1.基于优化高斯过程回归的锂离子电池可用容量估计方法,其特征在于:具体包括以下步骤:
S1、获取锂离子电池老化循环数据:对锂离子电池进行循环充放电测试,直到放电容量低于标称容量的80%,实时记录电池充放电电压、温度、放电容量数据;
S2、数据处理:对S1中得到的充电电压数据、温度及放电容量数据进行预处理,得出电池表面平均温度、容量增量曲线峰值及其出现位置及放电容量数据;
S3、GPR模型搭建:利用GPR的单一核函数构建复合协方差核函数,搭建GPR模型;
S4、GPR模型优化:利用WOA算法对S3中得到的GPR模型进行超参数寻优方法的优化,获得优化后的GPR模型;
S5、GPR模型训练:取步骤S2中得到的放电容量以及电池表面平均温度、容量增量曲线峰值及其出现位置的数据形成的训练集,来运行优化后的GPR模型来寻找老化因子和锂电池容量的关联关系,得到训练完成的GPR模型;
S6、获得电池可用容量:基于步骤S5所得训练完成后的GPR模型,输入老化因子,输出电池可用容量,即获得电池可用容量。
2.根据权利要求1所述的基于优化高斯过程回归的锂离子电池可用容量估计方法,其特征在于:所述步骤S2中的进行预处理的具体方法如下:S201、提取步骤S1中进行循环充放电测试得到的温度求均值,获得各循环平均温度;
S202、提取步骤S1中进行循环充放电测试得到的充放电电压,形成电压曲线,利用容量增量法将电压曲线转化为离散的容量增量曲线,其中,容量与电压关系式为:‑1
其中Q为充电容量,V为电池端电压,I为电流,f为容量到电压的映射关系;设G=f ,对步骤S202中的关系式求导得:取电压间隔为1.5mv,则获得离散的容量增量曲线,公式如下:S203、对离散的容量增量曲线进行滤波,利用基于Parks‑McClellan算法的等波纹FIR滤波器,获得平滑的容量增量曲线;
S204、利用步骤S203中的容量增量曲线获取容量增量曲线峰值及峰值出现的位置电压;
S205、利用步骤S201中获得的平均温度和步骤S204中获得的容量增量曲线峰值及峰值出现的位置电压,构成老化因子集合{x};
S206、将S205中老化因子集合{x}及放电容量形成数据集并划分为训练集和测试集,所形成的训练集和测试集其形式如下:训练集:
测试集:
其中xi和yi分别为训练集中老化因子和对应的预测容量, 和 分别为测试集中老化因子和对应的预测容量,m代表维度。
3.根据权利要求2所述的基于优化高斯过程回归的锂离子电池可用容量估计方法,其特征在于:所述步骤S206中将老化因子集合{x}及放电容量形成数据集并划分为训练集和测试集的具体划分方法为:电池老化循环的前40%数据作为训练集,后60%数据作为测试集。
4.根据权利要求1所述的基于优化高斯过程回归的锂离子电池可用容量估计方法,其特征在于:所述步骤S3中,利用GPR的单一核函数构建复合协方差核函数,搭建GPR模型的具体方法为:
S301、利用GPR中各向同性有理二次协方差函数和各向同性线性核函数构建复合协方差核函数,三种函数具体如下:各向同性有理二次协方差核函数:T ‑1
各向同性线性协方差核函数:k(x,z)=xp z,复合协方差核函数:
式中,x、z分别代表输入和输出,σ为信号方差,p为超参数平方倍的单位矩阵,α为形状参数;
S302、基于步骤S301中获得的复合协方差核函数,同时结合均值核函数,搭建基础GPR模型,复合协方差核函数和均值核函数构成GPR模型的两个核函数要素,所述均值核函数具体如下:
m(x)=E(f(x))
其中E(f(x))表示函数期望,设置为0。
5.根据权利要求1所述的基于优化高斯过程回归的锂离子电池可用容量估计方法,其特征在于:所述步骤S4中利用WOA算法对步骤S3中得到的GPR模型进行超参数寻优的具体方法为:利用WOA算法对GPR模型中的共轭梯度法求解最优超参数的方法进行替代优化,提升超参数的寻优效果,减少训练计算量,提升模型精度及适应能力。
6.根据权利要求1所述的基于优化高斯过程回归的锂离子电池可用容量估计方法,其特征在于:所述步骤S5中利用训练集来运行优化后的GPR模型的具体运行方法为:利用WOA算法对步骤S3中复合协方差核函数的超参数、信号方差σ以及形状参数α寻求最优解,获得训练后的GPR模型,具体方法为:S501、利用S206中建立的训练集,获取容量先验分布函数如下:S502、基于S501中建立先验分布函数,利用提取的老化因子,以及其对应的预测容量,获得两者集合输出向量组成的联合分布,表示为:*
其中Im为单位矩阵,Kf(x,x)为协方差函数;
S503、由老化因子数据集,以及其对应的预测容量推出对应后验分布:* *
此处 表示y 的估计值,cov(y )是测试样本的协方差矩阵,公式即为训练后的GPR模型。