基于充电数据和LSTM神经网络的电池健康状态估计方法技术

本发明专利技术涉及一种基于充电数据和LSTM神经网络的电池健康状态估计方法，包括：构建原始数据集；对数据集进行预处理；对数据集中的输入数据进行特征提取；对输入特征与目标值进行相关系数分析；构建神经网络模型结构；训练神经网络模型；优化神经网络模型；评估神经网络模型并将其嵌入电池管理系统；电池健康状态在线估计。本发明专利技术通过使用比较稳定的充电数据对电池SOH进行估计，将输入数据的进行降维处理，同时也将输入数据与输出数据之间进行相关性分析，既提高了电池SOH估计网络模型的运算速度，又提高了电池SOH估计的精度。又提高了电池SOH估计的精度。又提高了电池SOH估计的精度。

【技术实现步骤摘要】
基于充电数据和LSTM神经网络的电池健康状态估计方法


[0001]本专利技术涉及电池
，具体涉及一种基于充电数据和LSTM 神经网络的电池健康状态估计方法。

技术介绍

[0002]“双碳”目标的提出必将加快推进新能源发电的跨越式发展。波动 性和间歇性的新能源高比例接入，增加了电力系统调度运行的不确定 性和调峰调频压力，影响新能源消纳和电力系统高效优化运行，成为 新型电力系统面临的重要挑战。锂离子电池具有能量密度高、循环寿 命长、无记忆效应等优点，是新型储能系统的重要技术路线之一。随 着锂离子电池充放电循环次数的增加，电池的健康状态(State ofHealth，SOH)会不断下降，导致有效容量下降和安全隐患。因此， 对于锂离子电池的SOH的准确估计具有重要意义。
[0003]目前，电池SOH估计方法主要包括安直接测量法、模型辨识法 和数据驱动法。由于人工智能的飞速发展，基于数据驱动的电池SOH 估计具有很好的应用前景。现有基于数据驱动的电池SOH估计方法， 一般采用电池在充放电过程中的电压、电流、温度作为神经网络的输 入来估计电池的剩余电量，但这种方法存在以下问题：
①
输入的数据 量过大，导致电池SOH估计的计算速度很慢；
②
没有考虑输入特征 与输出目标的相关性分析，会保留相关度较差的输入特征，使估计精 度降低；
③
时序依赖性比较严重，电池SOH估计需要考虑时间间隔 足够大的信息之间的相关性问题。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于充电数据和LSTM神 经网络的电池健康状态估计方法，克服了上述现有基于数据驱动的电 池SOH估计方法存在的计算速度问题、估计精度问题和时序依赖性 问题。
[0005]为实现上述目的，本专利技术采用如下技术方案：
[0006]一种基于充电数据和LSTM神经网络的电池健康状态估计方法， 包括以下步骤:
[0007]步骤S1:对锂离子电池进行多次充放电循环来采集数据，获取原始 数据集；
[0008]步骤S2:对原始数据集进行数据清洗和数据归一化，得到数据矩阵；
[0009]步骤S3:根据得到数据矩阵，进行特征提取；
[0010]步骤S4:对输入特征与目标值进行Pearson相关系数分析，得到最 终的输入特征，并分为训练集和测试集
[0011]步骤S5:构建LSTM神经网络模型；
[0012]步骤S6:基于训练集训练LSTM神经网络模型；
[0013]步骤S7:采用蚁群算法对训练后的LSTM神经网络模型进行优化；
[0014]步骤S8:基于测试集评估优化后的LSTM神经网络模型，若符合预 设精度要求则将其嵌入电池管理系统，不符合预设精度要求则重新执 行S6至S7，重新训练和优化模型；
[0015]步骤S9:将待测电池的充电过程中的电流、电压、温度和时间数据， 进行归一化处
理和特征提取后，再输入所述电池管理系统中的神经网 络模型，估计电池健康状态。
[0016]进一步的，所述步骤S1具体为：
[0017]S101：选取N个同型号锂离子电池同时进行M次充放电循环实 验；
[0018]S102:进行恒流恒压充电，分为恒流充电和恒压充电两个阶段， 第一阶段以恒定电流对锂离子电池进行恒流充电，直至电池达到额定 电压，再转入第二阶段以恒定电压继续充电，直至充电电流降至预设 阈值以下，停止充电；在电池进行恒流恒压充电期间，记录每个采样 时刻的电池电压、电流和温度数据；假设从零时刻开始记录数据，采 样周期设定为t，经过Z个采样周期所获取数据为：
[0019][0020][0021][0022]其中，为电池的电压数据向量，为电池的电流数据，为电池 的表面温度数据，并将其存放在数据库中；
[0023]S103：以恒定电流对锂离子电池进行恒流放电，直至电池达到 放电截止电压，记录整个过程的总放电量，作为电池在该次充放电循 环中的当前可用容量C
now
。采用的锂离子电池SOH指标定义如下：
[0024][0025]其中，C
now
和C0分别是锂离子电池当前可用容量和电池原始标称容 量；
[0026]S104：循环执行步骤S102和步骤S103，在电池经过M次充放电 循环后，将期间保存的有效数据整合成数据集D，可得到：
[0027][0028]S105：循环执行步骤S102至S104，直至所有N个电池都完成M 次充放电循环实验，将所有数据集D都保存到原始数据集D
raw
中。
[0029]进一步的，所述步骤S2具体为：
[0030]S201：对步骤S1获取的电池原始数据集D
raw
进行数据清洗；
[0031]S202：对于数据清洗后的每个电池数据集D
[0032][0033]在数据集D中，每一行代表电池在一次充放电循环中的数据，对 应电池的电压、电流、温度和容量数据，最后一列记为目标值C
