【技术实现步骤摘要】
本专利技术涉及锂离子电池状态监测，尤其涉及一种锂离子电池状态预测方法。
技术介绍
1、锂离子电池是当今世界广泛应用的一种电池类型，其在电动汽车、储能系统以及便携式电子设备等多个能源相关领域中发挥着关键作用。尤其是在我国，电动汽车的销量已经跃居全球首位，使得电动汽车及其核心组件——锂离子电池产业，成为国家的重要支柱产业之一。因此，确保锂离子电池的安全运行变得尤为关键，而对其状态进行有效监测则是缓解用户“安全焦虑”的重要手段。
2、在锂离子电池的状态参数中，电压和温度是最为重要的两个指标。准确监测这些参数不仅能够及时发现潜在的安全隐患，还能帮助延长电池寿命并优化其性能表现。
3、针对此，现有技术研发了一种基于神经网络的锂离子电池温度预测技术，然而其还存在以下不足之处：一方面，忽略了环境温度对电池温度的影响；另一方面，部分研究未能充分解决神经网络模型过拟合的问题，导致预测结果不够精确或者泛化能力较差。
4、此外，在锂离子电池电压监测方面，现有技术主要依赖于不同类型的电池模型来实现。根据构建方式的不同，可以将电池模型分为物理模型与机器学习模型两大类。其中，物理模型基于已知的物理或化学原理建立，具有较低的开发难度及良好的稳定性。但是，这类模型往往难以全面考虑实际使用过程中可能遇到的各种复杂干扰因素。相比之下，采用数据驱动的方法构建的机器学习模型则能更好地适应多样化的应用场景，并且通常能够提供更高的预测精度。不过，机器学习模型也面临着一个显著挑战：即如何避免因过度拟合训练数据而导致的特征提取偏差问题。p>
技术实现思路
1、本专利技术的目的是提供一种锂离子电池状态预测方法，解决上述技术问题。
2、为实现上述目的，本专利技术提供了一种锂离子电池状态预测方法，包括以下步骤：
3、s1、考虑环境温度基于神经网络模型预测当前锂离子电池的温度；
4、s2、基于锂离子电池二阶rc等效电路模型和lstm模型预测当前锂离子电池的电压；
5、s3、融合步骤s1预测的当前锂离子电池的温度以及步骤s2预测的当前锂离子电池电压，输出当前锂离子电池状态预测结果。
6、优选的，步骤s1具体包括以下步骤：
7、s11、采集锂离子电池温度探针历史数据和环境温度历史数据；
8、s12、分析温度差数据：计算锂离子电池温度探针历史数据和环境温度历史数据的差值，并使用聚类方法进行分类；
9、s13、构建神经网络模型：根据温度差数据的长度设置神经网络模型超参数、优化器和损失函数；
10、s14、训练神经网络模型：针对步骤s12划分的类别，机构相应类别的温度差数据输入步骤s13构建的神经网络模型中进行模型训练，获得相应类别的神经网络模型；
11、s15、采集当前环境温度数据，并将采集的当前环境温度数据输入步骤s14训练完毕的神经网络模型中，预测当前锂离子电池的温度；
12、s16、温度异常预警：判断步骤s15预测的当前锂离子电池温度与探针采集的锂离子电池的温度的差值是否大于阈值，若是则输出温度异常预警信号，若否，则返回步骤s15。
13、优选的，在步骤s12中，按照当日温度差数据的类别比例划分每天对应的类别，并占比最大的温度差数据类别视为当日的类别。
14、优选的，在步骤s14中，对步骤s12中获得的每一类别温度差数据单独建立神经网络模型，且使用每一类别温度差数据训练对应的神经网络模型。
15、优选的，在步骤s16中，温度异常预警的阈值包括一级阈值范围和二级阈值范围，其中一级阈值范围为-2℃—2℃，二级阈值范围为-4℃—-2℃和2℃—4℃，且在当前锂离子电池温度与探针采集的锂离子电池的温度的差值处于一级阈值范围内时，发出提醒预警信号，在当前锂离子电池温度与探针采集的锂离子电池的温度的差值处于二级阈值范围内时，发出警告预警信号。
16、优选的，步骤s2具体包括以下步骤：
17、s21、构建锂离子电池二阶rc等效电路模型；
18、s22、考虑锂离子电池的电压数据和电流数据，构建用于预测锂离子电池电压的lstm模型；
19、s23、利用带有惩罚项的损失函数优化步骤s22构建的lstm模型；
20、s24、采集锂离子电池的历史电压和电流数据并进行预处理，再将预处理后的锂离子电池的历史电压和电流数据按照比例划分为训练集和验证集；
21、s25、将步骤s24所述的训练集输入步骤s23优化后的lstm模型中进行训练，再利用验证集验证训练完毕的lstm模型；
22、s26、模型泛化能力评估：基于多种电压采集组件分别训练lstm模型，并计算与电压采集组件对应的lstm模型预测的锂离子电池电压数据与实际电压数据的误差，并基于误差评估lstm模型的泛化能力；
23、s27、利用经过步骤s26泛化评估后的lstm模型预测当前。锂离子电池电压数据。
