基于多源特征选择和混合二次模态分解的锂电池SOH和RUL协同预测模型制造技术

本申请公开了一种基于多源特征选择和混合二次模态分解的锂电池SOH和RUL协同预测方法，具体涉及电池性能预测的领域。包括：获取待预测电池的充放电循环曲线；基于充放电循环曲线提取间接健康因子，即充电相关健康因子、放电相关健康因子和隐层相关健康因子；分别对待预测电池的容量、间接健康因子进行归一化，并在间接健康因子中筛选最优健康因子；对最优健康因子进行模态分解，得到分解分量；对分解分量进行评估，并在评估结果达到预设条件时，对分解分量进行二次模态分解，得到模态分量；将模态分量输入预测模型进行预测，并对预测结果进行反归一化，得到待预测电池的容量和剩余使用寿命。提高了模型预测精度、泛化能力和鲁棒性。

【技术实现步骤摘要】

本申请涉及电池健康预测的领域，尤其涉及基于多源特征选择和混合二次模态分解的锂电池soh和rul协同预测模型。

技术介绍

1、锂离子电池(libs)作为典型的能量型装置，具有比能量高、荷电性强、配置灵活、控制精准和宽温域适应性(-20 ℃~60 ℃)等优点，被广泛应用于电动汽车、多/全电飞机、船舶电推进系统、电网储能等领域。锂离子电池本质上是一个多尺度、多物理场、多维度的动态时变电化学系统，内部反应机理复杂，涉及sei膜分解、锂离子沉积、活性物损失、过充过放、机械滥用等复杂工况，其性能退化过程具有不确定性、非线性和不可逆性且难以表征，导致设备安全性和可靠性显著降低。因此，准确预测锂离子电池soh和rul能有效延长电池循环寿命，提高电池管理系统(bms)鲁棒性、可靠性和安全性，确保电池始终以最佳效率运行。此外，电池soh、rul预测技术对大数据、区块链和云平台的发展起关键支撑作用。

2、目前，基于锂离子电池的健康管理主要分为两类：直接健康因子法和间接健康因子法。直接健康因子法通过在离线监测电池容量、内阻等特征直接对电池容量、soh、荷电状态(soc本文档来自技高网...

【技术保护点】

1.基于多源特征选择和混合二次模态分解的锂电池SOH和RUL协同预测方法，其特征在于，包括：

2.根据权利要求1所述的基于多源特征选择和混合二次模态分解的锂电池SOH和RUL协同预测方法，其特征在于，所述充放电循环曲线包括电池充放电电压循环曲线、电池充放电电流循环曲线、电池充放电容量循环曲线。

3.根据权利要求2所述的基于多源特征选择和混合二次模态分解的锂电池SOH和RUL协同预测方法，其特征在于，所述基于所述充放电循环曲线提取充电相关健康因子、放电相关健康因子和隐层相关健康因子，包括：

4.根据权利要求1所述的基于多源特征选择和混合二次模态分解的锂电...

【技术特征摘要】

1.基于多源特征选择和混合二次模态分解的锂电池soh和rul协同预测方法，其特征在于，包括：

2.根据权利要求1所述的基于多源特征选择和混合二次模态分解的锂电池soh和rul协同预测方法，其特征在于，所述充放电循环曲线包括电池充放电电压循环曲线、电池充放电电流循环曲线、电池充放电容量循环曲线。

3.根据权利要求2所述的基于多源特征选择和混合二次模态分解的锂电池soh和rul协同预测方法，其特征在于，所述基于所述充放电循环曲线提取充电相关健康因子、放电相关健康因子和隐层相关健康因子，包括：

4.根据权利要求1所述的基于多源特征选择和混合二次模态分解的锂电池soh和rul协同预测方法，其特征在于，所述充电相关健康因子包括等压升充电时间、等间隔充电电压差、恒流充电时间、恒压充电时间、等间隔充电电流差和充电温度峰值时间；

5.根据权利要求1所述的基于多源特征选择和混合二次模态分解的锂电池soh和rul协同预测方法，其特征在于，所述在归一化后的充电相关健康因子、放电相关健康因子和隐层...

【专利技术属性】
技术研发人员：吴宇，张严，王维斌，陈奎，李瑞珍，赵宏卫，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：