CN111443293A - 一种基于数据驱动的锂电池健康状态soh估算方法 - Google Patents

Abstract

本申请公开了一种基于数据驱动的锂电池健康状态SOH估算方法，其特征在于：包括以下步骤：1)对锂电池在恒流充电工作模式的充电数据进行实时记录；2)通过容量增量分析采用简化的dQ/dV处理方式对恒流充电电压曲线进行容量增量曲线计算；随后通过灰色关联分析确定将容量增量曲线2号峰的峰值强度和峰值位置电压作为估计SOH的特征向量；3)以峰值强度和峰值位置电压作为特征向量为输入，以SOH为输出构建支持向量回归模型；4)将差分进化策略与灰狼优化算法相融合，构成改进的灰狼优化算法IGWO；5)通过IGWO对支持向量回归模型中的超参数进行三参数联合寻优。本发明的优点在于它能克服现有技术的弊端，结构设计合理新颖。

Description

一种基于数据驱动的锂电池健康状态SOH估算方法

技术领域

本发明涉及一种基于数据驱动的锂电池健康状态SOH估算方法，属于电池电量管理领域。

背景技术

电池系统作为电动汽车的关键部件，对电动汽车的行驶性能和充电行驶里程影响很大。锂电池因具有 能量密度高、寿命长、无记忆效应等内在优势，在众多类型的电池中脱颖而出。电池健康状态(State of health,SOH)作为电池管理系统(BMS)检测的多种锂电池性能参数之一，其准确地评估有助于有效的电池 健康管理，对SOC、SOP等参数的计算提供重要依据。

然而，电池内部所涉及的电化学反应的复杂性和耦合效应，且不同类型的锂电池老化机理不同，都增 加了对SOH准确评估的难度。现有的SOH估算方法主要基于经验模型和基于机理的方法。通过拟合实验数 据，得到经验模型。它们在一定条件下对特定电池类型具有较好的预测精度，但缺乏物理意义，具有严重 的局限性。基于机理的方法是从电池本质机理的角度分析并建立电池的运行机理模型及老化模型，从电化 学原理的角度描述电池的老化行为，通过对电池模型的分析预测电池寿命。然而，该模型需要精细的参数， 极高的计算要求阻碍了其在BMS中的实际应用。支持向量回归作为一种机器学习算法，具有良好的逼近和 泛化能力，并在非线性系统辨识领域显示出巨大的潜力。

本发明提出一种基于数据驱动的锂电池健康状态SOH的预测方法，运用容量增量分析采用简化的 dQ/dV处理方式对充电电压曲线进行处理，大大减少电池管理系统的运行负担，节约了时间成本，并且 通过改进的灰狼优化算法对支持向量回归模型中的超参数进行三参数联合寻优，相对于只进行两参数寻 优，大大提升了模型的预测效果，应用价值广泛。

发明内容

本发明提供一种基于数据驱动的锂电池健康状态SOH估算方法，运用容量增量分析采用简化的dQ/dV 处理方式对充电电压曲线进行处理，大大减少电池管理系统的运行负担，节约了时间成本，并且通过改进 的灰狼优化算法对支持向量回归模型中的超参数进行三参数联合寻优，相对于只进行两参数寻优，大大提 升了模型的预测效果，应用价值广泛。

为解决上述技术问题，本发明采取的技术方案是，一种基于数据驱动的锂电池健康状态SOH估算方法， 包括以下步骤：

1)针对不同类型的动力锂电池，测算其出厂时锂电池的额定容量；

2)针对不同类型的锂电池在恒流充电工作模式的数据进行实时记录，直到电池寿命终止结束记录； 在对不同类型的锂电池在恒流充电工作模式的数据进行实时记录后，根据实时记录的数据形成锂电池恒流 充电电压曲线；

