本發(fā)明屬于鋰電池，具體涉及一種基于模擬退火與最小二乘支持向量機(jī)算法的電池soc反演方法。

背景技術(shù)：

1、鋰離子電池作為一種高能量密度、循環(huán)壽命長(zhǎng)且運(yùn)行成本低的先進(jìn)能源技術(shù)，被廣泛應(yīng)用于電動(dòng)汽車、軍事裝備和航空航天等領(lǐng)域。然而，不正確的電池狀態(tài)監(jiān)測(cè)和控制可能導(dǎo)致性能下降甚至火災(zāi)或爆炸等危險(xiǎn)情況。因此，精確捕獲電池的內(nèi)部動(dòng)態(tài)對(duì)提前預(yù)警事故至關(guān)重要。確保鋰離子電池的實(shí)際運(yùn)行狀態(tài)對(duì)延長(zhǎng)其使用壽命、提高容量利用率、減緩老化速度和降低潛在事故發(fā)生具有重要意義。然而，由于無(wú)法直接測(cè)量電池的荷電狀態(tài)(soc)，只能通過(guò)其他外部特性參數(shù)進(jìn)行間接獲取。

2、傳統(tǒng)的電池soc估計(jì)方法可大致分為開環(huán)方法、狀態(tài)估計(jì)方法和數(shù)據(jù)驅(qū)動(dòng)方法。開環(huán)方法如安時(shí)法和開路電壓法簡(jiǎn)單易實(shí)現(xiàn)，但受到噪聲和溫度等不確定性影響，難以獲得準(zhǔn)確的初始值，且容易累積誤差。狀態(tài)估計(jì)方法是閉環(huán)方法，通過(guò)電化學(xué)模型或等效電路模型揭示soc與負(fù)載電流、端電壓之間的非線性動(dòng)態(tài)關(guān)系，并借助狀態(tài)觀測(cè)器或?yàn)V波器預(yù)測(cè)荷電狀態(tài)。然而，這些方法難以消除系統(tǒng)誤差。隨著大數(shù)據(jù)和機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，基于數(shù)據(jù)驅(qū)動(dòng)的soc估計(jì)成為研究熱點(diǎn)之一，但依賴于關(guān)鍵參數(shù)選取。

3、因此，迫切需要一種自動(dòng)尋找模型關(guān)鍵參數(shù)的新方法，以不同物理源信息對(duì)電池soc進(jìn)行高精度反演量化表征。

技術(shù)實(shí)現(xiàn)思路

1、為解決現(xiàn)有技術(shù)中電池soc反演中參數(shù)優(yōu)化和精度提升的技術(shù)問題，本發(fā)明提供一種基于模擬退火與最小二乘支持向量機(jī)算法的電池soc反演方法，包括如下步驟：

2、s1.數(shù)據(jù)集制作，采集20次商業(yè)鈷酸鋰電池的循環(huán)數(shù)據(jù)，將前15次循環(huán)數(shù)據(jù)劃分為訓(xùn)練集，后5次循環(huán)數(shù)據(jù)劃分為測(cè)試集；

3、所述循環(huán)數(shù)據(jù)包括：電學(xué)特征參數(shù)、聲學(xué)特征參數(shù)及溫度參數(shù)，所述循環(huán)數(shù)據(jù)的輸出項(xiàng)yi為電池荷電狀態(tài)soc；

4、s2.參數(shù)優(yōu)化，采用模擬退火算法對(duì)lssvm模型的高斯核函數(shù)的寬度σ和懲罰因子γ進(jìn)行全局尋優(yōu)，得到最優(yōu)的σ和γ；

5、s3.模型訓(xùn)練與測(cè)試，將最優(yōu)的σ和γ代入lssvm模型，利用訓(xùn)練集進(jìn)行預(yù)測(cè)訓(xùn)練，輸出電池soc估算值，并通過(guò)測(cè)試集驗(yàn)證模型精度。

6、進(jìn)一步，s1中，所述電學(xué)特征參數(shù)包括：電壓u、電流i與電阻r；所述聲學(xué)特征參數(shù)包括：渡越時(shí)間tof、聲強(qiáng)幅值sa和功率譜密度psd；所述溫度參數(shù)為電池表面溫度。

