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：