基于片段多充电特征融合的锂离子电池健康状态估计方法

技术领域

本发明涉及锂离子电池技术领域，尤其涉及一种基于片段多充电特征融合的锂离子电池健康状态估计方法。

背景技术

锂离子电池被广泛应用于各领域，如电动汽车、电化学储能和航空航天等。然而，在锂离子电池实际应用中，电池的性能会不断退化，实际可用容量不断减小。因此，需要在电池运行过程中对电池的健康状态进行持续估计。

目前锂离子电池健康状态的估计方法主要包括基于模型的方法和数据驱动方法。基于模型的方法需要先构建电池等效电路模型或者电化学模型，然后通过最小二乘法等实现模型参数辨识，再利用卡尔曼滤波法、粒子滤波法等估计电池健康状态。这类方法的估计精度依赖于模型及其参数辨识的准确度。数据驱动方法不需要建立电池等效电路模型。现有基于片段充电数据的数据驱动锂离子电池健康状态估计方法，一般通过提取等电压差时间特征或者等时间差电压特征，作为深度学习模型的输入，进而估计锂离子电池健康状态。然而，单独提取时间特征或者电压特征，获取的特征较单一，且特征之间存在较大相似性，导致模型过拟合，影响健康状态估计精度。

发明内容

本发明的目的在于克服现有技术不足，提供一种基于片段多充电特征融合的锂离子电池健康状态估计方法。

为实现上述目的，本发明的技术方案是：一种基于片段多充电特征融合的锂离子电池健康状态估计方法，包括如下步骤：

步骤1、对锂离子电池进行多次充放电循环，收集每次充放电循环中的充电电压数据及对应的时间数据，以及当次循环的最大放电容量数据；

步骤2、针对每次充放电循环的充电电压数据和时间数据，分别提取等电压差时间数据、等时间差电压数据和电池健康状态数据，其中：为提取等电压差时间数据，先确定提取的起始电压、终止电压、采样电压间隔，从起始电压开始，每隔一个采样电压提取一次时间数据，直到终止电压，从而获得等电压差时间数据；为提取等时间差电压数据，先确定提取的起始电压、终止电压、采样时间间隔，从起始电压开始，每隔一个采样时间提取一次电压数据，直到终止电压，从而获得等时间差电压数据；为提取电池健康状态数据，利用每次循环的最大放电容量除以额定容量，得到当前循环的电池健康状态数据；

步骤3、将步骤2提取的等电压差时间数据和等时间差电压数据，采用典型相关性分析方法进行处理，提取出融合特征数据，并与对应循环的电池健康状态数据结合，构成锂离子电池健康状态数据集，将所述数据集分为训练集和测试集；

步骤4、建立长短期记忆循环神经网络模型，此模型的输入设置为融合特征数据，输出设置为锂离子电池健康状态，并设置长短期记忆循环神经网络模型初始参数；

步骤5、使用训练集对长短期记忆循环神经网络模型进行训练，并根据估计误差对模型参数进行调整，使模型估计误差降低；利用测试集测试模型的估计精度，评估模型估计效果。

在本发明一实施例中，所述步骤1包括以下分步骤：

步骤101、使用电池充放电测试仪对新出厂的锂离子电池进行充放电循环，充电方式为恒流恒压充电，放电方式为恒流放电，直到锂离子电池的最大放电容量降至额定容量的70％时，结束充放电循环实验，定义总循环次数为D；

步骤102、记录每次循环的恒流充电过程中的充电电压数据和对应时间数据，并记录本次循环的最大放电容量数据。

在本发明一实施例中，所述步骤2包括以下分步骤：

步骤201、提取等电压差时间数据时，针对每次循环，确定片段充电电压的起始电压V

其中，n为等电压差时间数据的特征数量；

从起始电压V

步骤202、提取等时间差电压数据时，针对每次循环，确定片段充电电压的起始电压V

从起始电压V

步骤203、提取电池健康状态数据时，针对每次循环，根据每次循环的最大放电容量C

在本发明一实施例中，所述步骤3包括以下分步骤：

步骤301、针对步骤2提取的2n个特征，即等电压差时间数据特征

步骤302、构建线性变换P＝a

其中，S

为使P和Q之间的相关性最大化，需要选择向量a和b，使目标函数最大化，即：

定义Rayleigh熵矩阵为：

定义u

根据向量a和b，计算出P＝a

FF＝XP+YQ

步骤303、根据所述融合特征与锂离子电池健康状态数据，构建锂离子电池健康状态数据集：

将数据集Data中的N个数据样本作为训练集Data1，将剩余数据样本作为测试集Data2。

在本发明一实施例中，所述步骤4中长短期记忆循环神经网络模型，其输入节点数量为1，输出节点数量为1，优化算法为Adam。

在本发明一实施例中，所述步骤5包括以下分步骤：

步骤501、对训练集Data1中融合特征数据和健康状态数据进行归一化处理，将归一化后的融合特征数据作为长短期记忆循环神经网络模型的输入，归一化后的健康状态数据作为长短期记忆循环神经网络模型的输出，对模型进行训练；

