【技术实现步骤摘要】
车载锂电池组健康状态评估模型训练、预测方法及装置
[0001]本专利技术主要涉及到锂电池健康评估
,尤其是一种车载锂电池组健康状态评估模型训练
、
预测方法及装置
。
技术介绍
[0002]实际应用中锂离子电池通常串并成组,以电池组的形式为设备提供能源
。
为保证锂离子电池组的安全运行,通常配备电池管理系统(
BMS
)对其进行状态监测和能量控制
。
随着信息时代的到来,大数据技术的发展为实现锂离子电池组健康状态在线评估带来了机遇
。
以车载锂电池组为例,假设每一次运行和充电的采样数据分享在云服务器上,那么车载锂电池组的健康状态评估将不受限于单次工作时的采样数据
。
[0003]但是锂离子电池组的老化机理与锂离子电池单体不完全相同,会受到电池组单体一致性的影响
。
因此在开展车载锂电池组健康状态评估时需要考虑电池组单体一致性的影响
。
锂离子电池组单体一致性受到生产存储阶段的初始参数和成组使用阶段操作参数的影响
。
由于初始参数包括容量
、
内阻通常无法直接获得,因此电池组工作时电池单体的电压
、
电流分布
、
温度等操作参数的差异被用作评估锂离子电池组的一致性,进而提高锂离子电池健康状态评估的可靠性和稳定性
。
[0004]目前,针对车载锂电池组健康状态评估的研究,从可查到的专利和文献来看,主要借 ...
【技术保护点】
【技术特征摘要】
1.
车载锂电池组健康状态评估模型训练方法,其特征在于,包括:输入车载锂电池组充电阶段的历史数据;基于车载锂电池组充电阶段的历史数据,提取车载锂电池组的容量标签以及表征车载锂电池组健康状态的组合健康特征,其中表征车载锂电池组健康状态的组合健康特征包括表征车载锂电池组老化程度的电池组老化特征和表征车载锂电池组内单体一致性差异的单体一致性特征;基于表征车载锂电池组健康状态的组合健康特征与车载锂电池组的容量标签训练深度信念网络模型,以容量估计误差最小作为目标函数,寻找使目标函数最小的一组深度信念网络模型的超参数,完成训练进而得到车载锂电池组健康状态评估模型
。2.
根据权利要求1所述的车载锂电池组健康状态评估模型训练方法,其特征在于,在所述车载锂电池组充电阶段的历史数据中,选取充电跨度超过
25%
周期的车载锂电池组固定充电荷电状态阶段的历史数据,用于提取车载锂电池组的容量标签以及表征车载锂电池组健康状态的组合健康特征
。3.
根据权利要求2所述的车载锂电池组健康状态评估模型训练方法,其特征在于,提取车载锂电池组的容量标签为提取在荷电状态 80%
到
95%
时保持稳定充电状态的车载锂电池组固定充电荷电状态阶段的容量标签,包括:获取车载锂电池组固定充电荷电状态阶段的充电电流序列;通过对充电电流序列进行安时积分法计算部分充电容量:基于车载锂电池组固定充电荷电状态阶段内的部分充电容量计算锂离子电池组的全部容量即容量标签:;其中是充电过程中的固定荷电状态间隔
。4.
根据权利要求1或权利要求2或权利要求3所述的车载锂电池组健康状态评估模型训练方法,其特征在于,表征车载锂电池组老化程度的电池组老化特征包括电动汽车的累积里程数
、
充电时间
、
充电容量和等电压充电间隔
。5.
根据权利要求4所述的车载锂电池组健康状态评估模型训练方法,其特征在于,表征车载锂电池组内单体一致性差异的单体一致性特征包括表示极值分布
、
均值变化和极值变化三方面的特征,其中表示极值分布的特征分别采用单体电压
、
温度峰值的峰度和偏度来描述单体电压
、
温度的极值分布情况,表示均值变化的特征分别为单体平均电压和平均温度在一个充电周期内的均值,表示极值变化的特征分别为单体电压
、
温度极值的均方根误差
、
标准差变异系数
。6.
车载锂电池组健康状态评估模型训练装置,其特征在于,包括:输入模块,输入车载锂电池组充电阶段历史数据;提取模块,基于车载锂电池组充电阶段的历史数据,提取车载锂电池组的容量标签以及表征车载锂电池组健康状态的组合健康特征,其中表征车载锂电池组健康...
【专利技术属性】
技术研发人员:刘亚杰,曹孟达,张涛,王锐,王羽,王睿茜,王冲,周晨,黄旭程,
申请(专利权)人:中国人民解放军国防科技大学,
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。