一种基于等压升能量和改进GRU的锂电池健康状态估计方法技术

本发明专利技术提供了一种基于等压升能量和改进GRU的锂电池健康状态估计方法，包括获取锂电池每个充放电循环的健康状态数据和充电能量数据；从每个充放电循环的充电能量数据中提取等压升间隔能量序列，绘制等压升能量充电曲线，并计算出每个充放电周期所对应的等压升能量充电曲线的峰值序列；将等压升能量充电曲线的峰值序列与健康状态序列进行归一化预处理后作为输入数据；在GRU网络中增加翻转层和概率层，改进GRU网络，构建锂电池健康状态的网络估计模型；应用构建的锂电池健康状态网络估计模型对锂电池健康状态进行估计。本发明专利技术通过电池外部特性表征内部复杂和剧烈的电化学反应，能有效反应电池的衰退老化，具有快速、准确等优势的健康状态估计方法。优势的健康状态估计方法。优势的健康状态估计方法。

【技术实现步骤摘要】
一种基于等压升能量和改进GRU的锂电池健康状态估计方法


[0001]本专利技术属于电池
，更具体地，涉及一种基于等压升能量和改进GRU的锂电池健康状态估计方法。

技术介绍

[0002]随着绿色环保意识的提高以及新能源的可持续发展的推动下，锂离子电池凭借着高功率、高能量密度、使用寿命长和环境污染小等卓越的性能优势，而得到各领域的研究和关注。在锂电池的循环使用过程中，健康状态成为评价电池老化程度的关键指标，而电池的老化和再生现象复杂多变，与电池内外部条件都有很大的关系，故准确估计锂电池健康状态是至关重要。
[0003]近年来，基于数据驱动的方法估计锂电池健康状态被大量的使用，因无需分析锂电池内部电化学机理，只用对电池外部采集的电流、电压等特征进行建模，在计算效率、成本上都具有很大的优势。如常用的支持向量机(SVM)、极限学习机(ELM)、长短期记忆网络(LSTM)等。但这些建模方法受到数据量和测试环境的限制，导致估计模型无法准确的描述电池的衰退过程。而GRU作为LSTM的变体，利用更少的参数和减少网络的复杂度，在数据的运算负担和收敛速度上都有很大的提升，但电池伴随老化而出现的再生现象和数据的跳变，很容易导致健康状态的估计不准确。
[0004]数据驱动的方法虽然能高效的建立估计模型，但是特征的分析与提取在很大程度上决定模型的估计精度。如常用的增量分析法对电压、电流和温度等充电曲线提取特征，通过外部细微的特性变化反应出电池内部的剧烈反应。但传统的增量分析法通常应用于恒流充放电模式下的电池老化机理分析，将原始的充放电数据的容量
‑
端电压曲线采用一阶微分求导变换成容量增量
‑
端电压曲线，但在实际测量中存在噪声误差和充电曲线微分求导带来的波动误差，以及精度问题极大的阻碍了该方法的运用。

