一种锂电池健康状态估计方法与流程

本发明涉及一种锂电池健康状态估计方法，属于动力锂电池应用领域。

背景技术：

动力锂电池因具备高能量密度、无记忆效应和低自放电率等多种优势，已经成为了当前电动汽车和固定式储能的重要解决方案。然而，在新能源汽车实际应用中，动力锂电池会逐渐老化。而从车辆中退役的动力锂电池仍然具备一定的使用价值。而动力锂电池的健康状态对于安全高效的使用退役动力锂电池具有重要意义。

经过大量的离线测试，建立动力锂电池的经验模型，是一类被广泛提出的动力锂电池健康状态估计方法。然而，该类方法的测试过程依赖于大量离线测试，不同类型电池的电化学特性有一定差异，即使同一类型的电池，也可能因电池系统的具体设计方不同，而出现性能偏差。再综合考虑因制作工艺导致的锂电池出厂不一致性以及老化测试过程的偏差，经验模型的准确性将受限于所测定的电池类型，面对不同电池的有效性仍有待于进一步探讨。

为提高估计的准确性和便捷性，基于模型的估计方法通过预先建立以电池容量为状态变量的状态空间方程，利用卡尔曼滤波、最小二乘等方法，实现对锂电池容量的在线辨识。然而，荷电状态是此类方法估计的输入量，必然会导致最终估计结果的偏差。另外，此类方法中基于电池容量的状态方程的建立较为困难。

技术实现要素：

本发明是提供一种锂电池健康状态估计方法，可对锂电池健康状态进行更为准确的评估。

为达到上述目的，本发明所采用的技术方案是：一种锂电池健康状态估计方法，包括以下步骤：从动力锂电池充电过程中随机提取部分电压片段，以所述电压片段中的电压值构成向量，作为动力锂电池的老化特征，并形成训练样本；采用训练样本，建立弱估计器；将上述建立好的弱估计器通过权重系数进行联合，各弱估计器的输出经过加权后，得到最终锂电池的健康状态。

优选地，所述弱估计器包括基于神经网络的弱估计器以及基于支持向量机的弱估计器。

优选地，所述基于神经网络的弱估计器的建立包括以下步骤：采用训练样本对基于神经网络的数据驱动模型进行训练，经过训练过程建立基于神经网络的弱估计器；所述基于神经网络的数据驱动模型的输入为随机匹配的老化特征，输出为训练样本对应的电池健康状态。

优选地，所述基于神经网络的数据驱动模型的训练包括对输入数据依次进行向前传播计算和误差反向传播计算。

优选地，所述基于支持向量机的弱估计器包括以下步骤：根据支持向量机，建立基于支持向量机的弱估计器；所述支持向量机的输入为随机匹配的电压片段，输出为训练样本中电池的健康状态。

优选地，所述支持向量机为：

其中，fsvr(x)为支持向量机输出的电池健康状态，能够将训练数据映射到高维空间，x为输入的电压片段，b为复数参数，w为支持向量机的权重系数，t为矩阵转置运算。

优选地，所述支持向量机的核函数为径向基核函数。

优选地，所述权重系数采用自适应差分进化算法，经过迭代优化后得到。

一种存储或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行上述的方法。

一种计算设备，包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述方法中的任一方法的指令。

本发明通过建立多个异质的弱估计器，混合建立集成估计模型，同时结合老化特征的随机选取与匹配，提高各弱估计器的多样性，以满足集成学习对于弱估计器多样性及准确性的要求，提高估计动力锂电池健康状态的泛化性。同时，所使用的老化特征可从电池相对固定的充电过程中获得，在实际应用中容易获取。而使用自适应差分进化算法能够避免繁琐的调参过程，也能够进一步提高多模型联合集成估计的整体表现。

附图说明

图1为本发明实施例提供的一种锂电池健康状态估计方法的流程示意图；

图2为本发明实施例中神经网络的示意图；

图3为本发明实施例中支持向量机的示意图；

图4为本发明实施例中差分进化算法的流程示意图。

具体实施方式

为了更好的理解本发明的实质，下面结合具体实施例和附图对本发明作进一步的阐述。

本发明适用于锂电池健康状态的估计，尤其适用于退役动力锂电池健康状态的估计，具体包括以下步骤：

步骤一，从动力锂电池充电过程中随机提取部分电压片段，以所述电压片段中的电压值构成向量，作为动力锂电池的老化特征，并形成训练样本。

由于动力锂电池的充电过程相对固定，因此，本发明将在在电池充电电压曲线中随机选取部分电压片段，作为老化特征。如图4所示，定义所选取的电压片段长度为l，弱估计器的数目为n，则需要从电压片段中选取n个长度为l的不同电压片段，则获得的老化特征可表示为f＝[u1,u2,u3,…,un]。

步骤二，建立弱估计器，所述弱估计器包括基于神经网络的弱估计器以及基于支持向量机的弱估计器。

分别采用基于神经网络的数据驱动驱动模型、基于支持向量机的数据驱动模型建立弱估计器，以保证集成学习的多样性。

可选地，基于神经网络的弱估计器以及基于支持向量机的弱估计器的数量均为n/2。

1、建立基于神经网络的弱估计器包括以下步骤：

如图1所示，采用训练样本对基于神经网络的数据驱动模型进行训练，所述基于神经网络的数据驱动模型的输入为随机匹配的老化特征，输出为训练样本对应的电池健康状态。经过训练过程建立n/2个基于神经网络的弱估计器。

