[发明专利]一种电动汽车动力电池剩余使用寿命预测方法

说明书

本发明公开了一种电动汽车动力电池剩余使用寿命预测方法，首先，通过自适应鲁棒损失函数（Adaptive Robust Loss Function,ARLF）对轻量型梯度提升机（Light Gradient Boosting Machine,LightGBM）进行改进，提升剩余使用寿命（Remaining Useful Life,RUL）预测的鲁棒性；然后，基于多线程并行直方图，对行驶工况下电动汽车全生命周期容量衰减数据进行处理；其次，基于带宽度限制的Leaf‑wise生长方式，制定RUL预测模型训练方式；再次，基于元学习超参数自动调优获取模型最优参数并设置性能评价函数；最后，利用获取最优参数的RUL预测模型完成剩余使用寿命预测。

技术领域

本发明涉及电动汽车电池故障预测与健康管理领域，尤其涉及一种电动汽车动力电池剩余使用寿命预测方法。

背景技术

根据中关村储能产业技术联盟发布的《储能产业研究白皮书2020》，锂离子电池累计装机规模在电化学储能中占比最大，为88.8％。锂离子电池凭借其高能量密度、长使用寿命、低自放电率、宽工作温度范围等优点，在电动交通工具、储能系统、移动穿戴等领域得到广泛应用。

随着锂离子电池循环充放电次数的增加，电池内电化学反应加剧，除了锂离子脱嵌发生的氧化还原反应外，还存在许多的副反应，如电解液分解、活性物质溶解、金属锂沉积等，这些副反应导致电池容量衰减。当电池容量衰减至标称容量的70～80％，其充放电性能会受到严重影响，甚至无法继续服役，为避免发生故障，应及时更换电池。作为锂离子电池故障预测与健康管理(Prognostics and Health Management,PHM)的重要功能，剩余使用寿命(Remaining Useful Life,RUL)预测可为电池的定期维护和安全稳定运行提供参考，降低高昂的维修成本，减少灾难性后果发生概率。

为了实现准确的RUL预测，众多研究人员开展了相关研究。基于模型的RUL预测方法通常利用先验知识对电池退化机理进行建模，通过电池全生命周期测试数据和电化学交流阻抗谱，借助最小二乘法或观测器对模型内参数进行辨识。上述方法中的RUL退化模型虽然可以考虑不同温度应力和不可观测状态量对电池容量衰退的影响，具有明确的物理意义，但往往忽略电池服役所处环境条件，如振动应力等。电池模型参数会随服役环境的改变而不同，导致固定参数的模型精度会随着电池老化而降低，为了提升预测精度，需根据不同电池型号和工作状态对模型进行修正，由此带来庞大的参数辨识计算量和复杂的物理模型使得其难以实现扩展应用。同时，其属于开环方法，难以兼顾鲁棒性。

针对容量数据存在离群值的问题，机器学习中常用的误差形式，对大误差的灵敏度比小误差高，即模型偏向于减少最大的误差，无法有效降低离群值对预测效果的影响，且常用的误差形式无法根据样本特征自适应调整。

发明内容

本发明的目的是为了克服现有技术中的不足，提供一种电动汽车动力电池剩余使用寿命预测方法，详见下文描述：

一种电动汽车动力电池剩余使用寿命预测方法，所述方法包括以下步骤：

(1)获取自适应损失函数相关参数：获取行驶工况下电池全生命周期容量数据后，通过自适应鲁棒损失函数得到超参数α和协调参数c，用于配置LightGBM的损失函数；

(2)基于多线程并行直方图处理数据：针对每一维特征，将连续的浮点型数据划分进离散的k个范围内，得到k个“桶”(bin)，构造一个宽度为k的直方图，如图1中步骤2所示。与传统的Boosting方式相比，仅需遍历k个bin，无需对特征值进行逐个对比，从而大大减少运算量，提高训练速度。考虑到决策树为弱模型，k决定了正则化的程度，从而避免过拟合；

(3)基于带宽度限制的Leaf-wise生长方式训练模型：如图1中步骤3所示，按叶生长(Leaf-wise)的生长方式是在每一次节点分裂时，选择增益最大的叶子节点进行生长，限制模型的复杂度，提升训练速度，避免过拟合；