一种锂电池SOH预测方法及装置制造方法及图纸

本发明专利技术公开一种锂电池SOH预测方法及装置，涉及锂电池健康管理技术领域，该方法包括：获取锂电池的样本数据，通过灰色关联度分析方法对样本数据进行筛选，得到相关联数据；获取锂电池SOH的原始数据，通过集合经验模态分解对原始数据进行分解，生成标签数据；构建深度学习模型，其中所述深度学习模型为基于注意力机制的CNN

【技术实现步骤摘要】
一种锂电池SOH预测方法及装置


[0001]本专利技术涉及锂电池健康管理
，特别涉及一种锂电池SOH预测方法及装置。

技术介绍

[0002]锂离子电池是电动汽车、电子消费产品甚至是航天器等的核心电源，因此，锂电池电池的可靠性和安全性是实际应用过程中的一个极为关键的问题。锂离子电池的充放电过程会 导致电池内部产生化学反映，使得锂离子不断流失，电池性能不断下降，这种锂电池的老化过程是不可逆的，这种情况会影响电气设备的正常运行，如电动汽车行驶里程变短，还可能带来严重的后果，例如近年来发生的电池爆炸、电动汽车自燃以及一些发电厂的电池储能箱爆炸，因此，锂电池的健康状态（State of Health）成为了一项受人关注的指标。SOH是一个表征当前电池相对于新电池存储电能的能力，以百分比的形式表示电池从寿命开始到寿命结束期间所处的状态，用来定量描述当前的性能状态。为了能够尽量避免锂电池SOH的衰退对整体造成的影响，对SOH的预测工作成为了健康管理（PHM）领域的热点课题。SOH的预测能够帮助相关技术人员掌握电池老化的影响因素，为电池的使用和维护提供理论指导。
[0003]目前，针对SOH的预测方法大致上分为两类，基于模型的方法和数据驱动的方法。模型的方法运用的较多的是建立电化学模型和等效电路模型，但前者建模过程非常复杂，后者虽然结构简单，但是耗时且需要获得大量不同的数据集，且预测效果较差。数据驱动法包含机器学习、人工智能的算法等。由于电池衰退过程具有一定的规律，选择不同的算法的效果也有很大的区别。普通的数据驱动预测算法如LSTM、SVM、BP相比传统的如线性回归，对于非线性关系的数据，能够更好的捕捉到数据之间的特性，预测效果有所提高，但依然存在许多问题，LSTM由于网络的输出部分是通过随机分配权重的方式，容易丢失掉关键的信息，并且容易受到数据噪声和冗余特征的影响。BP神经网络的泛化能力差，且在训练过程中容易陷入局部最优的情况，布谷鸟算法随让能够避免网络陷入局部最优，但是在输入训练集数量下降的时候，预测模型的精度会受到影响，因此鲁棒性较差。SVM在数据集较大时，会耗费大量的机器内存，且运算时间比较长。由上分析，已有的数据驱动的预测算法在网络稳定、抵抗数据噪声和冗余特征影响这几方面的效果较差。容易影响网络的预测精度。在SOH预测工作上，现有的方法普遍没有考虑影响电池容量衰退的影响因子，而是直接将SOH输入到网络中，实际上，影响SOH衰退的因素由很多，这些影响因子或多或少都会对SOH的衰退趋势造成影响。

