本发明涉及电池检测，更具体地说，涉及一种基于多特征拟合正态分布的电池健康状态评估方法。
背景技术：
1、电池健康状态评估是一项关键技术，用于确定电池的剩余寿命和性能退化程度。在过去的研究中，已经提出了许多电池健康状态评估方法，目前常见的电池健康状态评估方法可总结为四类：基于经验的方法，基于电化学模型的方法，基于机器学习的方法以及基于特征信号分析的方法。
2、在锂离子电池使用过程中，会有一些内外部参数随着衰退过程发生显著变化，因此可以对获取的外部特征参数数据进行提取，将与容量或内阻有强相关性的参数作为健康因子，通过支持向量机(svm)、高斯回归过程(gpr)和神经网络(nn)等机器学习方法来建立健康因子与电池健康状态的映射关系模型，在电池衰退过程中通过追踪健康因子的变化，实现电池健康状态的实时估计。考虑到电池的充电过程较为稳定，有研究者基于电池局部充电电压和电流数据提取健康因子，使用支持向量回归的方法对电池衰退进行建模，实现电池健康状态评估。随着云计算和大数据技术的不断发展，基于机器学习的电池健康状态估计方法表现出很大潜力，逐渐受到研究者们的关注，但是如何从电池外部数据中提取出高质量的健康因子仍然是该类方法需要解决的难点和重点。
技术实现思路
1、1.发明要解决的技术问题
2、为了解决上述现有技术存在的不足之处，本发明提出了一种基于多特征拟合正态分布的电池健康状态评估方法，通过选取合适的特征样本，拟合成为多个特征空间中的正态分布，形成最终数据样本集代入预测模型中训练去评价电池健康状态。
3、2.技术方案
4、为达到上述目的，本发明提供的技术方案为：
5、本发明的一种基于多特征拟合正态分布的电池健康状态评估方法，其步骤为，
6、步骤一、对电池数据进行采集，根据电池包的类型、电芯数、充电倍率等基本参数确定电池包分类，采集相同分类中的每个电池包的充电数据，包括电压、电流、温度、时间和充电容量变化；
7、步骤二、对数据进行清洗预处理，对各电芯电压数据清洗，将存在电压采集异常的整条数据剔除，将处理后的数据作为输入的初始样本；
8、步骤三、提取特征样本集，选择电压曲线距离、温度曲线距离、温度上升速率、电压变化量、平台区压差、末端压差和容量变化作为基本特征训练集f1；
9、步骤四、将样本集每个特征样本进行3σ多层次筛选，利用偏离程度剔除异常样本值；
10、步骤五、利用box-cox变换处理步骤四获得的每个特征样本形成新的特征样本集，获得特征优化后的训练集f2；
11、步骤六、对变换后的特征训练集做正态分布，并检验正态分布的合理性，最终得到特征样本的正态分布拟合曲线；
12、步骤七、将特征优化前的训练集f1和特征优化后的训练集f2代入梯度提升回归预测模型训练，获得最终的评估模型。
13、更进一步地，所述的步骤一中，采集各个电池包充电数据时，选取充电最大电压区间在3.3v-3.58v范围内的充电数据。
14、更进一步地，所述的步骤二中，对电芯电流数据进行稳定性处理，同时将电压异常的数据剔除；在对电压进行清洗时，根据电流变化的前后差值设定阈值，在超过阈值处进行数据段分割，选择最长的数据段作为本次充电数据的样本。
15、更进一步地，所述的步骤三中，电压曲线距离为计算每个电芯电压曲线与平均电压曲线的欧氏距离，选择各电芯距离结果的最大值作为电压距离的样本值；
16、温度曲线距离为选取每次充电数据每个温感的变化作为温度曲线，计算每个温感温度曲线与平均温度曲线的欧氏距离，取各温感距离结果的平均值作为温度距离的样本值；
17、温度上升速率为计算每次充电数据每个温感的温度变化量δtm和时长δt的比值取各温感比值的平均值作为温度上升速率的样本值；
18、电压变化量为选取每次充电数据每个电芯的电压变化量δv，取平均值作为电压变化量的样本值；
19、平台区压差为选取每次充电数据最大电压在3.35-3.45v的数据，计算电芯之间的压差曲线，取压差曲线的平均值作为平台区压差的样本值；
20、末端压差为选取每次充电数据最大电压在3.5-3.58v的数据，计算电芯之间的压差(即最大电压-最小电压)曲线，取压差曲线的平均值作为末端压差的样本值；
21、容量变化为计算电流曲线对时间的积分q作为容量变化的样本值。
