基于随机特征和神经网络的梯次利用电池SOH估计方法技术

本发明专利技术公开了基于随机特征和神经网络的梯次利用电池SOH估计方法，该方法从退役电池在梯次利用期间的真实使用数据中提取老化特征，并搭建注意力TCN网络，将多个充放电循环的老化特征作为注意力TCN网络的特征输入，对应的电池容量作为标签，进行自适应融合，得到预测的电池健康状态。本方法设计了用于梯次利用阶段退役电池的健康状态估计，充分考虑到退役电池的充放电的随机性和复杂型，使用从随机充电阶段提取的老化特征作为网络输入，捕捉电池充电过程中的重要信息，专注于重点时序特征，提高了网络模型研究时间序列长期依赖关系的能力，测量过程相较简单，并能够及时估算退役电池在梯次利用期间的健康状态。

【技术实现步骤摘要】

本专利技术属于新能源，涉及动力电池管理，具体涉及基于随机特征和神经网络的梯次利用电池soh估计方法。

技术介绍

1、随着新能源汽车行业的快速发展，动力电池的投入也在大幅度增加，但是随着电池健康状态降至额定容量的80％以下时，不仅无法满足车辆动力的需求，也增加了车祸风险的可能性，因此必须从电动汽车上撤下。但是这些退役电池仍可以在低电容需求领域进行梯次利用。但是退役电池的性能不及新电池，安全失效问题更容易发生，因此对梯次利用电池进行准确性能评估至关重要。

2、现有技术中的电池健康状况估计方法主要包括公式计算、基于模型的方法和数据驱动的方法。公式计算方法虽然简单，但只能提供粗略的估算，缺乏系统性的理论支持与方法体系，难以准确评估电池的实际性能。基于模型的方法虽然在一定程度上可以改进评估精度，但也面临着建模复杂性和适用范围受限的挑战。对于车用动力电池退役后的评估，其安全状态和电性能状况往往较为复杂，同时梯次利用的场景多样化，单纯依赖公式计算或模型化手段难以满足梯次利用的需求，也无法可靠地确保安全性。因此，基于数据驱动的方法，利用历史大数据和测试数据作为本文档来自技高网...

【技术保护点】

1.基于随机特征和神经网络的梯次利用电池SOH估计方法，其特征在于：具体包括以下步骤：

2.如权利要求1所述基于随机特征和神经网络的梯次利用电池SOH估计方法，其特征在于：对退役电池在梯次利用期间的数据进行异常值处理、缺失值处理、归一化和数据平滑处理。

3.如权利要求1或2所述基于随机特征和神经网络的梯次利用电池SOH估计方法，其特征在于：定义异常值阈值，对对退役电池在梯次利用期间的数据中的异常值置零，并使用插值的方法填充被置零的异常值和原始数据中的缺失值，最后进行归一化和数据平滑处理；

4.如权利要求3所述基于随机特征和神经网络的梯次利用电池SOH估...

【技术特征摘要】

1.基于随机特征和神经网络的梯次利用电池soh估计方法，其特征在于：具体包括以下步骤：

2.如权利要求1所述基于随机特征和神经网络的梯次利用电池soh估计方法，其特征在于：对退役电池在梯次利用期间的数据进行异常值处理、缺失值处理、归一化和数据平滑处理。

3.如权利要求1或2所述基于随机特征和神经网络的梯次利用电池soh估计方法，其特征在于：定义异常值阈值，对对退役电池在梯次利用期间的数据中的异常值置零，并使用插值的方法填充被置零的异常值和原始数据中的缺失值，最后进行归一化和数据平滑处理；

4.如权利要求3所述基于随机特征和神经网络的梯次利用电池soh估计方法，其特征在于：对于电池容量，首先使用绝对差值过滤方法初步过滤绝对差值不满足条件的电池容量数据：

5.如权利要求1所述基于随机特征和神经网络的梯次利用电池soh估计方法，其特征在于：对于单次充放电循环的电压-时间曲线v和电流-时间曲线...

【专利技术属性】
技术研发人员：何志伟，罗婷婷，鲍政怡，高明裕，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：