适用于电池健康状态评估和寿命预测的自动特征提取方法

本发明涉及锂离子电池健康状态估计，特别是涉及一种适用于电池健康状态评估和寿命预测的自动特征提取方法。

背景技术：

1、电池的健康状态(state of health，soh)估计是电动汽车(electric vehicle，ev)领域的一个重要研究方向，它对电池管理系统(battery management system，bms)的有效性和电动汽车的使用寿命有着直接的影响。目前，基于容量增量曲线分析(incrementcapacityanalysis，ica)的电池soh评估以及寿命预测被广泛研究和应用。

2、容量增量曲线是指通过测量电池的充电容量和电压随时间的变化情况，建立增量曲线。在电池容量随着循环次数和使用时间的增加而降低的过程中，容量增量曲线的形态和特征也会发生变化，因此可以利用容量增量曲线中隐含的特征来估计电池的soh以及剩余寿命。

3、现阶段容量增量曲线(incrementcapacity，ic)的主要特征提取方法可以分为以下几种，第一种是基于形态学特征的ic曲线分析，通过使用gauss模型，lorentz模型，pseudo-voigtpeak模型等来对电池充电过程的ic曲线进行形态学特征的拟合，对ic曲线进行重构。这种方法精度较高，但非常容易受到噪声的影响，要求一个较好的拟合参数初值，并且参数辨识的范围将直接影响特征的准确性，并且其精确度缺乏数学上的验证。

4、第二种方法是基于模型的方法，通过电气模型，如等效电路模型或戴维斯模型，构建包含相应参数的容量增量曲线，随后对各个模型特征进行参数辨识。这一方法鲁棒性较高，但参数辨识的准确性非常敏感，且需要主动调整初值，且需要完整充电数据，数据如有缺失，其准确性与精度会受到极大的影响。

5、第三种方法是基于数据驱动的方法，通过提取容量增量曲线中隐含的特征参数，直接提取对应的健康因子，进而对电池的soh与剩余寿命进行估计，这种方法精度高，但对数据集的好坏要求较高，还需人工进行筛选调整，以获得更好的精度与准确度。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提出一种适用于电池健康状态评估和寿命预测的自动特征提取方法，

2、本发明的目的是通过以下技术方案来实现的：适用于电池健康状态评估和寿命预测的自动特征提取方法，包括以下步骤：

3、s1.在固定温度和不同充放电倍率下对电池进行循环充放电老化试验，采集电池循环过程中的电流信息与电压信息；

4、所述步骤s1包括以下子步骤：

5、s101.固定温度下，以1/3c倍率进行恒流恒压工况充电至截止电流，静置30min，以1/3c倍率恒流放电至截止电压；

6、s102.按照需求倍率对电池进行cccv工况充电至截止电流，即恒流工况充电至充电截止电压，随后恒压工况充电至充电截止电流；

7、s104.重复s102-s103，知道电池的容量衰减到指定寿命截止点，即初始标定容量的70％；整理循环过程中的电流信息与电压信息，建立对应充放电倍率下的电池老化循环数据集；

