具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1～5，为本发明的一个实施例，提供了一种基于特征分析的锂电池健康状态在线估计方法，包括：

S1:利用主成分分析策略挑选充放电特征；需要说明的是，

主成分分析策略为一种常用的数据分析方法PCA(Principal ComponentAnalysis),其主要思想是通过线性变换的方式将原始数据变换为一组各维度线性无关的表示，用于提取数据的主要特征分量。主成分分析法挑选U_rec、U_cc、t_chg为充放电特征来描述电池老化过程,具体过程包括：

(1)利用正交变换将充放电特征的原始随机向量转换成分量不相关的新随机向量；

(2)将新随机向量指向样本点散布最开的多个正交方向，并对多维变量系统进行降维处理，得到低维变量系统，可减少模型的数据输入量，减少计算复杂度；

(3)通过原始随机向量转化为一组各维度线性无关的表示，筛选出充放电特征数据的主要特征分量。

锂离子电池的老化通常通过充放电的变化来反映，反映特征为：

(1)充电时间t_chg：随着电池的循环次数增加，SOH会逐渐减小，CC充电过程的时间也会随之减小；

(2)恒流充电电压U_cc：由于电池内部的极化特性随电池老化阶段的不同而不同，每次电池恒流恒压充电后静置，其极化特性的改变会导致电压的变化，可以反映电池的老化过程；

(3)最小电压U_min：随着电池的老化程度加重，电池恒流放电后电压跌落至最低点的电压会发生变化，易识别；

(4)恢复电压U_rec：电池恒流恒压放电后，静置一段时间，最终端电压恢复至某一稳态值U_rec。

太多的特征数据会导致算法的复杂度提高，计算时间增加，因此，本发明选择主成分分析法(PCA)挑选特征量，降低计算复杂度；主成分分析结果表明，总共提取了两个主成分，也称为因子载荷，通过因子载荷矩阵可以得到原始指标变量的线性组合，结果表示，U_rec和t_chg在主成分1中系数较大，U_cc在主成分2中系数较大，说明它对原始变量的解释量最多，如表1所示。

表1：主成分分析结果表。

S2:基于自适应噪声的完备经验模态分解(CEEMDAN)方法将充放电特征分解为主要趋势部分和次要波动部分；需要说明的是，

经验模态分解方法是一种非平稳信号分析方法，经验模态分解方法包括：

将信号分解为k个本征模态函数，每个本征模态函数用IMF_k表示；

对每一个IMF_k分量用经验模态分解的第j个IMF分量用E_j()表示，定义原始信号为s(n)，并将高斯白噪声ω(n)加入至s(n)中。

进一步的，经验模态分解策略还包括，

计算IMF₁：

其中，I表示信号s(n)+ε₀ω_i(n)被分解I次，参数ε表示控制附加噪声与原始信号的信噪比；

残差计算：当k＝1时，残差的计算方法如下所示：

r₁(n)＝s(n)-IMF₁(n)

在进行下一次分解之前，先对白噪声进行经验模态分解，得到第一个分量的值，然后将第一个分量的值加入到残差信号中，消除噪声对原始信号造成的误差；待分解信号则被更新为r₁(n)+ε₁E₁(ω_i(n))(i＝1，2,…,I)，再次进行残差计算，得到IMF₂；

IMF₂的计算方法如下所示：

当k＝2,3,…,K时，第k个残差为：

r_k(n)＝r_k-1(n)-IMF_k(n)

对r_k(n)+ε_kE_k(ω_i(n))(i＝1，2，…，I)进行分解，直到获得第一个经验模态分量，IMF_k+1的计算方法如下所示：

重复计算第k个残差和IMF_k+1，直到残差信号不能再分解为止，原始信号s(n)可以表示为k个IMF和一个残差r(n)的组合，如下所示：

采用CEEMDAN对数据进行分解和降噪，将电池的充放电特征数据分解后，计算其各个分量与原始数据之间的皮尔森相关系数，其反映变量之间相关关系密切程度，皮尔森相关系数越大，说明变量间相关性越大，反之亦然。

