基于神经网络预测弛豫电压的锂离子电池健康检测方法技术

本发明专利技术公开了一种基于神经网络预测弛豫电压的锂离子电池健康检测方法，所述方法以利用神经网络预测弛豫电压为核心方法，利用充电后短时间电池电压变化、温度、倍率等信息通过神经网络对弛豫电压进行预测，再结合弛豫电压和电池容量的相关性关系对电池健康状态进行评估。本发明专利技术结合弛豫电压预测与神经网络预测两种方法，实现短时间得到弛豫电压，进而对电池健康状态进行精确预测，具有应用范围广(适用于目前多种商用锂离子电池)、测试时间短、检测精度好的特点。测精度好的特点。测精度好的特点。

【技术实现步骤摘要】
基于神经网络预测弛豫电压的锂离子电池健康检测方法


[0001]本专利技术涉及一种锂离子电池健康状态检测方法，具体涉及一种利用神经网络对锂离子电池的健康状态进行检测与评估的方法。

技术介绍

[0002]随着“碳达峰”“碳中和”政策的提出，以及传统化石能源的日渐枯竭，寻找一种可替代的能源是当今世界发展面临的重要问题。其中锂离子电池是一种应用广泛、发展前景良好的选择。
[0003]锂离子电池自问世以来便得到了广泛的关注，随着近些年的发展，锂离子电池被大量应用于电动汽车、3C数码以及航天国防等诸多领域。但是锂离子电池在使用过程中会出现性能衰减、“容量跳水”等问题，而目前针对锂离子电池健康状态的检测手段相对较少。在近些年的研究中，应用于AI行业的机器学习方法被引入到锂离子电池检测领域，其可以利用计算机对大量的电池数据进行学习，从而实现对锂离子电池较高精度的预测，同时弛豫电压被认为与容量存在很强的相关性，将两者进行结合是目前的研究热点之一。但是弛豫电压在测量过程中会经过长时间的等待，这无法满足电池健康实时检测的要求。
[0004]机器学习的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络预测弛豫电压的锂离子电池健康检测方法，其特征在于所述方法包括如下步骤：步骤1：对商用锂离子电池进行不同条件下的充放电测试，采集每次充电后电池数据；步骤2：将步骤1采集到的不同条件下的电池数据进行分类，随机选取部分数据作为训练集，其余作为验证集；步骤3：利用步骤2中得到的训练集样本对神经网络进行训练，将训练输出的预测值与训练集中的真实值进行比较，通过反向传播对网络中的神经元权重进行更新，得到训练误差最小的权重分布；步骤4：将验证集代入步骤3中得到的神经网络，计算验证集误差，对比训练集误差和验证集误差，若训练集误差明显小于验证集误差，训练及时结束，防止过拟合发生；步骤5：将验证集的训练误差与前一循环的验证集误差对比，若小于之前的误差，将该神经网络进行存储，并将此次循环的验证集误差做为当前最小误差进行存储，直至循环结束，得到该循环次数下，最优神经网络模型；步骤6：神经网络模型训练结束后存储得到该型号锂离子电池弛豫电压预测模型，根据该型号锂离子电池弛豫电压和容量的对应数学关系，确定包含温度和倍率参数的线性数学表达式；步骤7：将步骤5训练好的神经网络模型与步骤6确定的线性数学表达式进行打包，输出成可通用的桌面小程序，实现对电池健康状态的快速检测。2.根据权利...

【专利技术属性】
技术研发人员：王家钧，刘佳旋，娄帅锋，陈铭，张月华，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：