[发明专利]一种面向预测性运维的动力电池健康预测方法

权利要求书

1.一种面向预测性运维的动力电池健康预测方法，其特征在于，该方法采用有用性评价体系对健康因子进行评估，利用贝叶斯优化方法对阈值进行优化，采用迁移学习将最相似衰减的电池模型训练信息传递给测试单体，并利用早期衰减数据进行模型的微调，最后利用训练好的模型进行健康预测，包括一步衰减预测和外推剩余容量预测；具体包括以下步骤：

S1：收集动力电池老化数据集，建立电池老化数据库，根据动力电池的充放电特性，提取通用性特征；所述通用性特征是指在实际使用中可在线获取的具有明显衰减/增长特性的健康因子，包括从充电过程和放电过程提取；

S2：利用贝叶斯优化方法，根据早期的衰减特性对所测试电池的特征进行阈值优化，并根据健康因子有用性评价体系对所提取的通用性特征进行评估；

S3：在构建的数据库中根据早期衰减特性搜寻最相似衰减过程单体，对该单体进行模型训练；

S4：利用迁移学习将训练好的模型传递给测试电池，并利用早期特征进行模型微调；

S5：进行电池健康预测，包括一步特征衰减值预测和外推剩余寿命预测，并利用在线提取的通用性特征进行模型自校正；具体包括以下步骤：

S51：根据微调好的模型，在实际使用中在线提取健康因子，进行一步衰减值的预测；

S52：将模型进行外推，反复利用S51预测，直到预测值等于或低于阈值，计算出剩余循环次数，进行退役点的判断；

S53：将退役点反馈给驾驶人员，便于进行动力电池的预测性运维；

S54：利用在线获取的健康因子，进行模型的在线自校正。

2.根据权利要求1所述的动力电池健康预测方法，其特征在于，所述步骤S1具体包括以下步骤：

S11：收集动力电池循环老化数据集，建立电池老化数据库；

S12：依据老化充放电特征，参考实际使用过程中的充放电特性，提取通用性特征；

S13：对所提取的通用性特征进行滤波预处理，去掉噪声影响。

3.根据权利要求1中所述的动力电池健康预测方法，其特征在于，所述步骤S2具体包括以下步骤：

S21：利用贝叶斯优化方法，根据测试电池早期的健康因子衰减特性进行阈值优化，对健康因子进行归一化处理；

S22：依据传统容量衰减特性，构建评估健康因子有用性评价体系，具体包括：衰减/增长跨度与单调性，波动大小，相关性分析，容量估计；

S23：根据构建的健康因子有用性评价体系对所提取的健康因子进行有用性评价。

4.根据权利要求3中所述的动力电池健康预测方法，其特征在于，步骤S21中，利用贝叶斯优化方法进行阈值优化的高斯过程回归算法，具体包括：假定输入输出符合以下贝叶斯多元回归模型：y＝f(x)+ε,其中，ε是符合均值为零方差为高斯分布的白噪声，f(x)为：

其中，m(x)和k(x,x')分别表示均值函数和协方差函数，分别为：

m(x)＝E[f(x)]

k(x,x')＝E[(f(x)-m(x))(f(x')-m(x'))^T]

输入输出关系式为：高斯过程回归的输出均值和误差协方差分别为：

其中，K_f(x,x)核函数矩阵，I_n为n维单位矩阵。

5.根据权利要求3中所述的动力电池健康预测方法，其特征在于，步骤S22中，评价体系中容量估计是指建立HI与容量之间的映射关系，利用HI估计容量；其中HI是归一化处理后的特征值。

6.根据权利要求1中所述的动力电池健康预测方法，其特征在于，所述步骤S3具体包括以下：

S31：根据所测试单体的健康因子的早期衰减特性，在老化数据库中采用欧式距离法搜寻最相似衰减过程的单体；

S32：以所筛选出来的单体为参考单体，利用深度学习方法进行模型训练，建立基础回归模型。