本发明涉及锂电池管理，具体涉及一种锂电池健康状态的联合预测方法。
背景技术：
1、锂电池具有能量密度高、寿命长、容量大等特点，因此它在能源领域得到了广泛应用。然而，锂电池的长时间循环使用会引起内部发生不可逆转的化学变化，使其容量下降、内阻增大以及峰值功率下降，甚至会引发安全事故。锂电池健康状态(state of health,soh)对表征电池老化程度具有重要意义，主要体现在电池可用容量的下降，为更换动力电池提供了重要的参考依据。为了保持电池的安全稳定运行，准确的健康状态估计具有重要意义。
2、电池的退化是内部反应和外部环境影响的综合过程，除了电池内部耦合、时变的电化学反应外，外部负载、温度和放电深度等因素也会影响电池老化，最终导致不同的衰退轨迹，这给健康状态监测和评估带来了挑战。目前，健康状态估计方法主要包括基于模型的方法和数据驱动的方法。模型法可分为电化学模型和等效电路模型，电化学模型通过建立偏微分方程来描述电池动态特性，过高的模型计算复杂度使其更多应用于电池衰退机理方面的研究；等效电路模型根据电池的外部电气特性，利用基本电子元件和受控电压源建立电路模型，常与自适应滤波算法如卡尔曼滤波 (extended kalman filter, ekf)、粒子滤波(particle filter, pf)等结合，通过更新模型参数实现健康状态估计。然而电池是一个复杂的系统，其荷电状态、充放电倍率、温度等都会影响电池参数的变化，因此等效电路模型辨识参数难度较大，难以全面准确描述电池动态特性。
3、数据驱动的方法主要是根据电池使用过程中积累的大量数据，对电池电压、电流、温度等其他因素与电池健康状态的相关性进行分析，再通过统计的手段对电池健康状态进行估计。这种方法避免了对模型的依赖性，具有较高的鲁棒性。因此，近年来数据驱动的方法成为健康状态估计的热点。它主要涉及两个部分：第一部分是从充电或放电过程中提取与电池老化相关的特征。另一部分是使用机器学习来拟合健康指标(health index，hi)和健康状态之间的线性或非线性关系，以此来预测健康状态。例如，随机森林(randomforest, rf)，神经网络(neural network, nn)，支持向量回归(support vectorregression, svr)，高斯回归(gaussian process regression, gpr)，极限学习机(extreme learning machine, elm)等其他机器学习模型广泛应用于soh估计领域，并在估计精度方面取得了良好的效果。
技术实现思路
1、为了减少电池管理系统(battery management system，bms)的计算量、提高电池健康状态的估计精度和可靠性，并应对各种噪声干扰带来的估计误差问题，本发明提出了一种锂电池健康状态的联合预测方法。本发明不仅能够有效减少健康状态估计的时间，还能精确的捕捉容量再生现象。
2、本发明主要通过以下技术方案实现：
3、一种锂电池健康状态的联合预测方法，包括，
4、步骤s1：选取nasa循环测试数据集中的电池充电电压作为实验数据；
5、步骤s2：利用增量容量分析法和恒流充电时间提取健康特征；
6、步骤s3：采用皮尔逊相关性分析法验证提取特征的可行性，选取峰值的面积和恒流充电电压曲线中的恒流充电时间作为电池老化特性表征；
7、步骤s4：建立支持向量回归模型；
8、步骤s5：在传统粒子群算法的基础上引入自适应策略和随机性惯性权重进行改进，利用改进粒子群优化支持向量回归模型的惩罚因子和内核函数，将提取的健康特征输入到改进粒子群优化的支持向量回归模型中。
9、上述步骤s2包括，
10、步骤s21：将电压平台转化为ic曲线进行分析，ic曲线峰值信息表明锂电池的老化程度；
11、步骤s22：利用高斯滤波对ic曲线进行平滑处理，提高ic曲线的平滑度；
12、步骤s23，将ic曲线中峰值的位置、高度、面积和斜率，提取作为健康特征；
13、步骤s24：根据ic曲线的电压范围，将恒流充电电压曲线中的恒流充电时间提取作为健康特征。
14、上述ic曲线表示充电容量dq与电池端电压dv的比，即增量容量ic，表达式如下：
15、。
16、上述高斯滤波器的表达式如下：
17、，
18、其中， x为ic；为 x的均值，为 x的方差。
19、上述恒流充电时间的表达式如下：
20、，
21、其中， q为充电容量， i为充电电流， t为充电时间。
22、上述步骤s3中，利用皮尔逊相关性分析法评估两个变量之间的相关程度的公式如下：
23、，
24、式中，n为样本数；分别表示所选取的特征和锂电池的健康状态；e(x)，e(y)分别为的样本期望。
25、上述步骤s4包括，
