[发明专利]一种基于灰色神经网络的锂电池健康状态估计方法

权利要求书

1.一种基于灰色神经网络的锂电池健康状态估计方法，其特征在于该方法具体步骤是：

步骤(1).在恒定温度下进行电池充电放电循环老化实验，充放电阶段分别为：

(1-1)充电：先将电池恒流充电达到其充电截止电压，再恒压充电至充电电流下降至设定值时停止充电，认为此时为满电状态；

(1-2)放电：

(A)对满充的电池施加1C的放电速率放电s1，然后休息s2，重复这一过程，直到电池达到其截止电压时停止放电过程，记录放电总时间长度为S，总时间长度为放电时间和休息时间的总和；

(B)每间隔s3秒记录一次电池放电过程中的电池端电压V＝(v₁,v₂,…,v_m)和放电电流I＝(i₁,i₂,…,i_m)；取整数；

(C)计算电池放出的总容量q＝I×S×50％；

(1-3)老化循环试验：包括循环n次的电池满充和脉冲放电，使电池容量退化为原来的60％～80％；记录下n次实验中n个电池容量Q＝{q₁,q₂,…,q_n}和n组电池端电压V₁,V₂,…,V_n与n组放电电流I₁,I₂,…,I_n，建立电池老化数据库；

步骤(2).对步骤(1)中记录的一次放电过程所得的电池端电压V与放电电流I数据进行处理，包括确定电池数据所对应的等效电路模型、拟合计算出模型中的相关元件参数值；

(2-1).确立数据相关的等效电路模型；

通过建立电池的三阶RC等效电路模型进行仿真，模型包括：

(D)三个电阻R_1,2,3分别与三个电容C_1,2,3并联，构成三个并联回路；

(E)将一个内阻R₀与所述并联回路依次串联，构成串联电路；

(F)将所述串联电路接入电压源V_OC；

模型中的元件R₀、R_1,2,3、C_1,2,3、V_OC的参数都与电池充放电状态SOC、温度T、电路的电流I和电压V存在非线性函数关系：Z_j＝f(SOC,T,I,V)；其中Z_j就用来统一表示上述模型元件；确定拓扑结构后，搭建电池模型；

(2-2).拟合计算出模型中的相关元件参数值：

(G)通过电路中的电流特性计算出电池当前的充放电状态SOC，计算方法是安时积分法：其中SOC₀为电池充放电状态初始值，定为1；Q_N为电池额定容量；I为电池放电电流；η为电池充放电效率；τ表示测量时间从0～S的间隔；

(H)对电路中各元器件的值建模，以表格的形式构建元件R₀、R_1,2,3、C_1,2,3、V_OC参数与电池充放电状态SOC的关系表并初始化；

(I)自动拟合元件参数，为(H)中所述表格填充拟合所得的元件参数值；

将n次放电实验记录的n组电池端电压和放电电流都通过上述仿真模型拟合出每一组数据对应的电池元件参数，记为R₀＝{r₀₁,r₀₂,…,r_0n},R₁＝{r₁₁,r₁₂,…,r_1n},R₂＝{r₂₁,r₂₂,…,r_2n}，R₃＝{r₃₁,r₃₂,…,r_3n},C₁＝{c₁₁,c₁₂,…,c_1n},C₂＝{c₂₁,c₂₂,…,c_2n},C₃＝{c₃₁,c₃₂,…,c_3n}；

步骤(3).将灰色模型与BP神经网络组合成灰色神经网络：

(3-1)针对已获取的数据建立数据间的数学关系模型；

建立步骤(2)中拟合得到的电池元件R₀、R₁、R₂、R₃、C₁、C₂、C₃参数与步骤(1)中记录的电池容量数据Q之间的灰色模型,将1～n次实验序数定义为时间序列t，则每组电池数据也相应的定义成与t相关的序列R₀(t)、R₁(t)、R₂(t)、R₃(t)、C₁(t)、C₂(t)、C₃(t)、Q(t)；

对Q(t)＝{q₁,q₂,…,q_n}进行序列内的部分累加运算，得到其中对所有序列进行相同的累加运算得到Q⁽¹⁾(t)，建立的灰色模型为：

式中，a,b₁,b₂,…,b₇为微分方程系数，上标(1)表示对原始数据做一次累加运算处理，Q⁽¹⁾(t)为系统输出参数；为系统输入参数；对灰色模型进行求解得到的时间响应式为：

为预测结果；

(3-2)针对灰色模型构建神经网络得到灰色神经网络；

将时间响应式映射到神经网络中：其中t为输入时间序列，将式中作为网络预测输出参数，作为网络输入参数；Q⁽¹⁾(t)是真实记录的参数；这样一个映射关系得到的模型称为灰色神经网络模型；

该灰色神经网络是一个简单的四层网络包括一层输入层、两层隐藏层、一层输出层,分别记为LA,LB,LC,LD,隐藏层LB,LC的节点数分别为1和8，将每个网络层之间的网络权值定义为ω₁₁；ω₂₁,ω₂₂,…,ω₂₈；ω₃₁,ω₃₂,…,ω₃₈,时间响应式中参数与网络权值之间的对应关系：ω₁₁＝a；ω₂₁＝-Q⁽¹⁾(1),ω₃₁＝ω₃₂＝…＝ω₃₈＝1+e^-at,由响应式与权值关系可知LB节点和LC第一个节点间的权值为常数-Q⁽¹⁾(1)，输出节点阈值为，隐藏层神经元激活函数取为Sigmoid型函数：其他层激活函数取线性；

(3-3)经过以上设置，对灰色神经网络进行训练：

(J).网络初始化：根据训练数据特性初始化参数a,b₁,b₂,…,b₇和学习速率μ₁,μ₂,…,μ₇；

(K).计算每层输出：

对每一个输入序列计算每层输出,记每层输出为J；K；M₁,M₂,…,M₈；N；

LA层：J＝t，

LB层：

LC层：M₁＝Kω₂₁,

LD层：N＝ω₃₁M₁+ω₃₂M₂+…+ω₃₈M₈-θ；

(L).计算误差：

LD误差：δ₀＝N-Q⁽¹⁾(t)，

LC误差：

LB误差：

(M).更新权值和阈值：

调整LB层到LC层的连接权值：ω₂₁＝-q⁽¹⁾(1),ω₂₂＝ω₂₂-μ₁δ₂K,…,ω₂₈＝ω₂₈-μ₇δ₈K；

调整LA层到LB层的连接权值：ω₁₁＝ω₁₁-atδ₉；；

调整阈值：

(N).判断训练是否结束，若没有结束，返回步骤(K)

最后，将获得的参数a,b₁,b₂,…,b₇代入时间响应式中，获得响应式的具体表达式，并进行累减计算，得到预测的电池容量值

步骤(4).重复脉冲放电实验采集新的电池端电压和放电电流数据输入三阶RC仿真模型得到电池的内阻抗值作为神经网络模型的实际测试数据；通过步骤(3)训练完成的灰色神经网络对电池容量进行估计，计算电池健康状态SOH_e：其中e表示电池的第e次实际放电过程，Q_N为电池额定容量，Q_M为电池第e次实际放电所得的电池容量。