CN116125289A - 基于局部电压片段和集成学习的锂电池健康状态估计方法 - Google Patents

Abstract

本申请提出基于局部电压片段和集成学习的锂电池健康状态估计方法，包括S1：获取m个电池充电过程的样本，确定电压区间范围，然后对该区间范围划分n个局部电压片段；S2：对每个样本中的每个局部电压片段提取容量间隔特征；S3：分析每个局部电压片段与电池健康度的特征相关性；S4：通过步骤S1‑S3的方式生成初始训练集，搭建n+1个集成学习模型，基于初始训练集对前n个集成学习模型进行训练和预测，得到二次训练集；S5：将二次训练集对最终模型进行训练，然后利用该最终模型分析局部电压片段以完成对电池健康状态进行估计。本申请利用充电过程中某几段局部电压进行电池状态估计，模拟用户充电习惯，实现对电池健康状态估计。

Description

基于局部电压片段和集成学习的锂电池健康状态估计方法

技术领域

本发明涉及锂电池状态估计技术领域，特别涉及一种基于局部电压片段和集成学习的锂电池健康状态估计方法。

背景技术

近年，由于交通运输引起的全球变暖和空气污染等问题，如何促进能源绿色化，减少能源消耗造成的环境污染，成为重要的研究课题。目前，电动汽车因其搭载的锂电池具有能量密度高、成本低、优异的可循环性和寿命长等显著优势逐渐代替了传统燃油汽车。然而，随着电动汽车的使用次数增加，锂电池在充电和放电中产生压力导致电极出现老化和开裂问题，这将直接影响到锂电池的使用寿命。更重要的是，如果不及时检测到电池健康状况的下降，会进一步影响整个电动汽车的安全性和可靠性。因此，对锂离子电池实时健康状态进行评估和正确的判断，不仅提高电动汽车系统的安全性和可靠性，还对电动汽车行业的发展具有重要意义。一般情况下，在电车应用中对于电池健康状态的估计，可利用的电池老化数据有采样时间(t)、电池电流(I)、电池电压(V)、电池温度(T)并且电池充电容量(Q)也可以通过积分电流随时间的变化而获得。现有的电池健康状态估计技术也是通过人为合理地处理这些电池老化数据所得到的电池老化特征，再搭建相匹配的机器学习模型，进而实现健康状态的实时估计。往往这些人为处理的老化特征也能得到电池在老化过程中丰富的退化信息，如经过处理的充电容量与电池电压曲线和容量增量曲线可以反应热力学特性、温度差分曲线可以反应动力学特性等等，并且它们都被证明对电池健康状态的预测有效。但是电池表面温度易受外部环境干扰，相对来说，传感器中的电压数据更为稳定。并且，考虑到实际应用中用户充电范围不可预测，很难在实际情况中收集涵盖整个充电循环的数据。因此，从部分随机局部充电过程中提取特征是电车应用中估计电池健康状态至关重要的一步。

发明内容

本发明针对现有技术中的不足，提供一种基于局部电压片段和集成学习的锂电池健康状态估计方法；通过仅利用充电过程中一段或某几段局部电压区间进行电池健康状态估计，模拟实际应用中用户充电习惯，将局部电压区间中的容量增量作为特征，搭建集成学习模型实现对电池健康状态估计。

为实现上述目的，本发明采用以下技术方案：

一种基于局部电压片段和集成学习的锂电池健康状态估计方法，包括以下步骤：

S1：获取m个锂电池充电过程的样本，并确定锂电池合理的电压区间范围，然后对该电压区间范围划分n个局部电压片段；

S2：对每个样本中的每个局部电压片段提取容量间隔特征Δq；

S3：基于步骤S1和S2的内容，分析每个局部电压片段与锂电池健康度的特征相关性；

S4：通过步骤S1-S3的方式生成初始训练集，然后搭建n+1个集成学习模型，基于初始训练集对前n个集成学习模型进行训练和预测，得到二次训练集；

S5：将二次训练集对最终模型，也即对第n+1个集成学习模型进行训练，然后利用该最终模型分析局部电压片段以完成对锂电池健康状态进行估计。

为优化上述技术方案，采取的具体措施还包括：

进一步地，在步骤S1中，确定锂电池合理的电压区间范围，然后对该电压区间范围划分n个局部电压片段的具体内容如下：

锂电池合理的电压区间范围为[U_start,U_end]，其中U_start表示电压区间范围起始值，并将U_start设置为锂电池满电荷容量的20％，U_end表示电压区间范围终止值，并将U_end设置为低于锂电池充电截止电压的一个值；

