【技术实现步骤摘要】
一种锂离子电池早期剩余寿命预测方法、设备及存储设备
[0001]本专利技术涉及锂离子电池容量检测领域,尤其涉及一种锂离子电池早期剩余寿命预测方法
、
设备及存储设备
。
技术介绍
[0002]锂离子电池具有输出电压高
、
循环寿命长
、
能量密度大
、
自放电率低
、
工作温度范围宽等优点,在便携式终端
、
电动汽车
、
电化学储能以及航空航天等领域应用广泛
。
锂离子电池在各种应用中提供了不可否认的便利,但锂电池的内部反应复杂,并且会产生大量的反应热,不对其健康状态进行监管,具有很大安全隐患
。
[0003]锂离子电池的老化和性能下降是导致锂离子电池安全事件的原因之一
。
对锂离子电池进行剩余使用寿命
(Remaining Useful Life
,
RUL)
与退化轨迹预测,一方面能够制定科学维护计划,防止因电池老化导致系统故障,另一方面,能够为锂离子电池的梯次利用提供理论依据,减少电池组重组中因退化不一致导致电池组容量跳水现象的发生,提升经济效益
。
[0004]锂离子电池
RUL
预测方法,主要有基于模型的方法
、
基于数据的方法与混合方法
。
基于模型的方法具有很高的精度,但因锂离子电池内部反应复杂
、
副反应多,对其建模以及模型参 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.
一种锂离子电池早期剩余寿命预测方法,其特征在于:包括以下步骤:
S1、
获取目标锂离子电池前
n
个充电循环的监测数据,并采用挑选相似退化轨迹
PSDT
算法,从数据集中挑选一个与目标锂离子电池退化轨迹最相似的相似锂离子电池;
S2、
采用双指数模型对相似锂离子电池的退化轨迹进行拟合,得到拟合参数,并将该参数作为目标锂离子电池
PF
算法的初值;
S3、
将相似锂离子电池的容量退化数据作为第一训练集,离线训练
LSTM
神经网络模型,得到初步训练好的
LSTM
神经网络模型;基于目标锂离子电池已监测得到的容量退化数据,作为第二训练集,在线训练初步训练好的
LSTM
神经网络模型,得到最终训练完成的
LSTM
神经网络模型;
S4、
将最终训练完成的
LSTM
神经网络模型的输出值作为
PF
算法的虚拟观测值,利用
LSTM
‑
PF
结合迭代预测目标锂离子的电池容量退化轨迹,获得目标锂离子电池在当前循环状态下的剩余使用寿命
。2.
如权利要求1所述的一种锂离子电池早期剩余寿命预测方法,其特征在于:步骤
S1
具体如下:
S11、
获得锂离子电池退化数据
D
B
;
S12、
根据退化数据
D
B
构建
n
号目标锂离子电池第
m
个循环放电阶段的
C
‑
V
曲线将第
m
个循环放电阶段的
C
‑
V
曲线与第
o
个循环放电阶段的
C
‑
V
曲线作差,得到插值曲线其中
m≥80
,
o≤10
;求取差值曲线的均值
、
方差和最小值;
S13、
根据差值曲线的均值
、
方差和最小值,采用
PSDT
算法,挑选相似锂离子电池
。3.
如权利要求1所述的一种锂离子电池早期剩余寿命预测方法,其特征在于:步骤
S2
具体如下:
S21、
选取形式为
y(k)
=
a*exp(b*k)+c*exp(d*k)
的双指数模型,其中
a、b、c、d
为需要确定的模型参数,
k
为充放电循环数;
S22、
基于相似锂离子电池容量退化数据
Q
Sim
=
{Q
m
}
Sim
,m
=
1,2,
…
,M
,使用最小二乘法,拟合
Q
Sim
得到双指数模型参数
[a,b,c,d]
Sim
技术研发人员:万雄波,毛樊,张传科,王雷敏,
申请(专利权)人:中国地质大学武汉,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。