具体技术细节
[0004] 本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
[0005] 为此，本发明的一个目的在于提出一种基于容量损失机理的退役电池余能快速估计方 法，该方法能够实现余能的快速准确估计。
[0006] 本发明的另一个目的在于提出一种基于容量损失机理的退役电池余能快速估计系统。
[0007] 为达到上述目的，本发明一方面实施例提出了基于容量损失机理的退役电池余能快速 估计方法，包括以下步骤：步骤S1，建立容量损失机理诊断模型；步骤S2，对所述预设退 役电池进行恒流充电，获得退役电池恒流充电测试曲线，基于所述容量损失机理诊断模型， 并利用模式搜索非线性优化算法对所述退役电池恒流充电测试曲线进行拟合，提取容量损 失特征，其中，所述容量损失特征包括负极容量、欧姆内阻及负极终止嵌锂率；步骤S3， 建立SVR模型，利用改进的飞蛾扑火优化算法对所述SVR模型中的核函数与惩罚因子进 行寻优，得到ALMFO‑SVR余能估计模型；步骤S4，将预设容量损失特征以其对应的余 能真值作为所述ALMFO‑SVR余能估计模型的数据集，并将所述数据集分为训练样本和测 试样本，利用所述训练样本对所述ALMFO‑SVR余能估计模型进行训练；步骤S5，利用 恒流充电过程中记录的实际电压、实际电流测试数据提取实际容量损失特征，并将所述实 际容量损失特征输入至训练完成后的ALMFO‑SVR余能估计模型中，对退役电池余能的快 速估计。
[0008] 本发明实施例的基于容量损失机理的退役电池余能快速估计方法，通过利用大倍率恒 流充电数据曲线中所提取的容量损失特征，再从恒流充电曲线中提取表征电池活性材料及 活性锂离子损失的特征参数，并构建基于自适应权重及Levy飞行算法的ALMFO算法优化 SVR模型的估计方法，将所提取的容量损失特征作为ALMFO‑SVR余能评估模型的输入进 行训练，最后利用训练完成后的ALMFO‑SVR余能估计模型准确地估计锂离子电池RUL， 有效解决了退役电池余能估计精度低且测试时间长的问题，实现了余能的快速准确估计。
[0009] 另外，根据本发明上述实施例的基于容量损失机理的退役电池余能快速估计方法还可 以具有以下附加的技术特征：
[0010] 进一步地，在本发明的一个实施例中，所述容量损失机理诊断模型为：
[0011]
[0012] 其中，Up为正极电势，SOCp为正极嵌锂率，Un为负极电势，SOCn为负极嵌锂率，Ut为端电压，SOCp,0为正极充电初始嵌锂率，IL为负载电流，Δt为采样时间，Qp为正极容量， SOCn,0为负极充电初始嵌锂率，Qn为负极容量，Rohm为欧姆内阻。
[0013] 进一步地，在本发明的一个实施例中，所述步骤S3具体包括：步骤S301，建立初始 SVR模型；步骤S302，利用对偶原理，向所述初始SVR模型引入拉格朗日乘法算子，得 到可求解最大值函数的SVR模型；步骤S303，根据Mercer定理法则对所述可求解最大值 函数的SVR模型进行非线性映射，得到所述SVR模型；步骤S304，利用改进的飞蛾扑火 优化算法对所述SVR模型中的核参数与惩罚因子进行寻优，得到所述ALMFO‑SVR余能 估计模型。
[0014] 进一步地，在本发明的一个实施例中，所述SVR模型为：
[0015]
[0016] 其中，x为输入样本，f(x)为输出值，ω为权重向量，为非线性映射函数，b为偏置 量， 和αi为拉格朗日乘法算子，K(xi,x)为核函数。
[0017] 进一步地，在本发明的一个实施例中，所述改进的飞蛾扑火优化算法为：先在标准飞 蛾扑火优化算法的飞蛾位置更新后加入Levy飞行算法，后在迭代过程中加入自适应权重 法。