结果表明，IMF₆的皮尔森相关系数远大于IMF₁-IMF₅，故选其作为充放电特征数据的主趋势，并用逻辑回归(w+LR)方法对主趋势预测，同时将其余分量IMF₁-IMF₅的总和作为次趋势，并用卡尔曼滤波(KF)方法对次趋势预测。计算结果如表2所示：

表2：分解结果与原始数据之间的Pearson相关性表。

S3:基于滑动时间窗口的逻辑回归策略(w+LR)对主要趋势部分运用进行预测，采用卡尔曼滤波策略(KF)对次要波动部分进行预测；需要说明的是，

基于滑动时间窗口的逻辑回归(w+LR)是一种通过将数据拟合到逻辑回归曲线来预测事件发生概率的模型；其逻辑函数Prob(event)如下：

其中,x(x₁,x₂,…,x_d)表示d个自变量对应的输入向量，g(x)表示逻辑方法，逻辑函数可用作概率分布函数。

进一步的，定义逻辑模型g(x)包括：

其中，g(x)表示所有输入向量x(x₁,x₂,…,x_d)的线性组合，α、β表示g(x)的多项式系数，计算P(x)的前提是确定参数α和β_i(i＝1,2,…,d)，采用最大似然估计进行参数确定；

随着电池充放电循环的增加，窗口边界也随之移动，窗口将遗忘部分历史数据，采用新窗口内的数据序列重建LR模型，然后用LR模型实时预测。

卡尔曼滤波(KF)通过对下一时刻系统的初步状态估计以及测量得出的反馈相结合，最终得到该时刻较为准确的状态估计；

其中，离散卡尔曼滤波时间更新方程为：

其中，表示k时刻的先验状态估计值，A表示状态转移矩阵，表示k-1时刻的后验状态估计值，B表示将输入转换为状态的矩阵，u_k-1表示k-1时刻的输入，表示k时刻的先验估计协方差，P_k-1表示k-1时刻的后验估计协方差，Q表示系统过程的协方差；

离散卡尔曼滤波测量更新方程：

其中，K_k表示卡尔曼增益，H表示状态变量到测量的转换矩阵，R表示测量噪声协方差，z_k表示观测值。

对主要趋势部分运用逻辑回归(w+LR)进行预测，将前两次特征量的历史数据为基础开始预测；从图3可以看到，逻辑回归(w+LR)的预测结果非常准确；对次要波动部分采用卡尔曼滤波(KF)进行预测，从图4中预测结果可以看出，卡尔曼滤波(KF)方法对于波动部分的整体跟踪效果较好，能很好的跟踪数据量的变化，预测效果较好；

从图5可以得出，采用逻辑回归(w+LR)预测主体趋势部分，采用卡尔曼滤波(KF)来预测波动部分，将这两部分相加，即为所选特征量的在线预测结果可以看出，特征量的预测值与真实值误差很小，误差最大的预测结果其RMSE也仅有0.52％。

S4:将预测的主要趋势部分和次要波动部分相结合，得到预测的特征数据，将预测的特征数据代入径向基函数(RBF)神经网络，实现锂电池健康状态的在线预测；需要说明的是，

径向基函数神经网络是一种性能优良的前馈型神经网络，可以逼近任意的非线性函数；

激活函数F_activation表示为：

其中，‖x_p-c_i‖表示欧式范数，c表示高斯函数的中心，σ表示高斯函数的方差；

根据径向基神经网络的结构，得到网络的输出为：

其中，表示第p个输入样本，p＝1,2,3,…,P，P表示样本总数，c_i表示网络隐含层结点的中心，w_n表示隐含层到输出层的连接权值，i＝1,2,3,…,h表示隐含层节点数，y_j表示与输入样本对应的网络的第j个输出结点的实际输出；