7、進(jìn)一步，s2具體包括：

8、s21.初始化模擬退火算法中粒子的數(shù)量、最大迭代次數(shù)、初始溫度、學(xué)習(xí)因子、預(yù)速度、退火因子以及待優(yōu)化參數(shù)的有效范圍；

9、s22.隨機(jī)初始化粒子的位置和速度；

10、s23.在有效范圍內(nèi)生成兩個(gè)隨機(jī)初始點(diǎn)；其中，所述兩個(gè)隨機(jī)初始點(diǎn)是由所確定的所有核函數(shù)寬度σ和懲罰因子γ確定，且每一個(gè)σ和γ都確定了一維空間上的坐標(biāo)；

11、s24.計(jì)算當(dāng)前溫度下每個(gè)粒子i的適應(yīng)度，適應(yīng)度函數(shù)即為目標(biāo)函數(shù)f(x)，記錄每個(gè)粒子的位置pid，全局最優(yōu)位置ppd，適應(yīng)度f(wàn)(pid)和全局最優(yōu)適應(yīng)度f(wàn)(ppd)；

12、s25.在當(dāng)前溫度下，進(jìn)行輪盤賭策略；

13、s26.通過(guò)輪盤賭策略篩選粒子后，更新各粒子的速度和位置，以及個(gè)體及種群的最有位置；

14、s27.利用退溫函數(shù)對(duì)溫度進(jìn)行迭代更新，改變粒子活性；

15、s28.判斷迭代次數(shù)是否達(dá)到最大迭代次數(shù)，若未達(dá)到，返回到s23，若達(dá)到便可結(jié)束迭代，輸出的最優(yōu)的σ和γ。

16、進(jìn)一步，s2中，所述高斯核函數(shù)為：

17、k(x,xi)＝exp(-||x-xi||2/σ2)

18、其中，x為輸入數(shù)據(jù)中的一個(gè)觀測(cè)值，而xi為訓(xùn)練集中的一個(gè)觀測(cè)值，σ為核函數(shù)寬度；所述lssvm模型中的目標(biāo)函數(shù)為：

19、

20、其中，w為模型的權(quán)值向量，γ為懲罰因子，代表松弛變量。

21、進(jìn)一步，s24中，所述適應(yīng)度函數(shù)為：

22、

23、其中，κexp為用于關(guān)鍵參數(shù)反演的實(shí)測(cè)soc數(shù)據(jù)，κcal為由猜測(cè)關(guān)鍵參數(shù)構(gòu)建的lssvm模型的預(yù)測(cè)soc數(shù)據(jù)，n為數(shù)據(jù)點(diǎn)的數(shù)量，π為當(dāng)前猜測(cè)的適應(yīng)度函數(shù)即目標(biāo)函數(shù)，γg為當(dāng)前猜測(cè)的懲罰因子，σg為當(dāng)前猜測(cè)的核函數(shù)寬度。

24、進(jìn)一步，s24中，輪盤賭策略具體包括：

25、s241.在0～1之間生成一個(gè)隨機(jī)數(shù)a；

26、s242.計(jì)算退火算法適應(yīng)度，在當(dāng)前溫度t下各pid的退火算法適應(yīng)度為：

27、

28、s243.根據(jù)所述退火算法適應(yīng)度f(wàn)sa(pid)計(jì)算累計(jì)概率，所述累計(jì)概率為：

29、

30、s244.根據(jù)所述累積概率，選用滿足條件的第r個(gè)粒子的個(gè)體最優(yōu)位置prd代替全局最優(yōu)位置ppd，條件為：comfit(r-1)<a<comfit(r)。

31、進(jìn)一步，s26中，所述更新各粒子的速度和位置通過(guò)：

32、

33、實(shí)現(xiàn)，其中，x為粒子的位置，v為粒子的速度，i為第i個(gè)粒子，j+1為迭代次數(shù)，b1與b2分別為影響每個(gè)粒子的局部及全局收斂速度的學(xué)習(xí)因子，隨機(jī)數(shù)r1/r2∈[0,1]，xbesti為當(dāng)前第i個(gè)粒子的歷史最優(yōu)位置，同時(shí)，xbestg為當(dāng)前匹配度最小值對(duì)應(yīng)的粒子。

