一种锂离子电池剩余寿命估测方法技术

本发明专利技术公开了一种锂离子电池剩余寿命估测方法

【技术实现步骤摘要】
一种锂离子电池剩余寿命估测方法、装置以及存储介质


[0001]本专利技术属于锂离子电池
，具体涉及一种锂离子电池剩余寿命估测方法
、
装置以及存储介质
。

技术介绍

[0002]由于锂离子电池在成本
、
能量密度和寿命方面的优异综合特性，已广泛应用于电动汽车
、
可再生能源系统和智能电网等领域
。
作为新能源系统储能单元中最重要以及最昂贵的部件，锂离子电池需要仔细监控和操作
。
众所周知，锂离子电池的性能在使用的过程中将随着使用不可避免地下降
。
锂离子电池性能的退化是一个非线性电化学过程，具有极其复杂的内部机制，并且在不同的工作条件下，退化机制差异很大
。
通常，当电池的容量下降到其初始值的
80
％时，就视为电池就会达到其使用寿命
。
准确而快速地预测电池剩余使用寿命对于
BMS
确保运行可靠性和安全性至关重要，这对于电池制造商或者电池资产持有者确定电池维护策略至关重要
。
[0003]近年来，人们提出了许多电池剩余使用寿命的预测方法
。
例如
CN114839553A
公开了一种电池剩余使用寿命预测方法和装置，需要对多个样本电池进行充放电实验，获取每个样本电池多次充放电循环的实验数据；根据每个样本电池多次充放电循环的实验数据获取每个样本电池的老化特性数据；对每个样本电池的老化特性数据进行预处理和特征工程，以所选择的特征构成数据集，并将数据集分为训练集和测试集；构建
CNN
和
LSTM
的组合模型，其中，
CNN
去除了全连接层，输出为一维的特征向量，
CNN
的输出作为
LSTM
的输入；通过训练集对
CNN
和
LSTM
的组合模型进行训练，以得到电池剩余使用寿命预测器，并通过测试集对电池剩余使用寿命预测器进行测试；通过最终得到的电池剩余使用寿命预测器对待预测电池的剩余使用寿命进行预测
。
又例如
CN113985294A
提供了一种电池剩余寿命的预估方法及装置
。
其中，电池剩余寿命的预估方法包括获取锂电池历史充放电循环数据，并从其中提取从第一电压到第二电压的放电时间差和前向循环的电池容量，进而构成初始特征向量；基于初始特征向量及预先训练完成的寿命预测模型，进行迭代预测直到预测容量低于额定容量的预设比例，最终获得锂电池的剩余使用寿命预测值；其中，寿命预测模型为经天牛须搜索算法优化初始化参数的极限学习机模型
。
该预估方法提高了极限学习机的精准度及稳定性，最终提高了锂电池剩余使用寿命预测值的准确性
。
[0004]由此可见，现有的电池剩余使用寿命估算将整个充电和
/
或放电过程的数据作为输入，或从中人为地提取特征来描述电池寿命，但在实际应用中，由于电池在实践中并不总是充满电或放电，例如，车用动力电池出于保护电池寿命的目的，通常人为限制了电池放电的最低
SOC
值或者最高充电的
SOC
值
。
此外，现有方法通常假设电池工作条件以及充放电策略是恒定不变的，但实际中很少存在这种工况，在大多数情况下，电池充电过程是随机的
。
因此实际使用中采用电池整个充电和
/
或放电过程的数据来进行剩余寿命估计条件苛刻，可行度较低，使用电池整个充电和
/
或放电过程的数据训练而获得的模型对比真实使用环境也存在一定的误差
。
综上所述，这些因素导致：
1、
电池剩余寿命的估测对数据的要求完整
度高，大多需要全程数据，实际中不易获得；
2、
现有方法过于理想化，与实际工况切合度不高，导致预测的精度不够高
。
[0005]本专利技术针对上述问题，充分考虑电池工作的不同环境
、
不同的充放电策略，不同的充放电强度等因素，利用一种全新的数据加工手段以及对应的卷积神经网络模型，提出一种切合电池实际使用真实工况的电池剩余寿命预测方法
。

