[發明專利]一種基于機器學習和安時積分法的鋰電池SOH預測方法

在審

• 申請號: 202111131721.2
• 申請日: 2021-09-26
• 公開（公告）號: CN113866659A
• 公開（公告）日: 2021-12-31
• 發明（設計）人: 王寧;劉明義;曹曦;雷浩東;宋吉碩;裴杰;曹傳釗;孫周婷;顏云嶺;孫超;朱耿峰;李海建
• 申請（專利權）人: 中國華能集團清潔能源技術研究院有限公司;華能集團技術創新中心有限公司;格爾木時代新能源發電有限公司
• 主分類號: G01R31/392
• 分類號: G01R31/392;G01R31/367
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 陳翠蘭

1.一種基于機器學習和安時積分法的鋰電池SOH預測方法，其特征在于，包括以下步驟：

步驟一：獲取鋰電池運行過程中的歷史電池運行數據，并將歷史電池運行數據上傳至鋰電池健康狀態數據庫中；

步驟二：對鋰電池健康狀態數據庫中的歷史電池運行數據進行清洗，所述清洗包括缺失值填充及異常值處理；

步驟三：采用清洗后的歷史電池運行數據構建歷史指標特征，構建方法采用聚合統計、數據變換、數據編碼、分箱和特征組合中的一種或多種；

步驟四：通過安時積分法計算歷史鋰電池容量，計算公式為：

其中，C_t為鋰電池容量，I_t為充電電流，t為充滿電時間；

步驟五：對計算的鋰電池容量進行平滑處理得到C_j；

步驟六：計算鋰電池SOH，計算公式為：

其中，C₀鋰電池額定容量；

步驟七：對構建的歷史指標特征進行特征選擇，獲得與SOH相關的歷史指標特征；

步驟八：對與SOH相關的歷史指標特征進行標準化處理，得到標準化歷史指標特征；

步驟九：將標準化歷史指標特征作為輸入數據，將歷史鋰電池SOH作為輸出數據，帶入stacking模型進行訓練，通過不斷迭代優化獲得stacking模型最優參數，從而得到鋰電池SOH預測模型；

步驟十：對鋰電池運行過程中的實時電池運行數據經步驟一至步驟八處理后，得到標準化實時指標特征，將標準化實時指標特征輸入鋰電池SOH預測模型，即得到實時鋰電池SOH。

2.根據權利要求1所述的一種基于機器學習和安時積分法的鋰電池SOH預測方法，其特征在于，步驟一中歷史電池運行數據為基于時間序列的流式數據，包括鋰電池充放電時的電流、電壓、溫度、時間、循環次數、剩余電量。

3.根據權利要求1所述的一種基于機器學習和安時積分法的鋰電池SOH預測方法，其特征在于，步驟二中所述缺失值填充具體為：采用歷史電池運行數據的平均值或中位數或上下相鄰均值進行插值處理；

所述異常值處理具體為：異常值數據通過箱線圖刪除大于或小于上下四分位線的數據點，或判斷異常值數據是否超過正常范圍，在超出時，刪除或者按照缺失值填充的方式填充。

4.根據權利要求1所述的一種基于機器學習和安時積分法的鋰電池SOH預測方法，其特征在于，步驟五中平滑處理具體為：采用移動平均法，所采用的滑動窗口大小取歷史鋰電池容量長度的1/3。

5.根據權利要求1所述的一種基于機器學習和安時積分法的鋰電池SOH預測方法，其特征在于，步驟七中對構建的歷史指標特征進行特征選擇，獲得與SOH相關的歷史指標特征，具體為：篩選與步驟六計算出的鋰電池SOH具有明顯正相關和負相關的特征作為與SOH相關的歷史指標特征，同時采用主成分分析法對特征指標進行降維處理。

6.根據權利要求1所述的一種基于機器學習和安時積分法的鋰電池SOH預測方法，其特征在于，步驟八中標準化處理具體為：采用z-score標準化，公式為：

其中，y_i為與SOH相關的歷史指標特征標準化后數據，x_i為與SOH相關的歷史指標特征原始數據，為與SOH相關的歷史指標特征均值，s為與SOH相關的歷史指標特征標準差。

7.根據權利要求1所述的一種基于機器學習和安時積分法的鋰電池SOH預測方法，其特征在于，步驟九中采用K則交叉驗證和網格搜索進行調參尋求最優參數，K為正整數。

8.根據權利要求1所述的一種基于機器學習和安時積分法的鋰電池SOH預測方法，其特征在于，步驟九和步驟十之間還包括以下步驟：計算平均絕對誤差MAE對鋰電池SOH預測模型進行評估。

9.根據權利要求8所述的一種基于機器學習和安時積分法的鋰電池SOH預測方法，其特征在于，所述平均絕對誤差MAE計算公式如下：

其中，n為鋰電池數據樣本數，Z_i為SOH預測數值，E_i為SOH實際數值。