26、步骤s41：首先建立输入量和输出量，假定样本集，其中，为输入量 ，为输出量，根据支持向量回归主要原理：利用非线性映射将样本集从低维空间映射到高维空间，建立回归函数如下：
27、，
28、式中，和 b是模型的权重参数和偏置函数，为非线性映射函数；
29、步骤s42：将惩罚因子c、最大允许误差、松弛变量和引入回归函数 f( x)来纠正不规则因子，根据结构风险最小化原则，将回归函数 f( x) 等效于求解优化问题，即：
30、，
31、式中，l 为损失函数；c 为惩罚因子；
32、通过引入松弛变量和，可得到：
33、，
34、式中，为松弛变量，为不敏感损失因子；
35、步骤s43：利用对偶原理，引入拉格朗日乘数,及径向基核函数，将上述公式转化为如下公式：
36、，
37、式中，和为拉格朗日乘数；
38、根据 mercer 定理法则，求解上式获得非线性映射表达式为：
39、，
40、式中，为径向基核函数，为内核函数。
41、上述步骤s5包括，
42、步骤s51：初始化粒子的位置和速度，设在d维空间中存在一种含n个粒子的种群。对于任意粒子 i，其在空间中的位置为，飞行速度为，个体最优为，群体最优为；
43、步骤s52：根据随机性惯性权重公式更新惯性权重，所述随机性惯性权重公式如下：
44、，
45、式中，和分别为惯性权重的最大值和最小值， t为最大迭代次数， t为当前迭代次数，为[1,e]的随机数， e是一个整数，为粒子在整个种群中的历史最优位次，n为种群中的粒子个数；
46、步骤s53：比较种群中所有粒子的适应度值与其经历过的最优位置适应度值的优劣，若前者更优，则用粒子的当前位置替代粒子的个体历史最优位置；
47、步骤s54：比较种群中所有个体最优位置的适应度值与整个群体经历过的最优位置适应度值的优劣，若前者更优，则更新全局最优位置；
48、步骤s55：根据自适应策略计算当前粒子适应度与种群中所有粒子平均适应度的比值 pi，若，采用改进后的速度位置更新公式进行位置更新和速度更新，进入步骤s56；否则，采用传统的速度位置更新公式进行位置更新和速度更新，进入步骤s57；其中，为常数；其中，自适应判断条件为：
49、
50、式中， fit()为粒子的适应度，n为种群中的粒子个数，为当前粒子适应度与种群中所有粒子平均适应度的比值；
51、步骤s56：采用改进后的速度位置更新公式进行位置更新和速度更新，所述改进后的速度位置更新公式如下：
52、，
53、式中，为权重系数，t为迭代次数，c1、c2为学习因子，r1，r2为之间的随机数，和分别为粒子 i在 t+1代的速度和位置，为步长控制量，,,；
54、步骤s57，采用传统的速度位置更新公式进行位置更新和速度更新，所述传统的速度位置更新公式如下：
55、；
56、步骤s58：更新并记录个体最优位置和全体最优位置；
57、步骤s59：判断算法是否满足迭代搜索条件，当达到最大迭代次数或达到预先设定的精度时，迭代终止，输出最佳参数，并利用最佳参数构建预测模型；否则返回步骤s52。
58、采用本发明提供的技术方案，与已有的公知技术相比，具有如下显著效果：
59、（1）本发明根据增量容量曲线和充电电压曲线分别提取峰值面积和充电时间作为健康特征，然后采用皮尔逊相关性分析法分析soh与健康特征的相关性，消除特征冗余同时减少后续机器学习模型训练成本。
60、（2）本发明使用粒子群算法优化支持向量回归，该算法能够更好地适应复杂数据形式，增强模型非线性映射能力，提升整体准确性和鲁棒性。
61、（3）本发明中，对传统的粒子群算法加入了一种自适应策略和随机惯性权重，为支持向量回归提供最优优化参数，使算法在前期进行具有较强的搜索能力，解决算法在后期易陷入局部最优的缺点，提高算法的预测精度和捕捉容量再生的能力。
1.一种锂电池健康状态的联合预测方法，其特征在于，包括，
2.如权利要求1所述一种锂电池健康状态的联合预测方法，其特征在于，所述步骤s2包括，
3.如权利要求2所述一种锂电池健康状态的联合预测方法，其特征在于，所述ic曲线表示充电容量dq与电池端电压dv的比，即增量容量ic，表达式如下：
4.如权利要求3所述一种锂电池健康状态的联合预测方法，其特征在于，所述高斯滤波器的表达式如下：
5.如权利要求4所述一种锂电池健康状态的联合预测方法，其特征在于，所述恒流充电时间的表达式如下：
6.如权利要求5所述一种锂电池健康状态的联合预测方法，其特征在于，所述步骤s3中，利用皮尔逊相关性分析法评估两个变量之间的相关程度的公式如下：
7.如权利要求6所述一种锂电池健康状态的联合预测方法，其特征在于，所述步骤s4包括，
8.如权利要求7所述一种锂电池健康状态的联合预测方法，其特征在于，所述步骤s5包括，
