一种基于双差分曲线的动力电池健康状态估计方法技术

本发明专利技术提出一种基于双差分曲线的动力电池健康状态估计方法。对于电池管理系统来说，准确预测电池的健康状态可以有效地确保系统的可靠性和安全性，为将来电池的合理使用提供参考。本发明专利技术设计了一种基于双差分曲线的动力电池健康状态估计方法，通过充分使用增量容量曲线和温度差分曲线的信息，得到每一周期对应的特征向量，并通过一维卷积神经网络（CNN）和改进的循环神经网络（RNN）模型对电池健康状态（SOH）进行估计，其中一维CNN用于特征提取，改进的RNN用于时间序列预测，并同时克服了传统RNN的缺点，进而得到一种充分利用过程信息且估计准确的电池健康状态估计方法。

【技术实现步骤摘要】
一种基于双差分曲线的动力电池健康状态估计方法
本专利技术属于电池健康状态预测
，具体涉及一种动力电池的健康状态预测方法。
技术介绍
对动力电池的健康状态预测的研究，一方面是为了确定动力电池在反复充放电循环使用过程中的健康状态，从而及时发现需要更换的电池，另一方面，其能加快电池材料的研发，缩短实验周期。目前，电池健康状态（SOH）的估计方法包括直接测量法，基于模型的方法和基于数据驱动的方法。其中数据驱动的方法主要是从电池循环数据中提取与电池退化行为相关的特征数据，建立特征与SOH之间的模型关系，预测电池后期的健康状态。对于电池特征的选取有很多不同的方法，大部分算法只考虑某个特征，并没有充分利用数据特点，另外，选取特征之后也要考虑到对特征进行进一步的提取，从而得到足够代表每一循环的衰减特征数据。
技术实现思路
针对动力电池健康状态评估的准确性问题，本专利技术的目的在于提供一种充分利用电池充电过程信息，进行特征提取，从而减小评估误差，提供准确的电池健康状态预测结果的方法，且仅需要获得恒流部分的数据就能得到较为本文档来自技高网...

【技术保护点】
1.一种基于双差分曲线的动力电池健康状态估计方法，其特征在于，包括以下步骤：/n步骤S1：设置电池循环测试初始参数，每个电池循环周期经过倍率充电，恒压充电，静置，倍率放电，静置四个步骤，从电池管理测试系统中获得原始电池数据，包括电压，电流，温度，容量保持率以及对应时间，单位时间间隔内电荷的增加量；/n步骤S2：对电池数据进行预处理，对缺失值进行填充，去除异常值；/n步骤S3：利用前向差分公式，根据时间，电压，电流和温度绘制增量容量（IC）曲线和温度差分（DT）曲线，并通过滤波算法滤除差分计算增加的噪声；/n步骤S4：根据IC与DT曲线特征合理地选择取样特征数等距提取曲线特征；/n步骤S5：将得...

【技术特征摘要】
1.一种基于双差分曲线的动力电池健康状态估计方法，其特征在于，包括以下步骤：
步骤S1：设置电池循环测试初始参数，每个电池循环周期经过倍率充电，恒压充电，静置，倍率放电，静置四个步骤，从电池管理测试系统中获得原始电池数据，包括电压，电流，温度，容量保持率以及对应时间，单位时间间隔内电荷的增加量；
步骤S2：对电池数据进行预处理，对缺失值进行填充，去除异常值；
步骤S3：利用前向差分公式，根据时间，电压，电流和温度绘制增量容量（IC）曲线和温度差分（DT）曲线，并通过滤波算法滤除差分计算增加的噪声；
步骤S4：根据IC与DT曲线特征合理地选择取样特征数等距提取曲线特征；
步骤S5：将得到的电池特征和容量数据分为训练集和测试集，其中训练集用于得到动力电池健康状态预测模型，测试集用于表征模型的训练效果；
步骤S6：根据训练集建立CNN-改进RNN模型；
卷积神经网络（CNN)作为模型的第一层,用于提取空间局部特征，CNN中的卷积部分捕获隐藏在实际观测中的有用信息；改进的循环神经网络（RNN)结构作为CNN之后的第二层，用于从过去和当前数据中获取时间特征；在预测电池健康状态时，模型结构的最后一层全连接层利用学习到的模型生成估计值；
步骤S7：使用马尔科夫链对误差进行修正，进一步减小误差；
步骤S8：计算预测误差，使用包括平均绝对误差和均方根误差对估计结果进行定量分析。


2.根据权利要求1所述的一种基于双差分曲线的动力电池健康状态估计方法，其特征在于，步骤S3的增量容量前向差分和温度差分前向差分公式表示如下，其中I为恒流电流值，t为恒流阶段的时间，Q为电荷量，V为恒流阶段的电压值，T为恒流阶段的温度，L为步长







。


3.根据权利要求2所述的一种基于双差分曲线的动力电池健...

【专利技术属性】
技术研发人员：孙京诰，张晨阳，陈佳林，苏广昊，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：上海;31