[发明专利]一种基于支持向量机的锂离子电池健康状态估计方法及系统

权利要求书

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c_M，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其中，是第i个训练样本的输入列向量，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：

定义ε线性不敏感损失函数为：

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ξ_i,ξ_i^*，则需要满足如下约束关系式：

其中，为非线性映射函数，为回归系数向量，b为阈值；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：

其中，分别为样本i对应的拉格朗日乘子的最优解，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。