[发明专利]锂离子电池寿命的早期预测方法

说明书

一种锂离子电池寿命的早期预测方法，属于新能源汽车动力电池技术领域。本发明的目的是从电池容量尚未发生明显下降的早期循环数据中，提取早期老化特征用于电池的寿命预测，以降低数据提取及处理过程工作负担的锂离子电池寿命的早期预测方法。本发明步骤是：锂离子电池早期老化特征提取，快速搜索聚类的早期老化特征筛选，锂离子电池早期寿命预测。本发明用于实现电池寿命的预测，进而对达到失效阈值的电池进行及时更换，保障电池的安全使用。

技术领域

本发明属于新能源汽车动力电池技术领域。

背景技术

为了应对全球范围内能源紧缺与环境污染问题，可再生能源以及电气化交通运输得到了快速发展。其中，锂离子电池因其低成本，长寿命，高能量密度等优点被广泛应用于电动汽车等领域。在重复充放电过程中，电池容量下降导致其性能损失是难以避免的。因此，准确地预测电池寿命对于维护和保障电池的正常使用有着十分重要的作用，及时更换将要达到寿命失效阈值的电池也为电动汽车的安全行驶提供了保障。

一般来说，电池寿命的预测往往需要大量的实验数据与实验资源，耗时数月乃至数年的时间才能确定电池的终止寿命(End of Life,EOL)，作为描述电池寿命的最直接指标，电池的容量衰减也是一个长期缓慢的过程。因此，利用短期的电池循环充放电数据，预测电池的寿命得到了许多研究人员的关注，也为电池的生产，使用和优化提供了新的可能，在实际应用中有着重要的意义，如及时更换即将达到EOL的电池，保障电动汽车的续驶里程，减少电动汽车使用中存在的“安全焦虑”等。因此，从电池的早期充放电循环数据中提取相应的老化特征，对于电池寿命的预测十分重要。

目前电池寿命预测的研究方法主要分为基于机理模型的方法，基于模型的滤波方法与基于数据驱动的方法。基于机理模型的方法一般需要计算量大，且容易受到外界条件的影响，实际应用中不适用；基于模型的滤波方法的准确性通常受到电池模型精度的影响，而建立一个准确的电池模型仍是目前研究的难点问题之一。近年来，随着机器学习技术的快速发展，基于数据驱动的方法因其无需复杂的先验知识，准确性高，泛化性好的优势，在电池寿命预测领域得到了越来越广泛地应用。

数据驱动类方法可以预测锂离子电池的寿命，但不同方法有其具体的假设与应用的局限性，如可用数据的数量，环境和操作条件的不确定性，以及电池类型和材料的差异等，都会对电池寿命预测的准确性带来影响。现有的方法主要基于大量的循环老化数据实现电池寿命的预测，但是实际应用中提取大量的循环老化数据是一个成本极大的工作，并且大量的数据会增加数据驱动方法的计算负担。在这种情况下，采用小样本和早期循环老化数据对电池寿命进行预测成为了一个新的可能。在电池容量衰减过程中，前期容量变化平缓，到接近寿命阈值时才会出现大幅衰减。基于电池在早期的循环充放电相关数据，实现寿命预测，可以大大减小数据采集与提取过程的工作量，在实际中也有着良好的应用前景。此外，考虑到电池数据集中存在着长寿命电池样本与短寿命电池样本，二者之间的特征可能存在明显差异，传统的随机抽样构建的训练集与测试集可能会导致训练集与测试集中的样本偏向于其中某一种样本，从而为预测结果带来负面的影响。

此外，目前的研究方法大多采用基于单一学习器的机器学习方法，但是单一学习器的预测精度和泛化性往往得不到保证，因此，如何提升单一学习器的预测精度与泛化性以达到符合实际应用的标准是目前亟待解决的问题。

发明内容

本发明的目的是从电池容量尚未发生明显下降的早期循环数据中，提取早期老化特征用于电池的寿命预测，以降低数据提取及处理过程工作负担的锂离子电池寿命的早期预测方法。

本发明步骤是：

S1、锂离子电池早期老化特征提取

S2、快速搜索聚类的早期老化特征筛选

快速搜索聚类方法过程是：

①对于由N个电池和S个特征组成的电池早期老化特征数据集

n和i分别表示电池和特征的编号，表示第n个电池的第i个特征；x_norm表示归一化后得到的早期老化特征数据，即