【技术实现步骤摘要】
基于弹性网的锂电池健康状态预测方法、系统、设备及介质
本专利技术涉及锂电池健康状态预测领域，特别涉及一种基于弹性网的锂电池健康状态预测方法、系统、设备及介质。
技术介绍
锂离子电池是新能源汽车的核心部件，在使用过程中，其性能会随着时间的推移而下降，为保证其工作可靠性以及判断回收电池的利用价值，预测其健康状态(StateofHealth，SOH)以及剩余使用寿命，已成为当前研究的热点。目前，数据驱动是锂离子电池SOH预测的主要方法。锂离子电池具有能量密度大、工作电压高、循环寿命长的特点，在动力电池领域应用越来越广泛，作为新能源汽车的核心组成部分，锂离子电池的健康状态对电动汽车使用至关重要。目前锂离子电池在研发、生产过程中主要采用两种方式进行健康状态预测：一种是特定充放电条件下的循环测试，另外一种是采用数学模型拟合来预测寿命。目前，采用数学模型拟合是锂离子电池SOH预测的主要方法。中国专利技术专利(专利号：CN106125004A，专利名称：一种基于神经网路核函数GPR的锂电池健康状态的预测方法)，该专利...
【技术保护点】
1.一种基于弹性网的锂电池健康状态预测方法，其特征在于，包括以下步骤：/nS1、在自定义场景下对电动车的同型号锂离子电池进行充电数据采集，得到第一充电数据集；/nS2、在所述电动车实际进行充电的实车工况场景下进行充电数据采集，得到第二充电数据集；/nS3、通过所述第一充电数据集计算第一特征因子x和训练标签y，其中，特征因子为锂电池在两次不同循环中充电时产生的电压随容量变化的曲线方差；训练标签为锂电池多次充放电循环后的SOH值；/nS4、通过所述第二充电数据集计算第二特征因子x’；/nS5、根据所述第一特征因子x和训练标签y对预测模型进行训练，通过弹性网罚函数得到系数向量；/...
【技术特征摘要】
1.一种基于弹性网的锂电池健康状态预测方法，其特征在于，包括以下步骤：
S1、在自定义场景下对电动车的同型号锂离子电池进行充电数据采集，得到第一充电数据集；
S2、在所述电动车实际进行充电的实车工况场景下进行充电数据采集，得到第二充电数据集；
S3、通过所述第一充电数据集计算第一特征因子x和训练标签y，其中，特征因子为锂电池在两次不同循环中充电时产生的电压随容量变化的曲线方差；训练标签为锂电池多次充放电循环后的SOH值；
S4、通过所述第二充电数据集计算第二特征因子x’；
S5、根据所述第一特征因子x和训练标签y对预测模型进行训练，通过弹性网罚函数得到系数向量；
S6、通过系数向量和所述第二特征因子x’构建出用于预测实车工况场景下经K次循环后的电池健康状态的目标预测模型；
S7、根据所述目标预测模型预测实车工况场景下的电池健康状态。
2.如权利要求1所述的基于弹性网的锂电池健康状态预测方法，其特征在于，所述第一充电数据集包括在自定义场景下锂离子电池进行多次充放电循环后的充电阶段单体电压数据、电池包总电压数据及充电容量数据；
所述第二充电数据集包括在实车工况场景下的锂离子电池进行多次充放电循环后的充电阶段单体电压数据、电池包总电压数据及充电容量数据。
3.如权利要求1所述的基于弹性网的锂电池健康状态预测方法，其特征在于，步骤S3中通过以下公式计算第一特征因子x：
其中，i和j表示第i次循环和第j次循环，n表示在两次充电过程中产生的第n个相同的充电容量值，Un，i和Un，j表示锂电池在两次充电过程中在每个相同的充电容量值所对应的两个电压值；
步骤S4中采用相同的公式计算第二特征因子x’。
4.如权利要求1所述的基于弹性网的锂电池健康状态预测方法，其特征在于，步骤S3中通过以下公式计算训练标签y：
其中，Cnow为电池包第K次循环中满充所能充入的容量，CN为额定容量。
5.如权利要求1所述的基于弹性网的锂电池健康状态预测方法，其特征在于，步骤S5具体包括：
将所述第一特征因子x和训练标签y输入到用于训练的预测模型y＝β0+x1β1+x2β2+…+xpβp，再通过调整超参数α、γ及系数向量β0、...
【专利技术属性】
技术研发人员：严晓，袁梓涵，王一全，黄碧雄，
申请(专利权)人：上海玫克生储能科技有限公司，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。