本技術(shù)涉及電池soh檢測(cè)，具體而言，涉及一種退役動(dòng)力電池soh預(yù)測(cè)方法。

背景技術(shù)：

1、自二十世紀(jì)以來(lái)，全球汽車行業(yè)迅猛發(fā)展，但傳統(tǒng)燃油汽車帶來(lái)的環(huán)境污染和能源危機(jī)問(wèn)題日益凸顯。因此，電動(dòng)汽車成為汽車產(chǎn)業(yè)綠色發(fā)展的重要途徑。

2、動(dòng)力電池是新能源汽車的核心部件，其中鋰電池因其高能量密度、高充電效率、長(zhǎng)循環(huán)壽命和輕便性等優(yōu)點(diǎn)，被廣泛應(yīng)用于電動(dòng)汽車中。然而，隨著新能源汽車產(chǎn)業(yè)的迅速發(fā)展，動(dòng)力電池的退役量也逐年攀升。

3、退役動(dòng)力電池組仍保有較高的容量保持率，可梯次利用于固定儲(chǔ)能應(yīng)用場(chǎng)景，同時(shí)動(dòng)力電池中含有鈷、鎳、鋰等稀缺戰(zhàn)略資源，因此動(dòng)力電池的回收利用具有重要意義。國(guó)家高度重視動(dòng)力電池回收利用工作，出臺(tái)了一系列政策鼓勵(lì)開(kāi)展梯次利用和再生利用。

4、然而，目前動(dòng)力電池回收產(chǎn)業(yè)仍發(fā)展緩慢，主要原因在于梯次利用的技術(shù)壁壘較高，其中壽命預(yù)測(cè)技術(shù)是最關(guān)鍵的問(wèn)題。動(dòng)力電池的容量衰退機(jī)理受到多種因素的影響，導(dǎo)致退役電池單體之間存在老化程度的差異，增加了電池梯次利用剩余壽命檢測(cè)的難度。因此，開(kāi)發(fā)精度高、速度快和成本低的退役動(dòng)力電池健康狀態(tài)評(píng)估方法，對(duì)于推動(dòng)動(dòng)力電池回收產(chǎn)業(yè)的快速發(fā)展具有重要意義。

5、動(dòng)力電池的健康狀況(state?of?health，soh)是指電池當(dāng)前最大容量和額定容量的比值，動(dòng)力電池的荷電狀態(tài)(state?of?charge，soc)是指電池當(dāng)前剩余容量和額定容量的比值，參閱圖1。

6、soh表征的是當(dāng)前電池相對(duì)于新電池存儲(chǔ)電能的能力，soc表征的是當(dāng)前狀態(tài)下電池剩余電荷的可用狀態(tài)。soh因其能夠衡量電池的老化狀態(tài)，對(duì)soh的準(zhǔn)確評(píng)估是退役動(dòng)力電池進(jìn)行梯次利用的前提和保障。

7、雖然當(dāng)前對(duì)于soh預(yù)測(cè)的分類方法眾多，但主要可以分為以下三類：

8、第一類：定義法

9、定義法作為一種直接且簡(jiǎn)潔的方法，于標(biāo)準(zhǔn)工況下，嚴(yán)格依據(jù)電池測(cè)試手冊(cè)的規(guī)定，執(zhí)行完整的充放電測(cè)試流程。該流程能夠獲取電池的放電容量，并將其與新電池的額定容量進(jìn)行對(duì)比，所得比值即代表電池當(dāng)前狀態(tài)下的健康狀態(tài)(soh)。盡管此方法在精確度方面具有顯著優(yōu)勢(shì)，但其操作耗時(shí)較長(zhǎng)，要求充放電過(guò)程必須全面且無(wú)誤，同時(shí)依賴于高精度的設(shè)備，故在實(shí)際應(yīng)用場(chǎng)景中難以普及。然而，在研究層面，它可充當(dāng)評(píng)估其他估算方法準(zhǔn)確性的基準(zhǔn)工具，具有重要的參考價(jià)值。

10、第二類：基于模型的方法(模型法)

11、基于模型法主要包括電化學(xué)模型法、等效電路模型法(equivalent?circuitmodel?ecm)及數(shù)學(xué)模型法。

12、電化學(xué)模型法分為基于老化機(jī)理和電化學(xué)阻抗譜(eis)兩類，前者模擬電池老化過(guò)程中關(guān)鍵參數(shù)變化，后者通過(guò)交流阻抗評(píng)估soh。

