[发明专利]一种基于数据驱动的锂电池健康状态评估方法

权利要求书

1.一种基于数据驱动的锂电池健康状态评估方法，其特征在于，包括如下步骤：

S1、从电池老化数据集中获取电池实际SOH以及恒流充电条件下的充电电压曲线，选取等充电电压区间的持续时间作为特征；

S2、通过不同大小的滑动窗口将充电电压曲线中完整的充电电压区间划分为若干个子电压区间，计算不同子电压区间中电池每次循环的充电持续时间，得到每个子电压区间的特征数据，经过预处理后，得到典型特征提取区间；

S3、将典型特征提取区间且归一化处理后的特征数据与电池实际SOH结合，得到各个典型特征提取区间的数据集，将典型特征提取区间的数据集以非线性自回归结构NARX排列，得到各个典型特征提取区间的非线性自回归结构的数据集；

S4、对不同电池重复上述步骤S2-S3并划分出训练电池和测试电池，对训练电池不同典型特征提取区间的数据集训练并优化，得到训练好的模型；

S5、利用S4得到的训练好的模型对锂电池健康状态进行评估。

2.根据权利要求1所述的基于数据驱动的锂电池健康状态评估方法，其特征在于，所述S1中特征表示为：

其中，T^F为特征，是充电到电压区间下限V_min时的时刻，是充电到电压区间上限V_max时的时刻。

3.根据权利要求1所述的基于数据驱动的锂电池健康状态评估方法，其特征在于，所述S2具体包括如下步骤：

S21、通过不同大小的滑动窗口将3.7V-4.2V充电电压区间划分为多个子电压区间，计算不同子电压区间中电池每次循环的充电持续时间，得到每个子电压区间的特征数据；

S22、对每个子电压区间的特征数据均除以其最大值，将其归一化至[0，1]区间内；

S23、计算不同子电压区间的特征数据与电池实际SOH之间的Pearson系数，将Pearson系数最大绝对值所对应的子电压区间以及同属一个滑动窗口的其他子电压区间固定为典型特征提取区间。

4.根据权利要求1所述的基于数据驱动的锂电池健康状态评估方法，其特征在于，所述步骤S3包括以下步骤：

S31、分别将从典型特征提取区间中提取且归一化后的特征数据与电池SOH结合，得到各个典型特征提取区间的数据集D；

S32、以某典型特征提取区间的数据样本为例，通过下式，将该区间的数据集D以非线性自回归结构NARX排列，使当前特征数据和历史数据作为特征向量，当前电池SOH作为目标向量，得到该区间的非线性自回归结构NARX的数据集D^N。

5.根据权利要求1所述的基于数据驱动的锂电池健康状态评估方法，其特征在于，所述S32中当前电池SOH的目标向量表示为：

SOH^*(t)＝f(T^F(t)，T^F(t-1)，…，T^F(t-z)，SOH′(t-1)，…，SOH′(t-z))

其中，SOH^*(t)为目标向量，表示第t次循环电池SOH评估模型的输出，f表示目标向量与特征向量之间的非线性映射关系，T^F(t)表示第t次循环BMS采集到的特征数据，z表示特征向量的延时步长，SOH′(t-z)表示第t-z次循环电池的健康状态。

6.根据权利要求1所述的基于数据驱动的锂电池健康状态评估方法，其特征在于，所述步骤S4包括以下步骤：

S41、将以上特征数据提取方法以及步骤S3应用在不同电池上，并划分出训练电池和测试电池；

S42、对训练电池不同典型特征提取区间的数据集D^N，分别使用edRVFL算法，得到不同典型特征提取区间的电池SOH评估模型；

S43、使用测试电池对不同典型特征提取区间的电池SOH评估模型进行测试，不断优化每个模型的隐藏层层数L、隐藏层神经元个数N和隐藏层神经元的激活函数g，使均方根误差在测试电池上满足要求，优化结束则得到不同典型特征提取区间最终的电池SOH评估模型。

7.根据权利要求1所述的基于数据驱动的锂电池健康状态评估方法，其特征在于，所述S43中均方根误差的计算公式可表示为：

其中，SOH_test表示电池SOH评估模型在测试电池上的估计结果，SOH_real表示测试电池的实际SOH，n为电池老化实验总的循环次数，i为电池老化实验的第i次循环。