34、進(jìn)一步，s27中，退溫函數(shù)為：

35、tj+1＝δtj

36、其中，δ為退火因子，t為溫度。

37、本發(fā)明的有益效果如下：

38、本發(fā)明利用模擬退火算法對(duì)lssvm的懲罰因子與核函數(shù)寬度兩個(gè)重要參數(shù)進(jìn)行優(yōu)化，大幅提高了lssvm算法對(duì)多特征輸入，單變量回歸預(yù)測(cè)的能力。同時(shí)，該方法可以對(duì)參數(shù)自動(dòng)尋優(yōu)，無(wú)需人為定義，提高了數(shù)學(xué)模型訓(xùn)練的效率。

技術(shù)特征：

1.一種基于模擬退火與最小二乘支持向量機(jī)算法的電池soc反演方法，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于模擬退火與最小二乘支持向量機(jī)算法的電池soc反演方法，其特征在于，s1中，所述電學(xué)特征參數(shù)包括：電壓u、電流i與電阻r；所述聲學(xué)特征參數(shù)包括：渡越時(shí)間tof、聲強(qiáng)幅值sa和功率譜密度psd；所述溫度參數(shù)為電池表面溫度。

3.根據(jù)權(quán)利要求1所述的一種基于模擬退火與最小二乘支持向量機(jī)算法的電池soc反演方法，其特征在于，s2具體包括：

4.根據(jù)權(quán)利要求1所述的一種基于模擬退火與最小二乘支持向量機(jī)算法的電池soc反演方法，其特征在于，s2中，所述高斯核函數(shù)為：

5.根據(jù)權(quán)利要求3所述的一種基于模擬退火與最小二乘支持向量機(jī)算法的電池soc反演方法，其特征在于，s24中，所述適應(yīng)度函數(shù)為：

6.根據(jù)權(quán)利要求3所述的一種基于模擬退火與最小二乘支持向量機(jī)算法的電池soc反演方法，其特征在于，s24中，輪盤賭策略具體包括：

7.根據(jù)權(quán)利要求3所述的一種基于模擬退火與最小二乘支持向量機(jī)算法的電池soc反演方法，其特征在于，s26中，所述更新各粒子的速度和位置通過(guò)：

8.根據(jù)權(quán)利要求3所述的一種基于模擬退火與最小二乘支持向量機(jī)算法的電池soc反演方法，其特征在于，s27中，退溫函數(shù)為：

技術(shù)總結(jié)
一種基于模擬退火與最小二乘支持向量機(jī)算法的電池SOC反演方法，屬于鋰電池技術(shù)領(lǐng)域，解決了現(xiàn)有技術(shù)中電池SOC反演中參數(shù)優(yōu)化和精度提升的技術(shù)問題。其利用模擬退火算法對(duì)正則化參數(shù)與核函數(shù)寬度展開全局尋優(yōu)，來(lái)提高電池SOC反演方法的精度。將正則化參數(shù)和核函數(shù)寬度作為待優(yōu)化參數(shù)基于模擬退火算法迭代求解，得到最優(yōu)位置點(diǎn)，并將所得到的最優(yōu)位置點(diǎn)中對(duì)應(yīng)的正則化參數(shù)和核函數(shù)寬度代入到高斯徑向基核函數(shù)，得到優(yōu)化后的最小二乘支持向量機(jī)算法。獲取商業(yè)軟包電池的電學(xué)參量、溫度參量和聲學(xué)參量作為輸入量，通過(guò)優(yōu)化后的最小二乘支持向量機(jī)算法，反演出的SOC值即為所求。本發(fā)明在電池SOC反演領(lǐng)域具有良好應(yīng)用前景。

技術(shù)研發(fā)人員：李亞冬,胡振江,韓振華,張皙,張長(zhǎng)虎,崔忠帆,李沖,孟繁旭
受保護(hù)的技術(shù)使用者：北京中唐電工程咨詢有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15