13、ecm法依據(jù)電池電氣特性，利用電阻、電容等元件構(gòu)建模型，常用模型有rint、thevenin及一階rc模型等，通過(guò)參數(shù)識(shí)別及算法處理得出soh。

14、數(shù)學(xué)模型法分為經(jīng)驗(yàn)?zāi)Ｐ秃透怕誓Ｐ?，?jīng)驗(yàn)?zāi)Ｐ完P(guān)聯(lián)壽命衰減與多衰減因子，數(shù)據(jù)擬合提升預(yù)測(cè)精度；概率模型基于概率論，分析充放電曲線中電壓概率密度變化，建立峰值電壓與soh對(duì)應(yīng)關(guān)系。

15、以上方法均需根據(jù)具體情況選擇合適模型及參數(shù)識(shí)別方法，以實(shí)現(xiàn)精準(zhǔn)soh預(yù)測(cè)。

16、第三類：數(shù)據(jù)驅(qū)動(dòng)法

17、數(shù)據(jù)驅(qū)動(dòng)法主要分為基于人工智能、濾波和統(tǒng)計(jì)數(shù)據(jù)方法。基于人工智能的方法包括ann、svm、lstm、rnn等，通過(guò)改進(jìn)算法提升預(yù)測(cè)效果，但主要用于處理如電池管理系統(tǒng)(battery?management?system，bms)的實(shí)時(shí)數(shù)據(jù)。基于濾波的方法如ekf、pf等，有效處理非線性系統(tǒng)?；诮y(tǒng)計(jì)數(shù)據(jù)的方法如gpr、wp，適用于復(fù)雜回歸和隨機(jī)過(guò)程研究。基于時(shí)間序列的方法如arma、rnn、lstm等，利用歷史數(shù)據(jù)預(yù)測(cè)未來(lái)趨勢(shì)。各種方法均需根據(jù)實(shí)際情況選擇并優(yōu)化，以實(shí)現(xiàn)精準(zhǔn)soh預(yù)測(cè)，為鋰離子電池健康管理提供支撐。

18、以上三類方法的明細(xì)分類及其所存在的問(wèn)題具體如下表1所示。

19、表1.soh預(yù)測(cè)方法分類對(duì)比表

20、

21、

22、總體而言，數(shù)據(jù)驅(qū)動(dòng)法多用于類似車載bms的實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)，無(wú)法適用于退役動(dòng)力電池電芯(拆解后)的soh預(yù)測(cè)場(chǎng)景。模型法雖適用于拆解后獨(dú)立電芯的soh預(yù)測(cè)，但因其對(duì)模型輸出數(shù)據(jù)的建模較為簡(jiǎn)單而導(dǎo)致預(yù)測(cè)精度偏低，往往基于某些典型特征通過(guò)二項(xiàng)式回歸直接預(yù)測(cè)soh；同時(shí)從電化學(xué)相關(guān)專業(yè)的角度，數(shù)據(jù)表征能力越強(qiáng)的模型，其在實(shí)際應(yīng)用階段中的可移植性越差，如基于某一ecm模型實(shí)現(xiàn)了對(duì)某類電池的高精度soh，但此套模型移植到另一類電池時(shí)卻無(wú)法實(shí)現(xiàn)同樣的高精度預(yù)測(cè)。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)實(shí)施例的目的在于提供一種退役動(dòng)力電池soh預(yù)測(cè)方法，解決當(dāng)前退役動(dòng)力電池soh預(yù)測(cè)模型普遍存在的問(wèn)題，在考慮預(yù)測(cè)精度、應(yīng)用移植性的前提下，利用基于多頻率eis特征數(shù)據(jù)和算法組合自適應(yīng)尋優(yōu)功能的退役動(dòng)力電池soh預(yù)測(cè)技術(shù)，通過(guò)四個(gè)不同的階段劃分構(gòu)建了層次豐富、分工明確的自適應(yīng)處理流程，實(shí)現(xiàn)了對(duì)退役動(dòng)力電池在任意soc狀態(tài)下eis特征數(shù)據(jù)的高精度預(yù)測(cè)。

