[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

本發明提供了一種退役動力鋰電池健康狀態的集成估計方法，首先，從所施加的組合電流脈沖測試中獲得用于健康狀態估計的老化特征；其次，利用多目標優化方法，從老化特征數目及估計的精度兩個方面對弱學習器的建立方法進行優化，在此基礎上，使用基于帕累托面分布特征的選擇方法，以進一步精簡弱學習器的數量，同時保持各弱學習器的精度，提高集成估計的整體效率，最后，根據優選的弱學習器方案，訓練獲得各弱學習器，并采用差分進化算法以權重的方式，聯合多個弱學習器實現退役動力鋰電池荷電狀態的集成估計。本發明通過以上設計，能夠主動分析數據，自動地實現集成學習方案的優化設計，提高退役動力鋰電池健康狀態估計的準確性與魯棒性。

技術領域

本發明屬于退役動力鋰電池梯次技術領域，涉及一種退役動力鋰電池健康狀態的集成估計方法。

背景技術

動力鋰電池具有能量密度高、自放電率低及無記憶效應等多種優勢，已經成為當前新能源汽車中最重要的儲能元件。新能源汽車的性能表現，與動力鋰電池密切相關，在車輛使用中，鋰電池會不可避免地逐漸老化。一般認為容量低于80％時，動力鋰電池應進行退役處理。然而，退役電池仍然具備在低速車輛、固定式儲能等場合繼續應用的潛在價值，退役動力鋰電池處于其壽命的中后期，更易帶來安全隱患。為此，本發明設計一種用于退役動力鋰電池的健康狀態集成估計策略，以實現退役動力鋰電池健康狀態的準確估計。

最直接的電池健康狀態估計方法是測量電池當前的內阻與容量。然而，容量測量需要完整的電池充放電過程，并且需要設置合適大小的充放電電流。電池內阻的測量極易受外部接線阻抗、測量方式、傳感器精度等因素的影響而出現偏差，新能源車輛使用環境較為惡劣，測量內阻還會受電磁干擾等多種因素的共同影響。因此，車輛實際應用中電池的容量及內阻直接在線測試有一定的難度，為此，在線辨識的方法通過實時計算獲得動力鋰電池的容量或者內阻。然而，在線辨識算法依賴于預先建立的與電池容量、內阻有關的空間狀態方程，對于電池健康狀態估計而言，建立與容量相關的方程有一定難度，在線辨識內阻極易受到傳感器噪聲的影響。

基于以上方法的缺陷，利用大數據的方法來評估動力鋰電池的健康狀態，具有重要的發展潛力，數據驅動方法對于輸入的老化特征沒有嚴格要求，因此，多種老化特征均能夠便捷的用于動力鋰電池的健康狀態估計，同時，人工智能領域發展迅速，也有多種能夠用于建立估計器的算法。但是，考慮到實際數據中的噪聲等因素，數據驅動方法的泛化性和魯棒性，仍然有待于提升，集成學習實際應用中在魯棒性和泛化性上具有一定優勢，但是組成集成學習的各弱學習器，需要兼具準確性與多樣性。為此，本發明提出一種能夠獲得具備多樣性和準確性的弱學習器初始化策略，以提高集成學習用于動力鋰電池健康狀態估計的有效性與準確性。

發明內容

針對現有技術中的上述不足，本發明提供的一種退役動力鋰電池健康狀態的集成估計方法，提高數據驅動方法應用于動力鋰電池健康狀態估計的泛化性與魯棒性。

為了達到以上目的，本發明采用的技術方案為：

本方案提供了一種退役動力鋰電池健康狀態的集成估計方法，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；

S3、利用所述帕累托面的分布特征優選弱學習器的數量；

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。