一种基于温度预测的锂电池SOH估计方法技术

本发明专利技术公开了一种基于温度预测的锂电池SOH估计方法，包括以下步骤：(1)获取锂电池的原始数据集；(2)建立基于ELM的温度预测模型；(3)获取平滑后的温差曲线；(4)健康特征提取和选择；(5)建立基于GRU神经网络的SOH估计模型；(6)划分估计模型训练集和估计模型测试集；(7)训练基于GRU神经网络的SOH估计模型；(8)SOH估计。本发明专利技术使用的是具有规律性和稳定性的恒流充电过程中的数据，解决了传统使用放电数据的混乱性和无规律性，同时也比恒流恒压的充电数据更简单。本发明专利技术基于部分的充电数据预测充电过程中完整的充电温度曲线，因而很好的解决了传统方法中对于健康特征提取的不足。传统方法中对于健康特征提取的不足。传统方法中对于健康特征提取的不足。

【技术实现步骤摘要】
一种基于温度预测的锂电池SOH估计方法


[0001]本专利技术涉及电池SOH估计领域，具体涉及一种基于温度预测的锂电池SOH估计方法。

技术介绍

[0002]SOH作为电池寿命和健康预测的重要指标，其高精度的估计对于避免电池出现潜在故障，确保电池运行安全，以及延长电池寿命具有重要意义。
[0003]SOH估计是一个时间序列预测问题，常见的方法主要包括直接测量的方法、基于模型的方法和数据驱动的方法。直接测量的方法对操作条件要求严格，仅适用于实验室离线工作。基于模型的方法的准确性高度依赖于所建立的电池模型。然而，由于锂电池的非线性和时变特性，很难建立一个可靠的模型来全面描述各种任务中的老化动态行为。近年来，由于不需要考虑电池老化过程中复杂的物理化学反应，数据驱动的方法在SOH估算中受到了广泛的关注。但是传统的数据驱动的方法比如：高斯回归、支持向量机以及人工神经网络不能解决时序问题，因而催生了循环神经网络的产生和发展。GRU神经网络由于具有简单的结构和优秀的时间序列处理能力成为了解决时间序列问题的首选方法。数据驱动方法的另外一个关键步骤是健康本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于温度预测的锂电池SOH估计方法，其特征在于，包括以下步骤：(1)获取锂电池的原始数据集：对锂电池进行循环充放电测试，直到锂电池的放电容量低于标称容量的80％，并实时记录锂电池充放电过程中的充放电数据，从充放电数据中提取锂电池的充电数据构成原始数据集；(2)建立基于ELM的温度预测模型：根据步骤(1)得到的原始数据集建立基于ELM的温度预测模型，并通过基于ELM的温度预测模型得到预测完整的温度预测曲线；(3)获取平滑后的温差曲线：根据步骤(2)得到的温度预测曲线预测温度，根据预测的温度使用有限差分法计算初始温差曲线，并用卡尔曼滤波算法对初始温差曲线进行滤波处理得到平滑后的温差曲线；(4)健康特征提取和选择：根据步骤(3)得到的平滑后的温差曲线，提取健康特征，并利用Pearson相关系数法选择出相关性高的健康特征；(5)建立基于GRU神经网络的SOH估计模型；(6)划分估计模型训练集和估计模型测试集：将步骤(4)选择出的相关性高的健康特征按照留一验证法划分为估计模型训练集和估计模型测试集；(7)训练基于GRU神经网络的SOH估计模型：使用估计模型训练集对所述的SOH估计模型进行训练，确定基于GRU神经网络的SOH估计模型；(8)SOH估计：将估计模型测试集输入到步骤(7)确定的SOH估计模型对SOH进行估计。2.根据权利要求1所述的一种基于温度预测的锂电池SOH估计方法，其特征在于，所述的步骤(1)中的充放电数据包括时间、电流、电压和温度数据。3.根据权利要求1所述的一种基于温度预测的锂电池SOH估计方法，其特征在于，所述的步骤(2)中根据原始数据集建立基于ELM的温度预测模型，并通过基于ELM的温度预测模型得到预测完整的温度预测曲线具体包括以下步骤：(21)选择步骤(1)中的充电电流计算SOC，公式如下：SOC
i
＝SOC0+ηI
i
Δt/3600Ca，其中，SOC
i
表示i时刻的SOC值；SOC0表示初始SOC值，η表示库伦效率设置为1；Δt表示时间差；Ca为锂电池的标称容量；I
i
表示充电电流；(22)确定基于ELM的温度预测模型的结构，包括1层有3个节点的输入层、1层有21个神经元的隐藏层和1层有1个节点的输出层，并初始化基于ELM的温度预测模型的阈值和权重；(23)选择步骤(1)中的充电电流、充电电压以及步骤(21)得到的SOC作为所述的基于ELM的温度预测模型的输入数据，表示为α
i
＝[V
i I
i SOC
i
]，对应的标签值为充电温度，表示为γ
i

【专利技术属性】
技术研发人员：陈峥，赵红茜，申江卫，沈世全，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：