[发明专利]基于高斯过程回归的锂电池健康状况预测方法

说明书

技术领域

本发明涉及一种锂电池健康状况预测方法，属于电化学和分析化学领域。

背景技术

锂电池由于具有高能量率和功率，使其成为电子设备中非常有潜力的能量来源。在电子设备中，锂离子电池是非常重要的组成部分，在特定的系统中起着至关重要的作用，它的故障会导致系统性能的下降，操作失误，更严重的会引发灾难性的事故。

通过我们对电池健康状况的有效管理，包括设定电池的运行条件，计划好电池的更换间隔等，在一定程度上能够增强整个系统的可靠性和稳定性。然而，由于我们对电池的健康状况进行管理和预测的过程中要依靠参数的积分，且直接测量值会受到噪声的干扰和分辨率的制约，使得我们预测的不确定性增大，直接导致预测结果的准确性下降。

所以我们必须对锂离子电池健康状况管理和预测给予高度关注，通过控制电池的运行条件，更换间隔等来增强系统的可靠性和稳定性.电池在线运行过程是动态的，它的性能在很大程度上受到周围环境和负载情况的影响。电池的健康状况(SOH)预测是电池预测中非常重要的组成部分，它主要是对系统电池储存和传递的能量进行定量估计。SOH预测可以用来反应电池系统性能的退化，通过其有效的预测可以避免可能事故的发生。

目前，对于锂离子电池的SOH估计只要是利用电池的容量和阻抗还有很多其他的方式来估计电池的健康状况，有人提出了基于合适的SOH定义的功率锂离子电池的SOH的预测概念，还有Kim提出了利用双平滑模式的SOH估计的新技术等等。

高斯过程模型(GPR)是一种灵活的，具有不确定性表达的非参数模型，而且，GPR能够通过适当的高斯过程的组合来对任一系统的行为进行建模，最终实现基于贝叶斯预测框架的预测，在这个过程中可以灵活方便的结合先验知识。现在，它已经成为电池状态预测和健康管理的算法中非常重要的一部分，在不同的预测模型中，协方差函数的选择是非常重要的，但是，对于它的选择并没有明确的标准。对于随时间变化的电池内部参数进行高斯过程回归预测，然后利用其与电池容量的关系将其传递到电池容量领域进行预测，来表达容量随时间的退化情况。结果是可以接受的，但是在实际的情况中，锂离子电池使用过程中充放电的停歇会引发自充电现象，即再生现象；所以我们对其预测时，电池的退化趋势要对这一点进行反应。另外，当我们获得的训练数据较少时，预测的效果不是很理想，不能更好的反应真实的电池退化状况。

发明内容

本发明的目的是针对传统锂电池健康状况预测适应性差的问题，提供一种基于高斯过程回归的锂电池健康状况预测方法。

基于高斯过程回归的锂电池健康状况预测方法，它是由以下步骤实现的：

步骤一、将待检测新出厂的锂电池放空电，并再充满电，重复进行充放电N次，其中N大于或等于20的整数，记录周期内该锂电池的电池容量，然后绘制该锂电池的电池的健康状态SOH与充放电周期的关系曲线，即具有再生现象的退化曲线；

步骤二、根据具有再生现象的退化曲线和约束条件选择协方差函数；该约束条件为所选择的协方差函数所构成的协方差矩阵满足非负定；

协方差函数为k(x_i，x_j)＝k_f(x_i，x_j)+k_n(x_i，x_j)，其中，k_f用来描述未知系统模型中的函数部分，k_n代表未知系统的噪声部分，x_i为一个输入点，x_j为另一个输入点，i为大于或等于0的正整数，j为大于或等于0的正整数；以其协方差函数值来衡量输入点x_i和输入点x_j之间的距离；【数值越大，说明这两点的相关性越大】

步骤三、设定超参数Θ＝[l₁，σ_y，l₂，σ_f，w，σ_n]的初值，先设定任意初值，然后按照共轭梯度法迭代来得到似然函数偏导为0的最优值；【我们的最优值应使得似然函数对每个超函数的偏导为0，这是我们最终要达到的目标，但是这样计算较复杂，所以在不知道最优值的情况下，先设定任意初值，然后按照共轭梯度法迭代来得到似然函数偏导为0的最优值。】

步骤四、确定了协方差函数的形式后，将训练数据{(x，y)|i＝1，...，n}和预测输入代入协方差函数中，得到训练目标值和预测输出的先验分布如下，