[發明專利]一種基于雙差分曲線的動力電池健康狀態估計方法

在審

• 申請號: 202011434214.1
• 申請日: 2020-12-10
• 公開（公告）號: CN112611976A
• 公開（公告）日: 2021-04-06
• 發明（設計）人: 孫京誥;張晨陽;陳佳林;蘇廣昊
• 申請（專利權）人: 華東理工大學
• 主分類號: G01R31/392
• 分類號: G01R31/392;G01R31/396;G01R31/385;G01K13/00;G06F30/27;G01R31/367
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于雙差分曲線的動力電池健康狀態估計方法，其特征在于，包括以下步驟：

步驟S1：設置電池循環測試初始參數，每個電池循環周期經過倍率充電，恒壓充電，靜置，倍率放電，靜置四個步驟，從電池管理測試系統中獲得原始電池數據，包括電壓，電流，溫度，容量保持率以及對應時間，單位時間間隔內電荷的增加量；

步驟S2：對電池數據進行預處理，對缺失值進行填充，去除異常值；

步驟S3：利用前向差分公式，根據時間，電壓，電流和溫度繪制增量容量（IC）曲線和溫度差分（DT）曲線，并通過濾波算法濾除差分計算增加的噪聲；

步驟S4：根據IC與DT曲線特征合理地選擇取樣特征數等距提取曲線特征；

步驟S5：將得到的電池特征和容量數據分為訓練集和測試集，其中訓練集用于得到動力電池健康狀態預測模型，測試集用于表征模型的訓練效果；

步驟S6：根據訓練集建立CNN-改進RNN模型；

卷積神經網絡（CNN)作為模型的第一層,用于提取空間局部特征，CNN中的卷積部分捕獲隱藏在實際觀測中的有用信息；改進的循環神經網絡（RNN)結構作為CNN之后的第二層，用于從過去和當前數據中獲取時間特征；在預測電池健康狀態時，模型結構的最后一層全連接層利用學習到的模型生成估計值；

步驟S7：使用馬爾科夫鏈對誤差進行修正，進一步減小誤差；

步驟S8：計算預測誤差，使用包括平均絕對誤差和均方根誤差對估計結果進行定量分析。

2.根據權利要求1所述的一種基于雙差分曲線的動力電池健康狀態估計方法，其特征在于，步驟S3的增量容量前向差分和溫度差分前向差分公式表示如下，其中I為恒流電流值，t為恒流階段的時間，Q為電荷量，V為恒流階段的電壓值，T為恒流階段的溫度，L為步長

。

3.根據權利要求2所述的一種基于雙差分曲線的動力電池健康狀態估計方法，其特征在于，步驟S4的濾波算法包括卡爾曼濾波，高斯濾波，移動平均濾波濾除差分計算引入的噪聲。

4.根據權利要求1或2所述的一種基于雙差分曲線的動力電池健康狀態估計方法，其特征在于，步驟S5的電池特征，還可包括恒流與恒壓階段的持續時間，增加的電荷量，恒流階段的等時間壓差，充電曲線斜率。

5.根據權利要求2所述的一種基于雙差分曲線的動力電池健康狀態估計方法，其特征在于，步驟S6的的改進的RNN模型可以選擇長短期記憶網絡（LSTM），門控循環單元網絡（GRU），雙向長短期記憶網絡（Bi-LSTM)，雙向門控循環單元網絡（Bi-GRU）。

6.根據權利要求1所述的一種基于雙差分曲線的動力電池健康狀態估計方法，其特征在于，步驟S7所用的馬爾科夫鏈校正方法包括：

步驟S71，基于訓練數據的模型預測誤差分布，建立馬爾科夫鏈狀態空間，鏈狀態空間分為三個狀態，分別為

其中是平均誤差，是標準偏差，是最小誤差，是最大誤差；

步驟S72，3×3轉換矩陣P可以完全指定為馬爾科夫鏈，該轉變概率與先前狀態無關，過渡概率是從狀態i到狀態j的單步移動概率，用公式表示為；

其中是兩個相鄰周期之間從狀態i到狀態j的單步移動頻率，表示從兩個相鄰周期之間的狀態i開始移動的狀態數；

步驟S73，若預測誤差屬于狀態i，則修改后的誤差可以定義為

其中和分別是狀態i的最小和最大誤差；

步驟S74， 確定修正誤差矩陣Q，修正誤差矩陣Q由三個狀態的修正誤差構成；

步驟S75，使用馬爾科夫鏈進行校正，馬爾科夫校正方程定義為

其中由模型預測得到，是初始狀態預測值，n為狀態轉換步數；經過馬爾科夫鏈進行誤差校正后的估計值為最終的電池健康狀態預測結果。