[发明专利]一种基于数据驱动的车用电池健康状态估计方法

说明书

本发明涉及一种基于数据驱动的车用电池健康状态估计方法SOH方法，属于电池管理技术领域。该方法包括：选定待测电池，收集整理该电池的技术参数；根据车用充电工况和恒电流或动态放电工况进行电池的循环老化实验，并收据电池电压，电流，温度等信息，建立电池老化数据库。根据筛选出的子集提取其他电池的健康因子，利用训练好的回归模型估计其他不同放电工况下的电池的SOH估计的验证。将训练好的模型嵌入车用电池管理系统，并在车用中提取子集涵盖的健康因子并进行SOH估计。本发明利用融合方法选择最优特征子集进行模型训练，能够有效降低计算量并提高模型精度，为实际车用提供参考。

技术领域

本发明属于电池管理技术领域，涉及一种基于数据驱动的车用电池健康状态估计方法。

背景技术

电动汽车的成功开发在很大程度上取决于电池的循环性能、成本和安全性。可充电锂离子电池由于其合理的能量密度和循环寿命，是目前电动汽车的最佳选择。锂离子电池将导致更高的能量密度和更复杂的电池动力学，这类电池的效率和安全性将成为关注的焦点。一个先进的电池管理系统(BMS)，可以监测和优化电池的行为和安全，因此是必不可少的整个电气化系统。BMS对电池健康状态(SOH)的可靠预测将使电池在更换或处置之前充分发挥其潜力和最大预期寿命。了解用过的电池的使用寿命也将使它们能够在要求较低的二次生命应用中重新部署，例如用于电网。

现有估计电池SOH的方法主要可以分为两类：基于模型方法以及基于数据驱动的方法。其中基于数据驱动的方法将电池视为“黑箱”，可以不考虑电池内部复杂变化，而仅基于提取的健康因子进行回归模型训练，并由回归模型进行SOH估计。健康因子提取和选择是机器学习算法的基础和关键，很大程度上决定估计的效果。健康因子的提取方法可以分为基于测量参数和基于计算参数两种。通常，能够提取多个健康因子，选择最优的特征子集对于估计显得格外重要，它能够有效较低数据维度并提高估计精度。现有的方法主要是评估健康因子和电池SOH之间的相关系数，去除相关系数低的一些健康因子，或者选择相关系数最高的几个健康因子作为特征子集以达到降低数据维度的目的。然后，过滤掉的健康因子可能存在一些对保留下的因子有互补作用的，或者保留下来的健康因子可能相关之间存在很大的相互关联性，导致子集的筛选反而降低了估计精度。此外，健康因子因基于充电过程进行提取，因为在电动汽车使用寿命中，充电策略几乎是保持不变的。基于充电过程提取健康因子，对所有电池单体进行精确的SOH估计仍然是现在BMS面临的一大突破难题。

针对上述的问题，目前尚没有基于充电过程提取健康因子并采用更加有效的筛选策略进行最优特征子集的筛选，以更加精确可靠的估计电池SOH的方案。

发明内容

有鉴于此，本发明的目的在于提供一种基于数据驱动的车用电池健康状态估计方法。

为达到上述目的，本发明提供如下技术方案：

一种基于数据驱动的车用电池健康状态估计方法，该方法根据现有健康因子提取方法提取基于充电过程的健康因子，包括基于测量数据提取的健康因子和基于计算数据提取的健康因子；利用过滤法加包装法的融合方法进行健康因子子集的筛选；采用数据驱动算法进行回归模型训练，利用训练得到的回归模型估计测试单体的SOH，并将回归模型装入车载电池管理系统进行电池的SOH估计；具体包括以下步骤：

步骤S1：选定待测电池，收集整理该电池的技术参数；根据车用充电工况和恒电流或动态放电工况进行电池的循环老化实验，并收据电池电压、电流和温度信息，建立电池老化数据库；

步骤S2：选取其中一个电池的老化数据集作为训练数据集，提取基于充电工况的多个健康因子，包括基于测量数据和基于计算数据提取的健康因子；

步骤S3：基于提取的健康因子进行数据驱动回归模型训练，采用过滤法加包装法的融合方法进行最优健康因子子集的筛选；