一种基于深度神经网络和几何构造的锂离子电池剩余使用寿命早期预测方法技术

技术编号：42617320 阅读：31 留言：0更新日期：2024-09-03 18:23

本发明专利技术公开了一种基于深度神经网络和几何构造的锂离子电池剩余使用寿命早期预测方法，老化测试并记录前三个循环的电压以及容量序列；使用电压、容量序列进行特征点重构再通过排列组合构造成作为卷积神经网络输入的三维特征P。使用老化测试数据进行拐点离线辨识，计算拐点和老化初始点连线的斜率、拐点和老化终止点连线的斜率以及拐点容量作为卷积神经网络的几何输出T。基于卷积神经网络，使用参数P、T对卷积神经网络的模型参数进行线下训练。在预测阶段，将待测电池的循环数据经过处理后得到关键特征，输入到卷积神经网络模型，再使用模型的输出进行几何构造。该方法能在电池使用早期实现其剩余使用寿命的精确预测和更好的泛化性能。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术涉及锂离子电池寿命状态估计方法，特别涉及一种基于深度神经网络和几何构造的锂离子电池剩余使用寿命早期预测方法。

技术介绍

1、锂离子电池以其高能量密度、长周期寿命和低成本，在电化学储能及电动汽车行业中备受青睐。然而，随着使用时间得增长，锂离子电池的寿命会逐渐缩短。出于安全和车辆续航里程的考量，当锂离子电池的容量降至其初始容量的80％时，普遍认为其不再适宜于电动汽车的使用。因此，精确预测锂离子电池何时将达到其使用寿命的终点，或者说预测其剩余使用寿命，对于确保行车安全和缓解用户焦虑至关重要。更重要的是，如果能在电池使用的初期就准确预测其剩余寿命，这将极大地方便制造商对不同生产工艺的电池进行快速评估，同时用户也可以更早得评估电池的剩余使用寿命，提前做好相应的准备。

2、目前，对rul的预测方法可以分为基于经验模型和基于数据驱动两类方法。基于经验模型的方法需要明确电池老化路径，且过度依赖模型参数的可靠性。因此，往往需要在电池老化到一定程度后才能辨识出可靠的模型参数，严重局限了这类方法的应用。而数据驱动的方法往往面临着需要大量...

【技术保护点】

1.一种基于深度神经网络和几何构造的锂离子电池剩余使用寿命早期预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于卷积神经网络和几何构造的锂离子电池剩余使用寿命早期预测方法，其特征在于，所述S2中通过最小化均方根误差并综合考虑计算效率确定重构特征点数。

3.根据权利要求1所述的基于深度神经网络和几何构造的锂离子电池剩余使用寿命早期预测方法，其特征在于，所述S3中在单一通道上，将第一次循环和第三次循环的电压序列点排列组合成20×2的向量，容量序列同理，将容量序列和电压序列输入不同通道，得到20×2×2的三维向量作为最终输入。