[發明專利]基于遺傳卷積神經網絡的鋰電池健康狀態估計方法

有效

• 申請號: 202011434822.2
• 申請日: 2020-12-10
• 公開（公告）號: CN112684346B
• 公開（公告）日: 2023-06-20
• 發明（設計）人: 金海燕;崔寧敏;蔡磊
• 申請（專利權）人: 西安理工大學
• 主分類號: G01R31/367
• 分類號: G01R31/367;G01R31/392;G01R31/388;G01R31/378;G01R31/36
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 徐瑤

本發明公開了一種基于遺傳卷積神經網絡的鋰電池健康狀態估計方法，具體為：針對不同類型鋰電池在恒流條件下進行充放電，直到電池壽命終止結束記錄，形成鋰電池恒流充電電壓曲線；在電池每一次充電后，確定該電池的當前容量，作為CNN模型的真實值；對記錄的電壓曲線使用特征點來表征一條電壓曲線，并作為CNN模型的輸入數據；初始化網絡結構及各參數；將處理過的訓練集數據進行分組，對每個CNN網絡進行訓練；將處理過的測試集數據輸入到一組CNN網絡結構中，選擇真實值和預測值之間均方誤差最小的網絡結構作為最終的預測模型。

技術領域

本發明屬于電池管理技術領域，涉及到一種基于遺傳卷積神經網絡的鋰電池健康狀態估計方法。

背景技術

鋰離子電池(LIB)因為其能量密度高，壽命長，穩定性強和對環境影響小的優點，已經被廣泛應用于電動汽車、電動工具、基站備用電源等領域。由于在實際應用中，隨著一次次充放電，電池內部發生了一系列不可逆的化學反應，這就導致了電池的逐漸老化，表現為容量衰退、功率損失等。因此，在電池的使用過程中提前估計其健康狀態是非常有必要的，它能在電池壽命達到末端時發出預警信息，提示用戶或設備提供商對電池進行及時更換。

通常情況下用電池健康狀態(StateofHealth,SOH)來描述電池的衰退(老化)狀態。SOH可以通過直接測量或者間接計算得到的某個特征參數當前值與初始值的比值，直接測量需要在電池每一次充放電之后，用儀器來測量電池當前的SOH，實際生活中，我們不可能隨時隨地的對電池進行拆卸測量，因此這種方法并不適用。

發明內容

本發明的目的是提供一種基于遺傳卷積神經網絡的鋰電池健康狀態估計方法，在自動學習網絡結構的基礎上實現快速且準確地預測電池健康狀態。

本發明所采用的技術方案是，一種基于遺傳卷積神經網絡的鋰電池健康狀態估計方法，具體按照以下步驟實施：

步驟1、針對不同類型鋰電池，測算其出廠時鋰電池的額定容量；

步驟2、針對不同類型鋰電池在恒流條件下進行充放電，并對充電工作下的電壓數據進行實時記錄，直到電池壽命終止結束記錄，根據記錄的數據形成鋰電池恒流充電電壓曲線，由電壓曲線獲取電池老化特征；

步驟3、在步驟2中的電池每一次充電后，確定該電池的當前容量，作為CNN模型的真實值，不斷縮小真實值和預測值之間的誤差來訓練最佳CNN模型；

步驟4、對步驟2記錄的每條電壓曲線使用二分法采樣8個點作為特征點，使用8個特征點來表征一條電壓曲線，并作為CNN模型的輸入數據；

步驟5、對步驟4中的特征點進行處理；

步驟6、劃分數據集；

步驟7、通過電池當前容量和出廠時額定容量的比值來估計當前鋰電池的SOH；

步驟8、初始化網絡結構及各參數；

步驟9、將處理過的訓練集數據進行分組，每5條為一組，將每組訓練集循環輸入到CNN網絡結構中，對每個CNN網絡進行訓練；

步驟10、通過遺傳算法對種群進化來實現對網絡結構的自動學習，得到一組良好的CNN網絡結構；

步驟11、將處理過的測試集數據輸入到一組CNN網絡結構中，選擇真實值和預測值之間均方誤差最小的網絡結構作為最終的預測模型；當重新輸入另一塊電池的電壓數據，便可以通過該訓練好的模型預測電池剩余容量，進而快速且準確地計算出該電池的SOH。

步驟5處理的具體步驟為：根據135條電壓曲線，分別對每條電壓曲線提取8個特征點，組成一個135行8列的矩陣，對于每一行的8個數據轉化成2行4列的矩陣，作為圖像輸入到CNN模型中。

步驟6中，將將數據集劃分為80％的訓練集和20％的測試集。