[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

说明书

本发明提出一种基于双差分曲线的动力电池健康状态估计方法。对于电池管理系统来说，准确预测电池的健康状态可以有效地确保系统的可靠性和安全性，为将来电池的合理使用提供参考。本发明设计了一种基于双差分曲线的动力电池健康状态估计方法，通过充分使用增量容量曲线和温度差分曲线的信息，得到每一周期对应的特征向量，并通过一维卷积神经网络（CNN）和改进的循环神经网络（RNN）模型对电池健康状态（SOH）进行估计，其中一维CNN用于特征提取，改进的RNN用于时间序列预测，并同时克服了传统RNN的缺点，进而得到一种充分利用过程信息且估计准确的电池健康状态估计方法。

技术领域

本发明属于电池健康状态预测技术领域，具体涉及一种动力电池的健康状态预测方法。

背景技术

对动力电池的健康状态预测的研究，一方面是为了确定动力电池在反复充放电循环使用过程中的健康状态，从而及时发现需要更换的电池，另一方面，其能加快电池材料的研发，缩短实验周期。

目前，电池健康状态（SOH）的估计方法包括直接测量法，基于模型的方法和基于数据驱动的方法。其中数据驱动的方法主要是从电池循环数据中提取与电池退化行为相关的特征数据，建立特征与SOH之间的模型关系，预测电池后期的健康状态。

对于电池特征的选取有很多不同的方法，大部分算法只考虑某个特征，并没有充分利用数据特点，另外，选取特征之后也要考虑到对特征进行进一步的提取，从而得到足够代表每一循环的衰减特征数据。

发明内容

针对动力电池健康状态评估的准确性问题，本发明的目的在于提供一种充分利用电池充电过程信息，进行特征提取，从而减小评估误差，提供准确的电池健康状态预测结果的方法，且仅需要获得恒流部分的数据就能得到较为准确的结果。

传统方法需要使用恒流阶段和恒压阶段的数据特征，利用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，IC曲线的峰值等特征，这些特征虽然在一定程度上可以较准确地表征电池状态程度，但利用的信息有限，且有些信息受到外界的影响并不能为评估带来有效信息。

本发明为实现上述目的所采用的技术方案是：一种基于双差分曲线的动力电池健康状态估计方法，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，以减轻其对预测结果的影响。

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，包括卡尔曼滤波，高斯滤波，移动平均滤波算法滤波去除差分计算增加的噪声。

可选的由于原始电池温度数据容易受到外部噪声的影响，可以经过滤波算法滤除原始噪声。

下式为温度差分前向差分公式，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。

。

。

。

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。