2、為了實(shí)現(xiàn)上述目的，本技術(shù)的實(shí)施例通過(guò)如下方式實(shí)現(xiàn)：

3、第一方面，本技術(shù)實(shí)施例提供一種退役動(dòng)力電池soh預(yù)測(cè)方法，包括：獲取待測(cè)退役動(dòng)力電池的eis測(cè)試數(shù)據(jù)；對(duì)eis測(cè)試數(shù)據(jù)進(jìn)行數(shù)據(jù)處理和特征提取，得到輸入特征；將輸入特征輸入至構(gòu)建的退役動(dòng)力電池soh預(yù)測(cè)模型中，通過(guò)退役動(dòng)力電池soh預(yù)測(cè)模型預(yù)測(cè)出待測(cè)退役動(dòng)力電池的最大容量值，以確定出待測(cè)退役動(dòng)力電池的soh。

4、結(jié)合第一方面，在第一方面的第一種可能的實(shí)現(xiàn)方式中，退役動(dòng)力電池soh預(yù)測(cè)模型的構(gòu)建流程為：獲取n個(gè)退役電池樣本的eis數(shù)據(jù)構(gòu)成的eis數(shù)據(jù)集，其中，eis數(shù)據(jù)集包含n個(gè)子表，每個(gè)子表的數(shù)據(jù)為m行、l列，m為樣點(diǎn)數(shù)量p與測(cè)試次數(shù)q的乘積，l為4，分別指代頻率、實(shí)部、虛部的相反數(shù)、退役電池樣本在測(cè)試狀態(tài)下的當(dāng)前電量；對(duì)eis數(shù)據(jù)集中的n個(gè)子表進(jìn)行一維特征對(duì)齊處理，得到初級(jí)特征數(shù)據(jù)，其中，初級(jí)特征數(shù)據(jù)為包含n×q行、2p+1列的總表數(shù)據(jù)；對(duì)初級(jí)特征數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，得到次級(jí)特征數(shù)據(jù)；基于次級(jí)特征數(shù)據(jù)，對(duì)多種備選特征處理算法進(jìn)行自適應(yīng)尋優(yōu)，確定出目標(biāo)特征處理算法，以利用目標(biāo)特征處理算法對(duì)次級(jí)特征數(shù)據(jù)進(jìn)行特征處理，得到完備特征數(shù)據(jù)；基于完備特征數(shù)據(jù)，對(duì)多種備選建模算法進(jìn)行尋優(yōu)，確定出目標(biāo)建模算法，以利用目標(biāo)建模算法進(jìn)行建模，并利用完備特征數(shù)據(jù)進(jìn)行模型訓(xùn)練和測(cè)試，構(gòu)建出退役動(dòng)力電池soh預(yù)測(cè)模型。

5、結(jié)合第一方面的第一種可能的實(shí)現(xiàn)方式，在第一方面的第二種可能的實(shí)現(xiàn)方式中，對(duì)eis數(shù)據(jù)集中的n個(gè)子表進(jìn)行一維特征對(duì)齊處理，得到初級(jí)特征數(shù)據(jù)，包括：遍歷eis數(shù)據(jù)集中的n個(gè)子表，針對(duì)每個(gè)子表：以p行為單位提取第二列的參數(shù)和第三列的參數(shù)，處理為1×2p的矩陣，據(jù)此確定出當(dāng)前子表對(duì)應(yīng)的q×2p的矩陣，以及，在當(dāng)前子表中查找第四列的最大值，構(gòu)建q×1的矩陣作為標(biāo)簽值添加到當(dāng)前子表對(duì)應(yīng)的q×2p矩陣的最右側(cè)，得到q×(2p+1)的矩陣，作為當(dāng)前子表對(duì)應(yīng)的特征數(shù)據(jù)；將n個(gè)子表對(duì)應(yīng)的特征數(shù)據(jù)進(jìn)行拼接，得到(n×q)×(2p+1)的矩陣，作為eis數(shù)據(jù)集對(duì)應(yīng)的初級(jí)特征數(shù)據(jù)。

6、結(jié)合第一方面的第一種可能的實(shí)現(xiàn)方式，在第一方面的第三種可能的實(shí)現(xiàn)方式中，對(duì)初級(jí)特征數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，得到次級(jí)特征數(shù)據(jù)，包括：對(duì)初級(jí)特征數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，包括對(duì)缺失值和異常值的處理；對(duì)數(shù)據(jù)清洗后的初級(jí)特征數(shù)據(jù)進(jìn)行數(shù)據(jù)縮放，其中，數(shù)據(jù)縮放方法采用z-score標(biāo)準(zhǔn)化；對(duì)數(shù)據(jù)縮放的初級(jí)特征數(shù)據(jù)進(jìn)行數(shù)據(jù)檢驗(yàn)，得到次級(jí)特征數(shù)據(jù)，其中，數(shù)據(jù)檢驗(yàn)方法采用雙樣本ks檢驗(yàn)。