技术实现思路

[0004]为解决上述现有技术中所存在的传统SOH预测方法所暴露出来的缺点，如稳定性差、泛化能力差、预测精度低等问题，本专利技术提供了一种锂电池SOH预测方法及装置，能够进行预测精度较高、稳定性较强的锂电池SOH预测。
[0005]为了实现上述技术目的，本专利技术提供了如下技术方案：一种锂电池SOH预测方法，
包括：获取锂电池的样本数据，通过灰色关联度分析方法对样本数据进行筛选，得到相关联数据；获取锂电池SOH的原始数据，通过集合经验模态分解对原始数据进行分解，生成SOH分量训练数据及标签数据；构建深度学习模型，其中所述深度学习模型为基于注意力机制的CNN
‑
bilstm模型；通过相关联数据、SOH分量训练数据及标签数据对深度学习模型进行训练，生成优化模型，通过优化模型对实测数据进行预测，生成锂电池SOH预测结果以实现锂电池SOH预测。
[0006]可选的，所述样本数据包括SOC数据、测量电压、测量电流、工作温度。
[0007]可选的，对样本数据进行筛选的过程包括：将样本数据与对应SOH中对应的故障特征序列分别进行差值计算，统计所述差值计算结果中的最大差值及最小差值，基于最大差值及最小差值计算得到相关系数，并对相关系数进行均值计算，基于均值计算结果对样本数据进行筛选，得到相关联数据。
[0008]可选的，对原始数据进行分解的过程包括：将白噪声添加到原始数据中，得到原始信号，统计所述原始信号中的局部极值点，通过三次样条差值方法对局部极值点进行处理，得到包络线；计算包络线的均值，对包络线的均值及原始信号进行计算，得到中间信号，对中间信号进行判断，基于判断结果，将所述中间信号作为分量信号，根据原始信号及分量信号计算得到剩余分量，对剩余分量重复计算及判断过程，直到最后一个残余信号为单调函数，得到若干个分量信号，基于若干个分量信号及残余信号，得到分解后的信号，分解后的信号包括SOH分量训练数据及标签数据，其中SOH分量训练数据为标签数据的上一时刻数据。
[0009]可选的，构建深度学习模型的过程包括：构建BILSTM网络，在所述BILSTM网络输入端添加CNN网络，生成CNN
‑
bilstm模型，并在所述BILSTM网络的输出端添加注意力机制，并在注意力机制后添加Dense层进行映射，生成基于注意力机制的CNN
‑
bilstm模型。
[0010]可选的，所述CNN
‑
bilstm模型的计算过程为：
[0011]其中，X
t
表示t时刻的输入，W
f
、W
r
、W
z
表示CNN
‑
BILSTM网络遗忘门、输出门、输入门对应的内置权重，e
f
、e
z
和e
r
表示网络遗忘门、输入门、输出门对应的偏置。g(t)、j(t)、c
t
、r(t)分别表示的是遗忘门、输入门、记忆储存、输出门，y(t)表示网络的输出，Tanh代表双曲线正切函数，Kf、Kz、Kr表示遗忘门、输入门、输出门对应的输出权重值。
[0012]可选的，所述注意力机制中，通过Softmax函数计算注意力机制中的注意力权重。
[0013]可选的，对深度学习模型进行训练之前还包括：分别对相关联数据进行预处理，其中预处理过程包括归一化处理。
[0014]为了更好的实现上述技术目的，本专利技术还提供了一种锂电池SOH预测装置，包括：样本获取模块用于获取锂电池的样本数据，通过灰色关联度分析方法对样本数据进行筛选，得到相关联数据；标签获取模块用于获取锂电池SOH的原始数据，通过集合经验模态分解对原始数据进行分解，生成标签数据；构建模块用于构建深度学习模型，其中所述深度学习模型为基于注意力机制的CNN
‑
bilstm模型；优化测量模块用于通过相关联数据及标签数据对深度学习模型进行训练，生成优化模型，通过优化模型对实测数据进行预测，生成锂电池SOH预测结果以实现锂电池SOH预测。
[0015]本专利技术具有如下技术效果：本方案相较于CNN
‑
BILSTM，在网络框架中添加了注意力机制，能够代替传统BILSTM神经元随机分配权重以计算输出值的方式，通过计算结果与该点的误差大小合理分配权重，更能保留数据之前的关键特征。此外，把控了网络的输入部分，利用GRA
...

【技术保护点】

【技术特征摘要】
1.一种锂电池SOH预测方法，其特征在于，包括：获取锂电池的样本数据，通过灰色关联度分析方法对样本数据进行筛选，得到相关联数据；获取锂电池SOH的原始数据，通过集合经验模态分解对原始数据进行分解，生成SOH分量数据及标签数据；构建深度学习模型，其中所述深度学习模型为基于注意力机制的CNN
‑
bilstm模型；通过相关联数据、SOH分量数据及标签数据对深度学习模型进行训练及测试，生成优化模型，通过优化模型对实测数据进行预测，生成锂电池SOH预测结果以实现锂电池SOH预测。2.根据权利要求1所述的锂电池SOH预测方法，其特征在于：所述样本数据包括SOC数据、测量电压、测量电流、工作温度。3.根据权利要求1所述的锂电池SOH预测方法，其特征在于：对样本数据进行筛选的过程包括：将样本数据与对应SOH中对应的故障特征序列分别进行差值计算，统计所述差值计算结果中的最大差值及最小差值，基于最大差值及最小差值计算得到相关系数，并对相关系数进行均值计算，基于均值计算结果对样本数据进行筛选，得到相关联数据。4.根据权利要求1所述的锂电池SOH预测方法，其特征在于：对原始数据进行分解的过程包括：将白噪声添加到原始数据中，得到原始信号，统计所述原始信号中的局部极值点，通过三次样条差值方法对局部极值点进行处理，得到包络线；计算包络线的均值，对包络线的均值及原始信号进行计算，得到中间信号，对中间信号进行判断，基于判断结果，将所述中间信号作为分量信号，根据原始信号及分量信号计算得到剩余分量，对剩余分量重复计算及判断过程，直到最后一个残余信号为单调函数，得到若干个分量信号，基于若干个分量信号及残余信号，得到分解后的信号，分解后的信号包括SOH分量数据及标签数据，其中SOH分量数据为标签数据的上一时刻数据。5.根据权利要求1所述的锂电池SOH预测方法，其特征在于：构建深度学习模型的过程包括：构建BILSTM网络，在所述BILSTM网络输入端添加CNN网络，生成CNN
‑
bilstm模型...

【专利技术属性】
技术研发人员：俞辉，郭杰龙，罗鹏，魏宪，李杰，邵东恒，张剑锋，
申请(专利权)人：泉州装备制造研究所，
类型：发明
国别省市：