对电压区间范围为[U_start,U_end]划分为n个局部电压片段：

式中，ΔU表示设定的局部电压片段之间的区间间隔。

进一步地，在步骤S2中，每个样本中的每个局部电压片段提取容量间隔特征为Δq：Δq＝{Δq₁,Δq₂,...,Δq_l}，由该参数能够清楚每个样本中的每个局部电压片段所提取到的容量间隔特征元素共有l个，数值l的确定公式为：

式中，ΔU表示设定的局部电压片段之间的区间间隔，Δu表示设定自变量电压间隔。

进一步地，在步骤S3中，任意一个局部电压片段与锂电池健康度的特征相关性具体计算公式如下：

式中，由于锂电池会逐渐老化，因此在不同的样本中锂电池健康度状态也不同；SOH表示包含m个样本中，每个样本下的锂电池健康度状态值；F表示包含所有样本在对应某个局部电压片段中的容量间隔特征值；ρ表示对应的某个局部电压片段与锂电池健康度之间的相关系数，ρ值在0到1之间，越接近1说明两者之间相关性越强，反之越接近0，两者之间的相关性就越弱；另外，式中的Cov(SOH,F)表示对应的SOH值与对应的F值之间的协方差；σ_SOH表示对应的SOH值标准差；σ_F表示对应的F值标准差。

进一步地，步骤S4的具体内容如下：

通过步骤S1-S3的方式生成初始训练集D＝{D₁,D₂,...,D_n}，其中，里面的任意一个元素D_i＝{(x_i1,SOH₁),(x_i2,SOH₂),...,(x_im,SOH_m)}；对于D_i来说其也是一个集合，里面第一组中元素x_i1表示的含义是在第1个样本中第i个局部电压片段的容量间隔特征，SOH₁表示的含义是在第1个样本中锂电池健康度的状态值，同理，第m组中x_im表示的含义是在第m个样本中第i个局部电压片段的容量间隔特征，SOH_m表示的含义是在第m个样本中锂电池健康度的状态值；此外，通过步骤S3中任意一个局部电压片段与锂电池健康度的特征相关性计算公式可以得到，任意一个集合元素D_i，其对应的特征相关性值为ρ_i；

将初始训练集D送到前n个集成学习模型中，通过n折交叉验证法进行训练和预测；具体方式是：根据每个集合元素D_i所对应的特征相关性值ρ_i，将m个样本按比例划分到集合d_i中，比例计算公式为

以此得到n个大小不一的集合d₁到d_n，进而得到一个大集合d＝{d₁,d₂,...,d_n}，任意一个小集合d_i＝{(x_ij,y_j),...,(x_ik,y_k)}，里面第一组中元素x_ij表示的含义是在第i个小集合d_i中第j个样本的容量间隔特征，y_j表示的含义是在对应第j个样本中锂电池健康度的状态值；然后用D_i-d_i和d_i对第i个集成学习模型进行训练和预测，得到每个集成学习模型的预测结果Z_i＝y(d_i)+ε，Z_i表示第i个集成学习模型预测结果，y(d_i)表示第i个集成学习模型训练结果，ε表示集成学习模型系数；将每个集成学习模型的预测结果综合得到生成的二次训练集Z＝{Z₁,Z₂,...,Z_n}。

进一步地，步骤S5的具体内容为：

结合二次训练集数据和初始的各样本SOH值，送入到第n+1个集成学习模型进行训练；然后利用该最终模型分析局部电压片段以完成对锂电池健康状态进行估计。

本发明的有益效果是：

1、本发明在于通过仅利用充电过程中一段或某几段局部电压区间进行电池健康状态估计，模拟实际应用中用户充电习惯，将局部电压区间中的容量增量作为特征，搭建集成学习模型实现对电池健康状态估计。

2、本申请利用训练集上的原始电压数据，采用分段处理提取特征并放入集成学习模型中训练，既能够保留特征信息，同时能够减少模型的计算量。然后对测试集上随机给出的几个电压片段进行预测，在实验室收集的数据集上验证本方法，结果表明在实验步骤中参数配置了合理的取值下，仅片段大小仅为5就足以在RMSE低于1.5％下进行精确估计。一般来说，片段越多可以从多个片段冲提取更多关于电池老化的信息，降低总体RMSE，消除异常值，缩小误差分布。然而，当片段大小6时，增加片段大小所带来的精度提高是有限的，除非能够在充电阶段获得整条充电曲线。提出的方法可以根据实际的充电场景找到合适的片段大小，估计精度。

