[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

本發明提出一種基于雙差分曲線的動力電池健康狀態估計方法。對于電池管理系統來說，準確預測電池的健康狀態可以有效地確保系統的可靠性和安全性，為將來電池的合理使用提供參考。本發明設計了一種基于雙差分曲線的動力電池健康狀態估計方法，通過充分使用增量容量曲線和溫度差分曲線的信息，得到每一周期對應的特征向量，并通過一維卷積神經網絡（CNN）和改進的循環神經網絡（RNN）模型對電池健康狀態（SOH）進行估計，其中一維CNN用于特征提取，改進的RNN用于時間序列預測，并同時克服了傳統RNN的缺點，進而得到一種充分利用過程信息且估計準確的電池健康狀態估計方法。

技術領域

本發明屬于電池健康狀態預測技術領域，具體涉及一種動力電池的健康狀態預測方法。

背景技術

對動力電池的健康狀態預測的研究，一方面是為了確定動力電池在反復充放電循環使用過程中的健康狀態，從而及時發現需要更換的電池，另一方面，其能加快電池材料的研發，縮短實驗周期。

目前，電池健康狀態（SOH）的估計方法包括直接測量法，基于模型的方法和基于數據驅動的方法。其中數據驅動的方法主要是從電池循環數據中提取與電池退化行為相關的特征數據，建立特征與SOH之間的模型關系，預測電池后期的健康狀態。

對于電池特征的選取有很多不同的方法，大部分算法只考慮某個特征，并沒有充分利用數據特點，另外，選取特征之后也要考慮到對特征進行進一步的提取，從而得到足夠代表每一循環的衰減特征數據。

發明內容

針對動力電池健康狀態評估的準確性問題，本發明的目的在于提供一種充分利用電池充電過程信息，進行特征提取，從而減小評估誤差，提供準確的電池健康狀態預測結果的方法，且僅需要獲得恒流部分的數據就能得到較為準確的結果。

傳統方法需要使用恒流階段和恒壓階段的數據特征，利用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，IC曲線的峰值等特征，這些特征雖然在一定程度上可以較準確地表征電池狀態程度，但利用的信息有限，且有些信息受到外界的影響并不能為評估帶來有效信息。

本發明為實現上述目的所采用的技術方案是：一種基于雙差分曲線的動力電池健康狀態估計方法，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，以減輕其對預測結果的影響。

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，包括卡爾曼濾波，高斯濾波，移動平均濾波算法濾波去除差分計算增加的噪聲。

可選的由于原始電池溫度數據容易受到外部噪聲的影響，可以經過濾波算法濾除原始噪聲。

下式為溫度差分前向差分公式，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。

。

。

。

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。