步骤502、对测试集Data2中融合特征数据进行归一化处理后，输入到训练完成的长短期记忆循环神经网络模型，将模型输出的健康状态估计值进行反归一化处理，与测试集Data2中的健康状态数据对比，计算均方根误差RMSE和平均绝对误差MAE，以此评价长短期记忆循环神经网络模型的精度；

步骤503、当步骤502计算得到的RMSE和MAE不符合预期目标，则返回步骤4重新调整模型参数，并进行训练，直到模型的测试误差符合预期目标。

相较于现有技术，本发明具有以下有益效果：

本发明从锂离子电池的片段充电数据中，提取等电压差时间特征数据和等时间差电压特征数据，相较于单一的时间特征或者电压特征，能够提取更多的电池老化信息，且不易受电池充电数据采集误差的影响；采用典型相关性分析对特征数据进行降维处理，得到融合特征，能够降低特征数据冗余，提高锂离子电池健康状态估计精度；由于融合特征为一维数据，长短期记忆循环神经网络模型的输入节点只需要设置为1，能够有效降低模型复杂度，加快模型估计速度。

附图说明

图1为本发明提出的一种基于片段多充电特征融合的锂离子电池健康状态估计方法流程图。

具体实施方式

为了更加详细的描述本发明的优点和特征，下面将结合附图和具体实施方式来说明。所述实施例是本发明的一个实施例，本发明还可以采用其他方式来实施，同属于本发明保护范围。

在一个具体实施例中，如图1所示，一种基于片段多充电特征融合的锂离子电池健康状态估计方法，包括以下步骤：

1、使用电池充放电测试仪对新出厂的锂离子电池进行充放电循环，充电方式为恒流恒压充电，放电方式为恒流放电，直到锂离子电池的最大放电容量降至额定容量的70％时，结束充放电循环实验，定义总循环次数为D；记录每次循环的恒流充电过程中的充电电压数据和对应时间数据，并记录本次循环的最大放电容量数据。

2、针对每次循环的电压和时间数据，分别提取等电压差时间数据、等时间差电压数据和电池健康状态数据。

提取等电压差时间数据时，针对每次循环，确定片段充电电压的起始电压V

其中，n为等电压差时间数据的特征数量；

从起始电压V

提取等时间差电压数据时，针对每次循环，确定片段充电电压的起始电压V

从起始电压V

提取电池健康状态数据时，针对每次循环，根据每次循环的最大放电容量C

3、针对2中提取的2n个特征，即等电压差时间数据特征

构建线性变换P＝a

其中，S

为了使P和Q之间的相关性最大化，需要选择合适的向量a和b，使目标函数最大化，即：

定义Rayleigh熵矩阵为：

定义u

根据向量a和b，可以计算出P＝a

FF＝XP+YQ

根据所述融合特征与锂离子电池健康状态数据，构建锂离子电池健康状态数据集：

将数据集Data中的N个数据样本作为训练集Data1，将剩余数据样本作为测试集Data2。

4、建立长短期记忆循环神经网络模型，此模型的输入设置为融合特征数据，输入节点为1，输出设置为锂离子电池健康状态，输出节点为1，并设置长短期记忆循环神经网络模型初始参数，单隐含层，初始节点为250个，优化算法为Adam，初始迭代次数设置为120次，初始学习率设置为0.005，在迭代90次后，学习率变为0.2。

5、使用训练集对长短期记忆循环神经网络模型进行训练，并根据估计误差对模型参数进行调整，使模型估计误差降低。对训练集Data1中融合特征数据和健康状态数据进行归一化处理，将归一化后的融合特征数据作为长短期记忆循环神经网络模型的输入，归一化后的健康状态数据作为长短期记忆循环神经网络模型的输出，对模型进行训练。

上述数据归一化方法为：

其中x

利用测试集测试模型的估计精度，评估模型估计效果。对测试集Data2中融合特征数据进行归一化处理后，输入到训练完成的长短期记忆循环神经网络模型，将模型输出的健康状态估计值进行反归一化处理，与测试集Data2中的健康状态数据对比，按以下公式计算均方根误差(RMSE)和平均绝对误差(MAE)，以此评价长短期记忆循环神经网络模型的精度。

其中

当计算得到的RMSE和MAE不符合预期目标，则返回4重新调整模型参数，并进行训练，直到模型的测试误差符合预期目标。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。