新能源与高效节能

本发明公开一种锂电池健康状态估计方法，收集不同工况下锂离子电池单体充放电的电压、电流、温度、容量数据，采用LOF方法对原始数据的异常值进行剔除，使用K折交叉的方法对数据进行划分，构建Stakcing集成模型训练的数据集合，使用AST?GRU和CNN?RVFL作为基学习器，随机森林RF作为元学习器，构建锂电池健康状态估计模型；采用singer混沌映射对堆优化算法的种群进行初始化操作，在位置更新中引入基于维度学习的更新策略，得到IHBO；利用IHBO对模型的超参数进行优化，获得最佳参数，并将最优超参数输入到模型中，利用基学习器层得到的元特征数据对元学习器进行训练，得到最终预测结果。与现有技术相比，本发明能够有效的估计锂电池健康状态，提高模型精度。

成果亮点

发明目的：针对现有技术存在的问题，本发明提供一种锂电池健康状态估计方法，能提高锂电池健康状态估计模型精度。 技术方案：本发明提出一种锂离子电池健康状态估计方法，包括以下步骤： 步骤1：收集不同工况下锂离子电池单体充放电的电压、电流、温度、容量数据，利用离群因子检测LOF方法对异常数据进行剔除； 步骤2：使用K折交叉法对数据进行划分，构建Stacking集成模型训练的数据集合； 步骤3：构建堆叠集成学习模型，并搭建基学习器和元学习器双层结构，将AST-GRU和CNN-RVFL作为基学习器，随机森林作为元学习器，把训练基学习器产生的元特征数据，输入到元学习器中进行学习； 步骤4：对堆优化算法HBO进行改进，采用singer混沌映射方法对种群进行初始化，引入维度学习的方法增强间接层的信息交互，得到IHBO算法； 步骤5：利用IHBO算法对步骤3中基学习器和元学习器的超参数进行优化，获得最优超参数，利用优化后的的堆叠集成学习模型对电池健康状态进行估计，得到锂电池健康状态的估计结果。

锂电池健康状态的估计方法对于锂电池的安全使用和寿命延长具有重要意义。这一技术的应用前景非常广泛，例如：

电动车：随着人们对环境问题的日益关注，电动车的使用越来越普及。锂电池是电动车的重要组成部分。锂电池健康状态的估计方法可以用于监测锂电池的状态，及时发现潜在问题，避免因电池故障导致的电动车事故。

智能家居：智能家居中需要大量的储能设备，例如锂电池。锂电池健康状态的估计方法可以用于监测锂电池的状态，及时发现潜在问题，避免因电池故障导致智能家居设备无法正常运行。

移动设备：移动设备是人们日常生活中必不可少的组成部分，例如手机、平板电脑等。锂电池健康状态的估计方法可以用于监测锂电池的状态，及时发现潜在问题，避免因电池故障导致移动设备无法正常使用。

储能系统：锂电池是储能系统的重要组成部分，例如太阳能储能、风能储能等。锂电池健康状态的估计方法可以用于监测锂电池的状态，及时发现潜在问题，避免因电池故障导致储能系统无法正常工作。

总之，锂电池健康状态的估计方法在多个领域都具有广泛的应用前景，有望为人们的日常生活和工业生产带来更多的便利和安全。

本发明基于Stacking集成学习和AST-GRU、CNN-RVFL、随机森林建立模型，同时采用改进的HBO算法优化模型超参数，能够有效地估计锂电池健康状态变化趋势，提高预测精度。

本发明针对单模型在锂电池健康状态估计中泛化性差的问题，利用LOF方法对异常数据进行剔除，消除误差对特征量规律性的影响，保留锂电池健康状态变化过程中物理化学特征。针对单个模型估计锂电池健康状态泛化性差，容易受到噪声影响。提出将多个模型按照Stacking方法进行组合，利用结合注意力机制的AST-GRU网络，通过注意力机制增加关键时间步的权重，减少次要信息的干扰。使用CNN-RVFL网络收集锂电池充放电时局部时序特征。使用随机森林作为元学习器层对基学习器提取的元特征进行学习。针对模型过拟合问题，采用k折交叉的方法划分数据集。能够有效提升模型的准确率。针对堆优化算法缺少间接层之间的信息交互导致的搜索能力不足的问题，采用singer混沌映射对种群进行初始化操作，避免初始化个体集中分布，在更新阶段增加维度学习的更新方式，增加个体对间接层信息的利用能力，提高搜索效率。