CN111044928A - 一种锂电池健康状态估计方法 - Google Patents

Abstract

本发明涉及一种锂电池健康状态估计方法，包括以下步骤：选择以电池容量为状态变量，根据相关性分析提取多个特征作为后续模型的输入输出数据，以模拟锂电池的老化过程；将样本数据分成训练集和测试集，建立基于梯度提升决策树的回归模型，并对回归模型进行参数优化，进行样本训练得到混合算法回归训练模型；利用混合算法回归训练模型，对测试集下的锂电池健康状态进行估计。本发明具有精度高，泛化能力强等优点，能够准确有效的进行锂电池健康状态的估计。

Description

一种锂电池健康状态估计方法

技术领域

本发明涉及电池设计技术领域，特别是一种锂电池健康状态估计方法。

背景技术

随着汽车工业的不断发展，人们越来越关注由汽车尾气引起的环境污染。电动汽车由于其在性能和效率等方面的优点，为解决全球变暖等环境问题做出了贡献。目前，锂离子电池由于具有高能量密度、稳定性好和循环寿命长等特点，逐渐成为使用最广泛的电池类型。然而，即使已经开始应用电池管理***(BMS)来管理控制锂电池，锂电池这些优点也会存在一些潜在的威胁，例如安全性、使用寿命等。在这些问题中，如何准确估计锂的电池健康状态(SOH)是BMS的主要问题，因为BMS的主要任务包括实时状态估计、电池热管理、安全控制和电池均衡等，电池的SOH是电池的关键状态参数之一，其直接影响电池的性能。准确估计电池SOH可以为BMS合理的规划使用能源策略和有效避免潜在威胁提供参考，很好的避免电池使用过度造成的危害。因此，提供一种准确高效可靠的锂电池SOH估计方法是极其重要且有意义的。

近年来，多种锂电池健康状态估计方法相继被提出。Tran等人使用了一种双扩展卡尔曼滤波和ARX模型估算锂电池的SOH。但是这种方法需要建立多种类的电池模型，不具有泛化性。Mo等人提出了一种基于粒子群优化的卡尔曼滤波(PSO-KF)算法来预测锂电池的SOH，虽然得到了一个较好的结果，但是这种方法针对不同的锂电池种类无法做到准确的预测。

上述方法，无法很好的兼顾预测的准确性和泛化性。根据锂电池的特性，数据驱动的方法已经成为了锂电池SOH估计的主流方法。近年来，支持向量机(SVM)、高斯过程回归(GPR)、极限学习机(ELM)、随机森林(RF)、人工神经网络(ANN)、BP神经网络等方法被引入锂电池的SOH预测领域。虽然这些方法能够极大的提高预测的准确性，但是其仍存在调参麻烦、训练时间太久、泛化能力弱等问题。

发明内容

有鉴于此，本发明的目的是提出一种锂电池健康状态估计方法，具有精度高，泛化能力强等优点，能够准确有效的进行锂电池健康状态的估计。

本发明采用以下方案实现：一种锂电池健康状态估计方法，包括但不限于以下步骤：

选择以电池容量为状态变量，根据相关性分析提取多个特征作为后续模型的输入输出数据，以模拟锂电池的老化过程；

将样本数据分成训练集和测试集(优选将得到的80％样本作为训练集，剩下的20％样本作为测试集)，建立基于梯度提升决策树的回归模型，并对回归模型进行参数优化，进行样本训练得到混合算法回归训练模型；

利用混合算法回归训练模型，对测试集下的锂电池健康状态进行估计。

本发明首先对锂电池数据集进行分析，数据集中包括了每次充放电时记录的电气数据和环境数据，其具体包括：锂电池每次充放电时候的电流、电压、时间、温度和电池容量等数据变化情况。该数据集是对包括商用可充电锂电池18650在内的几种类型的电池进行连续的充放电实验得到的，主要包括充电和放电两个过程。充电过程是以恒定电流1.5A开始，随着充电过程的进行，锂电池两端的电压会升高，当电压升高到4.2V时，这个时候开始以恒定电压4.2V充电，在恒压充电的过程中，电池两端的电流就会逐渐下降，当充电电流下降到20mA时充电过程结束，以一定的时间间隔记录下电压、电流、温度等信息。放电过程是以2A的恒定电流状态开始，直到电池电压下降到设定数值。

