[發明專利]一種退役動力鋰電池健康狀態的集成估計方法

有效

• 申請號: 202010549288.3
• 申請日: 2020-06-16
• 公開（公告）號: CN111709186B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 孟錦豪;蔡磊;劉凱龍;彭紀昌;王敏;王順亮
• 申請（專利權）人: 四川大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/126;G06F111/06
• 代理公司: 北京正華智誠專利代理事務所(普通合伙) 11870
• 代理人: 楊浩林

1.一種退役動力鋰電池健康狀態的集成估計方法，其特征在于，包括以下步驟：

S1、獲取鋰電池的老化特征；

S2、設定鋰電池的老化特征數目與鋰電池健康狀態的估計值，并利用多目標優化算法選取用于建立弱學習器的帕累托面；

所述步驟S2包括以下步驟：

S201、利用非支配排序遺傳算法隨機產生初始化種群；

S202、通過非可支配排序以及通過選擇、交叉和變異三個環節產生新的子代；

S203、將父代與新的子代種群合并，并通過非可支配排序以及擁擠度計算得到下一代種群；

S204、根據下一代種群判斷是否達到預設的迭代次數，且兩次迭代之間鋰電池老化特征數目的目標函數與鋰電池健康狀態估計值的目標函數是否小于閾值，若是，則滿足截止條件，建立弱學習器的帕累托面，否則，返回步驟S202；

所述步驟S204中鋰電池老化特征數目的目標函數的表達式如下：

f₁＝MSE_5-fold?CV(SVR)

其中，f₁表示鋰電池老化特征數目的目標函數，MSE_5-fold?CV表示基于支持向量機的弱學習器經過五重交叉驗證后的均方誤差，SVR表示支持向量機；

所述步驟S204中鋰電池健康狀態估計值的目標函數的表達式如下：

f₂＝Num_Feature

其中，f₂表示鋰電池健康狀態估計值的目標函數，Num_Feature表示鋰電池老化特征數目；

S3、利用所述帕累托面的分布特征優選弱學習器的數量；

所述步驟S3包括以下步驟：

S301、利用所述帕累托面的分布特征，定義各向量的起點為坐標原點，終點為非可支配解，并隨機選取向量X；

S302、在所有非可支配解中，選取與向量X成最大夾角的向量Y，并將向量Y添加至集合S中；

S303、尋找與集合S呈最大角度的向量s，并將向量s添加至集合S中；

S304、判斷集合S中的非可支配解是否大于選取的K個弱學習器的數量，若是，則完成對弱學習器數量的優選，否則，返回步驟S302；

S4、根據所述優選的弱學習器建立基于支持向量機的弱學習器；

S5、訓練各弱學習器，并利用差分進化算法聯合多個弱學習器集成估計退役動力鋰電池的健康狀態。

2.根據權利要求1所述的退役動力鋰電池健康狀態的集成估計方法，其特征在于，所述步驟S1具體為：從電流脈沖測試的電壓響應曲線中以及在若干個不同的荷電狀態SOC處施加不同幅值的電流脈沖組合，獲取鋰電池的老化特征；

所述鋰電池的老化特征包括：電壓響應曲線四個拐點的電壓值及對角線構成的電壓矢量。

3.根據權利要求1所述的退役動力鋰電池健康狀態的集成估計方法，其特征在于，所述步驟S4中具體為：根據所述優選的弱學習器，利用徑向基核函數建立基于支持向量機的弱學習器。

4.根據權利要求3所述的退役動力鋰電池健康狀態的集成估計方法，其特征在于，所述徑向基核函數的表達式如下：

其中，k(·)表示徑向基核函數，x_i表示輸入的第i個特征向量，x_j表示輸入的第j個特征向量，表示將訓練數據映射到更高維空間的函數，γ表示調節徑向基核函數形狀的參數，e表示指數運算。

5.根據權利要求4所述的退役動力鋰電池健康狀態的集成估計方法，其特征在于，所述建立基于支持向量機的弱學習器的表達式如下：

其中，f_SVR(x)表示基于支持向量機的弱學習器，w^T表示參數w的共軛轉置，表示將訓練數據映射到更高維空間的函數，w表示向量的權重系數，b表示偏置，x表示輸入的特征向量。