[发明专利]一种基于机器学习和安时积分法的锂电池SOH预测方法

说明书

本发明一种基于机器学习和安时积分法的锂电池SOH预测方法，首先收集电池历史运行数据上传到锂电池健康数据库中，通过数据清洗、特征构建等对数据进行处理，同时配合安时积分法计算出历史SOH数据作为模型输出参数，然后通过特征筛选得到对模型贡献度较高的模型输入参数，此时已将无监督学习的SOH预测转化为监督学习的SOH预测，最后采用stacking模型对历史数据进行训练迭代，筛选出模型最优参数，从而获得锂电池SOH预测模型。本发明方法可以实现实时、快速、准确的检测电池的健康状态，有效延长锂电池的使用寿命的同时提高锂电池的安全性。

技术领域

本发明涉及储能领域，具体涉及一种基于机器学习和安时积分法的锂电池SOH预测方法。

背景技术

锂电池由于具有能量密度高、电化学特性稳定以及污染较少、循环寿命较长等优点被量投入使用，同时也推动了经济的持续快速发展。但是随着锂电池循环次数的增加，锂电池会缓慢的产生不可逆的老化现象，其直接影响到锂电池的实用性、经济性和安全性等方面。所以，准确计算锂电池的健康状况(State-of-Health，SOH)可以有效延长电池组的使用寿命，节约能源成本，提高锂电池安全性，是当前锂电池重要的研究之一。

传统的锂电池SOH计算方法有开路电压法、安时积分法、卡尔曼滤波法等，但是上述方法仅能计算历史的锂电池SOH数据，而无法实时的获取当前状态的SOH。

专利CN 111882119 A公开了一种基于SA-BP神经网络的电池SOH预测优化方法。该方法通过构建构建BP神经网络预测模型预测电池SOH值，并采用模拟退火算法SA对BP神经网络进行优化。但是，神经网络具有良好预测能力的前提是需要大量的典型数据进行训练，而且神经网络结构交错复杂，限制了在实际中的应用。

专利CN 111537890 A公开了一种电池SOH估算方法。该方法通过研究不同温度和电流的对循环容量的关系曲线关系和验证结果预测被测电池的SOH。该方法只能计算历史的SOH数据，而无法计算当前的状态，反应时间较长，不具有实时性。

发明内容

本发明的目的在于提供一种基于机器学习和安时积分法的锂电池SOH预测方法，以克服现有技术存在的缺陷，本发明通过收集电池历史SOH数据，配合机器学习和安时积分法将无监督学习的SOH预测转化为监督学习的SOH预测，从而实现实时、快速、准确的检测电池的健康状态。

为达到上述目的，本发明采用如下技术方案：

一种基于机器学习和安时积分法的锂电池SOH预测方法，包括以下步骤：

步骤一：获取锂电池运行过程中的历史电池运行数据，并将历史电池运行数据上传至锂电池健康状态数据库中；

步骤二：对锂电池健康状态数据库中的历史电池运行数据进行清洗，所述清洗包括缺失值填充及异常值处理；

步骤三：采用清洗后的历史电池运行数据构建历史指标特征，构建方法采用聚合统计、数据变换、数据编码、分箱和特征组合中的一种或多种；

步骤四：通过安时积分法计算历史锂电池容量，计算公式为：

其中，C_t为锂电池容量，I_t为充电电流，t为充满电时间；

步骤五：对计算的锂电池容量进行平滑处理得到C_j；

步骤六：计算锂电池SOH，计算公式为：

其中，C₀锂电池额定容量；

步骤七：对构建的历史指标特征进行特征选择，获得与SOH相关的历史指标特征；