一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法技术

本发明专利技术公开了一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法。首先基于实验电池在不同工况下的循环实验数据，处理得到由电池历史状态数据、对应未来工况数据和对应未来健康状态数据组成的实验数据集。之后，构建基于注意力层的多源序列到序列神经网络模型，并基于电池实验数据集对模型进行训练。对于待预测电池，取其历史健康状态数据和未来工况数据输入训练完成的多源序列到序列模型，得到该电池的健康状态预测结果。此外，将模型输出作为新一轮的历史健康状态数据，迭代输入至模型，以获得长期预测结果。本发明专利技术可适用于预测锂电池未来在不同工况下的健康状态，适用条件广、预测精度高，具有很高的实际应用价值。价值。价值。

【技术实现步骤摘要】
一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法
所属

[0001]本专利技术提出一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法，属于故障预测与健康管理(PHM)


技术介绍

[0002]近年来，随着锂电池技术的不断发展，锂电池正被越来越广泛地应用到多个领域，如电动汽车、智能电网等。然而，在使用过程中，由于锂金属析出、固态电解质膜生长、电解液耗损等多种原因，锂电池的健康状态(state of health,SOH)会逐渐退化。当这种退化累积到临界值时，将导致设备无法运行、停机甚至灾难性的安全问题。因此，需要对锂电池的SOH进行准确的预测，以确定电池的维护或更换时间，进而减少由于电池退化造成的损失。另一方面，对锂电池SOH进行预测也有助于电池管理系统制定更合理的电池均衡策略，延长电池寿命。
[0003]常用的锂电池SOH预测方法主要包括基于模型法和数据驱动法两大类。具体地，基于模型的方法通常利用电化学模型、等效电路模型或经验模型来描述电池的退化行为，从而构建电流SOH衰减模型，再结合滤波算法等对SOH衰减模型的参数进行估计，最终实现锂电池SOH预测。与基于模型法不同，数据驱动法直接基于电池历史SOH数据而不是数学模型来预测电池SOH。在数据驱动方法中，常用算法包括基于核的方法(例如支持向量机、相关向量机等)、神经网络方法(如长短期记忆神经网络等)。然而，现有的SOH预测方法仍然存在部分不足。例如，这些方法中仅使用了电池的历史状态信息作为输入，而忽略了电池的未来工况信息。由于电池SOH的退化与其工况条件高度相关，忽略未来工况信息将不可避免地导致SOH预测精度的损失。因此，以上方法在锂电池SOH预测的应用中均具有一定的局限性。