进一步地，所述选择以电池容量为状态变量，根据相关性分析提取多个特征作为后续模型的输入输出数据，以模拟锂电池的老化过程，对数据集中的一些异常数据进行剔除，并选择锂电池的健康状态作为回归量，根据数据相关性分析，从数据集中提取了5个相关性最高的特征，最终筛选组成了168个数据样本，具体包括以下步骤：

步骤S11：将锂电池数据集中的充放电数据提取出来，并将充电-放电看作一个循环，剔除异常的数据得到N(N可以选择168)个循环周期样本；

步骤S12：从每个循环周期样本中提取包括平均充放电电压、平均充放电温度、平均充放电电流、充放电时间在内的特征，并将从放电曲线中提取得到的电池容量作为输出；

步骤S13：对提取得到的特征和输出做相关性分析，选取其中相关性最高的n(n优选5)个特征作为模型的输入样本数据，将输出作为模型的输出样本数据。

进一步地，所述建立基于梯度提升决策树的回归模型具体包括以下步骤：

步骤S21：将模型初始化为：

式中，c表示所有训练样本标签值的均值，y_i表示第i个电池SOH标签值，L(y_i，c)表示损失函数，N表示训练样本数，f₀(x)表示初始的弱学习器；

步骤S22：在每次迭代过程中，对样本计算损失函数的负梯度在当前模型的值，并将它作为残差的估计：

式中，m表示迭代次数，i表示样本编号，r_mi表示第i个样本第m次迭代的残差，x_i表示第i个训练样本值，f(x_i)表示第i个训练样本的基函数，f_m-1(x)表示第m-1次迭代得到的弱学***方损失函数，如下：

L(y,f(x))＝(y-f(x))²；

步骤S23：将得到的残差作为样本新的真实值，并将数据(x_i,r_im)作为下一棵树的训练数据，得到一棵新的回归树f_m(x)，其对应的叶子节点区域为R_jm，其中j为回归树的叶子节点的个数；对叶子区域j计算最佳拟合值c_mj为：

步骤S24：更新强学习器，得到：

式中，J表示回归树的叶子节点总数，其中：

得到最终的回归树F(x)：

式中，F(x)表示最终的回归树，M表示迭代总次数；

得到最终的学习器H(x)：

式中，f_M(x)表示达到最大迭代次数M时更新的强学习器，f₀(x)表示初始化的弱学习器，H(x)的值即为锂电池SOH估计结果。

进一步地，所述对回归模型进行参数优化具体为：基于量子粒子群算法和单纯形算法的混合优化算法对回归模型的参数进行优化。

进一步地，所述对回归模型进行参数优化具体包括以下步骤：

步骤S31：利用量子粒子群算法对回归模型的参数进行初步训练，根据参数计算适应度函数，得到初步优化后的模型参数；

步骤S32：将量子粒子群算法得到的初步优化后的模型参数作为单纯形算法的初值，对模型参数进行进一步寻优；

步骤S33：当满足预设的终止条件或者达到预设的迭代次数时，结束寻优，完成对回归模型的参数优化。

与现有技术相比，本发明有以下有益效果：本发明所提出的混合优化算法和梯度提升决策树回归模型的锂电池健康状态估计方法，通过数据预处理和相关性分析，得到相关性高的特征样本数据，在利用所提出的一种基于混合优化算法和梯度提升决策树回归模型进行锂电池健康状态估计，该方法具有很高的及那个度和稳定性，且鲁棒性和泛化能力极强。该方法可以根据不同的电池类型，对回归模型采用混合优化算法进行寻优，先利用量子粒子群算法(QPSO)较强的全局搜索能力，在全局范围内找到一个较好的值，为了克服QPSO容易陷入局部最优的不足，将QPSO得到的较好的值作为单纯形算法(NMS)的初值，利用NMS较强的局部搜索能力，寻优得到最优模型参数，最终得到相应的最优训练模型，得到最准确的估计结果。

附图说明

图1为本发明实施例的方法流程示意图。

图2为本发明实施例的多种锂电池类型的电池容量变化图。

图3为本发明实施例的输入特征与输出数据的相关性分析散点图。其中，F1至F5分别为5中不同相关性R下的散点图。

图4为本发明实施例的混合优化算法优化回归模型参数的具体流程图。

图5为本发明实施例的多种锂电池类型估计结果与实际值的对比图。其中，(a)为针对Battery#5的实验结果，(b)为针对Battery#6的实验结果，(c)为针对Battery#7的实验结果。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

