[發明專利]一種基于數據驅動的鋰電池健康狀態評估方法

在審

• 申請號: 202310459819.3
• 申請日: 2023-04-26
• 公開（公告）號: CN116224085A
• 公開（公告）日: 2023-06-06
• 發明（設計）人: 茍斌;徐燕璋;楊順風;張博釗;王青元;宋文勝
• 申請（專利權）人: 西南交通大學
• 主分類號: G01R31/367
• 分類號: G01R31/367;G01R31/392
• 代理公司: 成都正德明志知識產權代理有限公司 51360
• 代理人: 周蕓嬋

本發明提供的一種基于數據驅動的鋰電池健康狀態評估方法，從電池老化數據集中選擇數據作為特征進行特征預處理，得到典型特征提取區間，并將典型特征提取區間的特征數據與實際電池SOH結合得到各個典型特征提取區間的數據集，劃分出訓練電池對其不同典型特征提取區間的數據集使用神經網絡算法進行訓練，得到對應的電池SOH評估模型，并將最終得到的模型用于鋰電池健康狀態評估。上述方法要求鋰電池滿足在充電過程中小于4.0V以及電壓值變化大于0.2V兩個條件，在此基礎上，鋰電池充電電壓經過任何電壓區間，都可從中提取特征，緩解了鋰電池特征提取條件苛刻單一的情況；較深度學習，該方法不需要復雜的參數計算，更加適用于當前的電池管理系統。

技術領域

本發明涉及電池管理領域，具體涉及一種基于數據驅動的鋰電池健康狀態評估方法。

背景技術

鋰離子電池具有能量密度高、標稱電壓高、自放電率低和使用壽命長等優點，已廣泛應用于眾多工業領域。然而，在使用過程中，由于電池正負極材料腐蝕、電解液變性和正負極隔膜老化短路等原因，電池的性能會逐漸發生不可逆的退化。當鋰電池退化到一定程度后，將無法維持設備的正常工作，甚至導致嚴重的后果。因此，為了避免事故發生和提高電池系統的運行穩定性，對鋰電池健康狀態(State-of-Health，SOH)的準確評估尤為重要。

健康狀態反映了電池相對于其開始時的當前存儲和供應能量/功率的能力，通常將電池的當前容量與額定容量的比值用于表征健康狀態。一方面，在現有的鋰電池SOH評估研究中，智能算法的發展和應用使得估計精度得到了很大的提升，然而這些以深度學習為代表的算法復雜度較高，需要較多的計算資源，給以微控制器為主的電池管理系統(Battery?Management?System，BMS)帶來了較大的計算壓力。另一方面，大部分算法是對一個固定區間的充電數據進行特征提取，然而在電池的實際應用中，電池的充電起始電壓和結束電壓并不固定，電池充電電壓區間不一定符合算法所要求的電壓區間，因此估計精度難以保證。針對鋰電池特征提取條件苛刻單一，評估算法復雜度較高，導致電池SOH評估模型在線使用受限的問題，本發明對BMS中的電池SOH評估方法展開研究。

發明內容

針對現有技術中的上述不足，本發明提供了一種基于數據驅動的鋰電池健康狀態評估方法。

為了達到上述發明目的，本發明采用的技術方案為：

一種基于數據驅動的鋰電池健康狀態評估方法，包括如下步驟：

S1、從電池老化數據集中獲取電池實際SOH以及恒流充電條件下的充電電壓曲線，選取等充電電壓區間的持續時間作為特征；

S2、通過不同大小的滑動窗口將充電電壓曲線中完整的充電電壓區間劃分為若干個子電壓區間，計算不同子電壓區間中電池每次循環的充電持續時間，得到每個子電壓區間的特征數據，經過預處理后，得到典型特征提取區間；

S3、將典型特征提取區間且歸一化處理后的特征數據與電池實際SOH結合，得到各個典型特征提取區間的數據集，將典型特征提取區間的數據集以非線性自回歸結構NARX排列，得到各個典型特征提取區間的非線性自回歸結構的數據集；

S4、對不同電池重復上述步驟S2-S3并劃分出訓練電池和測試電池，對訓練電池不同典型特征提取區間的數據集訓練并優化，得到訓練好的模型；

S5、利用S4得到的訓練好的模型對鋰電池健康狀態進行評估。

進一步的，所述S1中特征表示為：

其中，T^F為特征，是充電到電壓區間下限V_min時的時刻，是充電到電壓區間上限V_max時的時刻。

進一步的，所述S2具體包括如下步驟：