技术实现思路

[0004]为解决现有锂电池健康状态预测技术存在的不足，本专利技术提供一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法，适用于预测锂电池未来在不同工况下的健康状态，具有很高的实际应用价值。
[0005]一种融合未来工况信息和历史状态信息的健康状态预测方法，具体包括以下步骤：
[0006]第一步：对实验电池进行不同工况下的循环实验，记录实验过程中的时间、电池端电压、电流数据；
[0007]第二步：基于电池实验数据，由下式计算得到电池在每个放电循环的电池健康状态：
[0008][0009]其中，I(t)为电池放电电流、T
k
电池在循环k的总放电时间，Cap
rate
为电池标称容
量，SOH
k
为电池在循环k的健康状态；
[0010]第三步：基于电池实验数据，构造并计算描述每个放电循环的电池工况的特征量，记电池在循环k的工况特征量为l
k
；
[0011]第四步：以l
w
为窗口长度，以l
s
为窗口步长，滑动选取实验电池健康状态数据以及每个窗口对应的未来l
f
个循环的工况特征数据为样本，选取未来健康状态数据作为样本对应的标签，获得包含若干个样本的实验数据集；
[0012]第五步：构建具有2个编码器和一个解码器的多源序列到序列模型，其中编码器1、编码器2和解码器均采用多层注意力层的网络设计，编码器1、编码器2分别以电池健康状态数据未来工况特征数据为输入，且均输出隐藏状态至解码器，解码器输出预测的电池健康状态；
[0013]第六步：以参考电池实验数据集中的为模型输入，为与输入对应的模型期望输出，采用反向传导算法沿着误差减小的方向从输出层逐层调整序列到序列模型的连接权值，直到模型准确度收敛到最佳水平，完成模型训练。
[0014]第七步：对于待预测电池，取其历史健康状态数据和未来循环的工况数据作为第六步中训练完成的多源序列到序列模型的输入，得到模型输出即为健康状态预测结果，可选地，可将模型输出作为历史健康状态数据迭代输入多源序列到序列模型以获得长期的健康状态预测结果。
附图说明
[0015]图1为本专利技术实施例的考虑未来工况的锂电池健康状态预测的步骤流程图。
[0016]图2为本专利技术实施例的实验电池和待测电池的实际健康状态退化曲线。
[0017]图3为本专利技术实施例构建的多源序列到序列神经网络模型。
[0018]图4为本专利技术实施例的待测电池健康状态估计结果。
具体实施方式
[0019]下面结合附图说明及具体实施案例对本专利技术提出的融合未来工况信息和历史状态信息的锂电池健康状态预测方法进行进一步说明。
[0020]如图1所示，一种考虑未来工况的锂电池健康状态预测方法，包括以下步骤：
[0021]S1.本实施例中，以美国宇航局卓越预测中心(NASA PCoE)提供的编号分别为RW14、RW15、RW16、RW17、RW18、RW19的六个锂电池随机充放电循环实验数据作为源数据，其中RW15、RW16、RW18、RW19共四个电池作为实验电池，RW14、RW17电池作为健康状态待预测电池。为了模拟实际使用中的工况，在循环实验中，电池均被循环充电至4.2V，然后使用0.5A至5A之间的随机放电电流放电至3.2V，其中放电电流以如表1所示的概率分布在每分钟随机采样更新，记这种循环称为随机游走(RW)循环。每50次RW循环后，执行一次标准充电(即恒流充电
‑
恒压充电模式，CC
‑
CV)和放电(即固定电流模式)循环以观察电池健康状态并计
算其SOH。此外，每50RW循环后进行15W的恒功率放电循环和脉冲电流放电循环，以观察电池瞬态动态的变化。在整个老化过程中，电池的所有充电循环都遵循CC
‑
CV模式，恒流充电期间电流为2A，恒压充电期间截止电流为0.01A。在脉冲电流放电循环中，电池先以1A电流放电10分钟，然后休息20分钟，循环放电和休息直到电压降至3.2V。
[0022]表1电池随机游走放电电流概率分布
[0023][0024]S2.基于电池实验数据，由下式计算得到电池在每个放电循环的电池健康状态：
[0025][0026]其中，I(t)为电池放电电流、T
k
电池在循环k的总放电时间，Cap
rat
e为电池标称容量，SOH
k
为电池在循环k的健康状态，在本实施例中，最终得到六个电池的健康状态退化曲线如图2所示。
[0027]第三步：基于电池实验数据，构造并计算描述每个循环的电池工况的特征量，在本实施例中，以电池放电电流在[0A,5A]区间内、以0.5A为间隔的离散概率为描述电池工况的特征量，记为l
k
；
[0028]第四步：以l
w
为窗口长度，以l
s
为窗口步长，滑动选取实验电池健康状态数据以及每个窗口对应的未来l
f
个循环的工况特征数据为输入样本，选取未来健康状态数据作为输入样本对应的输出样本，在本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法，其特征在于，包括以下步骤：步骤1：对实验电池进行不同工况下的循环实验，记录实验过程中的时间、电池电压、电流数据；步骤2：将实验电池的电压、电流和时间数据进行分析处理，形成实验数据集；步骤3：构建以历史健康状态数据和未来工况数据为输入的多源序列到序列神经网络模型，并基于实验数据集对模型进行训练，得到训练完成的多源序列到序列模型；步骤4：对于待预测电池，取其历史健康状态数据和未来的工况数据作为步骤3中训练完成的多源序列到序列模型的输入，得到模型输出即为健康状态预测结果，可选地，将模型输出作为历史健康状态数据迭代输入多源序列到序列模型以获得长期的健康状态预测结果。2.如权利要求1所述的锂电池健康状态预测方法，其特征在于，所述步骤2进一步包含以下内容：步骤21：基于电池实验数据，由下式计算得到电池在每个放电循环的电池健康状态：其中，I(t)为电池放电电流、T
k
电池在循环k的总放电时间，Cap
rate
为电池标称容量，SOH
k
为电池在循环k的...

【专利技术属性】
技术研发人员：钱诚，徐炳辉，任羿，孙博，王自力，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：