【技术实现步骤摘要】
本专利技术属于新能源汽车电池管理领域，特别是涉及一种软包锂离子电池soc和soh联合估计方法。
技术介绍
1、新能源汽车的发展引发了一系列需求，更高能量密度、更快充电速度和更长使用寿命的电池技术是其中的关键需求。电池状态评估对于有效管理、优化和维护电池系统至关重要，通过监测和评估soc和soh，可以帮助延长电池的寿命，提高系统的效率，降低维护成本，同时确保电池系统的安全运行。因此，精确的电池soc和soh状态估计对于提高新能源汽车的续航里程和可靠性具有重要意义。
2、然而，电池soc和soh估计是一个复杂的任务，受到多种因素的影响，包括电池类型、环境温度、充放电速率、循环次数和使用条件等。目前报道的锂离子电池状态评估主要通过监测电池的电压、电流、温度等参数，开发相应的评估方法，如卡尔曼滤波、粒子滤波、神经网络等。然而实际运行时，软包锂离子电池在充放电过程中会发生膨胀或变形，由此产生的应力波动会影响电池实际可用容量，进而导致锂离子电池soc和soh状态估计结果与真实值持续存在偏离。此外，soc与soh之间的存在很强的相关性，当电池受老化因素影响容量衰退时，不考虑电池soh而直接进行soc估计很难保证计算结果的准确性，最终威胁电池的安全性，缩短使用寿命。
技术实现思路
1、本专利技术的目的是提供一种软包锂离子电池soc和soh联合估计方法，以解决上述现有技术存在的问题。
2、为实现上述目的，本专利技术提供了一种软包锂离子电池soc和soh联合估计方法，包括：p>
3、设计长循环实验，基于所述长循环实验获取电池运行参数；
4、基于所述长循环实验获取电池运行参数构建soh估计输入数据集和soc估计输入数据集；
5、基于支持向量回归方法对所述soh估计输入数据集进行计算，获得当前循环阶段的电池soh；
6、构建长短时记忆网络，通过所述长短时记忆网络和所述当前循环阶段的电池soh对所述soc估计输入数据集进行计算，获得当前循环阶段的电池soc。
7、优选的，基于所述长循环实验获取电池运行参数构建soh估计输入数据集和soc估计输入数据集的过程包括：
8、基于所述长循环实验获取电池运行参数中的长循环充电阶段数据提取机电健康特征因子作为soh估计输入数据集；
9、基于所述长循环实验获取电池运行参数中的长循环放电阶段实验数据作为soc估计输入数据集。
10、优选的，所述机电健康特征因子包括充电阶段中值电压、恒流充电比以及应力最大值和最小值；
11、所述长循环放电阶段实验数据包括电压、电流和应力数据。
12、优选的，所述支持向量回归方法的表达式为：
13、f(x)＝ωsvrφ(x)+bsvr；
14、式中，x为输入数据，φ(x)为非线性映射函数，ωsvr为权重，bsvr为截距。
15、优选的，通过所述长短时记忆网络和所述当前循环阶段的电池soh对所述soc估计输入数据集进行计算的过程包括：
16、基于所述当前循环阶段的电池soh修正电池容量，生成修正后的电池容量；
17、通过安时积分法对所述修正后的电池容量进行计算，生成特定循环圈数内每圈放电阶段的socs；
18、构建所述长短时记忆网络，通过所述长短时记忆网络构建特定循环圈数内每圈放电阶段的socs和所述soc估计输入数据集的映射关系，获得所述当前循环阶段的电池soc。
19、优选的，所述生成修正后的电池容量的表达式为：
20、qre＝qnsohes；
21、式中，sohes表示当前循环阶段估计的电池soh，qn表示电池额定容量，qre表示修正后的电池容量。
22、优选的，所述生成特定循环圈数内每圈放电阶段的socs的表达式为：
23、socs(t)＝q(t)/qre；
24、式中，q(t)表示特定循环圈数内某一圈t时刻的电池剩余容量，socs(t)表示特定循环圈数内某一圈t时刻的电池soc。
25、优选的，所述长短时记忆网络的表达式为：
26、
27、式中，ht表示为t时刻的lstm结构隐藏状态；xt表示t时刻的输入，yt表示t时刻的输出，wlstm表示权重矩阵，blstm表示偏差项。
