(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111647325.5 (22)申请日 2021.12.3 0 (71)申请人 国网浙江省电力有限公司电力科 学 研究院 地址 310014 浙江省杭州市下城区朝晖八 区华电弄 1号 (72)发明人 林达　赵波　张雪松　杨帆　钱平　 章雷其　刘敏　李志浩　汪相晋　 倪筹帷　葛晓慧　 (74)专利代理 机构 浙江翔隆专利事务所(普通 合伙) 33206 代理人 张建青 (51)Int.Cl. G01R 31/392(2019.01) G06K 9/62(2022.01)G06N 3/00(2006.01) G06Q 10/04(2012.01) G06Q 10/06(2012.01) (54)发明名称 一种基于间接健康指标的锂离子电池SOH预 测方法及系统 (57)摘要 本发明公开了一种基于间接健康指标的锂 离子电池SOH预测方法。 本发明采用的技术方案 为： 提取锂离子电池部分充电过程中的电压、 电 流曲线的离散系数作为间接健康指标； 采用粒子 群算法在样本训练过程中自动搜索多核高斯过 程回归模型的最优超参数， 建立基于粒子群算法 优化的多核高斯过程回归模型， 即PSO ‑MK‑GPR模 型； 将间接健康指标作为输入， 容量作为输 出， 送 入PSO‑MK‑GPR模型中进行训练， 得出锂离子电池 老化模型； 将在线提取的特征数据送入训练好的 PSO‑MK‑GPR模型中， 实现SOH 预测。 本发明采用一 种考虑充电过程中的电压与电流部分数据的间 接健康指标结合粒子群优化算法调参的多核高 斯过程回归 模型， 实现了锂离 子电池SOH的预测。 权利要求书2页 说明书8页 附图4页 CN 114295999 A 2022.04.08 CN 114295999 A 1.一种基于间接健康指标的锂离 子电池SOH预测方法， 其特 征在于， 提取锂离 子电池部分充电过程中的电压、 电流曲线的离 散系数作为间接健康指标； 采用粒子群算法在样本训练过程中自动搜索多核高斯过程 回归模型的最优超参数， 建 立基于粒子群算法优化的多 核高斯过程回归 模型， 即P SO‑MK‑GPR模型； 将间接健康指标作为输入， 容量作为输出， 送入PS O‑MK‑GPR模型中进行训练， 得出锂离 子电池老化模型； 将在线提取的特 征数据送入训练好的P SO‑MK‑GPR模型中， 实现SOH预测。 2.根据权利要求1所述的一种基于间接健康指标的锂离子电池SOH预测方法， 其特征在 于， 利用高斯核函数和正弦平方核函数， 将 高斯过程回归模型修改为多核高斯过程回归模 型。 3.根据权利要求1所述的一种基于间接健康指标的锂离子电池SOH预测方法， 其特征在 于， 提取间接健康指标后， 采用pearson相关系数对 所提取的间接健康指标与容量的相关性 进行定量分析， 对间接健康指标的有效性进行验证。 4.根据权利要求3所述的一种基于间接健康指标的锂离子电池SOH预测方法， 其特征在 于， 进行定量分析后， 再采用卡尔曼滤波对所提取的间接健康指标进 行滤波优化， 提高间接 健康指标与容 量的相关性。 5.根据权利要求1所述的一种基于间接健康指标的锂离子电池SOH预测方法， 其特征在 于， 所述间接健康指标的提取内容如下： 恒流充电过程中的电压曲线与恒压充电过程中的电流曲线在锂离子电池全寿命周期 过程中组成一组曲线族， 引入离散系数作为特征， 用以表示每个循环曲线的差异； 离散系数 是概率分布离 散程度的一个归一 化量度， 用于比较不同样本数据的离 散程度， 其定义 为： 其中， cvar为离散系数， σ 为样本的标准差， μ为样本的平均值， N为样本个数， xi为样本， μ 的定义为： 其中， X代表充电过程中的电压或电流数据， X0与Xe为某个循环所选区间的起始与终止 电压或电流 值， Time为该区间所 经历的时间。 6.一种基于间接健康指标的锂离 子电池SOH预测系统， 其特 征在于， 包括： 间接健康指标提取单元： 提取锂离子电池部分充电过程中的 电压、 电流曲线的离散系 数作为间接健康指标； PSO‑MK‑GPR模型建立单元： 采用粒子群算法在样本训练过程 中自动搜索多核高斯过程 回归模型的最优超参数， 建立基于粒子群算法优化的多核高斯过程回归模型， 即PSO ‑MK‑ GPR模型； 模型训练单元： 将间接健康指标作为输入， 容量作为输出， 送入PS O‑MK‑GPR模型中进行 训练， 得出锂离子电池老化模型；权　利　要　求　书 1/2 页 2 CN 114295999 A 2SOH预测单 元： 将在线提取的特 征数据送入训练好的P SO‑MK‑GPR模型中， 实现SOH预测。 7.根据权利要求6所述的一种基于间接健康指标的锂离子电池SOH预测系统， 其特征在 于， 利用高斯核函数和正弦平方核函数， 将 高斯过程回归模型修改为多核高斯过程回归模 型。 8.根据权利要求6所述的一种基于间接健康指标的锂离子电池SOH预测系统， 其特征在 于， 提取间接健康指标后， 采用pearson相关系数对 所提取的间接健康指标与容量的相关性 进行定量分析， 对间接健康指标的有效性进行验证。 9.根据权利要求8所述的一种基于间接健康指标的锂离子电池SOH预测系统， 其特征在 于， 进行定量分析后， 再采用卡尔曼滤波对所提取的间接健康指标进 行滤波优化， 提高间接 健康指标与容 量的相关性。 10.根据权利要求6所述的一种基于间接健康指标的锂离子电池SOH预测系统， 其特征 在于， 所述间接健康指标提取 单元中， 间接健康指标的提取内容如下： 恒流充电过程中的电压曲线与恒压充电过程中的电流曲线在锂离子电池全寿命周期 过程中组成一组曲线族， 引入离散系数作为特征， 用以表示每个循环曲线的差异； 离散系数 是概率分布离 散程度的一个归一 化量度， 用于比较不同样本数据的离 散程度， 其定义 为： 其中， cvar为离散系数， σ 为样本的标准差， μ为样本的平均值， N为样本个数， xi为样本， μ 的定义为： 其中， X代表充电过程中的电压或电流数据， X0与Xe为某个循环所选区间的起始与终止 电压或电流 值， Time为该区间所 经历的时间。权　利　要　求　书 2/2 页 3 CN 114295999 A 3