[发明专利]一种电池健康状态SOH预测方法及装置

说明书

本申请实施例公开了一种电池健康状态SOH预测方法及装置，所述方法包括：在原始数据集中提取与电池容量衰退相关的特征因子构建特征向量；根据所述原始数据集，获得与所述特征向量相对应的训练样本集和测试样本集；通过改进的蚁狮优化算法对支持向量回归模型进行参数寻优，获得最优参数组合；将所述最优参数组合作为所述支持向量回归模型的参数，通过所述训练样本集对所述支持向量回归模型进行训练；采用完成训练的支持向量回归模型对所述测试样本集进行预测，输出SOH预测结果。采用本申请实施例提供的技术方案可以提高电池SOH的预测精度。

技术领域

本申请涉及电池技术领域，特别是涉及一种电池健康状态SOH预测方法及装置。

背景技术

随着新能源应用的兴起，电池凭借其高能量密度、高电势、良好的低温性能、低自放电率和长寿命的特点，已被广泛用于电动汽车上。然而随着电池使用次数的增加，电池会出现老化问题，如果不能及时发现并处理故障电池，可能会损害电池储能系统，影响电动汽车的安全性与稳定性。

健康状态(State Of Health，SOH)预测作为电池管理系统(Battery ManagementSystem，BMS)的关键功能之一，对于保证电池安全可靠运行、降低电池系统维护成本具有重要意义。因此，提升电池SOH的预测精度对提高BMS的安全性和可靠性具有重要的现实意义。

发明内容

本申请实施例中提供了一种电池健康状态SOH预测方法及装置，以利于解决现有技术中电池SOH的预测精度较低的问题。

第一方面，本申请实施例提供了一种电池健康状态SOH预测方法，包括：

在原始数据集中提取与电池容量衰退相关的特征因子构建特征向量；

根据所述原始数据集，获得与所述特征向量相对应的训练样本集和测试样本集；

通过改进的蚁狮优化算法对支持向量回归模型进行参数寻优，获得最优参数组合；

将所述最优参数组合作为所述支持向量回归模型的参数，通过所述训练样本集对所述支持向量回归模型进行训练；

采用完成训练的支持向量回归模型对所述测试样本集进行预测，输出SOH预测结果；

其中，所述改进的蚁狮优化算法包括加权精英策略，所述加权精英策略用于调整蚂蚁分别围绕精英蚁狮和轮盘赌选择的蚁狮的随机游走所占的比重。

优选地，所述特征因子为电池的恒流充电时间。

优选地，所述训练样本集定义为:测试样本集定义为:

其中，x_n表示所述训练样本集中第n个训练样本的特征向量，y_n表示所述第n个训练样本的回归值，N表示训练样本的数量；表示所述测试样本中第h个评估样本的特征向量，表示所述第h个评估样本的回归值，L表示评估样本的数目。

优选地，所述方法还包括：对所述改进的蚁狮优化算法和所述支持向量回归模型进行参数初始化设置；其中，

在所述改进的蚁狮优化算法中，设置蚁群的数量Ant_n＝30，蚁狮的数量Antlion_n＝30，适应度函数维度dim＝2，最大迭代次数Max_iter＝200；

在所述支持向量回归模型中，设置惩罚因子C和核函数参数σ的参数范围，所述惩罚因子C和核函数参数σ的上界为100、下界为0.01。

优选地，所述通过改进的蚁狮优化算法对支持向量回归模型进行参数寻优，获得最优参数组合，包括：