[发明专利]一种基于二次融合的锂电池SOH估计方法和系统

说明书

本发明公开了一种基于二次融合的锂电池SOH估计方法和系统，根据SOH的大小对数据集进行分段，可以使得每段数据集对应模型的输入输出函数关系较为稳定，提升模型拟合准确度；根据融合回归模型中存在多个子模型的特点，通过BP神经网络对不同子模型赋予特定的权重，可以有针对性地对每段数据集的函数关系进行拟合，最大限度地发挥各个子模型的优势来拟合不同区间的SOH函数关系，从而使得SOH估计的精度和稳定性相比普通融合模型进一步提升。解决了现有的锂电池SOH估计方法不能充分拟合复杂的函数关系，无法保证全区间SOH高精度估计的技术问题。

技术领域

本发明涉及锂离子电池技术领域，尤其涉及一种基于二次融合的锂电池SOH估计方法和系统。

背景技术

锂电池具有能量密度高、使用寿命长、清洁可靠和安全性能好等优点，被广泛应用于电动汽车、电子产品和储能设备中。但是锂电池在长期使用的过程中，难免会出现过度充放电和局部高温的情况，导致锂电池健康状态下降过快，老化到一定程度的锂电池不仅容量大大下降，同时也容易造成重大安全事故，因此，需要对锂电池的健康状态(SOH，StateOfHealth)进行估计。

在获取锂电池SOH时通常采用直接测量法、基于模型的方法和数据驱动方法，直接测量法的原理简单，且可以直接适用于各个锂电池的SOH估计，但是直接测量法属于开环方法，鲁棒性较差，且为了能够达到较高的精度，对测量仪器的要求较高，所以对测量环境较为严苛，仅适用于实验室环境，不适于推广应用。基于模型的方法有电化学模型法和等效电路模型法，对于电化学模型来说，由于锂电池内部化学反应复杂，导致化学模型参数变化较大，难以对电池进行较为准确的SOH估计，而等效电路模型可以分为Rint模型和戴维南电路，一阶RC和二阶RC电路等，总的来说，简单的电路虽然容易对电池进行状态估计，但是精度较低，复杂的电路模型参数较多，且随着电池老化，参数会出现变化，导致计算量较大，难以扩展应用。而数据驱动方法不需要弄清电池内部变化机理，仅仅通过电池老化过程所测量到的数据和机器学习的方法来实现对锂电池SOH的估计，是一种集实用性、准确性于一体的估计方法。现有的数据驱动方法使用融合模型来进行锂电池的SOH回归，如图1所示，首先，将数据集分别输入模型1至模型N中进行训练，其中，模型1至模型N可以采用现有的机器学习方法，如支持向量机、神经网络、决策树、极限树、K近邻模型、线性模型等，在训练过程中，将模型1至模型N通过Stacking或者bagging的方式融合，并将融合后的模型用于估计锂电池的SOH。然而，现有基于融合模型的SOH估计方法，只是对子模型进行简单的融合，导致所用模型不能充分拟合复杂的函数关系，仍然无法保证全区间的SOH估计精度。因此，本申请提出一种基于二次融合的锂电池SOH估计方法，用于解决现有的锂电池SOH估计方法不能充分拟合复杂的函数关系，无法保证全区间SOH高精度估计的技术问题。

发明内容

本发明提供了一种基于二次融合的锂电池SOH估计方法和系统，用于解决现有的锂电池SOH估计方法不能充分拟合复杂的函数关系，无法保证全区间SOH高精度估计的技术问题。

有鉴于此，本发明第一方面提供了一种基于二次融合的锂电池SOH估计方法，包括：

采集锂电池SOH数据集，SOH数据集包括锂电池的关键生命时段的SOH数据；

根据SOH数据集的每条数据的SOH大小将SOH数据集分成等间隔的M段数据集；

将每一段数据集分别输入N个模型进行训练，筛选出所有预测精度满足预置精度的模型；

将每一段数据集对应的所有满足预置精度的模型进行训练参数初始化并通过预置元学习器进行Stacking融合，得到每一段数据集对应的Stacking模型；

将每一段数据集对应的Stacking模型和每一个预测精度满足预置精度的模型的输出当作一层BP神经网络的输入进行二次融合训练，得到每一段数据集对应的二次融合模型；

将获取到的待预测SOH的锂电池数据输入LSTM神经网络初步预测锂电池SOH的大小；