7、結(jié)合第一方面的第一種可能的實(shí)現(xiàn)方式，在第一方面的第四種可能的實(shí)現(xiàn)方式中，基于次級(jí)特征數(shù)據(jù)，對(duì)多種備選特征處理算法進(jìn)行自適應(yīng)尋優(yōu)，確定出目標(biāo)特征處理算法，包括：利用每種備選特征處理算法對(duì)所述次級(jí)特征數(shù)據(jù)進(jìn)行特征提取，確定出每種備選特征處理算法對(duì)應(yīng)的備選特征數(shù)據(jù)；對(duì)每種備選特征處理算法對(duì)應(yīng)的備選特征數(shù)據(jù)進(jìn)行數(shù)據(jù)集構(gòu)造，確定出每種備選特征處理算法對(duì)應(yīng)的理論實(shí)驗(yàn)數(shù)據(jù)集和工程應(yīng)用數(shù)據(jù)集；基于每種備選特征處理算法、對(duì)應(yīng)的工程應(yīng)用數(shù)據(jù)集和每種備選建模算法，利用自適應(yīng)特征尋優(yōu)模塊確定出目標(biāo)特征處理算法，其中，自適應(yīng)特征尋優(yōu)模塊基于貪心算法的思想，使用全局排序處理算法和特征優(yōu)先處理算法集成處理備選特征處理算法。

8、結(jié)合第一方面的第四種可能的實(shí)現(xiàn)方式，在第一方面的第五種可能的實(shí)現(xiàn)方式中，對(duì)每種備選特征處理算法對(duì)應(yīng)的備選特征數(shù)據(jù)進(jìn)行數(shù)據(jù)集構(gòu)造，確定出每種備選特征處理算法對(duì)應(yīng)的理論實(shí)驗(yàn)數(shù)據(jù)集和工程應(yīng)用數(shù)據(jù)集，包括：針對(duì)每種備選特征處理算法對(duì)應(yīng)的備選特征數(shù)據(jù)：將備選特征數(shù)據(jù)中所有行隨機(jī)排序，并按照8：2的比例劃分為訓(xùn)練驗(yàn)證集和測(cè)試集，再對(duì)訓(xùn)練驗(yàn)證集進(jìn)行k折劃分，得到k對(duì)訓(xùn)練集和驗(yàn)證集組合，組合測(cè)試集、k對(duì)訓(xùn)練集和驗(yàn)證集組合，得到對(duì)應(yīng)的理論實(shí)驗(yàn)數(shù)據(jù)集；針對(duì)每種備選特征處理算法對(duì)應(yīng)的備選特征數(shù)據(jù)：在備選特征數(shù)據(jù)的n×q行中，取出1個(gè)退役電池樣本的所有q行數(shù)據(jù)作為測(cè)試集，在剩下的(n-1)×q行中，按單個(gè)退役電池樣本的q行為單位進(jìn)行分組，拆分成(n-2)個(gè)退役電池樣本的(n-2)×q行的訓(xùn)練集和1個(gè)退役電池樣本的q行的驗(yàn)證集，分別取不同的退役電池樣本作為測(cè)試集重復(fù)操作n-1次，得到n組訓(xùn)練集、驗(yàn)證集和測(cè)試集，作為工程應(yīng)用數(shù)據(jù)集。

