一种锂离子电池不同衰退模式下的寿命评估方法技术

本申请提供一种锂离子电池不同衰退模式下的寿命评估方法，包括以下步骤：在某一温度下，对锂离子电池进行多次充放电；采集充放电过程中的用于表征电池容量的特征量的特征量集；在特征数据集中选取N种特征量，将N种特征量进行分组；将相同分组的特征量的值输入初步预测模型，输出电池容量的预测值；重复上一步骤，依次计算不同分组下的电池容量的预测值；将具有相同分组的预测值拟合，得到多个衰退曲线；计算多个衰退曲线与标准曲线之间的误差，选取合适的特征量将其用于预测锂离子电池的电池容量衰减特性。本申请提供的一种锂离子电池不同衰退模式下的寿命评估方法具有对每个温度下的电池衰减特性进行较为准确预测的优点。点。点。

【技术实现步骤摘要】
一种锂离子电池不同衰退模式下的寿命评估方法


[0001]本公开一般涉及人工智能领域，具体涉及一种锂离子电池不同衰退模式下的寿命评估方法。

技术介绍

[0002]锂电池作为电动汽车的能源，因具有功率密度大，循环寿命长和自放电低等优点被广泛使用。为探索锂电池性能迅速衰减的规律许多人做了大量研究。容量是锂电池性能体现的主要方面。准确的寿命预测对锂离子电池的高效使用和避免使用过程中出现的潜在故障有重要意义。
[0003]随着人工智能技术的发展，大量的研究已经在提高机器学习的精确性和效率上展开。增加预测模型中特征数据的个数可以增加预测结果的精度，但是特征数据的增加往往会导致预测的效率的降低。以往结合数据构建预测模型的锂离子电池寿命预测方法通常没有考虑温度条件对锂电池寿命预测所造成的影响。研究表明电池的工作温度对使用寿命有重要的影响，在低温环境中电池的性能衰退非常明显，而且低温下锂电池的寿命衰退模式与常温下锂离子电池的衰退模式往往不同。
[0004]因此，对不同衰退模式，即不同温度下的锂离子电池寿命进行合理的评估成为亟需解决的问题。