附图说明

图1是本发明整体方案流程结构示意图。

具体实施方式

下面结合附图详细说明本发明。

参考图1，本申请的整体技术方案如下：

本发明提出基于局部电压片段和集成学习(堆叠)的锂电池健康状态估计方法。本申请可以通过线下训练好的集成学习模型，准确利用用户充电数据在线上来进行对电池健康状态估计。

本发明采用的技术方案是：将训练集的电池原始充电数据模拟用户充电习惯进行区间划分，并提取容量增量特征作为预测模型的输入特征训练模型，再选取测试集的电池随机充电片段预测其电池健康状态。

步骤一，为划分局部电压片段，需确定合理的电压范围[U_start,U_end]和片段区间间隔ΔU。通过分析近100辆电动汽车的11000多个充电过程后，将U_start设置为20％SOC处的电压值，U_end设置为稍微低于充电截止电压的值，以避免切换到恒压充电时数据波动的影响。根据这三个参数，可以按下式生成n个电压片段：

式中，ΔU表示设定的局部电压片段之间的区间间隔。

步骤二，对每个样本的每个电压片段提取特征Δq。汽车应用的情况中，电池当前容量是未知的。因而在特征选择时选择易测量的容量间隔特征Δq＝{Δq₁，Δq₂，...，Δq_l}，自变量电压间隔为Δu，l由下式决定：

式中，ΔU表示设定的局部电压片段之间的区间间隔，Δu表示设定自变量电压间隔。

步骤三，对生成的每个电压片段进行特征相关性分析。由于不同随机片段包含的电池老化特征也不同。为了分析不同片段的特征参数与SOH之间的相关性，本文引入Pearson相关系数。为了明显判断特征的关联度，本文将其定义为下式：

式中F为特征参数，即F＝Δq，Cov(SOH,F)为SOH和F的协方差，σ_SOH和σ_F分别为SOH的标准差和特征参数的标准差。ρ值在0到1之间，越接近1说明两者之间相关性越强。反之，越接近0，两者之间的相关性就越弱。

步骤四，生成初始训练集，搭建集成学习(堆叠)模型，并训练模型。首先从锂离子电池在充电阶段的容量变化曲线中按步骤一和步骤二提取间隔特征，然后生成相应的n个数据集D＝{D₁，D₂，…，D_n}其中D_i＝{(x_i1,SOH₁)，(x_i2,SOH₂)，…，(x_im,SOH_m)}，m为样本个数。其中每个数据集的Pearson相关系数记为σ_i。接着，构建n+1个集成学习模型。其中n个用于集成学习(堆叠)模型生成二次的训练集，针对n个初始数据集D＝{D₁，D₂，…，D_n}，设计n折交叉验证法。将训练集中的m个样本按照计算出的每个数据集的特征关联度按比例

分为n个大小不一的的集合d＝{d₁，d₂，…，d_n}，d_i＝{(x_ij,y_j)，…，(x_ik,y_k)}。用D_i-d_i和d_i对第i个基础模型进行训练和预测。从而得到每个基础模型的预测结果z_i＝y(d_i)+ε。则生成的二次训练集可以表示为z＝{z₁,z₂,…，z_n}。

步骤五，训练最终模型，即第n+1个模型。结合初始的样本标签和二次训练集的输入特征向量，堆叠算法中的最终模型训练数据集可以被表示为z，利用该数据集训练最终模型。

步骤六，估计电池健康状态。当仅有部分片段特征作为锂离子电池健康状态考量时，这些部分片段利用集成模型中对应训练片段的基础模型得到对应的预测结果。同样的将这些预测结果按照他们特征关联度的权重进行加权得到的新特征向量作为最终模型的测试集输入特征向量，该模型的预测值即为集成模型的预测结果。

需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (6)

1.一种基于局部电压片段和集成学习的锂电池健康状态估计方法，其特征在于，包括以下步骤：

S1：获取m个锂电池充电过程的样本，并确定锂电池合理的电压区间范围，然后对该电压区间范围划分n个局部电压片段；

S2：对每个样本中的每个局部电压片段提取容量间隔特征Δq；

S3：基于步骤S1和S2的内容，分析每个局部电压片段与锂电池健康度的特征相关性；

S4：通过步骤S1-S3的方式生成初始训练集，然后搭建n+1个集成学习模型，基于初始训练集对前n个集成学习模型进行训练和预测，得到二次训练集；

S5：将二次训练集对最终模型，也即对第n+1个集成学习模型进行训练，然后利用该最终模型分析局部电压片段以完成对锂电池健康状态进行估计。

2.根据权利要求1所述的一种基于局部电压片段和集成学习的锂电池健康状态估计方法，其特征在于，在步骤S1中，确定锂电池合理的电压区间范围，然后对该电压区间范围划分n个局部电压片段的具体内容如下：