技术实现思路

[0006]有鉴于此，本专利技术的目的在于提供一种锂离子电池剩余寿命估测方法
、
装置以及存储介质，充分考虑了电池工作的环境
、
充放电策略以及充放电强度等因素，利用一种全新的数据加工手段以及对应的卷积神经网络模型，从而实现对锂离子电池在复杂工作环境下的剩余寿命的估测
。
[0007]为达到上述目的，本专利技术提供如下技术方案：
[0008]本专利技术所提供的一种锂离子电池剩余寿命估测方法，包括：
[0009]步骤
S01、
采集目标锂离子电池在不同充放电循化下所对应连续
SOC
值变化的状态信息；连续
SOC
值变化区间为
10
％
‑
30
％；状态信息包括每次充放电循环中的循环周期数
、
电压
、
电流
、
电池温度
、
环境温度以及
SOC
信息；循环周期数大于
10
次；
[0010]步骤
S02、
对状态信息进行预处理后以
SOC
值及充电循环周期数分别对应二维坐标系的两个坐标轴生成二维表格，利用状态信息对二维表格进行加工得到多个数据表格，多个表格数据包括电压数据表格
、
电流数据表格以及温度数据表格；
[0011]步骤
S03、
将电压数据表格
、
电流数据表格以及温度数据表格输入预先训练的估测神经网络模型，输出锂离子电池剩余寿命的估测结果
。
[0012]优选的，连续
SOC
变化区间为
20
％，循环周期数为
20
次
。
[0013]优选的，温度数据为电池温度信息或者电池温度信息与环境温度的差值
。
[0014]优选的，神经网络模型通过以下步骤训练得到：
[0015]步骤
S1、
获取电池充放电实验数据集；
[0016]步骤
S2、
对电池充放电实验数据集中的数据进行预处理后，构建电池充放电特性神经网络训练数据集与验证数据集；
[0017]步骤
S3、
利用训练数据集输入预先搭建好的卷积神经网络模型中进行训练，并根据贝叶斯优化算法调整卷积神经网络模型中的超参数，得到训练好的卷积神经网络模型，其中，超参数包括卷积层中的过滤器数量
、
卷积核的大小
、
轮询大小
...

【技术保护点】

【技术特征摘要】
1.
一种锂离子电池剩余寿命估测方法，其特征在于，包括：步骤
S01、
采集目标锂离子电池在不同充放电循化下所对应连续
SOC
值变化的状态信息；所述连续
SOC
值变化区间为
10
％
‑
30
％；所述状态信息包括每次充放电循环中的循环周期数
、
电压
、
电流
、
电池温度
、
环境温度以及
SOC
信息；所述循环周期数大于
10
次；步骤
S02、
对状态信息进行预处理后以
SOC
值及充电循环周期数分别对应二维坐标系的两个坐标轴生成二维表格，利用状态信息对二维表格进行加工得到多个数据表格，所述多个数据表格包括电压数据表格
、
电流数据表格以及温度数据表格；步骤
S03、
将所述电压数据表格
、
电流数据表格以及温度数据表格输入预先训练的估测神经网络模型，输出锂离子电池剩余寿命的估测结果
。2.
根据权利要求1所述的一种锂离子电池剩余寿命估测方法，其特征在于，所述连续
SOC
变化区间为
20
％，所述循环周期数为
20
次
。3.
根据权利要求1所述的一种锂离子电池剩余寿命估测方法，所述温度数据为电池温度信息或者电池温度信息与环境温度的差值
。4.
根据权利要求1所述的一种锂离子电池剩余寿命估测方法，其特征在于，所述估测神经网络模型通过以下步骤训练得到：步骤
S1、
获取电池充放电实验数据集；步骤
S2、
对电池充放电实验数据集中的数据进行预处理后，构建电池充放电特性神经网络训练数据集与验证数据集；步骤
S3、
利用训练数据集输入预先搭建好的卷积神经网络模型中进行训练，并根据贝叶斯优化算法调整卷积神经网络模型中的超参数，得到训练好的卷积神经网络模型，其中，超参数包括卷积层中的过滤器数量
、
卷积核的大小
、
轮询大小
、
全连接层中的神经元数量；步骤
S4、
利用验证数据集对训练好的卷积神经网络模型进行验证，根据卷积神经网络模型输出的估测结果和实际结果的误差对比预设允许的误差范围来判断是否验证通过，若验证未通过则继续调整卷积神经网络模型中的超参数，直至验证数据集验证通过后得到估测神经网络模型
。5.
根据权利要求4所述的一种锂离子电池剩余寿命估测方法，其特征在于，所述卷积神经网络模型从输入至输出依次包括：第一
3D
卷积层
、
第二
3D
卷积层
、
第一
2D
卷积层
、
第二
2D
卷积层
、
池化层以及接层，采用残差网络结果搭建；所述第一
3D
卷积层初步融合了电流与电压
、
电流与温度之间的特征，输出初步融合
3D
矩阵；所述第二
3D
卷积层进一步融合初步融合
3D
矩阵输出
2D
矩阵；所述第二
3D
卷积层的输出以及所述第一
2D
卷积层的输出被转移到残差网络，通过跳跃连接将提取的特征信息矩阵转移到所述全连接层，在残差网络的每个连接中使用池化层或
dropout
层
。6.
根据权利要求4所述的一种锂离子电池剩余寿命估测方法，其特征在于，所述电池充放电实验数据集通过以下步骤得到：步骤
S11、
将同一规格参数的...

【专利技术属性】
技术研发人员：周道武，吴洺，胡星，江涛，梁乐，杨林，
申请(专利权)人：上海汉势新能源科技有限公司，
类型：发明
国别省市：