技术实现思路

[0005]为解决当前技术现状中的不足，针对当前健康状态估计方法的采集数据误差大和建模精度不足的问题，本专利技术提出一种基于等压升能量和改进GRU的锂电池健康状态估计方法，通过外部特性表征内部发生复杂和剧烈的电化学反应，快速提取特征，估计模型能有效克服电池的再生现象，提升电池健康状态的估计准确度。
[0006]为解决上述实际问题，本专利技术采取的技术方案是：
[0007]一种基于等压升能量和改进GRU的锂电池健康状态估计方法，所述方法包括如下步骤：
[0008]S1、获取锂电池每个充放电循环的健康状态数据和充电能量数据；
[0009]S2、从每个充放电循环的充电能量数据中提取等压升间隔能量序列，绘制等压升能量充电曲线，并计算出每个充放电周期所对应的等压升能量充电曲线的峰值序列；
[0010]S3、将等压升能量充电曲线的峰值序列与健康状态序列进行归一化预处理后作为
输入数据；
[0011]S4、在GRU网络中增加翻转层和概率层，改进GRU网络，构建锂电池健康状态的网络估计模型；
[0012]S5、应用构建的锂电池健康状态网络估计模型对锂电池健康状态进行估计。
[0013]其中，在所述步骤S1中：
[0014]充放电循环过程的锂电池健康状态数据序列为H1,H2,...,H
n
，其中所测量的数据其中H
i
为第i个充放电循环的电池健康状态，i＝1,2,K,n，n为循环充放电次数，C
i
为第i个充放电过程锂电池的最大放电容量，C为锂电池的额定容量；充电能量数据为E0,E1,...,E
t
，其中所测量的能量数据E
j
＝E0+∑UIt，其中E
j
为j时刻充电能量，E0为初始能量，U为充电端电压，I为充电电流，t为充电时间。
[0015]优选地，所述的步骤S2的过程包括：
[0016]通过固定电压升值所对应的能量序列E0,E
ΔV
,
…
,E
mΔV
来快速绘制等压升能量充电曲线，计算等压升能量充电曲线的峰值序列为F1,F2,
…
,F
n
，其中，F
i
为i个充电循环内等压升能量的最大变化率，E
i,aΔV
、E
i,(a+1)ΔV
分别为第i个充电循环内，电池在相邻的第a，a+1个等压间隔的充电能量，a＝0,
…
,m
‑
1，ΔV为间隔电压，y为充电过程中的总上升电压。
[0017]进一步，所述的步骤S3的过程包括：
[0018]采用最大最小值归一化预处理数据，将数据归一化在区间[
‑
1,1]之间；其中，归一化公式为x为预处理数据序列，x
min
为数据序列x中最小值，x
max
为数据序列x中最大值。
[0019]更进一步，在所述的步骤S4中：
[0020]翻转层反转输入数据序列顺序，同时读取正向和反向数据，翻转计算公式如下：
[0021]l＝size(x
*
)；
[0022][0023]其中，l为一个常数，代表输入序列的长度大小，size为维度函数，为与x
*
同维度的反向序列，flip为翻转函数，dim为反向运算的维度方向；
[0024]概率层对输入数据按照一定的概率进行保留和删除，概率计算公式如下：
[0025]g
i
＝Bernoulli(p)；
[0026][0027][0028]其中，p为一个概率值，0<p<1，g
i
为概率p的伯努利分布随机生成与数据序列长度相同的0,1序列，为按照概率保留下来的数据，y输出数据，w为保留数据的权重，b为偏置；
[0029]GRU网络中主要数据处理过程如下：
[0030]z
t
＝σ1(w
z
*[h
t
‑1，x
t
]+b
z
)
[0031]r
t
＝σ1(w
r
*[h
t
‑1，x
t
]+b
r
)
[0032][0033][0034]其中，更新门z
t
衡量t
‑
1时刻的信息被保留在t时刻的程度，重置门r
t
用来控制t
‑
1时刻的信息被保留在t时刻候选隐藏信息上的多少，根据t时刻更新门状态和t时刻候选隐藏状态计算输出门的隐藏状态h
t
；w
z
，w
r
和w
h
分别为更新门、重置门和隐藏状态的权重，b
z
，b
r
和b
h
分别为更新门、重置门和隐藏状态的偏置；σ1和σ2分别为sigmoid型tanh型激活本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于等压升能量和改进GRU的锂电池健康状态估计方法，其特征在于，所述方法包括如下步骤：S1、获取锂电池每个充放电循环的健康状态数据和充电能量数据；S2、从每个充放电循环的充电能量数据中提取等压升间隔能量序列，绘制等压升能量充电曲线，并计算出每个充放电周期所对应的等压升能量充电曲线的峰值序列；S3、将等压升能量充电曲线的峰值序列与健康状态序列进行归一化预处理后作为输入数据；S4、在GRU网络中增加翻转层和概率层，改进GRU网络，构建锂电池健康状态的网络估计模型；S5、应用构建的锂电池健康状态网络估计模型对锂电池健康状态进行估计。2.根据权利要求1所述的基于等压升能量和改进GRU的锂电池健康状态估计方法，其特征在于，在所述步骤S1中：充放电循环过程的锂电池健康状态数据序列为H1,H2,...,H
n
，其中所测量的数据其中H
i
为第i个充放电循环的电池健康状态，i＝1,2,K,n，n为循环充放电次数，C
i
为第i个充放电过程锂电池的最大放电容量，C为锂电池的额定容量；充电能量数据为E0,E1,...,E
t
，其中所测量的能量数据E
j
＝E0+∑UIt，其中E
j
为j时刻充电能量，E0为初始能量，U为充电端电压，I为充电电流，t为充电时间。3.根据权利要求2所述的基于等压升能量和改进GRU的锂电池健康状态估计方法，其特征在于，所述的步骤S2的过程包括：通过固定电压升值所对应的能量序列E0,E
ΔV
,
…
,E
mΔV
来快速绘制等压升能量充电曲线，计算等压升能量充电曲线的峰值序列为F1,F2,
…
,F
n
，其中，，其中，F
i
为i个充电循环内等压升能量的最大变化率，E
i,aΔV
、E
i,(a+1)ΔV
分别为第i个充电循环内，电池在相邻的第a，a+1个等压间隔的充电能量，a＝0,
…
,m
‑
1，ΔV为间隔电压，y为充电过程中的总上升电压。4.根据权利要求3所述的基于等压升能量和改进GRU的锂电池健康状态估计方法，其特征在于，所述的步骤S3的过程包括：采用最大最小值归一化预处理数据，将数据归一化在区间[
‑
1,1]之间；其中，归一化公式为x为预处理数据序列，x
min
为数据序列x中最小值，x
max
为数据序列x中最大值。5.根据权利要求4所述的基于等压升能量和改进GRU的锂电池健康状...

【专利技术属性】
技术研发人员：张朝龙，罗来劲，杨忠，何怡刚，杜博伦，熊雄，张颖超，叶小岭，
申请(专利权)人：金陵科技学院，
类型：发明
国别省市：