[0018] 为达到上述目的，本发明另一方面实施例提出了基于容量损失机理的退役电池余能快 速估计系统，包括：第一构建模块，用于建立容量损失机理诊断模型；提取特征模块，用 于对所述预设退役电池进行恒流充电，获得退役电池恒流充电测试曲线，基于所述容量损 失机理诊断模型，并利用模式搜索非线性优化算法对所述退役电池恒流充电测试曲线进行 拟合，提取容量损失特征，其中，所述容量损失特征包括负极容量、欧姆内阻及负极终止 嵌锂率；第二构建模块，用于建立SVR模型，利用改进的飞蛾扑火优化算法对所述SVR 模型中的核函数与惩罚因子进行寻优，得到ALMFO‑SVR余能估计模型；训练模块，用 于将预设容量损失特征以其对应的余能真值作为所述ALMFO‑SVR余能估计模型的数据 集，并将所述数据集分为训练样本和测试样本，利用所述训练样本对所述ALMFO‑SVR余 能估计模型进行训练；估计模块，用于利用恒流充电过程中记录的实际电压、实际电流测 试数据提取实际容量损失特征，并将所述实际容量损失特征输入至训练完成后的 ALMFO‑SVR余能估计模型中，对退役电池余能的快速估计。
[0019] 本发明实施例的基于容量损失机理的退役电池余能快速估计系统，通过利用大倍率恒 流充电数据曲线中所提取的容量损失特征，再从恒流充电曲线中提取表征电池活性材料及 活性锂离子损失的特征参数，并构建基于自适应权重及Levy飞行算法的ALMFO算法优化 SVR模型的估计方法，将所提取的容量损失特征作为ALMFO‑SVR余能评估模型的输入进 行训练，最后利用训练完成后的ALMFO‑SVR余能估计模型准确地估计锂离子电池RUL， 有效解决了退役电池余能估计精度低且测试时间长的问题，实现了余能的快速准确估计。
[0020] 另外，根据本发明上述实施例的基于容量损失机理的退役电池余能快速估计系统还可 以具有以下附加的技术特征：
[0021] 进一步地，在本发明的一个实施例中，所述容量损失机理诊断模型为：
[0022]
[0023] 其中，Up为正极电势，SOCp为正极嵌锂率，Un为负极电势，SOCn为负极嵌锂率，Ut为端电压，SOCp,0为正极充电初始嵌锂率，IL为负载电流，Δt为采样时间，Qp为正极容量， SOCn,0为负极充电初始嵌锂率，Qn为负极容量，Rohm为欧姆内阻。
[0024] 进一步地，在本发明的一个实施例中，所述步骤S3具体包括：步骤S301，建立初始 SVR模型；步骤S302，利用对偶原理，向所述初始SVR模型引入拉格朗日乘法算子，得 到可求解最大值函数的SVR模型；步骤S303，根据Mercer定理法则对所述可求解最大值 函数的SVR模型进行非线性映射，得到所述SVR模型；步骤S304，利用改进的飞蛾扑火 优化算法对所述SVR模型中的核参数与惩罚因子进行寻优，得到所述ALMFO‑SVR余能 估计模型。
[0025] 进一步地，在本发明的一个实施例中，所述SVR模型为：
[0026]
[0027] 其中，x为输入样本，f(x)为输出值，ω为权重向量，为非线性映射函数，b为偏置 量， 和αi为拉格朗日乘法算子，K(xi,x)为核函数。
[0028] 进一步地，在本发明的一个实施例中，所述改进的飞蛾扑火优化算法为：先在标准飞 蛾扑火优化算法的飞蛾位置更新后加入Levy飞行算法，后在迭代过程中加入自适应权重 法。
[0029] 本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明 显，或通过本发明的实践了解到。
法律保护范围
涉及权利要求数量10：其中独权2项，从权-2项
1.一种基于容量损失机理的退役电池余能快速估计方法，其特征在于，包括以下步骤：
步骤S1，建立容量损失机理诊断模型；
步骤S2，对所述预设退役电池进行恒流充电，获得退役电池恒流充电测试曲线，基于所述容量损失机理诊断模型，并利用模式搜索非线性优化算法对所述退役电池恒流充电测试曲线进行拟合，提取容量损失特征，其中，所述容量损失特征包括负极容量、欧姆内阻及负极终止嵌锂率；
步骤S3，建立SVR模型，利用改进的飞蛾扑火优化算法对所述SVR模型中的核函数与惩罚因子进行寻优，得到ALMFO‑SVR余能估计模型；
步骤S4，将预设容量损失特征以其对应的余能真值作为所述ALMFO‑SVR余能估计模型的数据集，并将所述数据集分为训练样本和测试样本，利用所述训练样本对所述ALMFO‑SVR余能估计模型进行训练；
步骤S5，利用恒流充电过程中记录的实际电压、实际电流测试数据提取实际容量损失特征，并将所述实际容量损失特征输入至训练完成后的ALMFO‑SVR余能估计模型中，对退役电池余能的快速估计。