锂电池合理的电压区间范围为[U_start,U_end]，其中U_start表示电压区间范围起始值，并将U_start设置为锂电池满电荷容量的20％，U_end表示电压区间范围终止值，并将U_end设置为低于锂电池充电截止电压的一个值；

对电压区间范围为[U_start,U_end]划分为n个局部电压片段：

式中，ΔU表示设定的局部电压片段之间的区间间隔。

3.根据权利要求2所述的一种基于局部电压片段和集成学习的锂电池健康状态估计方法，其特征在于，在步骤S2中，每个样本中的每个局部电压片段提取容量间隔特征为Δq：Δq＝{Δq₁,Δq₂,...,Δq_l}，由该参数能够清楚每个样本中的每个局部电压片段所提取到的容量间隔特征元素共有l个，数值l的确定公式为：

式中，ΔU表示设定的局部电压片段之间的区间间隔，Δu表示设定自变量电压间隔。

4.根据权利要求3所述的一种基于局部电压片段和集成学习的锂电池健康状态估计方法，其特征在于，在步骤S3中，任意一个局部电压片段与锂电池健康度的特征相关性具体计算公式如下：

式中，由于锂电池会逐渐老化，因此在不同的样本中锂电池健康度状态也不同；SOH表示包含m个样本中，每个样本下的锂电池健康度状态值；F表示包含所有样本在对应某个局部电压片段中的容量间隔特征值；ρ表示对应的某个局部电压片段与锂电池健康度之间的相关系数，ρ值在0到1之间，越接近1说明两者之间相关性越强，反之越接近0，两者之间的相关性就越弱；另外，式中的Cov(SOH,F)表示对应的SOH值与对应的F值之间的协方差；σ_SOH表示对应的SOH值标准差；σ_F表示对应的F值标准差。

5.根据权利要求4所述的一种基于局部电压片段和集成学习的锂电池健康状态估计方法，其特征在于，步骤S4的具体内容如下：

通过步骤S1-S3的方式生成初始训练集D＝{D₁,D₂,...,D_n}，其中，里面的任意一个元素D_i＝{(x_i1,SOH₁),(x_i2,SOH₂),...,(x_im,SOH_m)}；对于D_i来说其也是一个集合，里面第一组中元素x_i1表示的含义是在第1个样本中第i个局部电压片段的容量间隔特征，SOH₁表示的含义是在第1个样本中锂电池健康度的状态值，同理，第m组中x_im表示的含义是在第m个样本中第i个局部电压片段的容量间隔特征，SOH_m表示的含义是在第m个样本中锂电池健康度的状态值；此外，通过步骤S3中任意一个局部电压片段与锂电池健康度的特征相关性计算公式可以得到，任意一个集合元素D_i，其对应的特征相关性值为ρ_i；

将初始训练集D送到前n个集成学习模型中，通过n折交叉验证法进行训练和预测；具体方式是：根据每个集合元素D_i所对应的特征相关性值ρ_i，将m个样本按比例划分到集合d_i中，比例计算公式为

以此得到n个大小不一的集合d₁到d_n，进而得到一个大集合d＝{d₁,d₂,...,d_n}，任意一个小集合d_i＝{(x_ij,y_j),...,(x_ik,y_k)}，里面第一组中元素x_ij表示的含义是在第i个小集合d_i中第j个样本的容量间隔特征，y_j表示的含义是在对应第j个样本中锂电池健康度的状态值；然后用D_i-d_i和d_i对第i个集成学习模型进行训练和预测，得到每个集成学习模型的预测结果Z_i＝y(d_i)+ε，Z_i表示第i个集成学习模型预测结果，y(d_i)表示第i个集成学习模型训练结果，ε表示集成学习模型系数；将每个集成学习模型的预测结果综合得到生成的二次训练集Z＝{Z₁,Z₂,...,Z_n}。

6.根据权利要求1所述的一种基于局部电压片段和集成学习的锂电池健康状态估计方法，其特征在于，步骤S5的具体内容为：

结合二次训练集数据和初始的各样本SOH值，送入到第n+1个集成学习模型进行训练；然后利用该最终模型分析局部电压片段以完成对锂电池健康状态进行估计。

Images