[發明專利]一種基于FWA優化極限學習機的鋰電池SOH預測方法

在審

• 申請號: 202010864620.5
• 申請日: 2020-08-25
• 公開（公告）號: CN111950205A
• 公開（公告）日: 2020-11-17
• 發明（設計）人: 周永勤;常宇佳;李然;李植
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F119/04
• 代理公司: 北京中濟緯天專利代理有限公司 11429
• 代理人: 楊紅娟

本發明公開了一種基于FWA優化極限學習機的鋰電池健康狀態SOH預測方法，屬于動力電池SOH預測技術領域。本發明為了解決現有技術中對動力電池SOH預測過程中參數尋優困難和估算精度低的問題。本發明包括如下步驟建立基于極限學習機的鋰電池SOH預測模型；采用FWA優化算法優化預測模型中的輸入權值和隱含層偏置；將訓練樣本輸入所述預測模型中對模型進行訓練；輸入測試樣本對訓練好的預測模型進行驗證；本申請能夠準確的對實時非線性變化的鋰電池健康狀態SOH進行準確的預測，預測運算速度更快且提高了健康因子與鋰電池SOH之間的變化對應關系，進而提高了估計精度。

技術領域

本發明涉及動力電池SOH預測領域，特別是涉及一種基于FWA優化極限學習機的鋰電 池SOH預測方法。

背景技術

能源危機和環境污染問題的日益加劇，發展新能源汽車成為現代工業發展的重要任務。 隨著全球市場電動汽車商品化步伐的日益加快，對高功率和高能量動力電池需求迅速增加， 鋰動力電池具有安全性高、壽命長、污染低、比能量大等特點，目前已作為動力電池應用于 電動汽車。電池的健康狀態SOH用于描述電池的衰退狀態，鋰離子電池在長期使用過程中不 可避免的面臨著老化衰退的問題，電池的衰退是一個不可以逆轉的過程，當鋰離子電池衰退 到一定程度時，將不再適合在電動汽車中繼續使用，不然會造成一些汽車事故；因此準確的 估計鋰離子電池健康狀態SOH對減少故障提高電池效率有著十分重要的意義和價值。

鋰離子動力電池的SOH隨著充放電循環而逐漸退化。然而，鋰離子電池是動態、時變、 非線性的電化學系統，其內部電化學機理十分復雜，很難建立準確的退化機理模型來估計鋰 離子電池的SOH。因此，國內外學者在鋰離子電池電化學方面開展了大量的研究，通過實驗 分析法來預測SOH，非常直接，精度較高，但卻需要專業的實驗室及器材，設備昂貴且不適 用于SOH的實時估算，會極大地影響電池利用率；還有一些研究者使用等效電路模型進行建 模估計，但預測精度較低，且計算量偏大，運算速度慢，不利于電動汽車上的實時預測。

由于鋰電池健康狀態SOH與電池內阻、溫度、充放電深度等諸多因素相關，選取合適的 動態參數作為鋰電池健康狀態SOH的預測的健康因子是重要的；容量增量曲線即IC曲線式 根據鋰電池充電時根據單位時間充電容量與充電電壓的比值得到的，依據容量增量曲線可以 分析出電池內部的正負極活性材料與鋰離子材料的化學變化，進而找出影響電池健康狀態的 健康因子；根據IC曲線各參數與鋰電池SOH的動態變化比較，選取出三個IC曲線的三個典 型峰值作為鋰電池SOH預測的健康因子。由于健康因子與鋰電池SOH的變化并不是完全同 步且具有較大偏差，所以直接使用健康因子對鋰電池SOH進行線性擬合得出的結果是非常不 準確的；那么如何準確的構建一個健康因子與鋰電池SOH的預測模型是非常重要的。

發明內容

為了解決上述問題，本發明提供了一種基于FWA優化極限學習機的鋰電池SOH預測方 法，實現了極限學習機輸出權值的參數尋優，提高了鋰電池SOH估算精度。

本發明提供的一種基于FWA優化極限學習機的鋰電池SOH預測方法，包括如下步驟：

S1、建立基于極限學習機的鋰電池SOH預測模型；

S2、采用FWA優化算法優化所述預測模型中的輸入權值和隱含層偏置；

S3、獲取樣本數據，所述樣本數據劃分為訓練樣本和測試樣本，將訓練樣本輸入所述預 測模型中對模型進行訓練；

S4、輸入測試樣本對訓練好的預測模型進行驗證。

步驟S1包括：

S11、建立SOH預測網絡，包括輸入層、隱含層和輸出層，設定隱含層節點個數；

S12、計算SOH預測網絡的輸出為：