[发明专利]一种锂电池健康状态估计方法

权利要求书

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次迭代得到的弱学习器；其中，负梯度L(y_i,f(x_i))的计算采用平方损失函数，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。