24、优选的，步骤s21所述的锂离子电池二阶rc等效电路模型包括两路并联的rc回路，每条rc回路均包括串联的电阻r和电容c。
25、优选的，步骤s22所述的lstm模型包括用于输入锂离子电池的电压数据和电流数据的输入层、用于处理输入数据的隐藏层和用于输出锂离子电池电压数据的输出层。
26、优选的，步骤s23所述的惩罚项计算方式如下：
27、首先计算锂离子电池二阶rc等效电路模型和lstm模型输出数据的差值的绝对值的对数，若计算结果在5％之内，则惩罚项设定为0，否则按照如下公式计算惩罚项：
28、
29、式中，p表示惩罚项，vnn表示神经网络模型的输出电压，vpm表示锂离子电池二阶rc等效电路模型的输出电压，δ为阈值，其等于锂离子电池二阶rc等效电路模型输出数据的5％。
30、因此，本专利技术采用上述，具有的有益效果为：
31、1、在温度预测方面，将数据根据温度差异划分为不同类别，并针对每个类别训练相应的模型，这有助于区分不同季节和环境温度下的特征，减少其他季节温度特征的干扰，避免特征混淆，从而降低了模型训练的难度，且利用神经网络的过拟合能力，使得当温度异常发生时，能够迅速识别出电池偏离了训练数据所反映的正常运行状态，从而及时发出检查信号；
32、2、在电压预测方面，不仅提高了神经网络模型的训练速度，还使机器学习模型能够学习到物理模型中的先验特征，有效减轻了过拟合问题，增强了模型在不同数据集上的适用性。
33、下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
本文档来自技高网...【技术保护点】
1.一种锂离子电池状态预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种锂离子电池状态预测方法，其特征在于：步骤S1具体包括以下步骤：
3.根据权利要求2所述的一种锂离子电池状态预测方法，其特征在于：在步骤S12中，按照当日温度差数据的类别比例划分每天对应的类别，并占比最大的温度差数据类别视为当日的类别。
4.根据权利要求3所述的一种锂离子电池状态预测方法，其特征在于：在步骤S14中，对步骤S12中获得的每一类别温度差数据单独建立神经网络模型，且使用每一类别温度差数据训练对应的神经网络模型。
5.根据权利要求4所述的一种锂离子电池状态预测方法，其特征在于：在步骤S16中，温度异常预警的阈值包括一级阈值范围和二级阈值范围，其中一级阈值范围为-2℃—2℃，二级阈值范围为-4℃—-2℃和2℃—4℃，且在当前锂离子电池温度与探针采集的锂离子电池的温度的差值处于一级阈值范围内时，发出提醒预警信号，在当前锂离子电池温度与探针采集的锂离子电池的温度的差值处于二级阈值范围内时，发出警告预警信号。
6.根据权利要求5所述的
7.根据权利要求6所述的一种锂离子电池状态预测方法，其特征在于：步骤S21所述的锂离子电池二阶RC等效电路模型包括两路并联的RC回路，每条RC回路均包括串联的电阻R和电容C。
8.根据权利要求7所述的一种锂离子电池状态预测方法，其特征在于：步骤S22所述的LSTM模型包括用于输入锂离子电池的电压数据和电流数据的输入层、用于处理输入数据的隐藏层和用于输出锂离子电池电压数据的输出层。
9.根据权利要求8所述的一种锂离子电池状态预测方法，其特征在于：步骤S23所述的惩罚项计算方式如下：
...【技术特征摘要】
1.一种锂离子电池状态预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种锂离子电池状态预测方法，其特征在于：步骤s1具体包括以下步骤：
3.根据权利要求2所述的一种锂离子电池状态预测方法，其特征在于：在步骤s12中，按照当日温度差数据的类别比例划分每天对应的类别，并占比最大的温度差数据类别视为当日的类别。
4.根据权利要求3所述的一种锂离子电池状态预测方法，其特征在于：在步骤s14中，对步骤s12中获得的每一类别温度差数据单独建立神经网络模型，且使用每一类别温度差数据训练对应的神经网络模型。
5.根据权利要求4所述的一种锂离子电池状态预测方法，其特征在于：在步骤s16中，温度异常预警的阈值包括一级阈值范围和二级阈值范围，其中一级阈值范围为-2℃—2℃，二级阈值范围为-4℃—-2℃和2℃—4℃，且在当前锂离子电池温度与探...
【专利技术属性】
技术研发人员：洪吉超，马世琨，张华钦，裴佳琦，
申请(专利权)人：北京科技大学顺德创新学院，
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。