22、更进一步地，所述的电压曲线距离选取每个电芯在特定电压区间3.35-3.45v的数据作为电压曲线，欧氏距离计算公式如式(1)
23、
24、其中n为数据长度，v为电芯电压，为平均电压。
25、更进一步地，所述温度曲线距离的欧氏距离计算公式如式(2)
26、
27、其中n为数据长度，tm为温感温度，为平均温度。
28、更进一步地，所述的容量变化选取每次充电数据最大电压在3.35-3.45v的数据，所述电流曲线对时间的积分q计算公式如式(3)
29、
30、其中，yc为电流曲线，t为时间，q额为电池包的额定容量，a,b为时间起始点和结束点。
31、更进一步地，所述步骤六中，对变换后的特征训练集做正态分布，并用jarque-bera检验正态分布的合理性，最终得到特征样本的正态分布。
32、更进一步地，所述的步骤七中，获得训练后最终的评估模型，将特征优化前的训练集f1和经过特征优化后的训练集f2代入梯度提升回归预测模型训练，将测试集特征值代入f1训练的模型得到特征优化前的样本预测效果，将测试集经过box-cox变换后的特征值代入f2训练的模型得到特征优化后的样本预测效果，对比优化前与优化后的样本特征的平均绝对误差和均方根误差，判断模型效果。
33、3.有益效果
34、采用本发明提供的技术方案，与已有的公知技术相比，具有如下显著效果：
35、本发明针对电池健康状态评估的特征优化问题，建立数学模型，并设计了一种多特征拟合正态分布方法，优化了特征样本集，提高模型评估电池状态的效果；同时考虑了多特征之间的相关性及异常特征样本值对样本数据的影响程度，针对性利用3σ多层次筛选和box-cox变换对特征样本集做了优化，避免异常因子过度干扰模型结果，最终拟合一个经过jarque-bera检验的正态分布模型，据此有效评估电池的健康状态。本发明的一种基于多特征拟合正态分布的电池健康状态评估方法，具有良好的特征工程性能，能够在复杂的多特征分析中能够提取较多的关键特征，使进入模型的样本数据起到更好的作用。
1.一种基于多特征拟合正态分布的电池健康状态评估方法，其特征在于，其步骤为，
2.根据权利要求1所述的一种基于多特征拟合正态分布的电池健康状态评估方法，其特征在于，所述的步骤一中，采集各个电池包充电数据时，选取充电最大电压区间在3.3v-3.58v范围内的充电数据。
3.根据权利要求1所述的一种基于多特征拟合正态分布的电池健康状态评估方法，其特征在于，所述的步骤二中，对电芯电流数据进行稳定性处理，同时将电压异常的数据剔除；在对电压进行清洗时，根据电流变化的前后差值设定阈值，在超过阈值处进行数据段分割，选择最长的数据段作为本次充电数据的样本。
4.根据权利要求1所述的一种基于多特征拟合正态分布的电池健康状态评估方法，其特征在于，所述的步骤三中，电压曲线距离为计算每个电芯电压曲线与平均电压曲线的欧氏距离，选择各电芯距离结果的最大值作为电压距离的样本值；
5.根据权利要求4所述的一种基于多特征拟合正态分布的电池健康状态评估方法，其特征在于，所述的电压曲线距离选取每个电芯在特定电压区间3.35-3.45v的数据作为电压曲线，欧氏距离计算公式如式(1)
6.根据权利要求4所述的一种基于多特征拟合正态分布的电池健康状态评估方法，其特征在于，所述温度曲线距离的欧氏距离计算公式如式(2)
7.根据权利要求4所述的一种基于多特征拟合正态分布的电池健康状态评估方法，其特征在于，所述的容量变化选取每次充电数据最大电压在3.35-3.45v的数据，所述电流曲线对时间的积分q计算公式如式(3)
8.根据权利要求1所述的一种基于多特征拟合正态分布的电池健康状态评估方法，其特征在于，所述步骤六中，对变换后的特征训练集做正态分布，并用jarque-bera检验正态分布的合理性，最终得到特征样本的正态分布。
9.根据权利要求1所述的一种基于多特征拟合正态分布的电池健康状态评估方法，其特征在于，所述的步骤七中，获得训练后最终的评估模型，将特征优化前的训练集f1和经过特征优化后的训练集f2代入梯度提升回归预测模型训练，将测试集特征值代入f1训练的模型得到特征优化前的样本预测效果，将测试集经过box-cox变换后的特征值代入f2训练的模型得到特征优化后的样本预测效果，对比优化前与优化后的样本特征的平均绝对误差和均方根误差，判断模型效果。
