[发明专利]基于泛化模型的锂离子电池健康状态估计方法及系统

权利要求书

1.一种基于泛化模型的锂离子电池健康状态估计方法，其特征在于，所述估计方法包括：

获取多个同型号的电池的数据特征；

基于所述数据特征中的每个特征的相关性，从所述数据特征中选取第一特征集合；

基于所述第一特征集合的重要性，从所述第一特征集合中选取第二特征集合；

根据所述第二特征集合确定每个所述电池的回归模型；

根据所述回归模型构建泛化SOH模型，并采用所述泛化SOH模型估计所述电池的SOH。

2.根据权利要求1所述的估计方法，其特征在于，所述数据特征包括用于表示所述电池在不同的电压区间的电压数据数量与电压区间的对应关系的特征、用于表示所述电池在不同的电流区间的电流数据数量与电流区间的对应关系的特征、用于表示所述电池在温度变化与充电时间的对应关系的特征和/或用于表示电池的IC曲线峰值的特征。

3.根据权利要求1所述的估计方法，其特征在于，基于所述数据特征中的每个特征的相关性，从所述数据特征中选取第一特征集合包括：

根据公式(1)计算所述电池的SOH值，

其中，SOH_i为第i个所述电池的SOH值，i为整数序号，C_pre.i为第i个所述电池的可用容量，C_0,i为第i个所述电池的标称容量；

根据公式(2)计算每个所述特征的相关系数，

y_i(k)＝SOH_i， (2)

其中，ξ_i，j，c(k)为第c个循环的第i个所述电池的第j个特征的相关系数，j、c为整数序号；

根据公式(3)计算每个所述特征的相关度，

其中，r_i，j为第i个所述电池的第j个特征的相关度，E为循环的次数和，M₁为特征的数量；

按照相关度从大到小的顺序选取多个所述特征以作为第一特征集合。

4.根据权利要求3所述的估计方法，其特征在于，所述估计方法还包括：

根据公式(4)对所述数据特征进行处理，

其中，x_i，j(k)为处理后的所述数据特征，X_i，j(k)为处理前的所述数据特征，M_j为所述数据特征包括的特征的数量。

5.根据权利要求1所述的估计方法，其特征在于，基于所述第一特征集合的重要性，从所述第一特征集合中选取第二特征集合包括：

从所述第一特征集合中有放回的随机选择多个第一特征以作为所述第一特征集合的子集合；

根据每个所述子集合分别构建决策树；

根据公式(5)和公式(6)计算决策树中每个节点的重要性，

n_k＝w_k×G_k-w_left×G_left-w_right×G_right， (5)

其中，w_k为所述决策树的第k个节点的特征的样本数量与子集合的样本数量的比例，k为整数序号，w_left为所述决策树的第k个节点左侧的节点的特征的样本数量与子集合的样本数量的比例，w_right为所述决策树的第k个节点右侧的节点的特征的样本数量与子集合的样本数量的比例，G_k为第k个节点的特征的不纯度，G_left为第k个节点左侧的节点的特征的不纯度，G_right为第k个节点右侧的节点的特征的不纯度，T为决策树的节点的数量，A为所有决策树的节点的数量，f_j为第j个特征的重要性；

按照重要性从大到小的顺序从所述第一特征集合中选择多个第一特征以作为所述第二特征集合。