选择RBF作为GPR的核函数，使用训练集进行模型训练。在训练过程中，通过最大化边际似然函数优化超参数，优化过程采用多种群粒子群优化算法。

具体地，高斯过程回归算法如下：

GPR无需明确过程f(x)的具体形式，只需要假设其服从联合高斯分布，那么y即为受噪声干扰的观测值，即：

是噪声方差，y的有限观测值所形成的集合构成一个高斯过程，服从高斯分布：

Var(x)是n×n的协方差矩阵，第(i，j)元素为协方差函数，即径向基核函数(RBF)：

其中，σ_f和λ为常数。当有新的测试集S^*＝(x^*，y^*)同样服从高斯分布时，那么预测得到酢和为：

其中，k(X^*)＝[Var(x^*，x₁)，...，Var(x^*，x_n)]^T

超参数θ＝(σ_n，σ_f，λ)是否准确影响了预测结果，本文选用多种群粒子群优化算法迭代得到最优超参数。θ依据以下公式通过最大化边际似然得到：

图8是根据本发明优选实施例的锂电池健康状态的估计方法步骤S32中多种群粒子群优化算法的流程图，如图8所示，步骤S32中多种群粒子群优化算法包括S321～S324，具体地：

S321：确定种群规模、maxT、初始ω、加速因子等；将粒子平均分为3个子群，其中子群1按照PSO迭代，子群2按照ω自线性调整粒子群算法迭代，子群3按照云自适应粒子群算法迭代。

具体地：

PSO主要根据下面两个公式进行演化计算：

v_i(t+1)＝ωv_i(t)+c₁r₁(p_i(t)-x_i(t))+c₂r₂(p_g(t)-x_i(t))

x_i(t+1)＝x_i(t)+v_i(t+1)

其中，ω为惯性权值，c₁和c₂为加速系数，这三个系数是固定常数，r₁和r₂是[0，1]范围内的随机数。v_i(t)为粒子i在t时刻的速度，x_i(t)为当前位置，p_i(t)是粒子i的最佳位置，p_g(t)为所有粒子的最佳位置。

自线性调整粒子群算法将ω进行调整，在迭代初期，ω比较大，有利于快速搜索，在迭代后期，ω减小，有助于定位最佳位置。ω调整方式如下：

maxT是最大的迭代次数

云自适应粒子群算法将云模型、粒子群优化算法(Particle SwarmOptimization，简称为PSO)及自适应思想结合，权重调整策略依据如下公式进行：

E_x＝gbest

E′_n＝rand(E_n，H_e)

ω_i(t+1)＝ω_i(t)×p_i(t)

其中，c₁和c₂为控制参数，决定了云模型的形态。k是初始调整系数，一般取0.9。p_i(t)为t时刻第i个粒子的权重惯性概率。当前粒子距离全局最优差值较大时，权重ω较大，反之权重ω较小，且ω取值具备一定模糊性，大大增加了粒子丰富度，提升寻优速率和降低陷入局部最优的概率。

S322：随机产生初代粒子位置及速度，为三个子群各自选取最优粒子，并对比得出全局最优粒子和计算当前最佳适应值。

S323：按照各自种群的权重计算策略计算新的权重并进行迭代，更新子群最优粒子和全局最优粒子，计算适应值。

S324：判断是否满足迭代终止条件，若不满足，重复S323。

S33：采用训练好的GPR模型实现SOH估计，判断模型输出与真实值之间误差大小，判断依据采用均方根误差。若均方根误差满足收敛条件，收敛条件可以为迭代次数达到上限或精度满足条件，则结束；否则进入S32。

图9是根据本发明优选实施例的锂电池健康状态的估计方法中SOH估计结果的示意图，如图9所示，为基于某公司车载锂电池运行数据得出的SOH估计结果，车辆在实际运行时，由于搁置较多，容量回复现象明显，容量衰退曲线有明显的波动，但整体呈现缓慢下降趋势。

实线为真实SOH(SOH_real)，虚线为基于训练好的GPR模型以当前循环提取的HI所得的估计SOH(SOH_pre)，第一条曲线和第四条曲线分别为估计值的95％置信区间的上、下限，可见基本上所有真实值都处在置信区间上下界内。本次估计算法使用数据集的56.6％作为训练数据，在测试集上得到的估计值序列与真实值序列的均方根误差为0.00374。考虑到车辆数据采集精度与复杂运行工况带来的影响，该误差在可接受范围内。

图10是根据本发明实施例的锂电池健康状态的估计装置的结构示意图，如图10所示，该锂电池健康状态的估计装置，包括：训练模块1002和检测模块1004。下面对该锂电池健康状态的估计装置进行详细说明。

训练模块1002，用于利用多个有效充电循环对应的多个健康因子HI作为输入变量，以及多个有效充电循环对应的多个健康状态SOH作为输出变量，进行训练，得到高斯过程回归GPR模型，其中，GPR模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：有效充电循环的HI和HI对应的SOH；检测模块1004，连接至上述训练模块1002，用于获取待检测充电循环的HI，将HI输入GPR模型，由GPR模型输出HI对应的SOH。

