[发明专利]一种基于FWA优化极限学习机的锂电池SOH预测方法

说明书

本发明公开了一种基于FWA优化极限学习机的锂电池健康状态SOH预测方法，属于动力电池SOH预测技术领域。本发明为了解决现有技术中对动力电池SOH预测过程中参数寻优困难和估算精度低的问题。本发明包括如下步骤建立基于极限学习机的锂电池SOH预测模型；采用FWA优化算法优化预测模型中的输入权值和隐含层偏置；将训练样本输入所述预测模型中对模型进行训练；输入测试样本对训练好的预测模型进行验证；本申请能够准确的对实时非线性变化的锂电池健康状态SOH进行准确的预测，预测运算速度更快且提高了健康因子与锂电池SOH之间的变化对应关系，进而提高了估计精度。

技术领域

本发明涉及动力电池SOH预测领域，特别是涉及一种基于FWA优化极限学习机的锂电 池SOH预测方法。

背景技术

能源危机和环境污染问题的日益加剧，发展新能源汽车成为现代工业发展的重要任务。 随着全球市场电动汽车商品化步伐的日益加快，对高功率和高能量动力电池需求迅速增加， 锂动力电池具有安全性高、寿命长、污染低、比能量大等特点，目前已作为动力电池应用于 电动汽车。电池的健康状态SOH用于描述电池的衰退状态，锂离子电池在长期使用过程中不 可避免的面临着老化衰退的问题，电池的衰退是一个不可以逆转的过程，当锂离子电池衰退 到一定程度时，将不再适合在电动汽车中继续使用，不然会造成一些汽车事故；因此准确的 估计锂离子电池健康状态SOH对减少故障提高电池效率有着十分重要的意义和价值。

锂离子动力电池的SOH随着充放电循环而逐渐退化。然而，锂离子电池是动态、时变、 非线性的电化学系统，其内部电化学机理十分复杂，很难建立准确的退化机理模型来估计锂 离子电池的SOH。因此，国内外学者在锂离子电池电化学方面开展了大量的研究，通过实验 分析法来预测SOH，非常直接，精度较高，但却需要专业的实验室及器材，设备昂贵且不适 用于SOH的实时估算，会极大地影响电池利用率；还有一些研究者使用等效电路模型进行建 模估计，但预测精度较低，且计算量偏大，运算速度慢，不利于电动汽车上的实时预测。

由于锂电池健康状态SOH与电池内阻、温度、充放电深度等诸多因素相关，选取合适的 动态参数作为锂电池健康状态SOH的预测的健康因子是重要的；容量增量曲线即IC曲线式 根据锂电池充电时根据单位时间充电容量与充电电压的比值得到的，依据容量增量曲线可以 分析出电池内部的正负极活性材料与锂离子材料的化学变化，进而找出影响电池健康状态的 健康因子；根据IC曲线各参数与锂电池SOH的动态变化比较，选取出三个IC曲线的三个典 型峰值作为锂电池SOH预测的健康因子。由于健康因子与锂电池SOH的变化并不是完全同 步且具有较大偏差，所以直接使用健康因子对锂电池SOH进行线性拟合得出的结果是非常不 准确的；那么如何准确的构建一个健康因子与锂电池SOH的预测模型是非常重要的。

发明内容

为了解决上述问题，本发明提供了一种基于FWA优化极限学习机的锂电池SOH预测方 法，实现了极限学习机输出权值的参数寻优，提高了锂电池SOH估算精度。

本发明提供的一种基于FWA优化极限学习机的锂电池SOH预测方法，包括如下步骤：

S1、建立基于极限学习机的锂电池SOH预测模型；

S2、采用FWA优化算法优化所述预测模型中的输入权值和隐含层偏置；

S3、获取样本数据，所述样本数据划分为训练样本和测试样本，将训练样本输入所述预 测模型中对模型进行训练；

S4、输入测试样本对训练好的预测模型进行验证。

步骤S1包括：

S11、建立SOH预测网络，包括输入层、隐含层和输出层，设定隐含层节点个数；

S12、计算SOH预测网络的输出为：