3)通过容量增量分析法对锂电池恒流充电电压曲线进行处理变换，并选择采用简化的

处理方式进行容量增量曲线计算；在容量增量曲线计算后，通过灰色关联分析 方法确定将容量增量曲线上2号尖峰的峰值强度和峰值位置电压作为估计SOH的特征向量；

4)以步骤3)中获得的容量增量曲线上2号尖峰的峰值强度和峰值位置电压作为估计SOH的特征向量 为输入，以锂电池SOH为输出构建支持向量回归模型；

5)将差分进化策略与灰狼优化算法相融合，构成改进的灰狼优化算法IGWO；

6)通过改进的灰狼优化算法对步骤4)获得的支持向量回归模型中的超参数进行三参数联合寻优；

7)利用寻优得到的三参数构建SOH预测模型，对动力锂电池的SOH进行实时估算和预测。

优化的，上述基于数据驱动的锂电池健康状态SOH估算方法，在步骤2)中，针对不同类型的锂电池 在恒流充电工作模式的数据进行实时记录时，实时记录不同类型的锂电池在两种不同的恒流充电工作模式 的数据。

优化的，上述基于数据驱动的锂电池健康状态SOH估算方法，在步骤2)中，锂电池两种不同的恒流 充电工作模式过程如下：首先在1.5A的恒流模式下充电，直到电池电压升高到4.2V，然后在4.2V的恒压 模式下继续充电，直到充电电流降至20mA，充电过程结束；在2A的恒流模式下对电池进行放电，直到电 池电压降至截止放电电压为止。

优化的，上述基于数据驱动的锂电池健康状态SOH估算方法，在步骤2)至步骤4)中，将锂电池的 每次充电循环作为一个样本采集锂电池在恒流充电工作模式的数据并形成锂电池恒流充电电压曲线，利用 容量增量分析采用简化的

处理方式对锂电池恒流充电电压曲线进行处理变换， 通过灰色关联分析方法确定将容量增量曲线上2号尖峰的峰值强度和峰值位置电压作为估计SOH的特征向 量，将电池的SOH作为模型输出，构建支持向量回归模型。

优化的，上述基于数据驱动的锂电池健康状态SOH估算方法，在步骤5)中，将将差分进化策略与灰 狼优化算法相融合构成改进的灰狼优化算法，其方式为基于差分进化策略的灰狼优化算法的变异因子，函 数表达式为：V_i(t+1)＝X_α(t)+W·(X_β(t)-X_δ(t))，其中，W为动态变化的缩 放因子，其取值范围为[0,2],t为当前迭代次数。

优化的，上述基于数据驱动的锂电池健康状态SOH估算方法，在步骤6)中，利用改进的灰狼优化算 法对支持向量回归模型的超参数进行优化，实现三参数的联合寻优，此过程中三参数的联合寻优包括惩罚 系数、核函数参数、最大误差的寻优。

优化的，上述基于数据驱动的锂电池健康状态SOH估算方法，在步骤6)中三参数的联合寻优的过程 中引入一个评估数据集。

优化的，上述基于数据驱动的锂电池健康状态SOH估算方法，步骤4)获得的支持向量回归模型采用 RBF函数作为核函数，RBF函数计算公式为：

式中，σ表示RBF核函数参 数。

优化的，上述基于数据驱动的锂电池健康状态SOH估算方法，动力锂电池的额定容量是在环境温度 25℃，充电电流0.5C的条件下测得的。

本发明对不同类型的锂电池的充电数据进行实时记录；通过容量增量分析法对锂电池恒流充电电压曲 线进行处理变换，并创新性地选择采用简化的

处理方式进行容量增量曲线计 算，通过灰色关联分析方法确定将容量增量曲线上2号尖峰的峰值强度和峰值位置电压作为估计SOH的特 征向量，以两个特征向量为输入，锂电池SOH为输出构建支持向量回归模型；将差分进化策略与灰狼优化 算法相融合，构成改进的灰狼优化算法IGWO；通过改进的灰狼优化算法对支持向量回归模型中的超参数(惩 罚系数、核函数参数和最大误差)进行三参数联合寻优，利用寻优得到的三个参数构建预测模型，即可对 动力锂电池的SOH进行估算和预测。

本发明避免了从电池本质机理的角度分析并建立电池的运行机理模型及老化模型，无需建立具体的电 池模型，不涉及电化学反应的复杂性和耦合效应，只需要电池管理系统实时记录电池充电数据，避免了电 池电化学具体模型中对参数的精细计算，适用于各种类型的动力锂电池；采用简化的

处理方式对充电电压曲线进行处理，可大大减少电池管理系统的运行负担，节 约了时间成本；利用改进的灰狼优化算法对支持向量回归模型进行三参数联合寻优，相对于只进行两参数 寻优，大大提升了锂电池健康状态的预测效果，具有广泛的应用价值。

