一种预测模型生成方法及自放电压降预测方法技术

本发明专利技术提供了一种预测模型生成方法及自放电压降预测方法，预测模型生成方法包括：对多个锂离子电池分别进行soak实验和充放电循环实验，得到自放电压降数据和充放电曲线；从每个充放电曲线中提取动态特征，将动态特征与对应的自放电压降数据进行灰色关联度分析，得到目标数据；根据目标数据，构建高斯过程回归模型，并采用粒子群算法优化训练好的高斯过程回归模型的协方差函数和噪声方差，得到预测模型。本发明专利技术根据先验特征和后验特征的分布关系，建立高斯过程回归模型，并采用粒子群算法对高斯过程回归模型进行优化，得到最终的预测模型，使得精度较高。所以，本发明专利技术有效克服了现有技术中的种种缺点而具高度产业利用价值。有技术中的种种缺点而具高度产业利用价值。有技术中的种种缺点而具高度产业利用价值。

【技术实现步骤摘要】
一种预测模型生成方法及自放电压降预测方法


[0001]本专利技术涉及锂离子电池
，特别是涉及一种预测模型生成方法及自放电压降预测方法。

技术介绍

[0002]锂离子电池具有重量轻、高能量密度、高效率、优异的低温性能、低自放电率和长寿命等特点，因而被广泛应用于飞机、电动汽车、航天等各个领域。
[0003]通常，锂离子电池在规定环境下搁置一段时间，其容量发生自发损耗的现象称为锂离子电池的自放电现象，同一批生产的锂离子电池由于使用的材料与制程控制基本相同，当其中个别电池的自放电压降明显偏大时，很可能是其有内部杂质异物、隔膜翻折或毛刺刺穿隔膜等异常，从而使得锂离子电池内部产生了严重的微短路。
[0004]因此，锂离子电池出厂时普遍会进行soak实验，soak实验指的是将锂离子电池自然平放于静置托盘或侧放于静置筐中，记录一段时间内锂离子电池的电压变化量，通过锂离子电压的衰减以及两次测量电压的时间间隔，测定其自放电压降，然而，soak实验中测量电压的时间间隔一般为5～30天，其时间跨度很大，耗时耗力。
[0005]综上，现有技本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种预测模型生成方法，其特征在于，所述预测模型生成方法包括：对多个锂离子电池分别进行soak实验和充放电循环实验，得到相应的自放电压降数据和充放电曲线；从每个所述充放电曲线中提取动态特征，将所述动态特征与对应的自放电压降数据进行灰色关联度分析，得到目标数据；根据所述目标数据，构建高斯过程回归模型，并优化训练好的高斯过程回归模型的协方差函数和噪声方差，得到预测模型。2.根据权利要求1所述的预测模型生成方法，其特征在于，所述从每个所述充放电曲线中提取动态特征，将所述动态特征与对应的自放电压降数据进行灰色关联度分析，得到目标数据的步骤包括：提取每条所述充放电曲线的多个动态特征；针对每条所述充放电曲线，将所述动态特征与对应的自放电压降数据进行灰色关联度分析，得到关联程度最高的多个目标特征，作为当前充放电曲线对应的一组目标数据。3.根据权利要求2所述的预测模型生成方法，其特征在于，所述目标特征包括充电欧姆极化、充电扩散极化、放电欧姆极化中的至少一项。4.根据权利要求1所述的预测模型生成方法，其特征在于，所述根据所述目标数据，训练高斯过程回归模型，并优化训练好的高斯过程回归模型的协方差函数和噪声方差，得到预测模型的步骤包括：将所述目标数据按照预设的比例划分为训练集、验证集和测试集；根据所述训练集训练高斯过程回归模型，得到训练好的高斯过程回归模型，并建立分布函数：其中，y表示所述训练集目标数据对应的自放电压降数据的集合；N表示正态分布；0表示零均值；k
f
表示协方差函数，且x
i
表示训练集中第i个目标数据，x
j
表示训练集中第j个目标数据，l表示关联性测定超参数；表示所述协方差函数的信号方差；表示噪声协方差矩阵；表示噪声方差；获取所述训练集和所述验证集的高斯联合分布：其中，y
*
表示所述验证集中目标数据对应的自放电压降数据的集合；x表示所述训练集中的目标数据，x
*
表示所述验证集中的目标数据，表示所述验证集中第m个目标数据，表示所述验证集中第n个目标数据，；采用粒子群算法优化所述协方差函数和所述噪声方差；获取所述训练集和所述测试集的高斯联合分布，并结合优化后的协方差函数、噪声方差，得到；
其中，表示所述测试集中目标数据对应的预测自放电压降数据的集合，k
f
′
表示优化后的协方差函数；σ
′
n2...

【专利技术属性】
技术研发人员：刘征宇，黄威，王可晴，谢娟，何慧娟，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：