技术实现思路

[0005]鉴于现有技术中的上述缺陷或不足，期望提供一种锂离子电池寿命评估方法以解决上述问题。
[0006]本申请提供一种锂离子电池不同衰退模式下的寿命评估方法，包括以下步骤：
[0007]S1、在设定衰退模式下，对锂离子电池进行多次充放电，所述衰退模式为当前测试温度；
[0008]S2、获取所述充放电过程每完成一次之后的特征量集，所述特征量集具有多种用于表征电池容量的特征量；
[0009]S3、在所述特征数据集中选取N种特征量，将N种所述特征量分为个分组，每个分组中包含N
‑
M种所述特征量，1≤M＜N；
[0010]S4、将相同分组的特征数据输入初步预测模型，输出所述电池容量的预测值，所述特征数据为所述特征量的数值，所述初步预测模型用于通过所述特征数据计算所述预测值；
[0011]S5、重复步骤S4，得到同一衰退模式中，不同分组下的电池容量的预测值；将具有相同分组的所述预测值拟合，得到多个衰退曲线；
[0012]S6、计算多个所述衰退曲线与标准曲线之间的误差，选取所述误差最小的所述衰退曲线所对应分组的所述特征量，将其用于预测所述锂离子电池的电池容量衰减特性，所述标准曲线为该衰退模式下电池容量的实际值形成的曲线。
[0013]根据本申请实施例提供的技术方案，在步骤S3中，所述特征数据集中选取N种特征量的方法为：通过Pearson相关系数法计算所述特征量与电池容量之间的相关性，选取与所述电池容量之间的相关系数为强相关和极强相关的特征量为N种所述特征量之一，所述强相关为所述相关系数落入第一范围内，所述极强相关为所述相关系数落入第二范围内，其中第二范围最小值的绝对值大于等于所述第一范围最大值的绝对值。
[0014]根据本申请实施例提供的技术方案，所述Pearson相关系数公式如下：
[0015][0016]其中，E为数学期望，D为方差；σ为标准差；X为某个所述特征数据；Y为所述电池容量的值，ρ
X,Y
为X与Y的相关系数。
[0017]根据本申请实施例提供的技术方案，步骤S4中，所述初步预测模型由Elman神经网络模型训练得到，模型计算公式如下：
[0018]y(k)＝g[w3x(k)][0019]x(k)＝f[w1x
c
(k)+w2(u(k
‑
1))][0020]x
c
(k)＝x(k
‑
1)；
[0021]其中，u(k
‑
1)神经网络的输入，由同一分组中的N
‑
M个所述特征数据组成；y为神经网络的输出，代表电池容量的预测值；x为中间层节点单元向量；xc为反馈状态向量；w1为承接层到隐含层的权重数据组；w2为输入层到隐含层的权重数据组；w3为隐含层到输出层的权重数据组；
[0022]隐含层激励函数为f(x)，输出层激励函数为g(x)，表达式如下：
[0023][0024]根据本申请实施例提供的技术方案，在步骤S4中，当N
‑
M＝1时，所述u(k
‑
1)为同一分组下的每个所述特征数据；当N
‑
M＞1时，所述u(k
‑
1)由同一分组下的N
‑
M个所述特征数据组成。
[0025]根据本申请实施例提供的技术方案，在步骤S6中，计算多个所述衰退曲线与标准曲线之间的误差的方法为：将相同分组下得到的所述预测值与该衰退模式下对应时间的所述实际值进行平均误差、平均相对误差、均方误差的计算，选取三个误差和最小时所对应分组中的所述特征量。
[0026]与现有技术相比，本申请的有益效果在于：通过在测试温度下对锂离子电池进行多次充放电，在充放电过程采集所述特征量集，在所述特征量集中选取N中特征量并将所述特征量分为个分组，使得每个所述分组中的特征量都可以对所述电池容量进行预测；将相同分组的所述特征数据输入初步预测模型，输出所述电池容量的预测值，以相同的方法可以得到所述设定模式下其他分组的所述预测值，通过对每组所述预测值进行拟合可以得到该分组下的电池容量衰退曲线，通过计算多个所述衰退曲线与标准曲线之间的误差，通过选取所述误差最小的所述衰退曲线所对应分组的所述特征量，通过选取的所述特征量对电池容量的衰退曲线进行合理且较为准确的预测，使得在每个温度下，都能够通过选择对应的一组特征量对该温度下的电池容量衰减特性进行预测，保证每个温度与固定的一组
特征量形成一一对应关系。
附图说明
[0027]通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
[0028]图1为本申请提供的锂离子电池不同衰退模式下的寿命评估方法流程图；
[0029]图2为Elman神经网络结构的结构图；
[0030]图3为
‑
10℃下100块锂离子电池的平均容量标准曲线图；
[0031]图4为25℃下100块锂离子电池的平均容量标准曲线图；
[0032]图5为
‑
10℃下100块锂离子电池的平均容量衰退曲线与标准曲线对比图；
[0033]图6为25℃下100块锂离子电池的平均容量衰退曲线与标准曲线对比图。
具体实施方式
[0034]下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与专利技术相关的部分。
[0035]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0036]请参考图1，本申请提供一种设定衰退模式下的离本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种锂离子电池不同衰退模式下的寿命评估方法，其特征在于，包括以下步骤：S1、在设定衰退模式下，对锂离子电池进行多次充放电，所述衰退模式为当前测试温度；S2、获取所述充放电过程每完成一次之后的特征量集，所述特征量集具有多种用于表征电池容量的特征量；S3、在所述特征数据集中选取N种特征量，将N种所述特征量分为个分组，每个分组中包含N
‑
M种所述特征量，1≤M＜N；S4、将相同分组的特征数据输入初步预测模型，输出所述电池容量的预测值，所述特征数据为所述特征量的数值，所述初步预测模型用于通过所述特征数据计算所述预测值；S5、重复步骤S4，得到同一衰退模式中，不同分组下的电池容量的预测值；将具有相同分组的所述预测值拟合，得到多个衰退曲线；S6、计算多个所述衰退曲线与标准曲线之间的误差，选取所述误差最小的所述衰退曲线所对应分组的所述特征量，将其用于预测所述锂离子电池的电池容量衰减特性，所述标准曲线为该衰退模式下电池容量的实际值形成的曲线。2.根据权利要求1所述的锂离子电池不同衰退模式下的寿命评估方法，其特征在于，在步骤S3中，所述特征数据集中选取N种特征量的方法为：通过Pearson相关系数法计算所述特征量与电池容量之间的相关性，选取与所述电池容量之间的相关系数为强相关和极强相关的特征量为N种所述特征量之一，所述强相关为所述相关系数落入第一范围内，所述极强相关为所述相关系数落入第二范围内，其中第二范围最小值的绝对值大于等于所述第一范围最大值的绝对值。3.根据权利要求2所述的锂离子电池不同衰退模式下的寿命评估方法，其特征在于，所述Pearson相关系数公式如下：其中，E为数学期望，D为方差；σ为标准差；X为某个所述特征数据；Y为所述电池容量的值，ρ

【专利技术属性】
技术研发人员：李文华，王洋洋，李洋，郝永耀，王刚，侯振康，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：