[发明专利]一种基于双差分曲线的动力电池健康状态估计方法

权利要求书

1.一种基于双差分曲线的动力电池健康状态估计方法，其特征在于，包括以下步骤：

步骤S1：设置电池循环测试初始参数，每个电池循环周期经过倍率充电，恒压充电，静置，倍率放电，静置四个步骤，从电池管理测试系统中获得原始电池数据，包括电压，电流，温度，容量保持率以及对应时间，单位时间间隔内电荷的增加量；

步骤S2：对电池数据进行预处理，对缺失值进行填充，去除异常值；

步骤S3：利用前向差分公式，根据时间，电压，电流和温度绘制增量容量（IC）曲线和温度差分（DT）曲线，并通过滤波算法滤除差分计算增加的噪声；

步骤S4：根据IC与DT曲线特征合理地选择取样特征数等距提取曲线特征；

步骤S5：将得到的电池特征和容量数据分为训练集和测试集，其中训练集用于得到动力电池健康状态预测模型，测试集用于表征模型的训练效果；

步骤S6：根据训练集建立CNN-改进RNN模型；

卷积神经网络（CNN)作为模型的第一层,用于提取空间局部特征，CNN中的卷积部分捕获隐藏在实际观测中的有用信息；改进的循环神经网络（RNN)结构作为CNN之后的第二层，用于从过去和当前数据中获取时间特征；在预测电池健康状态时，模型结构的最后一层全连接层利用学习到的模型生成估计值；

步骤S7：使用马尔科夫链对误差进行修正，进一步减小误差；

步骤S8：计算预测误差，使用包括平均绝对误差和均方根误差对估计结果进行定量分析。

2.根据权利要求1所述的一种基于双差分曲线的动力电池健康状态估计方法，其特征在于，步骤S3的增量容量前向差分和温度差分前向差分公式表示如下，其中I为恒流电流值，t为恒流阶段的时间，Q为电荷量，V为恒流阶段的电压值，T为恒流阶段的温度，L为步长

。

3.根据权利要求2所述的一种基于双差分曲线的动力电池健康状态估计方法，其特征在于，步骤S4的滤波算法包括卡尔曼滤波，高斯滤波，移动平均滤波滤除差分计算引入的噪声。

4.根据权利要求1或2所述的一种基于双差分曲线的动力电池健康状态估计方法，其特征在于，步骤S5的电池特征，还可包括恒流与恒压阶段的持续时间，增加的电荷量，恒流阶段的等时间压差，充电曲线斜率。

5.根据权利要求2所述的一种基于双差分曲线的动力电池健康状态估计方法，其特征在于，步骤S6的的改进的RNN模型可以选择长短期记忆网络（LSTM），门控循环单元网络（GRU），双向长短期记忆网络（Bi-LSTM)，双向门控循环单元网络（Bi-GRU）。

6.根据权利要求1所述的一种基于双差分曲线的动力电池健康状态估计方法，其特征在于，步骤S7所用的马尔科夫链校正方法包括：

步骤S71，基于训练数据的模型预测误差分布，建立马尔科夫链状态空间，链状态空间分为三个状态，分别为

其中是平均误差，是标准偏差，是最小误差，是最大误差；

步骤S72，3×3转换矩阵P可以完全指定为马尔科夫链，该转变概率与先前状态无关，过渡概率是从状态i到状态j的单步移动概率，用公式表示为；

其中是两个相邻周期之间从状态i到状态j的单步移动频率，表示从两个相邻周期之间的状态i开始移动的状态数；

步骤S73，若预测误差属于状态i，则修改后的误差可以定义为

其中和分别是状态i的最小和最大误差；

步骤S74， 确定修正误差矩阵Q，修正误差矩阵Q由三个状态的修正误差构成；

步骤S75，使用马尔科夫链进行校正，马尔科夫校正方程定义为

其中由模型预测得到，是初始状态预测值，n为状态转换步数；经过马尔科夫链进行误差校正后的估计值为最终的电池健康状态预测结果。