[发明专利]基于特征驱动和机器学习的闭环优化电池快充策略设计方法

权利要求书

1.一种基于特征驱动和机器学习的闭环优化电池快充策略设计方法，其特征在于：包括以下步骤：

S1：基于闭环优化实验设计方法COED，从全部充电协议中随机选取m个充电协议，使用电池实验装置对电池进行n次充放电循环；

S2：在循环期间，用特征提取器从前n次充放电循环中提取所述m个充电协议对应的与电池寿命相关的特征，作为黑盒优化模型的训练集的输出，并与作为输入的充电协议共同组成训练集，对黑盒优化模型进行训练；

S3：利用训练完成的黑盒优化模型，预测全部充电协议的特征，并获取下一轮中将要测试的协议；

S4：将所述下一轮中将要测试的协议及其与电池寿命相关的特征添加到原始训练集中，得到新的训练集来重新训练黑盒优化模型，重复步骤S3-S4，直到满足条件或达到优化目标。

2.根据权利要求1所述的基于特征驱动和机器学习的闭环优化电池快充策略设计方法，其特征在于：所述全部充电协议组成一个充电协议空间，在所述充电协议空间中的充电协议旨在10分钟内通过多个阶段的恒流充电将电池电荷状态SOC从0％充电到80％，在此过程中，使用j种不同大小的电流分阶段对电池分阶段进行充电。

3.根据权利要求2所述的基于特征驱动和机器学习的闭环优化电池快充策略设计方法，其特征在于：充电协议为多阶段恒流恒压充电MSCC，它由多个恒流充电阶段和紧随其后的一个恒压充电阶段组成；

当j＝3时，充电协议分3步在10分钟内将电池充电状态SOC从0％充电到80％，充电协议的参数有CC1′,CC2′，这也是黑盒优化模型的二维的输入；具体为：0-26.67％SOC区间的充电倍率为CC1′，26.67％-53.34％SOC区间的充电倍率为CC2′，53.34％-80％SOC区间的充电倍率为CC3′，其中CC3′的大小由CC1′,CC2′决定，表示为：

当j＝4时，充电协议分4步在10分钟内将电池充电状态SOC从0％充电到80％，充电协议的参数有CC1,CC2,CC3，这也是黑盒优化模型的三维输入；具体为：0-20％SOC区间的充电倍率为CC1，21％-40％SOC区间的充电倍率为CC2，41％-60％SOC区间的充电倍率为CC3，61％-80％SOC区间的充电倍率为CC4，其中CC4的大小由CC1,CC2,CC3决定，公式如下：

当j＝5时，充电协议分5步在10分钟内将电池充电状态SOC从0％充电到80％，充电协议的参数有CC1″,CC2″,CC3″,CC4″，这也是黑盒优化模型的四维输入；具体为：0-16％SOC区间的充电倍率为CC1″，16％-32％SOC区间的充电倍率为CC2″，32％-48％SOC区间的充电倍率为CC3″，48％-64％SOC区间的充电倍率为CC4″，64％-80％SOC区间的充电倍率为CC5″，其中CC5″的大小由CC1″,CC2″,CC3″,CC4″决定，公式如下：

4.根据权利要求3所述的基于特征驱动和机器学习的闭环优化电池快充策略设计方法，其特征在于：所述特征提取器提取m个充电协议对应的特征为方差特征，将第n次和第p次的充电循环的放电容量-电压曲线之差的方差的对数Log(Var(Q_n-p(V)))作为表征电池寿命的特征，其中p为小于n的正整数。

5.根据权利要求4所述的基于特征驱动和机器学习的闭环优化电池快充策略设计方法，其特征在于：所述黑盒优化模型为贝叶斯优化模型，其由高斯过程回归模型GPR和采集函数组成；

在步骤S2中，将m个三维充电协议CC1,CC2,CC3及其对应的对数方差特征Log(Var(Q_n-p(V)))作为训练集，对GPR模型进行训练，从而输出全部三维充电协议的对数方差特征；

采集函数用于决定在下一轮中测试哪些协议。