2.根据权利要求1所述的基于容量损失机理的退役电池余能快速估计方法，其特征在于，所述容量损失机理诊断模型为：
其中，Up为正极电势，SOCp为正极嵌锂率，Un为负极电势，SOCn为负极嵌锂率，Ut为端电压，SOCp,0为正极充电初始嵌锂率，IL为负载电流，Δt为采样时间，Qp为正极容量，SOCn,0为负极充电初始嵌锂率，Qn为负极容量，Rohm为欧姆内阻。
3.根据权利要求1所述的基于容量损失机理的退役电池余能快速估计方法，其特征在于，所述步骤S3具体包括：
步骤S301，建立初始SVR模型；
步骤S302，利用对偶原理，向所述初始SVR模型引入拉格朗日乘法算子，得到可求解最大值函数的SVR模型；
步骤S303，根据Mercer定理法则对所述可求解最大值函数的SVR模型进行非线性映射，得到所述SVR模型；
步骤S304，利用改进的飞蛾扑火优化算法对所述SVR模型中的核参数与惩罚因子进行寻优，得到所述ALMFO‑SVR余能估计模型。
4.根据权利要求3所述的基于容量损失机理的退役电池余能快速估计方法，其特征在于，所述SVR模型为：
其中，x为输入样本，f(x)为输出值，ω为权重向量，为非线性映射函数，b为偏置量，和αi为拉格朗日乘法算子，K(xi,x)为核函数。
5.根据权利要求3所述的基于容量损失机理的退役电池余能快速估计方法，其特征在于，所述改进的飞蛾扑火优化算法为：先在标准飞蛾扑火优化算法的飞蛾位置更新后加入Levy飞行算法，后在迭代过程中加入自适应权重法。
6.一种基于容量损失机理的退役电池余能快速估计系统，其特征在于，包括：
第一构建模块，用于建立容量损失机理诊断模型；
提取特征模块，用于对所述预设退役电池进行恒流充电，获得退役电池恒流充电测试曲线，基于所述容量损失机理诊断模型，并利用模式搜索非线性优化算法对所述退役电池恒流充电测试曲线进行拟合，提取容量损失特征，其中，所述容量损失特征包括负极容量、欧姆内阻及负极终止嵌锂率；
第二构建模块，用于建立SVR模型，利用改进的飞蛾扑火优化算法对所述SVR模型中的核函数与惩罚因子进行寻优，得到ALMFO‑SVR余能估计模型；
训练模块，用于将预设容量损失特征以其对应的余能真值作为所述ALMFO‑SVR余能估计模型的数据集，并将所述数据集分为训练样本和测试样本，利用所述训练样本对所述ALMFO‑SVR余能估计模型进行训练；
估计模块，用于利用恒流充电过程中记录的实际电压、实际电流测试数据提取实际容量损失特征，并将所述实际容量损失特征输入至训练完成后的ALMFO‑SVR余能估计模型中，对退役电池余能的快速估计。
7.根据权利要求6所述的基于容量损失机理的退役电池余能快速估计系统，其特征在于，所述容量损失机理诊断模型为：
其中，Up为正极电势，SOCp为正极嵌锂率，Un为负极电势，SOCn为负极嵌锂率，Ut为端电压，SOCp,0为正极充电初始嵌锂率，IL为负载电流，Δt为采样时间，Qp为正极容量，SOCn,0为负极充电初始嵌锂率，Qn为负极容量，Rohm为欧姆内阻。
8.根据权利要求6所述的基于容量损失机理的退役电池余能快速估计系统，其特征在于，所述步骤S3具体包括：
步骤S301，建立初始SVR模型；
步骤S302，利用对偶原理，向所述初始SVR模型引入拉格朗日乘法算子，得到可求解最大值函数的SVR模型；
步骤S303，根据Mercer定理法则对所述可求解最大值函数的SVR模型进行非线性映射，得到所述SVR模型；
步骤S304，利用改进的飞蛾扑火优化算法对所述SVR模型中的核参数与惩罚因子进行寻优，得到所述ALMFO‑SVR余能估计模型。
9.根据权利要求8所述的基于容量损失机理的退役电池余能快速估计系统，其特征在于，所述SVR模型为：
其中，x为输入样本，f(x)为输出值，ω为权重向量，为非线性映射函数，b为偏置量，和αi为拉格朗日乘法算子，K(xi,x)为核函数。
10.根据权利要求6所述的基于容量损失机理的退役电池余能快速估计系统，其特征在于，所述改进的飞蛾扑火优化算法为：先在标准飞蛾扑火优化算法的飞蛾位置更新后加入Levy飞行算法，后在迭代过程中加入自适应权重法。