如图1所示，本实施例提供了一种锂电池健康状态估计方法，包括但不限于以下步骤：

选择以电池容量为状态变量，根据相关性分析提取多个特征作为后续模型的输入输出数据，以模拟锂电池的老化过程；

将样本数据分成训练集和测试集(优选将得到的80％样本作为训练集，剩下的20％样本作为测试集)，建立基于梯度提升决策树的回归模型，并对回归模型进行参数优化，进行样本训练得到混合算法回归训练模型；

利用混合算法回归训练模型，对测试集下的锂电池健康状态进行估计，得到最终的估计曲线。

本实施例首先对锂电池数据集(本实施例选择NASA数据集)进行分析，数据集中包括了每次充放电时记录的电气数据和环境数据，其具体包括：锂电池每次充放电时候的电流、电压、时间、温度和电池容量等数据变化情况。该数据集是对包括商用可充电锂电池18650在内的几种类型的电池进行连续的充放电实验得到的，主要包括充电和放电两个过程。充电过程是以恒定电流1.5A开始，随着充电过程的进行，锂电池两端的电压会升高，当电压升高到4.2V时，这个时候开始以恒定电压4.2V充电，在恒压充电的过程中，电池两端的电流就会逐渐下降，当充电电流下降到20mA时充电过程结束，以一定的时间间隔记录下电压、电流、温度等信息。放电过程是以2A的恒定电流状态开始，直到电池电压下降到设定数值。

在本实施例中，所述选择以电池容量为状态变量，根据相关性分析提取多个特征作为后续模型的输入输出数据，以模拟锂电池的老化过程，对数据集中的一些异常数据进行剔除，并选择锂电池的健康状态作为回归量，根据数据相关性分析，从数据集中提取了5个相关性最高的特征，最终筛选组成了168个数据样本，其中，多种锂电池类型的电池容量变化图如图2所示，其数据相关性分析散点图如图3所示，其中F1-F5为经过数据预处理，剔除异常数据后的数据，具体包括以下步骤：

步骤S11：将锂电池数据集中的充放电数据提取出来，并将充电-放电看作一个循环，剔除异常的数据得到N(N可以选择168)个循环周期样本；

步骤S12：从每个循环周期样本中提取包括平均充放电电压、平均充放电温度、平均充放电电流、充放电时间在内的特征，并将从放电曲线中提取得到的电池容量作为输出；

步骤S13：对提取得到的特征和输出做相关性分析，选取其中相关性最高的n(n优选5)个特征作为模型的输入样本数据，将输出作为模型的输出样本数据。

在本实施例中，所述建立基于梯度提升决策树的回归模型具体包括以下步骤：

步骤S21：将模型初始化为：

式中，c表示所有训练样本标签值的均值，y_i表示第i个电池SOH标签值，L(y_i，c)表示损失函数，N表示训练样本数，f₀(x)表示初始的弱学习器；

步骤S22：在每次迭代过程中，对样本计算损失函数的负梯度在当前模型的值，并将它作为残差的估计：

式中，m表示迭代次数，i表示样本编号，r_mi表示第i个样本第m次迭代的残差，x_i表示第i个训练样本值，f(x_i)表示第i个训练样本的基函数，f_m-1(x)表示第m-1次迭代得到的弱学***方损失函数，如下：

L(y,f(x))＝(y-f(x))²；

步骤S23：将得到的残差作为样本新的真实值，并将数据(x_i,r_im)作为下一棵树的训练数据，得到一棵新的回归树f_m(x)，其对应的叶子节点区域为R_jm，其中j为回归树的叶子节点的个数；对叶子区域j计算最佳拟合值c_mj为：

步骤S24：更新强学习器，得到：

式中，J表示回归树的叶子节点总数，其中：

得到最终的回归树F(x)：

式中，F(x)表示最终的回归树，M表示迭代总次数；

得到最终的学习器H(x)：

式中，f_M(x)表示达到最大迭代次数M时更新的强学习器，f₀(x)表示初始化的弱学习器，H(x)的值即为锂电池SOH估计结果。

较佳的，基于梯度提升决策树的回归模型虽然有预测精度高、耗时短等优点，但是模型参数过多，手动调参过于麻烦，利用量子粒子群算法全局搜索能力强和单纯形算法局部搜索能力强的优点，本实施例设计一种基于量子粒子群算法和单纯形算法的混合优化算法用于优化回归模型参数，优化流程图如图4所示，在本实施例中，所述对回归模型进行参数优化具体为：基于量子粒子群算法和单纯形算法的混合优化算法对回归模型的参数进行优化。