附图说明

图1为两种锂电池在放电循环中的SOH变化曲线图；

图2为未滤波的不同充放电循环下的容量增量曲线；

图3为滤波后的不同充放电循环下的容量增量曲线；

图4为在三参数寻优类型下IGWO-SVR的SOH预测结果，其中图4(a)为5号电池预测结果，图4(b) 为5号电池预测偏差，图4(c)为6号电池预测结果，图4(d)为6号电池预测偏差；

图5为IGWO-SVR与其他3种SOH预测算法的性能对比；

图6为基于改进的灰狼优化和支持向量回归(IGWO-SVR)的联合算法的流程图；

图7为特征向量与SOH灰色关联系数表；

图8为在不同参数寻优类型下IGWO-SVR在2种锂电池数据集上的预测性能；

图9为4种算法在2种锂电池数据集上的预测性能比较。

具体实施方式

下面结合附图与具体实施例进一步阐述本发明的技术特点。

如图所示，本发明为一种基于数据驱动的锂电池健康状态SOH估算方法，包括以下步骤：

1)针对不同类型的动力锂电池，测算其出厂时锂电池的额定容量；

2)针对不同类型的锂电池在恒流充电工作模式的数据进行实时记录，直到电池寿命终止结束记录； 在对不同类型的锂电池在恒流充电工作模式的数据进行实时记录后，根据实时记录的数据形成锂电池恒流 充电电压曲线；

3)通过容量增量分析法对锂电池恒流充电电压曲线进行处理变换，并选择采用简化的

处理方式进行容量增量曲线计算；在容量增量曲线计算后，通过灰色关联分析 方法确定将容量增量曲线上2号尖峰的峰值强度和峰值位置电压作为估计SOH的特征向量；

4)以步骤3)中获得的容量增量曲线上2号尖峰的峰值强度和峰值位置电压作为估计SOH的特征向量 为输入，以锂电池SOH为输出构建支持向量回归模型；

5)将差分进化策略与灰狼优化算法相融合，构成改进的灰狼优化算法IGWO；

6)通过改进的灰狼优化算法对步骤4)获得的支持向量回归模型中的超参数进行三参数联合寻优；

7)利用寻优得到的三参数构建SOH预测模型，对动力锂电池的SOH进行实时估算和预测。

在步骤2)中，针对不同类型的锂电池在恒流充电工作模式的数据进行实时记录时，实时记录不同类 型的锂电池在两种不同的恒流充电工作模式的数据。

在步骤2)中，锂电池两种不同的恒流充电工作模式过程如下：首先在1.5A的恒流模式下充电，直到 电池电压升高到4.2V，然后在4.2V的恒压模式下继续充电，直到充电电流降至20mA，充电过程结束；在 2A的恒流模式下对电池进行放电，直到电池电压降至截止放电电压为止。

在步骤2)至步骤4)中，将锂电池的每次充电循环作为一个样本采集锂电池在恒流充电工作模式的 数据并形成锂电池恒流充电电压曲线，利用容量增量分析采用简化的

处理方式 对锂电池恒流充电电压曲线进行处理变换，通过灰色关联分析方法确定将容量增量曲线上2号尖峰的峰值 强度和峰值位置电压作为估计SOH的特征向量，将电池的SOH作为模型输出，构建支持向量回归模型。

在步骤5)中，将将差分进化策略与灰狼优化算法相融合构成改进的灰狼优化算法，其方式为基于差 分进化策略的灰狼优化算法的变异因子，函数表达式为： V_i(t+1)＝X_α(t)+W·(X_β(t)-X_δ(t))，其中，W为动态变化的缩放因子，其取值范围为 [0,2],t为当前迭代次数。

本申请中，在搜索前期，可以通过增大缩放因子对差分矢量进行动态调整，提高灰狼优化算法的全局 搜索能力，在搜索后期，通过减小缩放因子提高灰狼优化算法的搜索精度。

将狼群中待变异的个体与经过变异操作的矢量因子进行交叉产生中间个体。对于第i个个体的第j维， 其交叉操作为

式中，S表示交叉概率常数，取值为0.7，rand表示区间[0,1]内服从均匀分布的随机数，sn表示一个 随机的维度。

灰狼个体之间通过竞争产生新一代个体，经过变异、交叉产生的中间个体与之前待变异的个体进行竞 争，选择适应度好的个体作为新一代狼群个体。

在步骤6)中，利用改进的灰狼优化算法对支持向量回归模型的超参数进行优化，实现三参数的联合 寻优，此过程中三参数的联合寻优包括惩罚系数、核函数参数、最大误差的寻优。

