[发明专利]一种锂电池健康状态预测方法

说明书

本发明公开了一种锂电池健康状态预测方法包括：采集所述锂电池的电池容量数据，生成时间序列，利用CEEMDAN将所述时间序列分解为一个残余量Res和四个本征模态函数分量IMF₁、IMF₂、IMF₃、IMF₄，构建时域卷积网络TCN，并使用所述时域卷积网络TCN对所述本征模态函数IMF₁建模；构建门控循环单元GRU，并使用所述门控循环单元GRU对所述本征模态函数IMF₂、IMF₃、IMF₄和所述残余量Res建模，将重构后的所述本征模态函数IMF₁模型和重构后的所述本征模态函数IMF₂、IMF₃、IMF₄和所述残余量Res模型进行叠加，获取所述锂电池健康状态的预测值。

技术领域

本发明涉及电池管理技术领域，具体涉及一种锂电池健康状态预测方法。

背景技术

锂离子电池具有电压稳定、循环寿命长、自放电率低、工作温度范围 大、清洁无污染等优点，被广泛应用于电动汽车。锂离子电池组在电动汽 车成本中占比相对较高，为了做到既保证安全又经济，必须对电池健康状 态做到精准预测。锂电池的健康状态是衡量锂离子电池性能状态的重要指 标。

锂离子电池SOH(State Of Health，健康状态)预测主流方法有:直接测 量法、模型法、数据驱动法及融合法等。直接测量法：对电池的内阻和容 量特性指标进行离线测量，然后通过公式得出SOH的近似值。模型法：通 过建立电池模型和预测参数的变化来对SOH进行估算。数据驱动法：不需 要过多的考虑锂离子电池内部的物理和化学反应，而是把电池作为一个黑 箱模型，直接跟踪收集的相关数据中电池健康状态的变化量，一般选用电 压、电流、温度、容量、阻抗等数据作为模型输入。典型的数据驱动方法 有三种技术：第一种智能算法；第二种统计学方法。第三种是时间序列方 法。

直接测量法属于开环方法，鲁棒性较差，估算精度高度依赖测量技 术，且只适用于实验室条件下的锂离子电池SOH离线估算。基于模型的 锂离子电池SOH估算方法在模型选择难以同时兼顾精度和计算量、参数 辨识计算量大、需根据锂离子电池型号和工作状态的不同而对模型进行不 断修正而难以扩展应用。数据驱动法深度学习不用考虑电池退化机理，但 要收集足够多的有效数据以训练估算模型，并且部分预测结果精度不高。 因此，如何提供一种高精度的锂电池健康状态预测方法，提高预测模型的 鲁棒性是目前有待解决的问题。

发明内容

本发明要解决的技术问题是如何提供一种高精度的锂电池健康状态预 测方法，提高预测模型的鲁棒性，提供一种锂电池健康状态预测方法。

本发明是通过下述技术方案来解决上述技术问题：

一种锂电池健康状态预测方法，所述预测方法包括：

采集所述锂电池的电池容量数据，生成时间序列S(n)；

利用自适应白噪声的完整集成经验模态分解方法将所述时间序列S(n)分 解为一个残余量Res和四个本征模态函数分量IMF₁、IMF₂、IMF₃、IMF₄；

构建时域卷积网络TCN，并使用所述时域卷积网络TCN对所述本征模 态函数IMF₁建模；

构建门控循环单元GRU，并使用所述门控循环单元GRU对所述本征模 态函数IMF₂、IMF₃、IMF₄和所述残余量Res建模；