在本实施例中，所述对回归模型进行参数优化具体包括以下步骤：

步骤S31：利用量子粒子群算法对回归模型的参数进行初步训练，根据参数计算适应度函数，得到初步优化后的模型参数；

步骤S32：将量子粒子群算法得到的初步优化后的模型参数作为单纯形算法的初值，对模型参数进行进一步寻优；

步骤S33：当满足预设的终止条件或者达到预设的迭代次数时，结束寻优，完成对回归模型的参数优化。

进一步地，在本实施例中，该训练模型的健康状态估计精度很高，估计结果如图5中的(a)、(b)和(c)所示，并且对不同种类的锂电池，不需要调参，可以直接利用该混合优化算法和梯度提升决策树回归模型进行训练估计，不同种类的锂电池健康状态估计结果如表1所示。

表1 本发明方法对不同电池型号的估计精度

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (5)

1.一种锂电池健康状态估计方法，其特征在于，包括但不限于以下步骤：

选择以电池容量为状态变量，根据相关性分析提取多个特征作为后续模型的输入输出数据，以模拟锂电池的老化过程；

将样本数据分成训练集和测试集，建立基于梯度提升决策树的回归模型，并对回归模型进行参数优化，进行样本训练得到混合算法回归训练模型；

利用混合算法回归训练模型，对测试集下的锂电池健康状态进行估计。

2.根据权利要求1所述的一种锂电池健康状态估计方法，其特征在于，所述选择以电池容量为状态变量，根据相关性分析提取多个特征作为后续模型的输入输出数据，以模拟锂电池的老化过程具体包括以下步骤：

步骤S11：将锂电池数据集中的充放电数据提取出来，并将充电-放电看作一个循环，剔除异常的数据得到N个循环周期样本；

步骤S12：从每个循环周期样本中提取包括平均充放电电压、平均充放电温度、平均充放电电流、充放电时间在内的特征，并将从放电曲线中提取得到的电池容量作为输出；

步骤S13：对提取得到的特征和输出做相关性分析，选取其中相关性最高的n个特征作为模型的输入样本数据，将输出作为模型的输出样本数据。

3.根据权利要求1所述的一种锂电池健康状态估计方法，其特征在于，所述建立基于梯度提升决策树的回归模型具体包括以下步骤：

步骤S21：将模型初始化为：

式中，c表示所有训练样本标签值的均值，y_i表示第i个电池SOH标签值，L(y_i，c)表示损失函数，N表示训练样本数，f₀(x)表示初始的弱学习器；

步骤S22：在每次迭代过程中，对样本计算损失函数的负梯度在当前模型的值，并将它作为残差的估计：

式中，m表示迭代次数，i表示样本编号，r_mi表示第i个样本第m次迭代的残差，x_i表示第i个训练样本值，f(x_i)表示第i个训练样本的基函数，f_m-1(x)表示第m-1次迭代得到的弱学***方损失函数，如下：

L(y,f(x))＝(y-f(x))²；

步骤S23：将得到的残差作为样本新的真实值，并将数据(x_i,r_im)作为下一棵树的训练数据，得到一棵新的回归树f_m(x)，其对应的叶子节点区域为R_jm，其中j为回归树的叶子节点的个数；对叶子区域j计算最佳拟合值c_mj为：

步骤S24：更新强学习器，得到：

式中，J表示回归树的叶子节点总数，其中：

得到最终的回归树F(x)：

式中，F(x)表示最终的回归树，M表示迭代总次数；

得到最终的学习器H(x)：

式中，f_M(x)表示达到最大迭代次数M时更新的强学习器，f₀(x)表示初始化的弱学习器，H(x)的值即为锂电池SOH估计结果。

4.根据权利要求1所述的一种锂电池健康状态估计方法，其特征在于，所述对回归模型进行参数优化具体为：基于量子粒子群算法和单纯形算法的混合优化算法对回归模型的参数进行优化。

5.根据权利要求4所述的一种锂电池健康状态估计方法，其特征在于，所述对回归模型进行参数优化具体包括以下步骤：

步骤S31：利用量子粒子群算法对回归模型的参数进行初步训练，根据参数计算适应度函数，得到初步优化后的模型参数；

步骤S32：将量子粒子群算法得到的初步优化后的模型参数作为单纯形算法的初值，对模型参数进行进一步寻优；

步骤S33：当满足预设的终止条件或者达到预设的迭代次数时，结束寻优，完成对回归模型的参数优化。

Images