[發(fā)明專利]一種基于AAF和深度學(xué)習(xí)的動力電池健康狀態(tài)預(yù)測方法

有效

• 申請?zhí)枺?/td>: 202310070487.X
• 申請日: 2023-02-07
• 公開（公告）號: CN116299005B
• 公開（公告）日: 2023-09-05
• 發(fā)明（設(shè)計）人: 張俊杰;王子赟;邊天貽;熊林宏;金家立;凌蘇湘;王艷;紀(jì)志成
• 申請（專利權(quán)）人: 江南大學(xué)
• 主分類號: G01R31/392
• 分類號: G01R31/392;G06N3/084;G06N3/0464;G01R31/367
• 代理公司: 哈爾濱市陽光惠遠(yuǎn)知識產(chǎn)權(quán)代理有限公司 23211
• 代理人: 呂永芳

本發(fā)明公開了一種基于AAF和深度學(xué)習(xí)的動力電池健康狀態(tài)預(yù)測方法，屬于動力電池SOH預(yù)測領(lǐng)域。所述方法首先利用集成經(jīng)驗?zāi)B(tài)分解技術(shù)和相關(guān)性分析方法將SOH時間序列分解成主趨勢時間序列和波動時間序列，其次利用DBN對主趨勢時間序列進(jìn)行預(yù)測，針對波動時間序列，先進(jìn)行數(shù)據(jù)預(yù)處理，然后采用抗混疊低通濾波器對預(yù)處理之后的序列進(jìn)行重采樣，之后利用長短期記憶神經(jīng)網(wǎng)絡(luò)LSTM對重采樣之后序列進(jìn)行預(yù)測，然后再對波動序列預(yù)測結(jié)果進(jìn)行反重采樣和逆向數(shù)據(jù)處理得到波動時間序列最終預(yù)測值，最后將主趨勢時間序列和波動時間序列預(yù)測結(jié)果進(jìn)行集成得到最終的SOH預(yù)測結(jié)果，實現(xiàn)了動力電池SOH的高精度預(yù)測。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于AAF和深度學(xué)習(xí)的動力電池健康狀態(tài)預(yù)測方法，屬于動力電池SOH預(yù)測領(lǐng)域。

背景技術(shù)

近年來，為了減少汽車尾氣排放和緩解能源危機(jī)，新能源汽車尤其是電動汽車得到了迅速發(fā)展。鋰離子電池作為其儲能裝置，發(fā)揮著十分重要的作用。隨著電動汽車性能和續(xù)駛里程的提升，鋰離子電池的功率和容量越來越大，其安全性和可靠性也變得愈加重要。在鋰離子電池循環(huán)使用的過程中，其健康狀態(tài)(State?Of?Health，SOH)會逐漸退化。當(dāng)電池健康狀態(tài)達(dá)到閾值時，若沒及時更換，將會嚴(yán)重影響汽車的性能和安全。因此，準(zhǔn)確地監(jiān)測電池健康狀態(tài)以及電池健康狀態(tài)預(yù)測具有重要意義。

由于鋰離子電池內(nèi)部化學(xué)特性復(fù)雜，基于模型的方法往往計算復(fù)雜且難以實現(xiàn)，并不適合許多實際的應(yīng)用。而基于數(shù)據(jù)驅(qū)動的方法主要通過分析測試數(shù)據(jù)(如電壓、電流、阻抗等)深度挖掘其中隱含的健康信息來對電池壽命進(jìn)行預(yù)測，不需要考慮模型獲取的問題，更容易實施，因而更適合實際應(yīng)用。但其預(yù)測精度較大程度依賴于數(shù)據(jù)樣本數(shù)量以及樣本數(shù)據(jù)中所包含的歷史信息，因而需要從其他方面進(jìn)行改進(jìn)以提升其預(yù)測精度，比如現(xiàn)有技術(shù)中，文獻(xiàn)-胡天中,余建波.(2019).基于多尺度分解和深度學(xué)習(xí)的鋰電池壽命預(yù)測.浙江大學(xué)學(xué)報：工學(xué)版,53(10),13.中提出一種分別構(gòu)建DBN模型和LSTM模型，然后將兩模型的預(yù)測結(jié)果進(jìn)行集成，而且該方法中還采用了集成經(jīng)驗?zāi)B(tài)分解技術(shù)將SOH時間序列分解成主趨勢時間序列和波動時間序列，對主趨勢時間序列利用DBN模型進(jìn)行預(yù)測，而對波動時間序列則采用LSTM模型進(jìn)行預(yù)測，從而提高了預(yù)測精度。

然而上述方法中，雖然其利用集成經(jīng)驗?zāi)B(tài)分解技術(shù)將SOH時間序列進(jìn)行分解，并分別利用DBN模型和LSTM模型進(jìn)行預(yù)測然后進(jìn)行集成提升了其預(yù)測精度，但由于波動時間序列中的高頻數(shù)據(jù)變化劇烈，LSTM模型難以挖掘其內(nèi)在的數(shù)學(xué)規(guī)律，從而導(dǎo)致其對高頻波動時間序列預(yù)測精度較低，而在高頻波動時間序列預(yù)測精度較低的前提下，該方法的整體預(yù)測精度有待于進(jìn)一步提高。

發(fā)明內(nèi)容

為了進(jìn)一步提高對于動力電池健康狀態(tài)的預(yù)測精度，以幫助企業(yè)合理決策何時替換動力電池，提高經(jīng)濟(jì)效益，本發(fā)明提供了一種基于抗混疊低通濾波器和深度學(xué)習(xí)的動力電池健康狀態(tài)(SOH)預(yù)測方法，所述方法在現(xiàn)有技術(shù)的基礎(chǔ)上，通過利用抗混疊低通濾波器降低波動頻率，提高了LSTM模型對于高頻波動時間序列的預(yù)測精度，從而提升了最終預(yù)測精度。

一種基于抗混疊低通濾波器和深度學(xué)習(xí)的動力電池健康狀態(tài)(SOH)預(yù)測方法，所述方法進(jìn)行動力電池SOH預(yù)測時，首先利用集成經(jīng)驗?zāi)B(tài)分解技術(shù)和相關(guān)性分析方法將SOH時間序列分解成主趨勢時間序列和波動時間序列，其次利用深度置信網(wǎng)絡(luò)DBN對主趨勢時間序列進(jìn)行預(yù)測，針對波動時間序列先進(jìn)行數(shù)據(jù)預(yù)處理，然后采用抗混疊低通濾波器(Anti-aliasing?filter，AAF)對預(yù)處理之后的序列進(jìn)行重采樣，之后利用長短期記憶神經(jīng)網(wǎng)絡(luò)LSTM對重采樣之后序列進(jìn)行預(yù)測，然后再對波動序列預(yù)測結(jié)果進(jìn)行反重采樣和逆向數(shù)據(jù)處理得到波動時間序列最終預(yù)測值，最后將主趨勢時間序列和波動時間序列預(yù)測結(jié)果進(jìn)行集成得到最終的SOH預(yù)測結(jié)果，實現(xiàn)了動力電池SOH的高精度預(yù)測。

可選的，所述方法包括：

步驟1，獲取動力電池容量變化數(shù)據(jù)，通過計算SOH得到SOH時間序列；