在步骤6)中三参数的联合寻优的过程中引入一个评估数据集(评估数据集具体形式)。

步骤4)获得的支持向量回归模型采用RBF函数作为核函数，RBF函数计算公式为：

式中，σ表示RBF核函数参数。

动力锂电池的额定容量是在环境温度25℃，充电电流0.5C的条件下测得的。

下面以18650动力锂电池为例，阐述本发明的实施方式：

1)在锂电池出厂时，在环境温度25℃，充电电流0.5C的条件下，测得动力电池的额定容量；重复进 行三次求其平均值，来确定电池的额定容量。

2)在1.5A的恒流模式下充电，直到电池电压升高到4.2V，然后在4.2V的恒压模式下继续充电，直 到充电电流降至20mA，充电过程结束；在2A的恒流模式下对电池进行放电，直到电池电压降至截止放电 电压为止。

3)在动力电池使用过程中，每次锂电池进行充电时，BMS管理系统对电池的充电电流、单体电池电压 进行实时采集，每次采集间隔时间为2.5秒，每次充电过程作为一个循环，将每次充电循环作为一个样本， 利用容量增量分析采用简化的

处理方式对锂电池恒流充电电压曲线进行处理 变换，将容量增量曲线上2号尖峰的峰值强度和峰值位置电压的有关数据提取。

4)将所有256次充电循环中的容量增量曲线的2号尖峰的峰值强度和峰值位置电压数据全部提取构 成数据样本，以2号尖峰的峰值强度和峰值位置电压为输入，电池SOH为输出构建支持向量回归模型。前 200次充电循环样本作为训练集，后68个样本作为测试集。将训练集中的后30次循环作为三参数的联合 寻优的过程中引入的评估数据集。

5)使用改进的灰狼优化算法对支持向量回归模型中的三个参数(惩罚系数、核函数参数和最大误差) 同时进行联合寻优，寻优完毕后，获得最优参数构建最终SVR预测模型。

6)每次充电循环完成后便可使用采集到的单体电池电压、充电电流数据提取峰值强度和峰值位置电 压特征向量，对当前锂电池的SOH进行估算。

应当理解的是，通过改进灰狼优化算法和支持向量回归模型相结合构建锂电池SOH预测模型，不仅能 够得知动力锂电池的历史健康状态和当前健康状态，而且还能对电池未来的健康状态进行精准的估算和预 测。随着锂电池的持续使用，回归模型还能根据后续的数据对模型进行自我修正，从而使支持向量回归模 型可以随着动力电池的实际使用情况而进行及时更新，进一步提高了此方法的SOH估算和预测准确度。此 外，还可以根据计算出的SOH值实时更新BMS程序里的SOH值，从而对BMS程序进行标定，作为BMS管理 系统中SOC(电池荷电状态)、SOP(功率状态)的计算参数，从而避免了因为动力电池容量衰退而导致BMS算 法误差的增大。

本申请中，基于改进的灰狼优化和支持向量回归(IGWO-SVR)的联合算法的核心思想是运用改进的GWO 算法解决SVR模型中的参数联合寻优问题，以提升模型的预测效果。该算法的流程图如图6所示。

输入：训练样本集

其中x_i表示第i个训练样本的特征向量；y_i表示第i个训练样本的回归值；N表示训练样本的数量。为了避免出现过拟合现象，引入一个评估数据 集

表示第个评k估样本的特征向量；

表示第k个评估样本 的回归值；L表示评估样本的数目。输出：训练得到的SVR模型SVR_En。狼群的数量为n；最大迭 代次数为T。

根据图1，采用IGWO-SVR算法进行预测的具体过程为：

(1)数据预处理。在导入样本集之后，需要进行归一化操作，将样本特征归一到[0,1]区间。

式中，x_i、

分别表示归一化前后的样本特征值；x_min、x_max分别表示样本 数据中最小值、最大值。

(2)模型参数寻优。具体的操作步骤可以描述如下：

1)初始化狼群，随机产生n只灰狼个体，依次表示为s₁,s₂,L,s_n,每只灰狼s_i对应的个体位置向 量为b_i＝(C_i,σ_i,ε_i),分别由每一只灰狼对应的SVR模型的三个参数C,σ,ε组成。