SOH
， 第一列至倒数第二列记为输入数据矩阵F，
所述F的每一行都为一个 循环中恒流恒压充电的数据向量：
[0034][0035]S203：将每一行所有的数据向量进行归一化处理，把数据映射到 0～1范围之内，得到新数据向量并将其组成新的输入数据矩 阵F
new
。
[0036]S204：将所述新特征向量与目标值C
SOH
一一对应，组成新的 数据矩阵D
new
。
[0037]进一步的，所述步骤S3具体为：
[0038]S301：对于归一化处理后的输入数据矩阵F
new
，将每个循环中充 电阶段的每个测量指标平均分为q份，即将电压、电流、温度的数据 分别平均分为q份，再将每份数据取平均，得到3个q维数据，即有：
[0039][0040][0041][0042]S302：将电池每次循环的恒流充电时间t
_cc
和恒压充电时间t
_cv
都 作为输入特征数据。所以，每一行所有的数据向量更新为：
[0043][0044]S303：每个循环的输入特征向量与目标值C
SOH
是一一对应的 关系。
[0045]1.根据权利要求1所述的基于充电数据和LSTM神经网络的电池健 康状态估计方法，其特征在于，所述步骤S4具体为：
[0046]S401：，采用Pearson相关系数来对输入特征与容量的相关程度进 行衡量，计算公式为：
[0047][0048]其中，x
i
和y
i
分别代表样本的输入特征和目标值。
[0049]S402：保留|r|大于0.6的输入特征作为网络最终的输入特征。
[0050]进一步的，所述步骤S5具体为：
[0051]S501:确定LSTM本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于充电数据和LSTM神经网络的电池健康状态估计方法，其特征在于，包括以下步骤:步骤S1:对锂离子电池进行多次充放电循环来采集数据，获取原始数据集；步骤S2:对原始数据集进行数据清洗和数据归一化，得到数据矩阵；步骤S3:根据得到数据矩阵，进行特征提取；步骤S4:对输入特征与目标值进行Pearson相关系数分析，得到最终的输入特征，并分为训练集和测试集；步骤S5:构建LSTM神经网络模型；步骤S6:基于训练集训练LSTM神经网络模型；步骤S7:采用蚁群算法对训练后的LSTM神经网络模型进行优化；步骤S8:基于测试集评估优化后的LSTM神经网络模型，若符合预设精度要求则将其嵌入电池管理系统，不符合预设精度要求则重新执行S6至S7，重新训练和优化模型；步骤S9:将待测电池的充电过程中的电流、电压、温度和时间数据，进行归一化处理和特征提取后，再输入所述电池管理系统中的神经网络模型，估计电池健康状态。2.根据权利要求1所述的基于充电数据和LSTM神经网络的电池健康状态估计方法，其特征在于，所述步骤S1具体为：S101：选取N个同型号锂离子电池同时进行M次充放电循环实验；S102:进行恒流恒压充电，分为恒流充电和恒压充电两个阶段，第一阶段以恒定电流对锂离子电池进行恒流充电，直至电池达到额定电压，再转入第二阶段以恒定电压继续充电，直至充电电流降至预设阈值以下，停止充电；在电池进行恒流恒压充电期间，记录每个采样时刻的电池电压、电流和温度数据；假设从零时刻开始记录数据，采样周期设定为t，经过Z个采样周期所获取数据为：个采样周期所获取数据为：个采样周期所获取数据为：其中，为电池的电压数据向量，为电池的电流数据，为电池的表面温度数据，并将其存放在数据库中；S103：以恒定电流对锂离子电池进行恒流放电，直至电池达到放电截止电压，记录整个过程的总放电量，作为电池在该次充放电循环中的当前可用容量C
now
。采用的锂离子电池SOH指标定义如下：其中，C
now
和C0分别是锂离子电池当前可用容量和电池原始标称容量；S104：循环执行步骤S102和步骤S103，在电池经过M次充放电循环后，将期间保存的有效数据整合成数据集D，可得到：
S105：循环执行步骤S102至S104，直至所有N个电池都完成M次充放电循环实验，将所有数据集D都保存到原始数据集D
raw
中。3.根据权利要求1所述的基于充电数据和LSTM神经网络的电池健康状态估计方法，其特征在于，所述步骤S2具体为：S201：对步骤S1获取的电池原始数据集D
raw
进行数据清洗；S202：对于数据清洗后的每个电池数据集D在数据集D中，每一行代表电池在一次充放电循环中的数据，对应电池的电压、电流、温度和容量数据，最后一列记为目标值C
SOH
，第一列至倒数第二列记为输入数据矩阵F，所述F的每一行都为一个循环中恒流恒压充电的数据向量：S203：将每一行所有的数据向量进行归一化处理，把数据映射到0～1范围之内，得到新数据向量并将其组成新的输入数据矩阵F
new
。S204：将所述新特征向量与目标值C
SOH
一一对应，组成新的数据矩阵D
new
。4.根据权利要求1所述的基于充电数据和LSTM神经网络的电池健康状态估计方法，其特征在于，所述步骤S3具体为：S301：对于归一化处理后的输入数据矩阵F
new
，将每个循环中充电阶段的每个测量指标平均分为q份，即将电压、电流、温度的数据分别平均分为q份，再将每份数据取平均，得到3个q维数据，即有：即有：即有：S302：将电池每次循环的恒流充电时间t
_cc
...

【专利技术属性】
技术研发人员：范元亮，方略斌，吴涵，连庆文，陈伟铭，黄兴华，李泽文，陈扩松，袁敏根，陈思哲，郑宇，
申请(专利权)人：国网福建省电力有限公司电力科学研究院，
类型：发明
国别省市：