9、結(jié)合第一方面的第四種可能的實(shí)現(xiàn)方式，在第一方面的第六種可能的實(shí)現(xiàn)方式中，基于每種備選特征處理算法、對(duì)應(yīng)的工程應(yīng)用數(shù)據(jù)集和每種備選建模算法，利用自適應(yīng)特征尋優(yōu)模塊確定出目標(biāo)特征處理算法，包括：使用備選特征處理算法完成特征處理算法維度上的數(shù)據(jù)構(gòu)建，使用備選建模算法完成建模算法維度上的數(shù)據(jù)構(gòu)建，以及，基于工程應(yīng)用數(shù)據(jù)集和遍歷循環(huán)測(cè)試的思想完成電池維度的數(shù)據(jù)構(gòu)建，構(gòu)成包含x、y、z三個(gè)維度的三維數(shù)據(jù)，記為三維數(shù)組f1，三個(gè)維度x、y、z分別指代特征處理算法維度、建模算法維度、電池維度，其中，f1(x,y,z)為三維數(shù)組f1的對(duì)應(yīng)單元格數(shù)據(jù)列表，包含測(cè)試集精度均值和測(cè)試集精度最小值兩個(gè)浮點(diǎn)數(shù)值數(shù)據(jù)，分別用f1(x,y,z)[0]、f1(x,y,z)[1]表示；在z＝i的情況下，遍歷所有x、y的取值，判斷以x、y為自變量的f1(x,y,i)[1]最小精度是否大于閾值，若滿足該條件，則記錄下f1(x,y,i)[0]的平均精度，遍歷z軸方向上的所有取值，重復(fù)相應(yīng)操作，將記錄下來(lái)的f1(x,y,i)[0]依次填充到g1(x,y)中，即可完成對(duì)三維數(shù)組的二維轉(zhuǎn)換，最終得到用于表示算法組合預(yù)測(cè)效果的二維數(shù)組g1，g1(x,y)為二維數(shù)組g1的對(duì)應(yīng)單元格數(shù)據(jù)列表，由z在每個(gè)取值下滿足該條件時(shí)確定出的f1(x,y,i)[0]組成；對(duì)g1(x,y)的單元格數(shù)據(jù)列表求均值，得到用于表示當(dāng)前算法組合在工程應(yīng)用數(shù)據(jù)集上的平均精度g1_acc(x,y)，遍歷所有x、y，即得到g1_acc，以及，記錄下g1(x,y)的數(shù)據(jù)列表長(zhǎng)度，得到用于表示當(dāng)前算法組合在工程應(yīng)用數(shù)據(jù)集上的達(dá)標(biāo)數(shù)量g1_num(x,y)，并遍歷所有x、y，得到g1_num；基于g1_num、g1_acc的優(yōu)先級(jí)順序，篩選出前m1個(gè)算法組合，并記錄其對(duì)應(yīng)特征處理算法x_list1作為三維全局排序算法的輸出結(jié)果；針對(duì)g1_num二維數(shù)組，遍歷y的所有取值，計(jì)算∑x∈xg1_num(x,i)，得到前m2個(gè)數(shù)值最大的特征處理算法x_list2，即為特征優(yōu)先排序算法的輸出結(jié)果；確定出x_list1、x_list2集合交集中精度均值最高者，若二者交集為空，則取x_list1和x_list2中精度均值最高者，作為自適應(yīng)特征尋優(yōu)模塊確定的目標(biāo)特征處理算法輸出。

10、結(jié)合第一方面的第五種可能的實(shí)現(xiàn)方式，在第一方面的第七種可能的實(shí)現(xiàn)方式中，基于完備特征數(shù)據(jù)，對(duì)多種備選建模算法進(jìn)行尋優(yōu)，確定出目標(biāo)建模算法，包括：將目標(biāo)特征處理算法對(duì)應(yīng)的理論實(shí)驗(yàn)數(shù)據(jù)集和工程應(yīng)用數(shù)據(jù)集作為完備特征數(shù)據(jù)；基于目標(biāo)特征處理算法、完備特征數(shù)據(jù)、每種備選建模算法、算法參數(shù)空間、參數(shù)尋優(yōu)方式，利用算法組合尋優(yōu)模塊確定出目標(biāo)建模算法及相應(yīng)的參數(shù)，其中，算法組合尋優(yōu)模塊在建模算法內(nèi)部的超參數(shù)尋優(yōu)過(guò)程將根據(jù)參數(shù)數(shù)量自適應(yīng)選擇網(wǎng)格搜索或隨機(jī)搜索進(jìn)行參數(shù)尋優(yōu)。

