【技術實現步驟摘要】
本專利技術涉及電池健康狀態估計。
技術介紹
1、鋰離子電池因其長壽命和高能量密度而被廣泛的應用于電動汽車和智能手機等設備中，但隨著時間推移，鋰離子電池會因為電極材料降解、鋰損失、鋰金屬電鍍、化學擊穿等因素退化。電池健康狀態(soh)是電池的實測充電量除以制造商所列的額定容量之比。但由于其非線性復雜行為，使得系統難以對電池soh實時進行準確的估計。準確的soh信息可以改善電池的維護并延長其使用壽命，汽車能源管理系統可以據此檢測故障、預防故障、預測壽命、改進消耗。但在實際應用中，監測電池健康狀態(soh)往往不是最優先考慮的問題，這對電池狀態的評估造成了阻礙。盡管鋰電池自身可以提供高達400次的放電循環，但對鋰電池soh估計的低優先級依然危及了電池的安全性和可靠性。
2、目前為了實現對電池健康狀態(soh)的估計，采用的是電池管理系統(bms)設備。bms設備通過電池傳感器對電池的電壓、電流和溫度進行監測，并根據所得的數據預測soh。但這種設備還不能準確的對電池容量和剩余壽命進行評估，而估計soh需要大量的時間和資源，因此，諸如電化學阻抗譜(eis)或數據驅動模型等有效方法已被提出。
3、eis以其非侵入式、快速的檢測技術成為表征電池行為的一種很有前途的技術。它通過施加正弦頻率或電壓，并在時域和頻域分析相應的響應信號來測量電池阻抗。當對電化學電池施加ac電壓時，通過監測電流響應來測量阻抗v(ω)/i(ω)。該阻抗由構成電路中總阻抗的各種電路元件表示，電池系統包含各種不同組合的電路元件，使得阻抗很好地表示了電化
技術實現思路
1、本專利技術針對現有技術中電池健康狀態估計方法主要依賴于物理模型和經驗規則，準確率較低的問題。為解決上述技術問題本專利技術是通過以下技術方案實現的：
2、方案一、本專利技術提出了一種基于eis數據與xgboost算法的電池健康狀態估計方法，所述方法包括以下步驟：
3、s1、對需要進行健康狀態估計的電池采集eis數據；
4、s2、采用混合隨機搜索和網格搜索的算法對機器學習模型進行超參數優化；
5、s3、對s1采集的eis數據使用主成分析法進行特征降維，對經s2優化后的機器學習模型使用xgboost算法實現對電池健康狀態的估計；
6、s4、對s3所得到的估計數據進行評估。
7、進一步的，提供一種優選實施方式，s1中還包括對采集eis數據進行預處理的步驟。
8、進一步的，提供一種優選實施方式，s3中還包括防止機器學習模型過度擬合的步驟。
9、進一步的，提供一種優選實施方式，s3中通過采用嵌套交叉驗證方法防止機器學習模型過度擬合。
10、進一步的，提供一種優選實施方式，對s1采集的eis數據使用主成分析法進行特征降維，降維為三個特征。
11、進一步的，提供一種優選實施方式，s4中的評估方法包括準確性、精確度、均方根誤差、置信區間。
12、方案二、一種基于eis數據與xgboost算法的電池健康狀態估計系統，所述系統包括：
13、數據采集模塊，用于對需要進行健康狀態估計的電池采集eis數據；
14、超參數優化模塊，用于采用混合隨機搜索和網格搜索的算法對機器學習模型進行超參數優化；
15、特征降維模塊，用于對數據采集模塊采集的eis數據使用主成分析法進行特征降維，對經超參數優化模塊優化后的機器學習模型使用xgboost算法實現對電池健康狀態的估計；
16、評估模塊，用于對特征降維模塊所得到的估計數據進行評估。
17、方案三、計算機設備，包括存儲器和處理器，所述存儲器中存儲有計算機程序，當所述處理器運行所述存儲器存儲的計算機程序時，所述處理器執行方案一中任意一項所述的方法。
18、方案四、計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現方案一中任一項所述的方法的步驟。
19、本專利技術的有益之處在于：
20、本專利技術解決了傳統電池健康狀態估計準確率低的問題。傳統的電池健康狀態估計方法主要依賴于物理模型和經驗規則，準確率較低。而本專利技術所利用eis數據和xgboost算法，能夠有效地處理特征選擇、缺失值處理、交叉驗證等問題，并且具有較高的準確性和可擴展性，提高了估計的準確性和效率。
21、本專利技術引入了混合的超參數調優方法，本專利技術采用了隨機搜索和網格搜索相結合的方法進行超參數調優，以找到最優的模型參數設置。這種混合調優方法能夠更好地優化數據驅動的電池健康狀態估計方法。
22、本專利技術使用了主成分分析pca進行特征降維：由于電池健康狀態估計涉及到大量的特征，為了避免模型過于復雜和計算效率低下，本專利技術使用主成分分析pca方法將特征降維到三個最具影響力的特征，從而提高了模型的效率和準確性。
23、本專利技術還適用于對電池健康狀態估計進行驗證領域中。
本文檔來自技高網...【技術保護點】
1.一種基于EIS數據與XGBoost算法的電池健康狀態估計方法，其特征在于，所述方法包括以下步驟：
2.根據權利要求1所述的基于EIS數據與XGBoost算法的電池健康狀態估計方法，其特征在于，S1中還包括對采集EIS數據進行預處理的步驟。
3.根據權利要求1所述的基于EIS數據與XGBoost算法的電池健康狀態估計方法，其特征在于，S3中還包括防止機器學習模型過度擬合的步驟。
4.根據權利要求3所述的基于EIS數據與XGBoost算法的電池健康狀態估計方法，其特征在于，S3中通過采用嵌套交叉驗證方法防止機器學習模型過度擬合。
5.根據權利要求1所述的基于EIS數據與XGBoost算法的電池健康狀態估計方法，其特征在于，對S1采集的EIS數據使用主成分析法進行特征降維，降維為三個特征。
6.根據權利要求1所述的基于EIS數據與XGBoost算法的電池健康狀態估計方法，其特征在于，S4中的評估方法包括準確性、精確度、均方根誤差、置信區間。
7.一種基于EIS數據與XGBoost算法的電池健康狀態估計系統，其特
8.計算機設備，包括存儲器和處理器，其特征在于，所述存儲器中存儲有計算機程序，當所述處理器運行所述存儲器存儲的計算機程序時，所述處理器執行權利要求1-6任意一項所述的方法。
9.計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現權利要求1-6任一項所述的方法的步驟。
...【技術特征摘要】
1.一種基于eis數據與xgboost算法的電池健康狀態估計方法，其特征在于，所述方法包括以下步驟：
2.根據權利要求1所述的基于eis數據與xgboost算法的電池健康狀態估計方法，其特征在于，s1中還包括對采集eis數據進行預處理的步驟。
3.根據權利要求1所述的基于eis數據與xgboost算法的電池健康狀態估計方法，其特征在于，s3中還包括防止機器學習模型過度擬合的步驟。
4.根據權利要求3所述的基于eis數據與xgboost算法的電池健康狀態估計方法，其特征在于，s3中通過采用嵌套交叉驗證方法防止機器學習模型過度擬合。
5.根據權利要求1所述的基于eis數據與xgboost算法的電池健康狀態估計方法，其特征在于，對s...
【專利技術屬性】
技術研發人員：林俊，王卓玨，王舵，高尚，
申請(專利權)人：南方電網互聯網服務有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。