[发明专利]一种锂电池健康状态估计方法

说明书

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。

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系统(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。