11、結(jié)合第一方面的第七種可能的實(shí)現(xiàn)方式，在第一方面的第八種可能的實(shí)現(xiàn)方式中，基于目標(biāo)特征處理算法、完備特征數(shù)據(jù)、每種備選建模算法、算法參數(shù)空間、參數(shù)尋優(yōu)方式，利用算法組合尋優(yōu)模塊確定出目標(biāo)建模算法及相應(yīng)的參數(shù)，包括：將目標(biāo)特征處理算法對(duì)應(yīng)的理論實(shí)驗(yàn)數(shù)據(jù)集和工程應(yīng)用數(shù)據(jù)集作為完備特征數(shù)據(jù)；基于目標(biāo)特征處理算法與每種備選建模算法的搭配，構(gòu)成不同的算法組合，完成算法組合維度上的數(shù)據(jù)構(gòu)建，根據(jù)每種算法組合，生成對(duì)應(yīng)的參數(shù)搜索空間，再根據(jù)參數(shù)搜索空間中的參數(shù)數(shù)量自適應(yīng)選擇參數(shù)尋優(yōu)方式，完成算法參數(shù)維度上的數(shù)據(jù)構(gòu)建，以及，根據(jù)退役電池樣本的數(shù)量，使用工程應(yīng)用數(shù)據(jù)構(gòu)造方法完成電池維度上的數(shù)據(jù)構(gòu)建，構(gòu)成包含u、v、z三個(gè)維度的三維數(shù)組f2，三個(gè)維度u、v、z分別指代算法組合維度、算法參數(shù)維度和電池維度，其中，f2(u,v,z)為基于當(dāng)前u、v、z下的模型預(yù)測(cè)結(jié)果，f2(u,v,z)[0]為測(cè)試集精度均值，f2(u,v,z)[1]為測(cè)試集精度最小值，f2(u,v,z)[2]為r2決定系數(shù)；通過(guò)對(duì)z軸數(shù)據(jù)的判定和壓縮，實(shí)現(xiàn)三維數(shù)據(jù)的二維轉(zhuǎn)換，得到g2_num、g2_acc、g2_r2三個(gè)二維表格；對(duì)轉(zhuǎn)換后的二維數(shù)組，基于g2_num、g2_acc、g2_r2的優(yōu)先級(jí)排序，計(jì)算得到最優(yōu)的算法組合和其對(duì)應(yīng)的最優(yōu)參數(shù)列表，據(jù)此確定出目標(biāo)建模算法及相應(yīng)的參數(shù)作為算法組合尋優(yōu)模塊的輸出。

12、結(jié)合第一方面的第八種可能的實(shí)現(xiàn)方式，在第一方面的第九種可能的實(shí)現(xiàn)方式中，模型優(yōu)化指標(biāo)包括用于優(yōu)化模型訓(xùn)練擬合效果的損失函數(shù)，以及用于衡量模型訓(xùn)練效果的評(píng)價(jià)指標(biāo)，

13、損失函數(shù)設(shè)計(jì)為：

14、

15、其中，權(quán)重超參數(shù)α取0.6；

16、

17、其中，超參數(shù)δ取1，yi表示第i個(gè)樣本的真實(shí)值，表示第i個(gè)樣本的模型預(yù)測(cè)值，n1表示樣本數(shù)量，n1＝n×q；

18、評(píng)價(jià)指標(biāo)設(shè)計(jì)為：

19、

20、其中，表示預(yù)測(cè)值的精確度；

21、定于集合m＝{1,2,3,…,m}，m1＝{i∈m|acci＞λ1}，m2＝{i∈m|r2i＞λ2}；最優(yōu)模型i*的選擇公式如下所示：

22、

23、其中，超參數(shù)λ1取0.98，λ2取0.6，在最優(yōu)模型為空時(shí)，調(diào)低λ2或重新篩選、處理數(shù)據(jù)訓(xùn)練模型。