设定d是样本的期望输出值，那么径向基函数的方差表示为：

将在线预测的特征量作为RBF网络输入，在每一次观测到新的特征和SOH数据，将他作为历史数据更新网络，通过实时更新RBF网络，来实现SOH的实时预测。

RBF神经网络是由三层神经元节点组成的前向神经网络，第一层为输入层，由感知单元组成，它与神经网络的外部输入相连接，将输入矢量直接映射到隐含层的隐空间；第二层为隐含层，隐含层将低维的输入数据变换到高维空间内,使得在低维空间内线性不可分的问题在高维空间内线性可分；第三层为输出层，它对输入做出响应。

本发明利用主成分分析法挑选合适的充放电特征来描述电池老化过程。并运用CEEMDAN对原始充放电特征数据降噪处理，将其分为主要趋势部分和次要波动部分并分别预测，所提出的基于PCA充放电特征选取方案具有很好的预测精度；利用基于滑动时间窗口的逻辑回归和卡尔曼滤波方法，分别对处理后的充放电特征量主要趋势数据和次要波动数据进行预测，充放电特征量的预测结果很好；将上述预测的充放电特征量的主趋势与次趋势的和代入RBF神经网络，可以得到SOH在线预测结果，很好的描述锂离子电池退化过程SOH预测精度很高。良好的特征量数据序列的预测能够对RBF神经网络产生正面作用，在本方法中，由于采用了逻辑回归(w+LR)和卡尔曼滤波(KF)方法，会逐渐遗弃历史数据，采用新的数据迭代更新RBF网络的内部参数，用新的数据来提高SOH的实时预测精度，预测精度会越来越好。所提方法能对容量衰减的整体趋势进行准确的预测，也能快速捕捉容量再生现象，实现整个衰减阶段的准确预测。

实施例2

参照图6为本实施例为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了一种基于特征分析的锂电池健康状态在线估计方法的验证测试，为对本方法中采用的技术效果加以验证说明，本实施例采用传统技术方案与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。

传统的技术方案：卡尔曼滤波方法对于容量再生点，无法做到快速更新，捕捉容量再生点的效果较差；支持向量机方法将数据从低维映射到高维做回归时，对于容量衰减曲线的跟踪性能不能保证，局部误差较大；长短时神经网络方法计算复杂度高，预测精度会受到数据周期特性的影响。

为验证本方法相对传统方法具有较高的预测精度，且能精确捕捉容量再生点的能力。

本实施例中将采用传统卡尔曼滤波方法、支持向量机方法和长短时神经网络方法和本方法分别对锂电池的健康状态估计精度进行实时测量对比。

测试环境：将所有电池在室温下进行充放电过程，充放电过程如下：在1.5A恒流(CC)模式下充电，直到电池电压达到4.2V，然后在恒压(CV)模式下充电，直到充电电流降至20mA。放电是在恒定2A电流(CC)水平进行的，直到电池5、6、7号的电压分别降至2.7V、2.5V、2.2V。采用本方法，运用MATLAB软件编程实现本方法的估计预测，根据实验结果得到健康状态估计数据。每种方法各测试三组数据，与仿真模拟输入的实际容量数据进行对比计算误差如表3所示。

表3：传统方法与本发明方法计算误差对比表。

如图6所示，为本发明方法对于电池B0005、B0006和B0007的在线预测误差结果，可以看出本发明提出的方法在线预测精度高，鲁棒性强，根据传统卡尔曼滤波方法、支持向量机方法和长短时神经网络方法与本方法分别对锂电池的健康状态估计精度进行实时测量对比，结果如表3所示，发现本方法的MAE、MAPE、RMSE误差数据均比卡尔曼滤波方法、支持向量机方法和长短时神经网络方法误差数据小，且相较传统方法，具有较高的预测精度，并能精确捕捉容量再生点的能力。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。