一种面向不平衡使用场景的电池制造技术

本发明专利技术公开了一种面向不平衡使用场景的电池

【技术实现步骤摘要】
一种面向不平衡使用场景的电池SOH预测方法


[0001]本专利技术涉及锂电池
，尤其涉及一种面向不平衡使用场景的电池
SOH
预测方法
。

技术介绍

[0002]锂电池被广泛应用于储能系统，电池的健康状态
(State ofHealth,SOH)
是评估电池老化状态的重要指标
。
[0003]目前锂电池
SOH
预测的方法分为基于模型的
SOH
预测方法和基于数据驱动的
SOH
预测方法
。
基于模型的
SOH
预测方法通过建立等效电路模型
、
电化学模型和经验模型等预测电池的
SOH
，该方法存在建模复杂
、
参数辨识困难和难以在复杂运行状态下应用等缺点
。
基于数据驱动的
SOH
预测方法无需对电池的复杂物理现象进行建模，因此更适应在复杂运行情况下预测电池的
SOH。
目前常用的基于数据驱动的
SO本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种面向不平衡使用场景的电池
SOH
预测方法，其特征在于，该方法包括以下步骤：
S1、
设计并实施电池不平衡老化实验，采集并预处理实验数据，得到电池老化数据集；
S2、
训练并测试基于电池特性的
SOH
预测模块，该模块包括
SOH
估计子模块和基于历史
SOH
的预测子模块，训练和测试过程为：使用电池老化数据集所有循环数据训练并测试所述
SOH
估计子模块；测试通过后，将电池老化数据集所有循环数据输入所述
SOH
估计子模块，使其输出各个循环的
SOH
估计值；对所述输出的
SOH
估计值进行滑动窗口采样，生成历史
SOH
序列和未来
SOH
序列数据集；将历史
SOH
序列输入所述基于历史
SOH
的预测子模块，使其输出未来
SOH
序列，对所述基于历史
SOH
的预测子模块进行训练和测试；
S3、
训练并测试基于运行模式的电池
SOH
预测模块，该模块包括基于时空依赖的多维时间序列预测子模块和步骤
S2
中训练并测试完成的
SOH
估计子模块，训练和测试过程为：对电池老化数据集中由电压
、
电流和温度构成的多维时间序列进行滑动窗口采样，生成历史多维时间序列和未来多维时间序列数据集，将历史多维时间序列输入所述基于时空依赖的多维时间序列预测子模块，使其输出未来多维时间序列，对所述基于时空依赖的多维时间序列预测子模块进行训练和测试；测试通过后，将所有历史多维时间序列输入所述基于时空依赖的多维时间序列预测子模块，使其输出未来多维时间序列的预测值；将所述未来多维时间序列的预测值输入所述
SOH
估计子模块，使其输出未来
SOH
序列的预测值；
S4、
训练并测试基于注意力机制的融合模块，将步骤
S2
所述的基于电池特性的
SOH
预测模块的
SOH
预测值和步骤
S3
所述的基于运行模式的电池
SOH
预测模块的
SOH
预测值输入基于注意力机制的融合模块，使其输出最终的
SOH
预测值，对所述基于注意力机制的融合模块进行训练并测试
。2.
根据权利要求1所述的一种面向不平衡使用场景的电池
SOH
预测方法，其特征在于，步骤
S3
所述将历史多维时间序列输入所述基于时空依赖的多维时间序列预测子模块，使其输出未来多维时间序列，对所述基于时空依赖的多维时间序列预测子模块进行训练和测试，具体为：
S301、
采用电压
、
电流和温度数据构建多维时间序列
X
1:T
，具体如下：其中，
V
1:T
为电压序列，
I
1:T
为电流序列，
T
1:T
为温度序列，
T
为序列长度；
S302、
将多维时间序列
X
1:T
分段，具体如下：分段，具体如下：其中，为第
d
个维度的序列分段后的第
i
个片段，
L
seg
为每个片段的长度，
d
为维度序号，
x
t,d
为特征的第
d
个维度在
t
时间步的值；
S303、
对每个片段都使用线性投影嵌入到一个向量中，并添加位置嵌入，具体如下：
其中，
E
为可学习的线性投影矩阵，为位置
(i,d)
可学习的位置嵌入矩阵
。S304、
根据所有
h
i,d
生成一个2维的矩阵：
S305、
将步骤
S304
定义的
H
或下层2阶段注意力层的输出
W
输入2阶段注意力层，先经过跨时间注意力阶段，学习单个物理量不同时间段之间的联系，再经过跨维度注意力阶段，学习不同物理量之间的联系，2阶段注意力层可表示为：
Z
＝
TSA(W)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
其中，
Z
为2阶段注意力层的输出，
W
为步骤
S304
定义的
H
或下层2阶段注意力层的输出；
S306、
级联步骤
S305
所述的2阶段注意力层，构建
N
层层次编码器，每层在时间维度上合并上一层所有的输出，生成该层的编码输出
Z
enc,l
，具体如下：其中，
Z
enc,l
为第
l
层的编码器输出，为合并操作，
L
l
‑1为
Z
enc,l
‑1的长度；
S307、
级联
N+1
层解码器，构成层次解码器
,
对编码器每层的输出进行解码，生成该层的解码输出
Z
dec,l
，具体如下：，具体如下：其中，
E
(dec)
为解码器可学习的位置嵌入，
Z
dec,l
为第
l
层解码器的输出，
AMD
为基于注意力机制的解码器；
S308、
合并所有解码器的输出，生成最终的预测值，具体如下：合并所有解码器的输出，生成最终的预测值，具体如下：其中，
W
l
为每层可学习的投影矩阵，为
T+1:T+
τ
时间步多维时间序列的预测值，包括电压序列
V
T+1:T+
τ
，电流序列
I
T+1:T+
τ
，温度序列
T
T+1:T+
τ
；
S309、
基于步骤
S301
到
S308
构建所述的基于时空依赖的多维时间序列预测子模块；对
D
mts
进行滑动窗口采样，生成历史多维时间序列和未来多维时间序列数据集，将历史多维时间序列输入所述基于时空依赖的多维时间序列预测子模块，使其输出未来多维时间序列，对所述基于时空依赖的多维时间序列预测子模块进行训练和测试，得到满足精度要求的基
于时空依赖的多维时间序列预测子模块
。3.
根据权利要求1所述的一种面向不平衡使用场景的电池
SOH
预测方法，其特征在于，步骤
S1
所述设计并实施电池不平衡老化实验，采集并预处理实验数据，得到电池老化数据集，具体包括：
S101、
选择目标型号的
N
个锂离子电池；
S102、
构建实验参数集：
W
＝
{I
，
V
，
T
，
SOC
low
，
SOC
high
，
M
c
，
M
d
}
ꢀꢀꢀꢀꢀꢀ
(13)
其中，
I
为锂离子电池的充放电电流；
V
为锂离子电池的端电压；
T
为环境温度；
SOC
low
为电池荷电状态运行区间的下限；
SOC
high
为电池荷电状...

【专利技术属性】
技术研发人员：陈思哲，刘京，袁浩亮，杨苓，许方园，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：