具体实施方式

下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

机器学习可以准确地估计锂离子电池健康状态。利用机器学习算法进行锂离子电池SOH估计可以不依赖于特定的寿命模型，在已有大量关于锂离子电池健康状态的历史数据的前提下，利用大量的历史数据训练机器学习模型可以实现准确的估计锂离子电池健康状态。

基于此，本发明提供一种基于K近邻回归的三元锂离子电池健康状态估计方法，参见图1，包括如下步骤：

步骤1：从三元锂离子电池充电IC曲线上提取能够反映三元电池内部老化机理的特征参数，

IC曲线可以表示为dQ/dV关于电压V的函数，IC曲线各个峰以及对应面积的变化对应了三元电池内部不同的衰退模式。常见的三元锂离子电池内部衰退模式包括锂离子损失，正极材料损失以及负极材料损失。

步骤2：在提取出充电IC曲线各个峰的特征后绘制特征和SOH之间的关系，并分析提取的特征和三元电池老化的相关性，提取与三元电池SOH相关性高的老化特征；

步骤3：采用K近邻算法，通过训练K近邻模型，实现电池SOH的准确估计。

本发明实施例中，从三元锂离子电池充电IC曲线上提取老化特征包括：IC曲线1峰高度，IC曲线1峰面积，IC曲线2峰高度，IC曲线2峰面积，IC曲线3峰高度以及IC曲线3峰面积。

由于IC曲线的三个峰可以反映三元电池的内部衰退情况，因此提取IC曲线在三个电压区间3.2V-3.6V，3.6V-3.76V以及3.76V-4.2V内的最大值以及面积：

其中，Peak_hight1为IC曲线1峰高度，Peak_area1为IC曲线1峰面积，Peak_hight2为IC曲线2峰高度，Peak_area2为IC曲线2峰面积,Peak_hight3为IC曲线3峰高度，Peak_area3为IC曲线3峰面积，dQ/dV_n代表第n次循环的IC曲线，V_i代表第n次循环的IC曲线的电压范围。

进一步的，通过提取IC曲线在不同循环次数n的特征数据可以得到三元电池在不同SOH状态下的特征矩阵：

Peak_{hight1_i}表示电池第i次循环试验提取的1峰高度，Peak_{area1_1}表示电池第i次循环试验提取的1峰面积，i＝1，2，...，n，n为循环次数。

本发明实施例中，通过分析老化特征与电池SOH的相关性进一步筛选出与电池SOH相关性较强的老化特征参数。

在提取出IC曲线各个峰的特征后绘制特征和SOH之间的关系，分析可知，电池SOH增大三元电池IC曲线的2峰高度也线性增大，三元电池IC曲线的1峰面积和2峰面积增大电池SOH也线性增大，因此三元电池IC曲线的1峰面积，2峰高度以及2峰面积和三元电池的SOH之间存在明显的线性相关性。同时还可以看出，1峰高度和3峰面积与三元电池的SOH之间的线性相关性不明显，1峰高度和3峰高度与三元电池SOH之间基本不存在线性相关性。因此选择1峰面积，2峰高度以及2峰面积作为后续K近邻模型的输入特征。

作为另一种实施例，还可以根据相关系数来判断强相关性老化特征，两个变量之间的相关相关系数计算表达式如下：

其中，Cov(X，Y)为变量X和Y的协方差，Var|X|为变量X的方差，Var|Y|为变量Y的方差。

相关系数越大则老化特征和SOH之间的相关性越强，相关系数越小则老化特征和SOH之间的相关性越弱。

通过计算相关系数以及根据绘图分析老化特征和SOH之间的关系，可以找到相关性较强的老化特征，经验证，两种方式找到的强相关性老化特征一致，均为1峰面积，2峰高度以及2峰面积。

本发明实施例中，基于K近邻算法的SOH估计方法，具体流程如下：

a.以待估计的样本距离最近k个样本的估计值将其等权重取平均作为待估计的样本的估计值。衡量样本之间距离有欧氏距离以及曼哈顿距离，欧式距离和曼哈顿距离可以分别由公式(8)和(9)计算得到：

d₂＝|x₁-x_pre1|+|x₂-x_pre2|+…+|x_m-x_prem| (9)

其中，d₁为欧氏距离，d₂为曼哈顿距离，x_prem为待预测样本的第m个强相关性老化特征，x_m为训练样本的第m个强相关性老化特征，本发明采用欧氏距离来衡量样本之间的距离。根据之前的相关性分析x_pren和x_n分别为与电池SOH密切相关的老化特征。

b.在找到k个最近的样本后，对应待预测样本的SOH估计值可以由公式(10)计算得到：

SOH_pre＝mean(SOH1，SOH2，...，SOH_k) (10)

其中，SOH_pre为估计的SOH，SOH_i为距离待估计样本最近的第i个训练样本的SOH，i＝1，2，...，k。

实施例

现对国内某厂家额定116Ah的三元电池进行试验并进行SOH估计，具体实施步骤如下：

步骤1：开展三元电池在不同温度下的电池循环衰退试验，不同温度三元电池衰退实验温度分别为25℃，35℃，45℃，50℃，55℃，为保持实验时电池所处的环境温度稳定，循环衰退实验过程中三元电池都放在温箱中。每个条件下有两个实验样本，一共10块电池。电池循环放电倍率都为1C，循环充电方式都为电池厂商提供的标准充电方式，在循环老化过程中定期对电池进行0.05C小电流充放电测试，0.05C倍率的充放电测试是为了获得电池的最大可用容量，以及充电过程中的IC曲线。

步骤2：从三元锂离子电池充电IC曲线上提取老化特征包括：IC曲线1峰高度，IC曲线1峰面积，IC曲线2峰高度，IC曲线2峰面积，IC曲线3峰高度以及IC曲线3峰面积。

进一步得到10块三元电池在不同SOH状态下的特征矩阵：

式中，n为衰退实验循环次数。

步骤3：绘制特征和SOH之间的关系，如图2(a)-图2(f)所示，电池SOH增大三元电池IC曲线的2峰高度也线性增大，三元电池IC曲线的1峰面积和2峰面积增大电池SOH也线性增大，因此三元电池IC曲线的1峰面积，2峰高度以及2峰面积和三元电池的SOH之间存在明显的线性相关性。1峰高度和3峰面积与三元电池的SOH之间的线性相关性不明显。而1峰高度和3峰高度与三元电池SOH之间基本不存在线性相关性。因此选择1峰面积，2峰高度以及2峰面积作为后续K近邻模型的输入特征。

步骤4：基于K近邻算法的SOH估计方法，将步骤3中选取的与SOH相关性较大的老化特征作为K近邻算法的输入。

K近邻算法的估计精确度和k值以及距离的度量选择有很大关系，因此将10块电池的IC充电曲线特征矩阵分为两个部分，1#到8#一共8块电池的充电IC曲线特征矩阵作为训练集用于寻找合适的k值以及度量距离，寻找合适的k值和距离度量采用网格搜索的方法。9#和10#一共2块电池的IC曲线特征矩阵作为验证集用于验证K近邻算法估计三元电池SOH的准确度。

K近邻模型在8块电池的训练样本上的拟合系数在0.98以上。在另外两块电池上K近邻算法的拟合系数为0.986，SOH估计结果展示在图3(a)和图3(b)中。K近邻算法可以根据充电IC曲线的特征准确地估计三元电池的SOH。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。