[发明专利]基于特征筛选的锂电池寿命预测方法

说明书

本发明提供一种基于特征筛选的锂电池寿命预测方法，包括以下步骤：步骤S1，将采集的锂电池数据划分为训练集和测试集；训练集和测试集中均包括多个样本；步骤S2，对训练集和测试集中的锂电池样本的前m个充放电循环中放电SOC进行两两不重复相减；m20；步骤S3，将每个锂电池的SOC相减结果求得方差，得到每个锂电池的特征；步骤S4，将训练集中训练样本的特征和寿命输入到带有ARD的高斯过程回归模型进行模型训练；步骤S5，将所述训练的模型的稀疏特征权重进行可视化；步骤S6，将测试集中的样本的特征输入到训练模型中进行寿命预测。本发明能够自动提取高相关性特征，使得锂电池寿命预测更准确。

技术领域

本发明属于锂电池退化状态监测技术领域，尤其是一种基于特征筛选的锂电池寿命预测方法。

背景技术

锂离子电池因其高能量和高功率密度的优势成为生活中不可或缺的能源。锂电池寿命的准确预测能够辅助用户合理的使用电池能源，在实际应用中具有重要意义。

数据驱动的锂电池寿命预测方法是目前常用的方法，从数据角度可以划分为小样本单电池预测方法和大样本特征-寿命预测方法。受限于样本量，小样本单电池预测方法通过预测锂电池的容量退化曲线，通过阈值计算电池的寿命。然而，这种预测方式需要很多充放电循环的退化数据才能建立精确地模型；大样本特征-寿命预测方法通过对电池退化早期的数据提取相关特征，再通过算法建立特征-寿命之间的映射关系，最终预测新样本的寿命。不同放电循环荷电状态(SOC)之差的方差特征是公认的有效特征。然而，如何在多个SOC之差的方差特征中选取最为有效的特征是当前没有解决的问题。

对于大样本锂电池数据，数据驱动的锂电池寿命预测算法主要是弹性网络，其对线性数据的预测结果较好。然而，弹性网络对超参数的选取十分敏感，且非线性特征会导致预测结果偏差较大。

发明内容

本发明的目的在于克服现有技术中存在的不足，提供一种基于特征筛选的锂电池寿命预测方法，能够自动提取高相关性特征，使得锂电池寿命预测更准确。本发明采用的技术方案是：

一种基于特征筛选的锂电池寿命预测方法，包括以下步骤：

步骤S1，将采集的锂电池数据划分为训练集和测试集；训练集和测试集中均包括多个样本；

步骤S2，对训练集和测试集中的锂电池样本的前m个充放电循环中放电SOC进行两两不重复相减；m20；

步骤S3，将每个锂电池的SOC相减结果求得方差，得到每个锂电池的特征；

步骤S4，将训练集中训练样本的特征和寿命输入到带有ARD(自动相关决策)的高斯过程回归模型进行模型训练；

步骤S5，将所述训练的模型的稀疏特征权重进行可视化；

步骤S6，将测试集中的样本的特征输入到训练模型中进行寿命预测。

进一步地，步骤S2中，SOC的维度为500～1000。

进一步地，步骤S3中，特征维度为训练集中k个训练样本的方差特征和寿命分别表示为X_train＝[x₁,x₂,…,x_k]，Y_train＝[y₁,y₂,…,y_k]，其中第i个训练样本的特征x_i表示为：

x_i＝[x_i1,x_i2,…,x_iM]^T。

进一步地，步骤S4包括：

步骤S4.1，高斯过程回归指有限个随机变量服从联合高斯分布f(x)，其中第i个样本的寿命分布表示为：