[发明专利]基于历史数据校验的改进单粒子电化学模型建模方法

说明书

本发明公开了一种基于历史数据校验的改进单粒子电化学模型建模方法，基于历史数据校验的改进单粒子电化学模型建模方法，包括以下步骤：S1，采集样本数据并对样本数据进行历史数据校验；S2，设置SPM参数并进行数据预处理；S3，基于GBDT建立映射模型；S4，映射模型替换SPM以建立完整的模型。解决了现有的电池模型不能准确追踪电池的荷电状态并估计其寿命的问题，本发明中，采集样本数据并筛选后，完成历史数据校验，经过校验后的数据再由SPM验证后用以建立映射模型，最终替换SPM建立模型，本发明的方法大大提升了模型准确性。

技术领域

本发明涉及单粒子电化学模型领域，尤其是基于历史数据校验的改进单粒子电化学模型建模方法。

背景技术

电动汽车在缓解空气污染、提高燃油经济性和应对全球变暖方面发挥着重要作用。而在电动汽车中，需要一个带有多个电池的电池组来提供足够的功率，其电池组中单体数量可从几十到数千个不等。在这样一个大型的储能系统中，一个电池的故障就可能会对整个系统造成危险。因此需要一个可靠的电池管理系统(Battery Management System,BMS)来控制电池的充放电过程，以确保系统的安全运行。BMS的功能除了电池均衡和热管理之外，还需准确追踪电池的荷电状态并估计其寿命，对此就需要精确的电池模型。

锂离子电池常用的等效模型分别为等效电路模型(Equivalent Circuit Model，ECM)、经验模型和电化学模型。ECM通过几个电阻-电容网络来近似电池的结构。由于结构简单、计算复杂度低，被广泛用于在线SOC和SOH估计与控制应用。但缺点在于为了拟合动态电化学过程和老化效应，需要将ECM扩展到更高阶的电路。同时该模型中的许多参数需根据SOC、温度、电流幅值和电流方向查表确定。经验模型通过使用各种函数和公式来描述其电池行为。由于这些模型采用了过去的实验数据进行拟合，因此对于未知工作条件下的预测性能差，普适性低。

在中国专利文献上公开的“一种基于HSMM和经验模型的燃料电池故障预测方法”，其公开号为CN107169243B，一种基于HSMM和经验模型的燃料电池故障预测方法，先采集一组燃料电池的全寿命电压数据，作为训练数据，再通过Welch-Baum算法利用训练数据训练HSMM模型；再采集一组燃料电池的电压退化数据，作为测试数据；将测试数据输入HSMM中，通过前向算法估计当前健康状态，并根据状态持续时间计算其剩余寿命；根据测试数据建立经验模型，并估计参数及预测未来走势，根据未来电压走势计算其剩余寿命；以训练数据和测试数据的电压梯度值的相似度作为标准，将HSMM得到的剩余寿命和经验模型计算出的剩余寿命结合起来，估算出燃料电池的最终剩余寿命。但是，公开号为CN107169243B的中国专利基于经验模型，适应性差。

发明内容

本发明解决了现有的电池模型不能准确追踪电池的荷电状态并估计其寿命的问题，提出一种基于历史数据校验的改进单粒子电化学模型建模方法，采集样本数据并筛选后，完成历史数据校验，经过校验后的数据再由SPM验证后用以建立映射模型，最终替换SPM建立模型，本发明的方法大大提升了模型准确性。

为了实现上述目的，本发明采用以下技术方案：一种基于历史数据校验的改进单粒子电化学模型建模方法，包括以下步骤：

S1，采集样本数据并对样本数据进行历史数据校验；

S2，设置SPM参数并进行数据预处理；

S3，基于GBDT建立映射模型；

S4，映射模型替换SPM以建立完整的模型。

本发明中，在采集得到样本数据之后，提取历史数据，对采集的样本数据进行核验，选取符合标准的样本数据继续和SPM进行验证，验证确认无误后，将处理过的样本数据放入至映射模型进行训练，得到基于GBDT的映射模型，最后将该基于GBDT的映射模型替换SPM，得到最终的模型，本发明的模型准确性高。

作为优选，所述步骤S1包括以下步骤：