2)根据每只灰狼s_i的位置向量b_i所包含的SVR参数C_i,σ_i,ε_i在样本集TRAIND上进行训 练，得到相应的SVR模型SVR_i。运用评估数据集EVALD对SVR_i的性能进行评估，并计算s_i的适应度 Fit_i。本文将评估数据集中样本的真实值与其对应的SVR_i预测值的均方根误差的相反数作为适应度函 数，其公式如下：

式中，

表示评估样本

的预测值。

3)根据适应度值大小对狼群进行分级，将适应度最好的灰狼α,β,δ的位置保留，并按照公式对其 余的灰狼位置进行更新。

4)重新计算更新完位置的灰狼个体在新位置上的适应度Fit，并与上一次迭代过程中的最优适应 度值进行比较。

5)选择种群父代个体进行差分进化操作，经过变异、交叉和选择选取优秀灰狼个体进入下一代种 群。

6)若迭代次数t超过最大迭代次数T，学习过程结束，执行步骤7；否则返回步骤3继续参数优化。

7)提取狼群中适应度最优的灰狼位置信息C^*,σ^*,ε^*作为SVR模型参数，构建最终预测模型SVR_En在训练集进行训练。

本文中，n＝30，T＝100。

(3)预测。利用SVR模型对测试集进行预测，经反归一化后输出结果。

(4)性能评估。对预测结果进行绝对百分比均值误差(Mean absolute percentageerror，MAPE)和 均方根误差(Root mean square error，RMSE)计算。MAPE表示预测模型相对误差的均值，RMSE表示预测 模型误差的标准差，两者的值越小，也就表示模型的预测性能越好。MAPE和RMSE的计算公式分别为

式中，Y_i表示第i个样本的真实值；Y_i'表示第i个样本的预测值；n表示样本的数目。

为了验证本发明的技术方案的可靠性，我们以实验的方式进行验证：

本实验锂电池数据集来源于美国国家航空航天局Ames研究中心的预测数据储存库。该数据库中含有 多种不同类型的锂电池数据集，选择5、6号电池数据集进行实验。对上述两种类型的锂电池在3种不同 工作模式(充电、放电和阻抗测试)的实验数据进行记录。每次充放电的过程为：首先在1.5A的恒流模式 下充电，直到电池电压升高到4.2V，然后在4.2V的恒压模式下继续充电，直到充电电流降至20mA， 充电过程结束；在2A的恒流模式下对电池进行放电，直到电池电压降至截止放电电压(5、6号电池的截 止放电电压分别为2.7V、2.5V)为止；通过电化学阻抗谱(EIS)从0.1Hz到5000Hz对锂电池进行频率 扫描完成阻抗测试。重复的充电和放电周期导致电池加速老化，随着老化的进展，当电池达到寿命结束标 准时，记录停止。两种类型的电池均进行168次充放电循环，在每次充放电循环中选择利用充电数据进行 模型构建。锂电池SOH的定义为电池在本次充电完成后于当次放电循环中所放出的容量与其对应的额定容 量的比值，其计算公式如下：

式中，C_i表示第i次放电循环的电池容量；C_n表示电池的额定容量。图1为 两种锂电池在放电循环中的SOH变化曲线图，可以看出，随着放电循环次数的增加，每种类型的电池相对 应的SOH总趋势不断下降。本文中，将前100次放电循环样本作为训练集，后68个样本作为测试集。因 还需要一个评估数据集，所以把训练集中前80次循环作为原始训练集，剩余的20次循环作为评估数据集。

选择合适的特征向量有助于提高模型的预测效果。对于锂离子电池，通过容量增量分析[20]定性地来 提取与电池SOH下降有关的隐含参数信息。容量增量曲线指的是对电池进行恒流充电时，在一个单位电压 内电池充入的容量，容量增量可以表示为dQ/dV,其中Q表示电池的容量，V表示电池的电压。 以5号电池为例，不同充放电循环下的容量增量曲线如图2、3所示。