上述实施例可以通过GPR模型检测充电循环的HI，达到了根据充电循环的HI得到该HI对应的SOH的目的，从而实现了在降低检测锂电池健康状态复杂度的同时，提升了对数据的适应能力的技术效果，进而解决了相关技术中检测锂电池健康状态比较复杂且难以适应质量较差的采集数据的技术问题。

根据本发明实施例的另一方面，还提供了一种存储介质，存储介质存储有程序，其中，在程序被处理器运行时使得处理器执行上述中任意一项的锂电池健康状态的估计方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种锂电池健康状态的估计方法，其特征在于，包括：

利用多个有效充电循环对应的多个健康因子HI作为输入变量，以及所述多个有效充电循环对应的多个健康状态SOH作为输出变量，进行训练，得到高斯过程回归GPR模型，其中，所述GPR模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：有效充电循环的HI和所述HI对应的SOH；

获取待检测充电循环的HI，将所述HI输入所述GPR模型，由所述GPR模型输出所述HI对应的SOH。

2.根据权利要求1所述的方法，其特征在于，在利用多个有效充电循环对应的多个健康因子HI作为输入变量，以及所述多个有效充电循环对应的多个健康状态SOH作为输出变量，对高斯过程回归GPR模型进行训练之前包括：

采集锂电池运行数据；

根据所述锂电池运行数据，确定多个有效充电循环，其中，所述有效充电循环为获取充电过程覆盖荷电状态达到预设荷电状态阈值的充电循环。

3.根据权利要求2所述的方法，其特征在于，在利用多个有效充电循环对应的多个健康因子HI作为输入变量，以及所述多个有效充电循环对应的多个健康状态SOH作为输出变量，对高斯过程回归GPR模型进行训练之前还包括：

根据所述多个有效充电循环对应的容量增量IC曲线的特征数据，将所述特征数据进行组合得到多个健康因子HI；

从所述多个有效充电循环获取的多个健康状态SOH。

4.根据权利要求3所述的方法，其特征在于，在根据所述多个有效充电循环对应的容量增量IC曲线的特征数据，将所述特征数据进行组合得到多个健康因子HI作为GPR模型的输入变量之前包括：

对所述多个有效充电循环进行容量增量处理，得到相应的IC曲线；

根据所述IC曲线，提取所述IC曲线的特征数据，其中，所述特征数据包括以下至少之一：峰值，峰面积，以及峰值所在的电压。

5.根据权利要求3所述的方法，其特征在于，根据所述多个有效充电循环对应的容量增量IC曲线的特征数据，将所述特征数据进行组合得到多个健康因子HI作为GPR模型的输入变量包括：

对所述IC曲线的特征数据进行归一化处理，得到归一化特征数据；

利用灰色关联分析GRA计算出归一化特征数据和所述SOH的灰色关联度；

根据所述归一化特征数据对应的灰色关联度进行组合，得到所述多个HI。

6.根据权利要求2所述的方法，其特征在于，根据所述锂电池运行数据，确定多个有效充电循环包括：

对所述锂电池运行数据进行预处理，得到优化的运行数据，其中，所述预处理至少包括以下之一：异常值剔除，遗漏值填补，平滑滤波；

根据优化后的运行数据，确定所述多个有效充电循环。

7.根据权利要求2所述的方法，其特征在于，根据所述锂电池运行数据，确定多个有效充电循环包括：

确定所述锂电池运行数据的标志位；

根据所述标志位截取所述锂电池运行数据的充电循环；

获取所述充电循环的数据集；

判断所述充电循环的数据集是否满足预设阈值，其中所述预设阈值包括数据采集的数量阈值，数据采集的时长阈值；

在所述数据集满足所述预设阈值的情况下，所述数据集对应的所述充电循环为有效充电循环；否则，所述数据集对应的所述充电循环为无效充电循环。

8.根据权利要求5所述的方法，其特征在于，

通过以下方式，利用灰色关联分析GRA计算出归一化特征数据和所述SOH的灰色关联度包括：

其中，ρ∈[0，1]是分辨系数，ρ越小，分辨率越大，i＝1，2，3...m，i为第i个与y比较的x，k为时间，x为SOH，y为归一化特征数据；

通过以下方式，根据所述归一化特征数据对应的灰色关联度进行组合，得到所述多个HI包括：

其中，F_i为第i个特征数据，r为灰色关联度。

9.一种锂电池健康状态的估计装置，其特征在于，包括：

训练模块，用于利用多个有效充电循环对应的多个健康因子HI作为输入变量，以及所述多个有效充电循环对应的多个健康状态SOH作为输出变量，进行训练，得到高斯过程回归GPR模型，其中，所述GPR模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：有效充电循环的HI和所述HI对应的SOH；

检测模块，用于获取待检测充电循环的HI，将所述HI输入所述GPR模型，由所述GPR模型输出所述HI对应的SOH。

10.一种存储介质，其特征在于，所述存储介质存储有程序，其中，在所述程序被处理器运行时使得所述处理器执行权利要求1至8中任意一项所述的锂电池健康状态的估计方法。