8、s105.更改充放电倍率，重复s101-s104，获得固定温度下不同充放电倍率的电池老化循环数据库。

9、s2.在不同充放电倍率下，通过安时积分法获得对应循环的容量，随后建立对应工况的容量增量曲线；

10、所述步骤s2包括以下子步骤：

11、s201.从电池老化循环库中选出同一工况下的电池老化循环数据集，并采用按时积分法获得各个循环的充放电容量qcccv，以及每一时刻的充放电容量q(t0)；

12、s202.对各个时刻的容量进行微分，获得其容量增量曲线；

13、s203.重复进行s201-s202，获得不同放电倍率下的每一时刻的容量信息q(t)，而后对各个倍率下的容量增量曲线进行分析，获得各工况下的容量增量曲线。

14、步骤s202中所述的容量微分，以当前容量点的前一点与后一点的平均微分作为当前点的容量微分。

15、s3.对一维时间尺度下的ic曲线进行高斯卷积，建立对应工况下的高斯空间与高斯差分空间；

16、所述步骤s3包括以下子步骤：

17、s301.选取相同工况下的ic曲线，建立对应的高斯卷积核；

18、s302.对ic曲线进行高斯滤波平滑，得到对应高斯卷积核的高斯空间层；

19、s303.对高斯卷积核进行更新；

20、s304.重复s301-s303，每次更新高斯卷积核，得到对应充放电倍率下的对应循环的高斯空间；

21、s305.在同一工况不同循环中重复进行s301-s304，建立不同循环的高斯空间；

22、s306.重复进行s301-s305，获得不同工况下不同循环的高斯空间层，构建各个工况的高斯空间。

23、s4.构建不同尺度的塔，并且计算每个塔的高斯差分空间，并寻找相邻差分空间中的局部极值点；

24、所述步骤s4包括以下子步骤：

25、s401.对同一工况下的同一循环高斯空间进行差分，得到对应循环的高斯差分空间；

26、s402.重复s401，获得该ic曲线下不同工况的dog空间，组合构建为该尺度下的塔；

27、s403.对ic曲线进行降采样后，重复进行s401-s402，构建下一级尺度的塔；

28、s404.对同一塔中的同一循环的相邻dog空间寻找局部极值点，以其作为估计电池健康状态以及评估剩余寿命的待选点，建立自动特征数据库。

29、步骤s403所述构建不同尺度的塔，塔的数量设置为三，即对ic曲线进行两次降采样后分别建立高斯空间以及高斯差分空间。

30、s5.对自动特征数据库进行处理，选出相似的点作为同一序列，并与电池soh进行相关性分析，选出相关性高的特征序列作为自动特征。

31、所述步骤s5包括以下子步骤：

32、s501.确定权重矩阵，选取出循环中与初始点值之差的权重最小的点作为同一序列，对初始循环中的特征点进行权重序列分析，得到不同的相似点序列；

33、s502.对各相似点序列与电池soh进行相关性分析，取其相关性前三的作为自动提取特征。

34、本发明的有益效果是：本发明提出一种适用于电池健康状态评估和寿命预测的自动特征提取方法。通过建立不同工况下的充放电数据库，对容量增量曲线建立高斯空间与高斯差分空间，取差分空间中的相似特征序列作为自动特征，选取与soh相关性高的特征作为评估soh与剩余寿命的特征。本发明所述有两点优势，第一，可以直接获得与soh高相关性的序列特诊，不需要利用复杂的电路模型或者形态学模型进行参数辨识。第二，本方法适用性强，可以面向不同电池不同工况进行分析，不需要调整模型参数，避免了只对单独工况有效的情况。

技术特征：

1.适用于电池健康状态评估和寿命预测的自动特征提取方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的适用于电池健康状态评估和寿命预测的自动特征提取方法，其特征在于，所述步骤s1包括以下子步骤：

3.根据权利要求1所述的适用于电池健康状态评估和寿命预测的自动特征提取方法，其特征在于，所述步骤s2包括以下子步骤：

4.根据权利要求3所述的适用于电池健康状态评估和寿命预测的自动特征提取方法，其特征在于，步骤s202中所述的容量微分，以当前容量点的前一点与后一点的平均微分作为当前点的容量微分。

5.根据权利要求1所述的适用于电池健康状态评估和寿命预测的自动特征提取方法，其特征在于，所述步骤s3包括以下子步骤：

6.根据权利要求1所述的适用于电池健康状态评估和寿命预测的自动特征提取方法，其特征在于，所述步骤s4包括以下子步骤：

7.根据权利要求6所述的适用于电池健康状态评估和寿命预测的自动特征提取方法，其特征在于，步骤s403所述构建不同尺度的塔，塔的数量设置为三，即对ic曲线进行两次降采样后分别建立高斯空间以及高斯差分空间。

8.根据权利要求1所述的适用于电池健康状态评估和寿命预测的自动特征提取方法，其特征在于，所述步骤s5包括以下子步骤：

技术总结
本发明公开适用于电池健康状态评估和寿命预测的自动特征提取方法，包括：S1.在固定温度和不同充放电倍率下对电池进行循环充放电老化试验，采集电池循环过程中的电流信息与电压信息；S2.在不同充放电倍率下，通过安时积分法获得对应循环的容量，建立对应工况的容量增量曲线；S3.对一维时间尺度下的IC曲线进行高斯卷积，建立对应工况下的高斯空间与高斯差分空间；S4.构建不同尺度的塔，计算每个塔的高斯差分空间，寻找相邻差分空间中的局部极值点；S5.对自动特征数据库进行处理，选出相似的点作为同一序列，并与电池SOH进行相关性分析，选出相关性高的特征序列作为自动特征。本发明提出的方法计算复杂度低，可直接获得与SOH高相关的特征点序列。

技术研发人员：魏中宝,李清华,何洪文
受保护的技术使用者：北京理工大学
技术研发日：
技术公布日：2024/1/14