所述基于神经网络的数据驱动模型的训练过程包括以下步骤：

1)前向传播计算。首先，定义前向传播过程中，从第1层到第2层的计算由(1)式表示：

其中，为第1层第j个神经元到第2层第i个神经元之间的权重，为第2层第i个神经元相应的偏置，f(·)为神经元的激活函数，xj为第j个神经元的训练样本中的老化特征，为第二层神经网络输出的电池健康状态，n为层数，为第二层神经网络的输出。

由此更一般的前向传播计算过程，可表示为(2)式：

其中，z^(l)表示第l层的输入，a^(l)表示第l层的输出，a^(l-1)表示第l-1层的输出，b^(l-1)表示第l-1层相应的偏置，w^(l-1)表示第l-1层的权重。

逐层向前计算，即可得到各层的激活值。

2)误差反向传播计算。在完成前向传播的计算后，计算残差δ⁽ⁿ⁾：

其中，y为神经网络输出，f'(z^(l))为激活函数的结果，⊙为矩阵乘法运算，w^(l)为第l层的权重，t为矩阵转置运算。

之后，即可完成偏导数的计算，如式(5)、(6)所示：

其中，为函数j(w,b；x,y)对于权重w^(l)的偏导数，

为函数j(w,b；x,y)对于权重b^(l)的偏导数

采用梯度下降法更新权重与偏置，则参数更新方式可由式(7)、(8)计算得到：

通过以上的前向传播和的反向传播算法，即可实现对基于神经网络的弱估计器的建立。

2、建立基于支持向量机的弱估计器包括以下步骤：

本实施例选用支持向量机，建立另外n/2个弱估计器，支持向量机的输入为随机匹配的电压片段，输出为训练样本中电池的健康状态。实施例采用图2所示的结构，建立基于支持向量机的弱估计器。本发明所使用的支持向量机表达式如式(9)所示：

其中，fsvr(x)为支持向量机输出的电池健康状态，能够将训练数据映射到高维空间，x为输入的电压片段，b为复数参数，w为支持向量机的权重系数，t为矩阵转置运算。

本实施例在支持向量机建立过程中，选用径向基核函数：

其中，xi为第i个神经元的训练样本中的老化特征，xj为第j个神经元的训练样本中的老化特征，γ为调整高斯核形状的参数。

通过求解(11)式所示的带约束的优化问题，即可获得支持向量机表达式中的参数w与b：

约束条件为：

其中，ξi和为代价函数的松弛变量，c为平衡支持向量机泛化性和输出偏差的超参数，minw,b,ξ,ξ*为最小值，n为支持向量数目，yi为第i个支持向量的输出，∈为软间隔的阈值

步骤三，将上述建立好的弱估计器进行联合。

在通过前述步骤分别建立了所有弱估计器之后，将通过权重系数的方式实现多个弱估计器的联合，所述权重系数可以通过自适应差分进化算法，经过迭代优化后即可得n个弱估计器所需的权重(w1,w2,…,wn)。各弱估计器的输入为老化特征，各弱估计器的输出经过加权后，即可获得最终估计的锂电池健康状态。

差分进化的主要流程如图3所示，通过随机选取个体向量产生差分向量，将差分向量赋予权值之后，与第三个向量相加，以产生变异向量。而传统差分进化的优化结果与缩放因子f及交叉率cr密切相关，变异策略也与差分进化性能密切相关。为此，自适应差分进化算法将采取如下方法设置各参数与选取变异策略：

1)f在服从n(0.5,0.3)的正态分布中随机选取，cr在服从n(crm,std)的正态分布中随机选取，crm能够根据每种变异策略生成下一代种群的成功率来调整。

2).常用的变异策略被统一到备选方案池中，通过评估各变异策略的历史成功率，来选取最佳的变异策略。其中，差分进化中可备选的变异方案如下式(13)-(14)所示：

vi,g+1＝xr1,g+f(xr2,g-xr3,g)(13)

vi,g+1＝xbest,g+f(xr1,g-xr2,g)(14)

vi,g+1＝xi,g+f(xbest,g-xi,g)+f(xr1,g-xr2,g)(15)

vi,g+1＝xbest,g+f(xr1,g-xr2,g)+f(xr3,g-xr4,g)(16)

vi,g+1＝xr1,g+f(xr2,g-xr3,g)+f(xr4,g-xr5,g)(17)

式中，xbest,g为当前的最优个体，xr1,g、xr2,g、xr3,g、xr4,g、xr5,g是随机选取的不同个体，f为缩放因子，vi,g+1为变异后的个体，xi,g为待变异个体。

自适应差分进化的优化结果，即为集成多个弱估计器所需的n个权重(w1,w2,…,wn)。

本发明通过建立多个异质的弱估计器，混合建立集成估计模型，同时结合老化特征的随机选取与匹配，提高各弱估计器的多样性，以满足集成学习对于弱估计器多样性及准确性的要求，提高估计动力锂电池健康状态的泛化性。同时，所使用的老化特征可从电池相对固定的充电过程中获得，在实际应用中容易获取。而使用自适应差分进化算法能够避免繁琐的调参过程，也能够进一步提高多模型联合集成估计的整体表现。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

应当指出，虽然通过上述实施方式对本发明进行了描述，然而本发明还可有其它多种实施方式。在不脱离本发明精神和范围的前提下，熟悉本领域的技术人员显然可以对本发明做出各种相应的改变和变形，但这些改变和变形都应当属于本发明所附权利要求及其等效物所保护的范围内。