[发明专利]一种基于间接健康指标的锂离子电池SOH预测方法及系统

说明书

本发明公开了一种基于间接健康指标的锂离子电池SOH预测方法。本发明采用的技术方案为：提取锂离子电池部分充电过程中的电压、电流曲线的离散系数作为间接健康指标；采用粒子群算法在样本训练过程中自动搜索多核高斯过程回归模型的最优超参数，建立基于粒子群算法优化的多核高斯过程回归模型，即PSO‑MK‑GPR模型；将间接健康指标作为输入，容量作为输出，送入PSO‑MK‑GPR模型中进行训练，得出锂离子电池老化模型；将在线提取的特征数据送入训练好的PSO‑MK‑GPR模型中，实现SOH预测。本发明采用一种考虑充电过程中的电压与电流部分数据的间接健康指标结合粒子群优化算法调参的多核高斯过程回归模型，实现了锂离子电池SOH的预测。

技术领域

本发明涉及锂离子电池健康状态评估技术领域，尤其涉及一种基于间接健康指标的锂离子电池SOH预测方法及系统。

背景技术

本部分的陈述仅仅是提供与本发明相关的背景技术信息，不必然构成在先技术。

锂离子电池以其重量轻便、稳定性好、无记忆效应、能量密度大等优点在清洁能源的储存与使用过程中发挥着至关重要的作用。然而，随着充放电次数的增加，锂离子电池会由于各种物理、化学机制发生老化，影响电气设备的正常运行，甚至会引发灾难性事故。为保证电池安全、稳定、高效地运行，需要对锂离子电池的健康状态进行准确诊断。

现有的锂离子电池健康状态(State Of Health，SOH)预测方法大致可分为两大类：基于模型的方法与基于数据驱动的方法。基于模型的方法主要基于等效电路模型与电化学机理模型来构建锂离子电池的退化数学模型。然而这种方法预测的精度与模型的复杂性密切相关，由于电池系统的高度非线性，具有高精度的模型是很难构建的。基于数据驱动的方法不涉及具体的反应机制，可以在电池管理系统中实现，其首要任务是提取出模型训练的特征值。特征的提取可以在不影响模型性能的前提下从原始数据中获取有意义的信息，简化训练过程。合理、相关性高的健康指标的提取有利于提高电池退化建模的精确性。机器学习模型超参数的设置对预测结果较大。为此，数据驱动方法通常需要与其他优化算法结合使用以确定模型的超参数，减少人工干预导致的误差，提高长期预测性能。

虽然现有研究较为全面，但仍然存在着没有全面考虑电储能与氢储能存储时间特性的问题。

发明内容

为解决上述问题，本发明提出一种基于间接健康指标的锂离子电池SOH 预测方法及系统，其采用一种考虑充电过程中的电压与电流部分数据的间接健康指标结合粒子群优化算法调参的多核高斯过程回归(Gaussian Process Regression，GPR)模型，以实现锂离子电池SOH的预测。

本发明采用的一种技术方案为：一种基于间接健康指标的锂离子电池 SOH预测方法，其包括：

提取锂离子电池部分充电过程中的电压、电流曲线的离散系数作为间接健康指标；

采用粒子群算法在样本训练过程中自动搜索多核高斯过程回归模型的最优超参数，建立基于粒子群算法优化的多核高斯过程回归模型，即 PSO-MK-GPR模型；

将间接健康指标作为输入，容量作为输出，送入PSO-MK-GPR模型中进行训练，得出锂离子电池老化模型；

将在线提取的特征数据送入训练好的PSO-MK-GPR模型中，实现SOH 预测。

采用粒子群算法PSO对关键参数进行优化，解决参数选择问题。

进一步地，利用高斯核函数和正弦平方核函数，将高斯过程回归模型修改为多核高斯过程回归模型。本发明用高斯核函数来描述容量退化，用正弦平方核函数来减少再生现象的影响，通过这二者的组合以准确预测锂离子电池容量退化曲线。

进一步地，提取间接健康指标后，采用pearson相关系数对所提取的间接健康指标与容量的相关性进行定量分析，对间接健康指标的有效性进行验证。