一种可充电电池健康状态预测方法技术

一种可充电电池健康状态预测方法，属于电池健康状态管理技术领域，通过获取对电池的充放电过程测量数据及健康状态，采用图神经网络和循环神经网络构建图卷积循环神经网络层，其中图神经网络模块处理提取出测量信号之间的物理关系特征，循环神经网络提取时间序列中的时间特征，建立数据与健康状态之间的映射关系，从而达到预测健康状态的目的。本公开能够对可充电电池的健康状态进行预测，实现对可充电电池的寿命预测和管理，为用电设备和用电系统的安全管理提供支撑。统的安全管理提供支撑。统的安全管理提供支撑。

【技术实现步骤摘要】
一种可充电电池健康状态预测方法


[0001]本专利技术属于电池健康状态管理
，具体涉及一种基于图神经网络的可充电电池健康估计方法。

技术介绍

[0002]目前，可充电锂离子电池具有重量轻、能量密度高、性能好和寿命长的特点，成为了当今电池的支柱，被广泛应用于电子产品、动力和储能等领域。但是，随着锂离子电池的反复充放电使用，电池不可避免地老化导致性能下降。锂离子电池性能下降的主要原因是由于锂离子嵌入、脱出过程中产生的应力使电极变形和断裂，造成短路，使活性电极材料无法储存锂离子。一般来说，电池性能下降的主要后果包括容量衰减和阻抗增加，甚至导致电池故障，进而引发用电设备和用电系统的安全问题。因此，准确预测锂离子电池的健康状态对于电池的科学管理和安全具有重要的实际意义。
[0003]现有的典型对锂离子电池健康状态的评估方法分为三种:基于机理模型的方法、基于经验模型的方法和基于数据驱动的方法。其中，基于机理模型的方法从电池原理构建电池退化模型，构建的模型可分为电化学模型和等效电路模型。其优点是可解释性强、预测精确。但电化学模型但其建模过程中对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种可充电电池健康状态预测方法，其特征在于，包括以下步骤：S1：获取电池充放电过程中各项电池参数的测量数据，所述电池参数包括与电池健康状态相关的性能参数及其对应的电池健康状态；S2：将总的可用数据通过定长滑窗方式分成若干组时间序列，基于一组时间序列构建一个图数据，其中，以各项电池参数作为图的各个节点，一个节点代表一项电池参数的一个时间序列，构建各节点之间的邻接矩阵和特征矩阵；构建的图数据划分为训练集、验证集和测试集；S3：采用图神经网络和循环神经网络构建图卷积循环神经网络层，将训练集中的图数据输入到所述图神经网络中进行训练，提取出各项电池参数之间的物理关系特征；再由所述循环神经网络进一步提取各组时间序列之间的时间特征；S4：将测试集中的图数据导入步骤S3中训练完成的图卷积循环神经网络模型，实现对可充电电池健康状态的预测。2.如权利要求1所述的方法，其特征在于，所述步骤S1中，通过恒温环境下对可充电电池依次进行恒定电流充电、恒压充电以及恒流放电的充放电实验，获取相关电池参数的测量数据。3.如权利要求2所述的方法，其特征在于，在步骤S1中，所述充放电实验的具体方法包括：在条件为恒温24摄氏度的环境下，以1.5A的恒定电流对锂离子电池充电；工作电压升至最大截止电压2.4V时，切换为恒压充电；当电流降至20mA时充电停止，一次充电的过程作为一个充电周期；放电时，以2A的电流进行恒流放电，至电池的工作电压低至最小截止电压时放电停止，一次放电的过程作为一个放电周期；反复进行充放电过程，直到电池的健康状态低于70%停止；锂离子电池健康状态SOH的定义包括：其中，为当前时刻以2A 恒流放电时电池的最大容量，为出厂状态的额定容量。4.如权利要求1
‑
3中任一所述的方法，其特征在于，所述步骤S1中，与电池健康状态相关的性能参数包括：测量电压、测量电流、电池温度、负载测量电流、负载测量电压、电池容量中的一种或多种。5.如权利要求1所述的方法，其特征在于，所述步骤S2具体包括：设定固定长度滑动窗口，从各项电池参数数据集中滑取若干个时间序列；将电池参数数据进行归一化处理，分别计算数据的均...

【专利技术属性】
技术研发人员：郭杰龙，俞辉，刘承杰，魏宪，邵东恒，张剑锋，李杰，汤璇，
申请(专利权)人：闽都创新实验室，
类型：发明
国别省市：