图2为原始的容量增量曲线，可以看到曲线存在许多噪声和误差，这样的容量增量曲线难以提取与电 池SOH有关的参数，通过中值滤波得到滤波后的容量增量曲线，如图3所示。从图中可以看出，曲线已经 变得平滑，观察发现，在加速老化测试的早期阶段，容量增量曲线存在三个尖峰，随着循环次数的增加， 第一个尖峰逐渐消失，第三个尖峰变得平缓。选取第二个尖峰(箭头所示)观察，发现随着充放电循环次 数的增加，即电池SOH值的逐渐降低，峰值强度逐渐呈下降趋势，同时峰值位置电压逐渐向右移动。可知 峰值强度、峰值位置电压和SOH具有一定的关联。

将第二个尖峰峰值强度和峰值位置电压作为样本的特征向量，电池的SOH作为样本的回归值。由灰色 关联度分析原理[21]可知，当特征向量与SOH的灰色关联系数大于0.6时，则认为二者关联密切。如图7 所示，两个特征向量与SOH的灰色关联系数均大于0.6，证明两个特征向量的选取具有合理性。

IGWO-SVR联合算法预测性能分析

利用IGWO-SVR算法进行联合寻优的SVR三参数的寻优区间如下：惩罚系数C＝[0.01,100]； RBF核函数参数σ＝[0.01,100]；最大误差ε＝[0,1]。为了评估进行三参数联合寻优的SVR模 型的预测性能，同时进行双参数(惩罚系数和核函数参数)寻优，进行双参数寻优时，ε设为0.1。图8 描述了在两种参数寻优类型下IGWO-SVR在5号和6号锂电池数据集上的预测性能。

从图8中可以观察到，对于每种类型的锂电池数据集，基于三参数寻优的SVR模型预测性能均优于基 于双参数寻优的SVR模型预测性能。例如，在5号电池数据集上，采用三参数寻优的IGWO-SVR的MAPE和 RMSE相比于采用双参数寻优分别降低了1.26％和1.07；在6号电池数据集上，采用三参数寻优的IGWO-SVR 的MAPE和RMSE相比于采用双参数寻优分别降低了1.72％和1.17。

为了更好地观察IGWO-SVR联合算法的预测性能，图4描述了在三参数寻优类型下IGWO-SVR

在5号电池和6号电池数据集上的SOH预测结果。对图4进行分析可以发现，在5号和6号电池数据 集上，对于大部分测试样本，IGWO-SVR算法的SOH预测值同真实值之间的偏差很小，获得了较好的预测效 果，由此也验证了图8中的实验数据。

为了进一步测试IGWO-SVR联合算法的优越性，将现有的BP神经网络(BP neuralnetwork，BPNN) 算法、IPSO-SVR算法和GA-SVR算法作为对比算法在5号和6号锂电池数据集上进行实验。在实验中，以 上4种算法均是将每组数据集的前100个样本作为训练样本集，后68个样本作为测试集，并且特征向量 的选取也一致。IGWO-SVR与其他3种算法在2种锂电池数据集上的预测性能比较结果如图9所示。

由图9可以看出，IGWO-SVR算法在2种电池数据集上的预测性能均优于其余3种算法。在5号电池数 据集上，IGWO-SVR同预测性能次好的GA-SVR算法相比，它的MAPE和RMSE值分别降低了0.34％和0.27； 同BPNN算法相比，它的MAPE和RMSE值更是显著降低了1.43％和1.09。在6号电池数据集上，IGWO-SVR 的预测精度也高于其余3种算法。例如，同IPSO-SVR相比，IGWO-SVR的MAPE和RMSE值分别降低了0.60％ 和0.72。将2种电池数据集综合起来进行观察，IGWO-SVR的MAPE和RMSE值同GA-SVR算法相比在2组数 据集上分别平均降低了0.33％和0.37；同BPNN算法相比，MAPE和RMSE在2组数据集上降幅分别平均达到 了1.33％和1.08。为了更直观地对4种算法进行对比，图5绘制了IGWO-SVR与其余3种算法在6号电池 数据集上的SOH预测值与真实值的曲线图，能够看出，对于大部分测试样本，IGWO-SVR的预测值相比于另 外3种算法的预测值更接近真实值，表现出了更好的预测效果。

