一种基于数据驱动的锂电池健康状态评估方法技术

本发明专利技术提供的一种基于数据驱动的锂电池健康状态评估方法，从电池老化数据集中选择数据作为特征进行特征预处理，得到典型特征提取区间，并将典型特征提取区间的特征数据与实际电池SOH结合得到各个典型特征提取区间的数据集，划分出训练电池对其不同典型特征提取区间的数据集使用神经网络算法进行训练，得到对应的电池SOH评估模型，并将最终得到的模型用于锂电池健康状态评估。上述方法要求锂电池满足在充电过程中小于4.0V以及电压值变化大于0.2V两个条件，在此基础上，锂电池充电电压经过任何电压区间，都可从中提取特征，缓解了锂电池特征提取条件苛刻单一的情况；较深度学习，该方法不需要复杂的参数计算，更加适用于当前的电池管理系统。当前的电池管理系统。当前的电池管理系统。

【技术实现步骤摘要】
一种基于数据驱动的锂电池健康状态评估方法


[0001]本专利技术涉及电池管理领域，具体涉及一种基于数据驱动的锂电池健康状态评估方法。

技术介绍

[0002]锂离子电池具有能量密度高、标称电压高、自放电率低和使用寿命长等优点，已广泛应用于众多工业领域。然而，在使用过程中，由于电池正负极材料腐蚀、电解液变性和正负极隔膜老化短路等原因，电池的性能会逐渐发生不可逆的退化。当锂电池退化到一定程度后，将无法维持设备的正常工作，甚至导致严重的后果。因此，为了避免事故发生和提高电池系统的运行稳定性，对锂电池健康状态(State
‑
of
‑
Health，SOH)的准确评估尤为重要。
[0003]健康状态反映了电池相对于其开始时的当前存储和供应能量/功率的能力，通常将电池的当前容量与额定容量的比值用于表征健康状态。一方面，在现有的锂电池SOH评估研究中，智能算法的发展和应用使得估计精度得到了很大的提升，然而这些以深度学习为代表的算法复杂度较高，需要较多的计算资源，给以微控制器为主的电池管理系统(Battery Manag本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动的锂电池健康状态评估方法，其特征在于，包括如下步骤：S1、从电池老化数据集中获取电池实际SOH以及恒流充电条件下的充电电压曲线，选取等充电电压区间的持续时间作为特征；S2、通过不同大小的滑动窗口将充电电压曲线中完整的充电电压区间划分为若干个子电压区间，计算不同子电压区间中电池每次循环的充电持续时间，得到每个子电压区间的特征数据，经过预处理后，得到典型特征提取区间；S3、将典型特征提取区间且归一化处理后的特征数据与电池实际SOH结合，得到各个典型特征提取区间的数据集，将典型特征提取区间的数据集以非线性自回归结构NARX排列，得到各个典型特征提取区间的非线性自回归结构的数据集；S4、对不同电池重复上述步骤S2
‑
S3并划分出训练电池和测试电池，对训练电池不同典型特征提取区间的数据集训练并优化，得到训练好的模型；S5、利用S4得到的训练好的模型对锂电池健康状态进行评估。2.根据权利要求1所述的基于数据驱动的锂电池健康状态评估方法，其特征在于，所述S1中特征表示为：其中，T
F
为特征，是充电到电压区间下限V
min
时的时刻，是充电到电压区间上限V
max
时的时刻。3.根据权利要求1所述的基于数据驱动的锂电池健康状态评估方法，其特征在于，所述S2具体包括如下步骤：S21、通过不同大小的滑动窗口将3.7V
‑
4.2V充电电压区间划分为多个子电压区间，计算不同子电压区间中电池每次循环的充电持续时间，得到每个子电压区间的特征数据；S22、对每个子电压区间的特征数据均除以其最大值，将其归一化至[0，1]区间内；S23、计算不同子电压区间的特征数据与电池实际SOH之间的Pearson系数，将Pearson系数最大绝对值所对应的子电压区间以及同属一个滑动窗口的其他子电压区间固定为典型特征提取区间。4.根据权利要求1所述的基于数据驱动的锂电池健康状态评估方法，其特征在于，所述步骤S3包括以下步骤：S31、分别将从典型特征提取区间中提取且归一化后的特征数据与电池SOH结合，得到各个典型特征提取区间的数据集D；S32、以某典型特征提取区间的数据样本为例，通过下式，将该区间的数据集D以非线性自回归结构NARX排列，使当前特征数据和历史数据作为特征向量，...

【专利技术属性】
技术研发人员：苟斌，徐燕璋，杨顺风，张博钊，王青元，宋文胜，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：