24、有益效果：本方案根據(jù)eis的數(shù)據(jù)特性，采用了工程應(yīng)用數(shù)據(jù)構(gòu)造方法來(lái)劃分訓(xùn)練集、驗(yàn)證集及測(cè)試集，確保了模型在訓(xùn)練過(guò)程中能夠無(wú)偏差地學(xué)習(xí)到0～100％soc下完整的數(shù)據(jù)特征，再使用基于留一交叉驗(yàn)證的循環(huán)遍歷測(cè)試保證了模型使用任意電池作為測(cè)試集的情況下均能精度達(dá)標(biāo)，證明了模型魯棒性高、泛化性強(qiáng)。通過(guò)上述改進(jìn)，從而實(shí)現(xiàn)了對(duì)任意soc下eis特征的soh高精度預(yù)測(cè)，為基于eis測(cè)量數(shù)據(jù)進(jìn)行soh預(yù)測(cè)的技術(shù)路徑填補(bǔ)了現(xiàn)實(shí)意義層面的可操作性。在本方案中，采用不同的階段劃分構(gòu)建了層次豐富、分工明確的自適應(yīng)處理流程。將特征算法、建模算法、評(píng)估方法及參數(shù)選擇視為整體變量，通過(guò)多變量設(shè)置逼近電池?cái)?shù)據(jù)的物理最大預(yù)測(cè)精度，接近全局最優(yōu)解。同時(shí)，基于貪心算法構(gòu)建自適應(yīng)尋優(yōu)模塊，有效解決維度災(zāi)難并降低時(shí)間復(fù)雜度，為電池?cái)?shù)據(jù)定制高精度分析與預(yù)測(cè)方案。通過(guò)本方案的算法，對(duì)四類電池各種soc狀態(tài)下eis數(shù)據(jù)的平均預(yù)測(cè)精度達(dá)到了99.11％(±0.16％)，剩余容量診斷偏差平均小于1％。

25、對(duì)于可用于模型訓(xùn)練的二維數(shù)據(jù)矩陣而言，數(shù)據(jù)集的一般構(gòu)造方法是將所有行隨機(jī)排序，然后按照某一比例劃分訓(xùn)練集、測(cè)試集。但對(duì)于本方案中n×q行、2p+1列的eis特征數(shù)據(jù)而言，因其數(shù)據(jù)是由n個(gè)soh不一致的同類電池所構(gòu)成。所以其標(biāo)簽值在數(shù)量雖然有n×q個(gè)，但是只有n個(gè)不同的數(shù)值。因此按照常規(guī)方式隨機(jī)劃分?jǐn)?shù)據(jù)集會(huì)導(dǎo)致訓(xùn)練集測(cè)試集分布不一致，進(jìn)而使得模型只能學(xué)習(xí)到部分soc下的eis數(shù)據(jù)特征。為學(xué)習(xí)到任意soc下的eis特征，實(shí)現(xiàn)soh預(yù)測(cè)。在常規(guī)的數(shù)據(jù)集構(gòu)造方法的基礎(chǔ)上，根據(jù)eis數(shù)據(jù)多個(gè)特征對(duì)應(yīng)一個(gè)標(biāo)簽的特性，提出了工程應(yīng)用數(shù)據(jù)構(gòu)造方法，保證了在數(shù)據(jù)劃分時(shí)模型能夠均衡無(wú)偏差的學(xué)習(xí)到全soc分布下的數(shù)據(jù)特征；同時(shí)為了在模型驗(yàn)證階段適配本構(gòu)造方法，提出了基于留一交叉驗(yàn)證的循環(huán)遍歷測(cè)試方法，通過(guò)在n組數(shù)據(jù)集上的嚴(yán)格驗(yàn)證，極大程度的保證了模型的魯棒性。

26、為盡可能的提高模型的預(yù)測(cè)精度，讓模型預(yù)測(cè)能力逼近數(shù)據(jù)的物理上限，采用了多變量構(gòu)建最優(yōu)解空間的思想。將特征算法、建模算法、評(píng)估驗(yàn)證方法及各種參數(shù)選擇都視作本方案整體所需要考慮的變量。通過(guò)類別眾多的變量設(shè)置，保證了各種變量構(gòu)成的數(shù)據(jù)分布能夠盡可能的逼近當(dāng)前電池?cái)?shù)據(jù)的物理最大預(yù)測(cè)精度，達(dá)到近似全局最優(yōu)解的效果。在上述基礎(chǔ)上，為解決多變量帶來(lái)的維度災(zāi)難、時(shí)間復(fù)雜度高等問(wèn)題，提出了基于貪心算法的降維尋優(yōu)方法，并基于不同的應(yīng)用數(shù)據(jù)構(gòu)建了自適應(yīng)特征尋優(yōu)模塊和最優(yōu)算法組合尋優(yōu)模塊，實(shí)現(xiàn)了在低時(shí)間復(fù)雜度下對(duì)模型關(guān)鍵算法及參數(shù)的自適應(yīng)尋優(yōu)選擇。

27、為使本技術(shù)的上述目的、特征和優(yōu)點(diǎn)能更明顯易懂，下文特舉較佳實(shí)施例，并配合所附附圖，作詳細(xì)說(shuō)明如下。