一种基于增量学习的锂离子电池健康状态估计方法

本发明属于动力电池管理，具体的说是一种基于增量学习的锂离子电池健康状态估计方法。

背景技术：

1、锂离子电池具有能量密度高、环境友好、自放电率低和寿命长等优点，在用户端电子产品、电动汽车和能源等领域得到广泛应用。然而，由于材料降解和工作环境的影响，锂离子电池的性能在长期运行过程中会逐渐下降。为确保锂离子电池系统安全稳定运行，电池健康状态能够描述电池的老化状况，因此需要对其进行准确监测。受益于对电池内部机制或先验知识的低要求，数据驱动方法已广泛应用于估计soh。

2、数据驱动的方法大多都是离线的，算法和模型缺乏动态更新能力。如果将这些方法应用于电动汽车的实际运行环境，则需要大量数据来训练准确的估计模型。然而，对于一个新的电池系统，除了在实践中可以提取一些特征外，作为估计模型参考输出的soh或容量几乎无法大量获得，这导致无法训练老化模型。特别是在电池衰退后期，离线训练模型的估计精度会变得很差，从而影响电动汽车的安全行驶。

技术实现思路

1、本发明是为了解决上述现有技术存在的不足之处，提出一种基于增量学习的锂离子电池健康状态估计方法，以期能持续在线监测数据，并基于增量学习技术动态更新模型，从而能提高模型对锂离子电池soh的估计精度。

2、本发明为达到上述发明目的，采用如下技术方案：

3、本发明一种基于增量学习的锂离子电池健康状态估计方法的特点在于，包括以下步骤：

4、步骤s1、数据采集：

5、对电动汽车的锂电池进行n次充放电实验，并记录每次充放电过程中锂电池的电流、电压、温度、时间数据以及每次放电完全后的电池容量；

6、步骤s2、以第i次充电实验中的增量容量ic曲线的峰值面积增量容量ic曲线峰值的左端斜率增量容量ic曲线的峰值及其对应位置作为第i次充电实验中的老化特征，记为以第i次充电实验中锂电池的真实部分充电容量作为输出值从而利用老化特征矩阵f＝[f1；f2；…；fi；…；fn]与输出向量对支持向量回归模型进行训练，得到老化特征和部分充电容量的映射关系模型；

7、步骤s3、考虑部分充电容量与电池健康状态相关性和电动汽车的部分充电容量获取难度，选择最佳部分充电容量；

8、步骤s3.1、利用式(1)和式(2)分别构建两个权重系数f1和f2(x)：

9、

10、

11、式(1)中，r是部分充电容量和电池健康状态间的pearson相关系数；pi是第i个充电实验中锂电池的部分充电容量，是部分充电容量的平均值，yi是第i个充电实验中锂电池的电池健康状态，是电池健康状态的平均值；

12、式(2)中，x是电动汽车的锂电池电压，fv(x)为电压x分布的概率密度函数，k，μ和σ分别是形状参数、位置参数和尺度参数；

13、步骤s3.2、利用式(3)构建目标函数fmin：

14、fmin＝min(f1+f2(x))          (3)

15、步骤s3.3、利用多目标粒子群算法对所述目标函数fmin进行求解，得到最佳部分充电容量pcc；

16、步骤s4、利用式(4)建立线性估计模型；

17、soh＝a×pcc+b          (4)

18、式(4)中，soh是电池健康状态；a和b是两个线性回归系数；

19、步骤s5、以第i次充电实验中锂电池的真实电池健康状态作为输出值利用与输出向量对所述线性估计模型进行训练，得到部分充电容量和电池剩余容量之间的线性估计关系模型；

20、步骤s5.1、第k次获取电动汽车的锂电池在实际充电过程中的充电数据；

21、步骤s5.2、判断所述充电数据中的电池剩余容量是否为所述真实电池健康状态，若是，则执行步骤s5.4，否则，执行步骤s5.3；

22、步骤s5.3、按照步骤2-步骤5的过程对所述充电数据进行老化特征的提取，并输入支持向量回归模型中估计电池部分充电容量，然后将估计出的部分充电容量输入到线性估计关系模型中，从而估计出锂电池在第k次实际充电过程中的电池健康状态；

23、步骤s5.4、以所述充电数据作为第k个新数据，并利用式(5)计算第k个新数据的权重ω，用于训练部分充电容量与电池健康状态之间的线性模型；

24、

25、式(5)中，t为增量学习的训练步长，k为当前真实充电数据次数。

26、本发明一种电子设备，包括存储器以及处理器的特点在于，所述存储器用于存储支持处理器执行所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

27、本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序的特点在于，所述计算机程序被处理器运行时执行所述方法的步骤。

28、与现有技术相比，本发明的有益效果在于：

29、1、本发明方法通过增量学习在线改进模型参数，有效地解决了传统数据驱动方法无法在线更新，模型的估计值在soh估计后期容易偏离真实值以及容易陷入局部最优的问题，从而有效提高了soh估计的准确性和鲁棒性。

30、2、本发明考虑了不同用户的充电习惯不同，使得部分电压范围难以提取的问题，采用了多目标粒子群综合考虑了部分充电容量的精度与提取难度，寻找到了部分充电容量的最优范围。相比与传统的特征提取，该方法既能找到与电池剩余容量强相关的特征，又能保证特征在实际中容易提取，从而有利于提高实际中soh估计精度。

31、3、本发明在传统增量学习中引进了一种无梯度算法，在迭代时可以节省很多时间，避免了陷入局部最优，提高了收敛精度。部分充电容量与电池剩余容量间的线性模型训练比非线性模型更快，更符合现实世界中的应用场景。此外，增量学习技术被用来持续更新估计模型的参数，以持续提高电池健康状态预测准确性。

技术特征：

1.一种基于增量学习的锂离子电池健康状态估计方法，其特征在于，包括以下步骤：

2.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1所述锂离子电池健康状态估计方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

3.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1所述锂离子电池健康状态估计方法的步骤。

技术总结
本发明公开了一种基于增量学习的锂离子电池健康状态估计方法，是采用基于增量学习的模型，可以在大多数实际充电操作中重新训练，该方法包括：1、根据部分充电容量和剩余容量估计之间的相关性以及充电过程中的初始电压数据分布，2、通过多目标粒子群优化算法选择最佳电压范围；3、利用支持向量回归描述老化特征和部分充电容量的映射关系；4、然后，通过部分充电容量和剩余容量之间的关系建立一个线性剩余容量估计模型。5、基于监测数据的持续在线更新，动态训练和在线学习剩余容量估计模型，以提高电池健康状态预测准确性。

技术研发人员：武骥,程震,方雷超,王丽,刘兴涛
受保护的技术使用者：合肥工业大学
技术研发日：
技术公布日：2024/1/13