[发明专利]基于特征选择和支持向量回归的电池健康状况预测方法

说明书

本发明涉及一种基于特征选择和支持向量回归算法的电池健康状况预测方法，首先对电池生命周期充电过程中的电压、电流和温度曲线进行特征提取，再通过特征选择，筛选出可用于SOH预测的特征样本集，以支持向量回归算法求得各特征和SOH之间的回归关系并以相关性为基准进行加权平均，即可代入待测数据进行SOH预测。本发明充分发挥了特征提取和特征选择的优势，仅选用数据中可用度高的特征信息作为估计的参考标准，相较于传统方法，在保证预测精度的同时大大降低了计算量和训练复杂度，更加适用于实时系统。

技术领域

本发明涉及一种电池健康状况预测方法，属于车载电池健康监测领域和机器学习领域。

背景技术

近年来，随着电动汽车的迅速发展和普及，车载动力电池的健康状况监测正在成为一个越来越热门的研究方向，通过分析和研究电池的健康状况和老化程度，推算电池剩余使用寿命，对提升电池安全性有着重要的意义。动力电池的健康状态SOH(State ofHealth)表征电池在使用过程中老化和衰退的程度，是使用者制定使用标准和推算剩余使用寿命的重要参考依据。目前使用最为广泛的定义是基于电池最大可用容量，即通过电池在使用过程中的容量衰减来表现电池的老化程度。

由于电池的容量信息在使用过程中难以测算，故现有的SOH测算方法一般是通过研究分析充电过程中电压、电流以及温度数据和容量衰减之间的相关性，对SOH进行估计，常用的方法包括等效模型法和神经网络法。而这类方法用于训练的数据集都十分巨大，难以用于实时系统。

特征选择(feature selection)是机器学习中通过选择最有效特征以降低数据集维度的一种数据预处理方法，它可以将数据集中不相关或者相关性较小的特征去除，从而降低学习任务的难度，提升算法的性能。在特征选择中，将相关性作为评价标准，用以评估数据的重要程度，常用的方法有过滤法(Filter)和包裹法(Wrapper)。

支持向量回归(SVR)是一种机器学习回归算法，由支持向量机(SVM)推广得到。在支持向量机中，原样本空间通过非线性映射转化为一个高维的空间，从而使得原本线性不可分的问题在该空间中线性可分。类似地，将分类问题中的分类边界当作是回归曲线，支持向量机同样可以解决回归问题，SVR算法和一般的线性回归算法的区别在于，SVR采用了非线性核函数，并非当样本点落在曲线之外就要计算损失，而是允许一定的误差范围存在，故SVR算法在处理回归问题时能更有效地体现样本之间的相关性。

发明内容

本发明的目的是：提供一种可以有效提取车载电池数据中的可用样本，对电池健康状况进行预测的方法。

为了达到上述目的，本发明的技术方案是提供了一种基于特征选择和支持向量回归算法的电池健康状况预测方法，其特征在于，包括以下步骤：

步骤一、从电池管理系统中采集a个电池组的离线数据，组成总训练数据集T_r＝{T_r1，T_r2，......，T_ra}，式中，总训练数据集T_r中的第i个数据集T_ri＝{V，I，T，s^T}，V、I、T、s分别为第i个电池组在生命周期内N次充电时的电压序列集合、电流序列集合、温度序列集合、每次充电后记录的最大可用容量序列集合；步骤二、对每个电池组的数据集进行特征提取，从电压、电流和温度序列中测算提取出和电池容量相关性较高的J个特征，将每个电池组提取出的特征序列组成特征序列集合，得到a个特征序列集合X₁，X₂，....，X_a，其中，将第i个电池组提取出的特征序列组成的特征序列集合定义为X_i＝{x_i1，x_i2，......，x_iJ}，i＝1，2，......，a，x_i1、x_i2、......、x_iJ分别对应于属于第i个特征序列集合X_i的J个特征的特征向量；