[發(fā)明專利]基于優(yōu)化高斯過程回歸的鋰離子電池可用容量估計方法

有效

• 申請?zhí)枺?/td>: 202110738140.9
• 申請日: 2021-06-30
• 公開（公告）號: CN113640674B
• 公開（公告）日: 2022-09-06
• 發(fā)明（設計）人: 馬文賽;申江衛(wèi);陳崢;沈世全;趙紅茜;舒星;高承志
• 申請（專利權）人: 昆明理工大學
• 主分類號: G01R31/367
• 分類號: G01R31/367;G01R31/387;G01R31/388
• 代理公司: 北京市盈科律師事務所 11344
• 代理人: 荔恒輝

1.基于優(yōu)化高斯過程回歸的鋰離子電池可用容量估計方法，其特征在于：具體包括以下步驟：

S1、獲取鋰離子電池老化循環(huán)數(shù)據(jù)：對鋰離子電池進行循環(huán)充放電測試，直到放電容量低于標稱容量的80％，實時記錄電池充放電電壓、溫度、放電容量數(shù)據(jù)；

S2、數(shù)據(jù)處理：對S1中得到的充電電壓數(shù)據(jù)、溫度及放電容量數(shù)據(jù)進行預處理，得出電池表面平均溫度、容量增量曲線峰值及其出現(xiàn)位置及放電容量數(shù)據(jù)；

S3、GPR模型搭建：利用GPR的單一核函數(shù)構建復合協(xié)方差核函數(shù)，搭建GPR模型；

S4、GPR模型優(yōu)化：利用WOA算法對S3中得到的GPR模型進行超參數(shù)尋優(yōu)方法的優(yōu)化，獲得優(yōu)化后的GPR模型；

S5、GPR模型訓練：取步驟S2中得到的放電容量以及電池表面平均溫度、容量增量曲線峰值及其出現(xiàn)位置的數(shù)據(jù)形成的訓練集，來運行優(yōu)化后的GPR模型來尋找老化因子和鋰電池容量的關聯(lián)關系，得到訓練完成的GPR模型；

S6、獲得電池可用容量：基于步驟S5所得訓練完成后的GPR模型，輸入老化因子，輸出電池可用容量，即獲得電池可用容量。

2.根據(jù)權利要求1所述的基于優(yōu)化高斯過程回歸的鋰離子電池可用容量估計方法，其特征在于：所述步驟S2中的進行預處理的具體方法如下：

S201、提取步驟S1中進行循環(huán)充放電測試得到的溫度求均值，獲得各循環(huán)平均溫度；

S202、提取步驟S1中進行循環(huán)充放電測試得到的充放電電壓，形成電壓曲線，利用容量增量法將電壓曲線轉(zhuǎn)化為離散的容量增量曲線，其中，容量與電壓關系式為：

其中Q為充電容量，V為電池端電壓，I為電流，f為容量到電壓的映射關系；設G＝f^-1,對步驟S202中的關系式求導得：

取電壓間隔為1.5mv，則獲得離散的容量增量曲線，公式如下：

S203、對離散的容量增量曲線進行濾波，利用基于Parks-McClellan算法的等波紋FIR濾波器，獲得平滑的容量增量曲線；

S204、利用步驟S203中的容量增量曲線獲取容量增量曲線峰值及峰值出現(xiàn)的位置電壓；

S205、利用步驟S201中獲得的平均溫度和步驟S204中獲得的容量增量曲線峰值及峰值出現(xiàn)的位置電壓，構成老化因子集合{x}；

S206、將S205中老化因子集合{x}及放電容量形成數(shù)據(jù)集并劃分為訓練集和測試集，所形成的訓練集和測試集其形式如下：

訓練集：

測試集：

其中x_i和y_i分別為訓練集中老化因子和對應的預測容量，和分別為測試集中老化因子和對應的預測容量，m代表維度。

3.根據(jù)權利要求2所述的基于優(yōu)化高斯過程回歸的鋰離子電池可用容量估計方法，其特征在于：所述步驟S206中將老化因子集合{x}及放電容量形成數(shù)據(jù)集并劃分為訓練集和測試集的具體劃分方法為：電池老化循環(huán)的前40％數(shù)據(jù)作為訓練集，后60％數(shù)據(jù)作為測試集。

4.根據(jù)權利要求1所述的基于優(yōu)化高斯過程回歸的鋰離子電池可用容量估計方法，其特征在于：所述步驟S3中，利用GPR的單一核函數(shù)構建復合協(xié)方差核函數(shù)，搭建GPR模型的具體方法為：

S301、利用GPR中各向同性有理二次協(xié)方差函數(shù)和各向同性線性協(xié)方差核函數(shù)構建復合協(xié)方差核函數(shù)，三種函數(shù)具體如下：

各向同性有理二次協(xié)方差函數(shù)：

各向同性線性協(xié)方差核函數(shù)：k(x,z)＝x^Tp^-1z，

復合協(xié)方差核函數(shù)：

式中，x、z分別代表輸入和輸出，σ為信號方差，p為超參數(shù)平方倍的單位矩陣，α為形狀參數(shù)；

S302、基于步驟S301中獲得的復合協(xié)方差核函數(shù)，同時結合均值核函數(shù)，搭建基礎GPR模型，復合協(xié)方差核函數(shù)和均值核函數(shù)構成GPR模型的兩個核函數(shù)要素，所述均值核函數(shù)具體如下：

m(x)＝E(f(x))

其中E(f(x))表示函數(shù)期望，設置為0。