基于Box-Cox变换指数模型和Conv-LSTM的锂电池SOH估算方法技术

本发明专利技术公开了一种基于Box

【技术实现步骤摘要】
基于Box
‑
Cox变换指数模型和Conv
‑
LSTM的锂电池SOH估算方法


[0001]本专利技术属于自动化
，具体涉及一种基于Box
‑
Cox变换指数模型和Conv
‑
LSTM的锂电池SOH估算方法。

技术介绍

[0002]在中国政府提出“碳达峰、碳中和”的背景下，新能源汽车逐渐成为行业焦点。在国家政策的大力支持下，纯电动汽车的发展尤为迅速，然而电池作为纯电动汽车的核心部件仍有许多技术问题亟待解决，例如电池热管理、电池健康状态(SOH)的精确估计上仍存在技术瓶颈。近年来，电动汽车保有量逐年递增，大量锂电池将在不久的将来退役，它们需要得到妥善的处理。为响应国家锂电池梯次利用的相关政策，使得锂电池从电动汽车退役后仍然能在其他地方发挥作用，则需实现对电池SOH值高精度估算。故攻破SOH高精度估算技术壁垒的任务刻不容缓。
[0003]目前对于锂电池SOH估算实际中常用的方法大致分为以下2种：1、基于物理模型的方法；2、基于数据驱动的方法。法1需要对电池内部物理机理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Box
‑
Cox变换指数模型和Conv
‑
LSTM的锂电池健康状态估算方法，其特征在于，步骤如下：S1：采集不同工况下，锂离子电池充放循环时的充电片段作为样本数据，并记录电池充放循环时样本数据所对应的电池健康状态SOH数值作为标签，从而形成一系列由样本数据和标签组成的第一训练样本；S2：对S1中采集到的所有第一训练样本中的标签进行Box
‑
Cox变换处理，并以每个第一训练样本中的样本数据为自变量，以变换后的SOH数值为因变量，采用指数拟合得到拟合方程，再在拟合方程后级联Box
‑
Cox反变换操作，得到的Box
‑
Cox变换指数模型作为线性部分估算模型；S3：针对S1中采集的每个第一训练样本，将第一训练样本中的样本数据输入所述Box
‑
Cox变换指数模型中，得到SOH整体趋势部分，再将第一训练样本中的标签与得到的SOH整体趋势部分进行残差计算，将得到的残差值替换第一训练样本中的标签，从而得到第二训练样本；S4：利用所有第二训练样本训练神经网络模型，对神经网络的权重进行微调使其能够基于样本数据预测所述残差值，训练完毕后得到非线性部分估算模型；S5：将线性部分估算模型与非线性部分估算模型进行组合，形成完整的锂离子电池SOH估算模型；将待预测工况下锂离子电池充放循环时的充电片段作为锂离子电池SOH估算模型的输入，分别由线性部分估算模型根据输入来预测锂离子电池SOH的整体趋势部分，由非线性部分估算模型根据输入来预测锂离子电池SOH的残差部分，将整体趋势部分和残差部分相加得到锂离子电池SOH的估计值。2.根据权利要求1所述的基于Box
‑
Cox变换指数模型和卷积长短时记忆网络的锂离子电池SOH估算方法，其特征在于：所述步骤S1中，锂离子电池第t次循环时的样本数据为锂电池从电量I1充电至电量I2的充电片段特征数据X
t
，该样本数据所对应的标签Y
t
为SOH数值，SOH数值定义为电池的现有容量和标称容量的比值。3.根据权利要求1所述的基于Box
‑
Cox变换指数模型和卷积长短时记忆网络的锂离子电池SOH估算方法，其特征在...

【专利技术属性】
技术研发人员：陶吉利，周奔滔，马龙华，徐鸣，
申请(专利权)人：浙大宁波理工学院，
类型：发明
国别省市：