当然，上述说明并非是对本发明的限制，本发明也并不限于上述举例，本技术领域的普通技术人员， 在本发明的实质范围内，作出的变化、改型、添加或替换，都应属于本发明的保护范围。

Claims (9)

1.一种基于数据驱动的锂电池健康状态SOH估算方法，其特征在于：包括以下步骤：

1)针对不同类型的动力锂电池，测算其出厂时锂电池的额定容量；

2)针对不同类型的锂电池在恒流充电工作模式的数据进行实时记录，直到电池寿命终止结束记录；在对不同类型的锂电池在恒流充电工作模式的数据进行实时记录后，根据实时记录的数据形成锂电池恒流充电电压曲线；

3)通过容量增量分析法对锂电池恒流充电电压曲线进行处理变换，并选择采用简化的

处理方式进行容量增量曲线计算；在容量增量曲线计算后，通过灰色关联分析方法确定将容量增量曲线上2号尖峰的峰值强度和峰值位置电压作为估计SOH的特征向量；

4)以步骤3)中获得的容量增量曲线上2号尖峰的峰值强度和峰值位置电压作为估计SOH的特征向量为输入，以锂电池SOH为输出构建支持向量回归模型；

5)将差分进化策略与灰狼优化算法相融合，构成改进的灰狼优化算法IGWO；

6)通过改进的灰狼优化算法对步骤4)获得的支持向量回归模型中的超参数进行三参数联合寻优；

7)利用寻优得到的三参数构建SOH预测模型，对动力锂电池的SOH进行实时估算和预测。

2.根据权利要求1所述的基于数据驱动的锂电池健康状态SOH估算方法，其特征在于：在步骤2)中，针对不同类型的锂电池在恒流充电工作模式的数据进行实时记录时，实时记录不同类型的锂电池在两种不同的恒流充电工作模式的数据。

3.根据权利要求2所述的基于数据驱动的锂电池健康状态SOH估算方法，其特征在于：在步骤2)中，锂电池两种不同的恒流充电工作模式过程如下：首先在1.5A的恒流模式下充电，直到电池电压升高到4.2V，然后在4.2V的恒压模式下继续充电，直到充电电流降至20mA，充电过程结束；在2A的恒流模式下对电池进行放电，直到电池电压降至截止放电电压为止。

4.根据权利要求1所述的基于数据驱动的锂电池健康状态SOH估算方法，其特征在于：在步骤2)至步骤4)中，将锂电池的每次充电循环作为一个样本采集锂电池在恒流充电工作模式的数据并形成锂电池恒流充电电压曲线，利用容量增量分析采用简化的dQ/dV处理方式对锂电池恒流充电电压曲线进行处理变换，通过灰色关联分析方法确定将容量增量曲线上2号尖峰的峰值强度和峰值位置电压作为估计SOH的特征向量，将电池的SOH作为模型输出，构建支持向量回归模型。

5.根据权利要求1所述的基于数据驱动的锂电池健康状态SOH估算方法，其特征在于：在步骤5)中，将将差分进化策略与灰狼优化算法相融合构成改进的灰狼优化算法，其方式为基于差分进化策略的灰狼优化算法的变异因子，函数表达式为：V_i(t+1)＝X_α(t)+W·(X_β(t)-X_δ(t))，其中，W为动态变化的缩放因子，其取值范围为[0,2],t为当前迭代次数。

6.根据权利要求1所述的基于数据驱动的锂电池健康状态SOH估算方法，其特征在于：在步骤6)中，利用改进的灰狼优化算法对支持向量回归模型的超参数进行优化，实现三参数的联合寻优，此过程中三参数的联合寻优包括惩罚系数、核函数参数、最大误差的寻优。

7.据权利要求6所述的基于数据驱动的锂电池健康状态SOH估算方法，其特征在于：在步骤6)中三参数的联合寻优的过程中引入一个评估数据集。

8.根据权利要求3所述的基于数据驱动的锂电池健康状态SOH估算方法，其特征在于：步骤4)获得的支持向量回归模型采用RBF函数作为核函数，RBF函数计算公式为：

式中，σ表示RBF核函数参数。

9.根据权利要求1所述的基于数据驱动的锂电池健康状态SOH估算方法，其特征在于：动力锂电池的额定容量是在环境温度25℃，充电电流0.5C的条件下测得的。

Images