[发明专利]一种支持任意充电区间的电池健康状态估计方法及系统

权利要求书

1.一种支持任意充电区间的电池健康状态估计方法，其特征在于：包括如下步骤：

步骤S10、获取锂电池大量的充电数据；

步骤S20、对各所述充电数据进行预处理；

步骤S30、获取各所述充电数据对应的SOH真实值，基于预处理后的各所述充电数据以及SOH真实值构建在线充电数据集；

步骤S40、利用时序特征提取工具tsfresh对所述在线充电数据集进行特征提取，得到64维的时序特征；

步骤S50、对各所述时序特征进行重要性排序和筛选，得到12维的所述时序特征；

步骤S60、创建一健康状态估计模型，利用12维的所述时序特征对健康状态估计模型进行训练，利用训练后的所述健康状态估计模型进行锂电池的在线健康状态估计。

2.如权利要求1所述的一种支持任意充电区间的电池健康状态估计方法，其特征在于：所述步骤S10中，所述充电数据包括不同SOC区间下的电压时序数据、电流时序数据以及SOC值；

所述步骤S20具体为：

设定一偏差比例阈值，对所述充电数据中，与均值偏差超过所述偏差比例阈值的电压或者电流进行剔除，对缺失的电压或者电流基于时间邻近值进行填补。

3.如权利要求1所述的一种支持任意充电区间的电池健康状态估计方法，其特征在于：所述步骤S30中，所述在线充电数据集包括输入X以及输出Y；

X＝{V，I，SOC}；

Y＝{SOH}；

其中，V表示充电电压；I表示充电电流；SOC表示当前充电电压和充电电流下的SOC值；SOH表示当前锂电池的健康状态真实值；

所述步骤S40中，所述特征提取具体为：

将输入X＝{V，I，SOC}转化为X'＝{tsfresh(V)_1-64,tsfresh(I)_1-64,SOC_min,SOC_max}；

其中，X'表示时序特征集；tsfresh(V)_1-64表示对充电电压进行tsfresh时序的特征提取，得到64维特征；tsfresh(I)_1-64表示对充电电流进行tsfresh时序的特征提取，得到64维特征；SOC_min表示充电时SOC的起始值；SOC_max表示充电时SOC的结束值。

4.如权利要求1所述的一种支持任意充电区间的电池健康状态估计方法，其特征在于：所述步骤S50具体包括：

步骤S51、对64维的各所述时序特征进行乱序排列后，与初始的所述时序特征进行合并；

步骤S52、通过随机森林算法计算各所述时序特征的重要程度，判断重复次数是否大于预设的数量阈值，若是，则进入步骤S53；若否，则进入步骤S51；

步骤S53、选取重要程度发生变化的12维的所述时序特征：

X'＝{tsfresh(V)_1-12,tsfresh(I)_1-12,SOC_min,SOC_max}；

其中，tsfresh(V)_1-12表示对充电电压进行tsfresh时序的特征提取，得到12维特征；tsfresh(I)_1-12表示对充电电流进行tsfresh时序的特征提取，得到12维特征。

5.如权利要求1所述的一种支持任意充电区间的电池健康状态估计方法，其特征在于：所述步骤S60中，所述健康状态估计模型基于LightGBM或者xgboost创建。