一种基于深度学习的锂离子电池寿命迁移预测方法技术

本发明专利技术提出一种新的锂离子电池寿命迁移预测方法：首先，建立同温度同倍率不同配方电池的容量退化数据库；其次，确定好目标电池后，通过相似性度量选择出与目标电池容量退化规律相似的电池；最后，基于深度学习方法开展跨配方电池寿命迁移预测，实现目标电池的剩余循环寿命预测。同时，考虑经济性目标和电池寿命退化的不可逆转性，优化设计电池循环寿命试验，节省电池试验设计。该方法能够针对锂离子电池实现准确的剩余寿命预测，大幅度地减少研发阶段寿命试验的试验时间和试验量，缩短新产品研发周期，降低研发阶段费用，有效提高了系统的可靠性和安全性。

A prediction method for life migration of lithium ion batteries based on depth learning

The invention provides a new method for the prediction of the lithium ion battery life: first, to establish the same temperature transfer rate with different formulations of battery capacity degradation database; secondly, identify the target cell, through the selection of similarity measurement rules similar to the battery and the target battery capacity degradation; finally, deep learning method for predicting the migration of cross cell formula to carry out the life based on the prediction of remaining battery cycle life goals. At the same time, considering the irreversibility of economic targets and battery life degradation, the battery cycle life test is optimized to save battery test design. This method can achieve accurate residual life prediction for lithium ion battery, greatly reduce the test time and test volume of life test in R & D stage, shorten the R & D cycle of new products, reduce the cost of R & D phase, and effectively improve the reliability and safety of the system.

【技术实现步骤摘要】
一种基于深度学习的锂离子电池寿命迁移预测方法
本专利技术涉及锂电池健康管理的
，具体涉及一种基于深度学习的锂离子电池寿命迁移预测方法。
技术介绍
锂离子电池目前是广泛应用于军事电子产品、航空电子器件、电动汽车以及各种便携式电子装置(例如笔记本电脑、数码相机、平板电脑、手机等)的主要储能器件，由于其质量轻、放电率低及寿命长的特点，锂离子电池已基本取代了镍镉电池、镍氢电池。与此同时，由于目前对于气候环境变化的关注和新能源开发的迫切性，锂离子电动汽车得到了快速发展，众多汽车厂商和研究机构都致力于开发能够代替传统石油的新能源汽车，例如德国大众、美国特斯拉、中国比亚迪等汽车公司纷纷投入大量资金和人力资源开发纯动力、混合动力等新能源汽车的车载锂离子电池。因此，锂离子电池的性能是其整体电子系统可靠性的关键因素，其失效可能会造成系统故障甚至是致命灾难。锂离子的寿命退化客观的存在于其整个生命周期，其寿命问题主要指影响其放电能力的正负极活性材料的物化结构性质、粘结剂对涂层的粘结强度、隔膜的质量等在循环充放电过程中的逐渐劣化。意外的电池寿命终结往往会导致整体系统的失效，因此针对电池开展退化预测和分析本文档来自技高网...

【技术保护点】
一种基于深度学习的锂离子电池寿命迁移预测方法，其特征在于：包括：建立与待预测寿命的目标电池同温度、同充放电倍率和不同配方的已知电池的电池库；把所述电池库中其电池容量退化趋势与所述目标电池的电池容量退化趋势最相似的一个已知电池选作参考电池；通过将所述参考电池的容量退化数据作为训练数据，对一个已知预测模型进行训练，得到电池寿命预测模型；通过将目标电池的预定长度的电池退化数据输入到所述电池寿命预测模型进行计算，对所述目标电池进行寿命预测。

【技术特征摘要】
2016.09.05 CN 20161080121671.一种基于深度学习的锂离子电池寿命迁移预测方法，其特征在于：包括：建立与待预测寿命的目标电池同温度、同充放电倍率和不同配方的已知电池的电池库；把所述电池库中其电池容量退化趋势与所述目标电池的电池容量退化趋势最相似的一个已知电池选作参考电池；通过将所述参考电池的容量退化数据作为训练数据，对一个已知预测模型进行训练，得到电池寿命预测模型；通过将目标电池的预定长度的电池退化数据输入到所述电池寿命预测模型进行计算，对所述目标电池进行寿命预测。2.根据权利要求1所述的方法，其特征在于，所述电池容量退化趋势是指电池容量数据随时间而变化的电池容量退化数据的曲线走势。3.根据权利要求2所述的方法，其特征在于，把所述已知电池容量退化数据库中其电池容量退化趋势与所述目标电池的电池容量退化趋势最相似的一个电池选作参考电池包括：分别计算所述目标电池的电池容量退化数据曲线各向量点与已知电池数据库中的各电池的容量退化曲线各向量点之间的平均欧式距离；将已知电池数据库所有电池中其容量退化曲线各向量点与目标电池的容量退化曲线各向量点之间平均欧式距离最近的一个已知电池选作参考电池。4.根据权利要求3所述的方法，其特征在于，所述的对一个已知预测模型进行训练，得到电池寿命预测模型包括：将所述训练数据输入给深度学习层叠降噪自动编码器SDA模型；根据SDA模型输出结果，调整所述SDA模型的构架和参数，确定用于预测电池寿命的构架和参数；将确定了构架和参...

【专利技术属性】
技术研发人员：马剑，赵万琳，吕琛，王振亚，苏育专，种晋，金海族，林永寿，
申请(专利权)人：北京航空航天大学，宁德时代新能源科技股份有限公司，
类型：发明
国别省市：北京,11