[發明專利]基于優化高斯過程回歸的鋰離子電池可用容量估計方法

有效

• 申請號: 202110738140.9
• 申請日: 2021-06-30
• 公開（公告）號: CN113640674B
• 公開（公告）日: 2022-09-06
• 發明（設計）人: 馬文賽;申江衛;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

本發明涉及基于優化高斯過程回歸的鋰離子電池可用容量估計方法，具體包括以下步驟：S1、獲取鋰離子電池老化循環數據；S2、數據處理；S3、GPR模型搭建；S4、GPR模型優化；S5、GPR模型訓練；S6、獲得電池可用容量。本發明實現鋰離子電池容量衰退的強非線性特征準確估算，模型產生的預測誤差控制在2％以內，大幅提升了模型的運算精度。優化容量衰退特征的選擇，利用電池監測參數中簡單易得、易處理的特征量電池表面平均溫度、容量增量曲線峰值及其出現位置作為電池容量衰退的表征參數，即老化因子。

技術領域

本發明屬于鋰離子電池技術領域，尤其涉及基于優化高斯過程回歸的鋰離子電池可用容量估計方法。

背景技術

鋰離子電池憑借其能量密度大、體積相對小、長壽命、自放電率低等方面的優秀表現在新能源汽車、儲能、航空航天等領域廣泛應用。隨著鋰離子電池的不斷使用，不可避免出現老化和容量衰退，進而影響其充放電性能和正常使用。電池可用容量的快速精確估算，可避免其性能快速下降可能引起的電池過充過放、溫度異常等安全問題。同時，又能作為重要參數對電池管理系統提供參考。

然而，鋰離子電池內部復雜的電化學反應及外部多變運行環境致使現有估算方法難以取得理想效果。現有算法存在的特征提取不準確、容量衰退趨勢跟蹤不準確及模型計算量大等難題。同時，鋰電池使用過程中易受環境溫度、工況、充放電電流等的影響，使同類電池出現不一致性，影響模型適應性。因此，如何基于較少的訓練數據實現電池容量精確預測，并能夠有效追蹤鋰電池非線性長周期衰退趨勢；同時對不同電池數據也具備較好的自適應能力是目前需要解決的關鍵問題之一。

本發明提出了一種基于優化高斯過程回歸算法的鋰離子電池容量預測算法，利用電池循環壽命實驗數據提取電池表面平均溫度、容量增量曲線峰值及其出現位置作為表征老化狀態的老化因子；利用鯨魚優化算法對高斯過程回歸模型的超參數尋優方法進行優化。建立優化模型。大大減少了模型訓練計算工作，得到了強適應性、高精度的電池可用容量估算模型。

發明內容

本發明所要解決的技術問題是提供一種基于優化高斯過程回歸的鋰離子電池可用容量估計方法來解決現有技術中使用的算法估算電池容量時模型預測精度差，特征提取不準確、容量衰退趨勢跟蹤不準確及模型計算量大，以及鋰電池工作環境復雜，導致模型適應性差等難題。

為解決以上技術問題，本發明的技術方案為：提供基于優化高斯過程回歸的鋰離子電池可用容量估計方法，其創新點在于：具體包括以下步驟：

S1、獲取鋰離子電池老化循環數據：對鋰離子電池進行循環充放電測試，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、放電容量數據；

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

S3、GPR模型搭建：利用GPR的單一核函數構建復合協方差核函數，搭建GPR模型；

S4、GPR模型優化：利用WOA算法對S3中得到的GPR模型進行超參數尋優方法的優化，獲得優化后的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位置的數據形成的訓練集，來運行優化后的GPR模型來尋找老化因子和鋰電池容量的關聯關系，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。

進一步的，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中進行循環充放電測試得到的溫度求均值，獲得各循環平均溫度；