28、优选的，通过所述长短时记忆网络构建特定循环圈数内每圈放电阶段的socs和所述soc估计输入数据集的映射关系的过程包括：
29、将所述建特定循环圈数内每圈放电阶段的socs和所述soc估计输入数据集进行min-max归一化处理，获得处理数据集；
30、设置所述长短时记忆网络的参数，并初始化权重和偏置；
31、将所述处理数据集划分为训练集和测试集，通过所述训练集和测试集对所述长短时记忆网络进行训练并计算，获得所述当前循环阶段的电池soc；
32、所述长短时记忆网络的输入为放电过程的电压、电流及应力数据，输出为当前循环阶段的电池soc。
33、本专利技术的技术效果为：
34、本专利技术提出的软包锂离子电池soc和soh联合估计方法拓宽了电池运行监测数据维度，全面考虑了电池运行过程的机电特性，更符合实际应用场景。所采用的联合估计算法融合了非线性回归神经网络的多复杂非线性处理能力以及长短期记忆网络的时序数据处理能力，能够更准确、及时地估计电池状态。本专利技术提出的软包锂离子电池soc和soh联合估计方法将电池机电特征与机器学习方法相结合，自动学习电池的特性，无需依赖复杂的物理模型，可以适应不同工作条件，具有很强的通用性和灵活性。
本文档来自技高网...【技术保护点】
1.一种软包锂离子电池SOC和SOH联合估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的软包锂离子电池SOC和SOH联合估计方法，其特征在于，基于所述长循环实验获取电池运行参数构建SOH估计输入数据集和SOC估计输入数据集的过程包括：
3.根据权利要求2所述的软包锂离子电池SOC和SOH联合估计方法，其特征在于，所述机电健康特征因子包括充电阶段中值电压、恒流充电比以及应力最大值和最小值；
4.根据权利要求1所述的软包锂离子电池SOC和SOH联合估计方法，其特征在于，所述支持向量回归方法的表达式为：
5.根据权利要求1所述的软包锂离子电池SOC和SOH联合估计方法，其特征在于，通过所述长短时记忆网络和所述当前循环阶段的电池SOH对所述SOC估计输入数据集进行联合计算的过程包括：
6.根据权利要求5所述的软包锂离子电池SOC和SOH联合估计方法，其特征在于，所述生成修正后的电池容量的表达式为：
7.根据权利要求5所述的软包锂离子电池SOC和SOH联合估计方法，其特征在于，所述生成特定循环圈数内每圈放
8.根据权利要求5所述的软包锂离子电池SOC和SOH联合估计方法，其特征在于，所述长短时记忆网络的表达式为：
9.根据权利要求1所述的软包锂离子电池SOC和SOH联合估计方法，其特征在于，通过所述长短时记忆网络构建特定循环圈数内每圈放电阶段的SOCs和所述SOC估计输入数据集的映射关系的过程包括：
...【技术特征摘要】
1.一种软包锂离子电池soc和soh联合估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的软包锂离子电池soc和soh联合估计方法，其特征在于，基于所述长循环实验获取电池运行参数构建soh估计输入数据集和soc估计输入数据集的过程包括：
3.根据权利要求2所述的软包锂离子电池soc和soh联合估计方法，其特征在于，所述机电健康特征因子包括充电阶段中值电压、恒流充电比以及应力最大值和最小值；
4.根据权利要求1所述的软包锂离子电池soc和soh联合估计方法，其特征在于，所述支持向量回归方法的表达式为：
5.根据权利要求1所述的软包锂离子电池soc和soh联合估计方法，其特征在于，通过所述长短时记忆网络和所述当...
【专利技术属性】
技术研发人员：龚莉莉，谈鹏，丁俊杰，孙凯，李雪妍，杨昊松，贺兴民，
申请(专利权)人：中国科学技术大学，
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。