首页 > 资讯 > 基于多目标优化的锂离子电池健康状态估计方法

基于多目标优化的锂离子电池健康状态估计方法

泰然健康网
2025-06-10 14:32

本发明属于电池管理系统的健康状态估计，具体涉及一种基于多目标优化的锂离子电池健康状态估计方法。

背景技术：

1、锂离子电池因其具有能量密度高、输出容量大、性价比高等优点而在电动汽车领域得到了广泛应用。在电池循环使用过程中，其内部结构会产生可循环锂损失和集电极腐蚀等现象，将会导致电池性能不断退化。为保证电动汽车安全稳定运行，通过电池管理系统对动力电池进行在线管理和控制。电池的健康状态(state ofhealth，soh)反映了当前电池相对于新电池的电量存储能力，准确预测电池的健康状态可提前获知电池的容量水平，这对于优化电动汽车控制策略、提高能量利用率及降低能耗成本等都具有重要意义。

2、目前，常用的锂离子电池健康状态评估方法分为基于模型方法和基于数据驱动方法，基于模型方法通过建立数学模型来描述锂离子电池的物理过程，但其存在模型复杂度高、参数难以确定及适用性差等缺点。基于数据驱动方法则是利用电池历史数据，通过机器学习等手段构建模型，进而预测电池的健康状态，相较于基于模型方法，具有更好的预测精度和鲁棒性，但是还存在以下问题，第一，在健康特征提取方面，目前研究大多围绕电池容量增量、等压升时间、等压降时间及平均电压等特征展开，但是这些特征均不能反映恒流充电过程中电池的非线性老化规律，无法准确表征锂离子电池健康状态的衰退特性。第二，在数据驱动模型方面，传统的单目标优化模型在健康状态评估方面的应用大多仅关注提高预测精度，但是在电池循环使用过程中会出现容量回升现象，容量回升产生的波动无法准确跟踪，进而导致模型的预测稳定性差，因此传统的单目标优化模型忽视了容量回升对预测稳定性的影响。

3、因此，本发明提出一种基于多目标优化的锂离子电池健康状态估计方法，一方面提取反映恒流充电过程中非线性老化的健康特征，另一方面使得模型同时关注预测结果的准确性和稳定性。

技术实现思路

1、针对现有技术存在的不足之处，本发明拟解决的技术问题是，提出一种基于多目标优化的锂离子电池健康状态估计方法。

2、本发明解决所述技术问题采用如下的技术方案：

3、一种基于多目标优化的锂离子电池健康状态估计方法，其特征在于，该方法包括以下步骤：

4、步骤s1：采集锂离子电池的充放电循环数据；

5、步骤s2：对充放电循环数据进行预处理，并从充放电循环数据中提取多个健康特征，其中一个健康特征为恒流充电时间，另外的健康特征均为利用logit模型拟合恒流充电电压-时间曲线的多项式系数；

6、步骤s3：基于极限学习机神经网络建立健康状态估计模型；

7、步骤s4：利用采集的锂离子电池充放电循环数据对健康状态估计模型进行训练，模型的输入特征矩阵为f＝[f1；f2；…；fn；…；fn]，输出向量为表示第n次循环的输入特征向量，表示第n次循环提取的健康特征，表示第n次循环的真实健康状态，n表示全生命周期的充放电循环次数；

8、将健康状态估计模型的输入层到隐藏层的输入权重和隐藏层偏置两个参数作为待优化参数，利用基于非支配排序和拥挤距离的多目标优化算法对健康状态估计模型进行优化；多目标优化算法的适应度函数包括均方差和稳定性指数，如下式：

9、

10、

11、其中，mse为均方差，sdex为稳定性指数，k为样本数量，yi、分别为第i个样本的真实健康状态和预测健康状态，std(·)表示标准差；

12、步骤s5：将优化后的健康状态估计模型用于锂离子电池健康状态的估计。

13、与现有技术相比，本发明的有益效果在于：

14、1.本发明利用logit模型对恒流充电过程中的电压-时间曲线进行拟合，提取logit模型的多项式系数作为健康特征，相比于容量增量、等压升时间、等压降时间及平均电压等传统健康特征，多项式系数能够充分反映电池恒流充电过程中的非线性老化规律，可以间接表征锂离子电池的衰退，同时将直接表征锂离子电池衰退的恒流充电时间也作为健康特征，从而有利于提高soh估计精度。

15、2.通过采用基于非支配排序和拥挤距离计算的多目标鲸鱼优化算法对健康状态估计模型进行优化，并将均方差和稳定性指数(sdex)作为多目标优化的目标函数，同时兼顾了模型的预测精度和稳定性，有效解决了传统单目标优化模型仅考虑预测精度而忽略了因电池容量回升导致的预测稳定性差的问题，在锂离子电池全生命周期的健康状态估计中均能达到相对较高的预测精度和稳定性。

技术特征：

1.一种基于多目标优化的锂离子电池健康状态估计方法，其特征在于，该方法包括以下步骤：

2.根据权利要求1所述的基于多目标优化的锂离子电池健康状态估计方法，其特征在于，在步骤s2中，通过决定系数和均方根误差评估logit模型不同拟合阶数的精度，当拟合阶数大于等于3时，精度能够满足要求，故选取logit模型的一次项、二次项和三次项系数作为健康特征。

3.根据权利要求1或2所述的基于多目标优化的锂离子电池健康状态估计方法，其特征在于，所述多目标优化算法为多目标鲸鱼优化算法。

技术总结
本发明为一种基于多目标优化的锂离子电池健康状态估计方法，首先采集锂离子电池的充放电循环数据并进行预处理；然后，从充放电循环数据中提取包括恒流充电时间和利用Logit模型拟合恒流充电电压‑时间曲线的多项式系数在内的多个健康特征；最后，基于极限学习机神经网络建立健康状态估计模型，利用锂离子电池充放电循环数据对健康状态估计模型进行训练，在训练过程中通过基于非支配排序和拥挤距离的多目标优化算法对健康状态估计模型进行优化，并将优化后的健康状态估计模型用于锂离子电池健康状态的估计。本发明提取的多项式系数反映了恒流充电过程中的非线性老化规律，间接表征了电池衰退，恒流充电时间直接表征了电池衰退，模型优化兼顾了模型的预测精度和稳定性。

技术研发人员：张闯,胡文镇,徐志成,赵英杰
受保护的技术使用者：河北工业大学
技术研发日：
技术公布日：2024/1/15