[发明专利]基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法

说明书

一种基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法，通过传感器采集锂电池的工况数据，经预处理得到输入特征；通过传感器采集锂电池的工况数据，经预处理得到输入特征；根据输入特征设计堆叠残差因果卷积神经网络，训练该堆叠残差因果卷积神经网络后，利用训练得到的堆叠残差因果卷积神经网络对锂电池的健康状态进行估计；堆叠残差因果卷积神经网络，该网络将残差网络和长短期记忆网络的输入门结构有机地集成到因果卷积网络中。本发明可以有效的帮助锂电池用户准确获取电池实际可用容量及老化状态相关信息，进而为电池管理的控制决策提供参考。

技术领域

本发明涉及的是一种锂电池制造领域的技术，具体是一种基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法。

背景技术

随着科技的飞速发展和技术的不断革新，国家对新能源尤其是环保能源的要求进一步提高，新能源汽车的发展可以促进我国能源结构的改革，从而实现绿色经济的可持续发展。锂电池作为新能源汽车的核心部件之一，有效的估计电池健康状态意义重大。健康状态(State of charge，SOH)是从多次使用的角度评价电池，预测电池在其整个生命周期中的状态，它可以帮助电池管理系统掌握电池老化影响因素，在电池的全生命周期管理提供使用和维护的理论支持，避免电池的不当使用，充分发挥电池的使用价值。目前对电池的健康状态的定义主要有两种计算方式，一种是基于电池的容量的退化，另一种是基于电池的内阻。两种定义方式分别为：其中，Q_aged为电池在当前充放电循环下的电池容量，Q_new为电池的额定容量；其中：R₀为电池的初始内阻，R_aged为电池在当前充放电循环下的电池内阻。

电池的老化主要是电池内部化学成分的损失和失效，所有可能造成电池内部化学成分发生改变的因素都会是电池健康状态退化的影响因子。目前针对锂电池SOH主要的研究难点包括：

1)复杂的化学反应。电池内部的化学成分构成复杂，这些化学成分之间的化学反应虽然是按照电池原本设计进行的，但是受各种不可控因素影响，可能会发生一些意想不到的化学反应。因此，在实际工作中，电池内部发生的化学反应非常复杂，无法观测和控制。

2)影响因素多。一般来说，电池的工作环境都很不固定，尤其对于纯电动汽车，工作环境更加复杂，温度波动范围广，而且充放电的电流值也无法保证稳定，并且很容易发生过充过放的行为。此外，电池本身也会发生自充电和自放电的现象，这些都是影响电池健康状态退化的因素。这些影响因素相互作用，存在很强的耦合关系，难以直接找出它们和SOH的映射关系。

3)难以建立精确模型(非线性系统)。电池内部的化学反应复杂导致了电池内部系统的强非线性，并且当电池处于正常工作时，内部化学成分和发生的反应无法观测，仅可以依靠电池的工作电压和电流等信息。因此，电池精确模型的建立是最大的难点。

目前对SOH的研究方法大致可分为两种：一种是基于物理和化学机理或等效模型，另一种是基于数据驱动的方法。基于物理和化学机理的电池健康状态估计通常是考虑影响电池内部化学反应的影响因素，挖掘其中的规律并建立模型，常用的模型有电化学阻抗谱模型、电化学第一原理模型和其他多因子综合模型等电化学模型从电池内部机理分析，原理清晰且准确度高，但是由于建立电化学模型的实验过程复杂，而且实用价值有限，更多的用于实验环境下的研究。等效电路模型将电池视作一个简单的电路模型，通过估算等效电路中的电池内阻参数，从而获得电池的健康状态。随着大数据时代的到来，电池运行数据的获取为使用数据驱动方法评估电池SOH提供了可能，数据驱动的方法可以不用考虑电池内部的复杂化学机理过程，直接通过电池测量数据挖掘电池退化规律，以此来得到电池SOH的估计值。常见的方法有支持向量回归算法、高斯过程回归以及神经网络等方法。

现有的SOH估计方法仍然有很多不足，基于模型的评估方法需要考虑的影响因素太多，无法建立精确的数学模型。数据驱动的方法可以从获得的数据中找到隐藏的电池状态信息和变化规律，而无需内部物理和化学过程。然而由于数据的不完整和不确定性，现有的数据驱动模型具有较低的泛化能力，预测精度较低，不能满足实际工作需求。