[发明专利]一种锂电池组健康状态集成估计方法

说明书

本发明公开了一种锂电池组健康状态的集成估计方法，测量锂电池组每个充放电周期的健康状态数据序列以及每个充电阶段锂电池组的端电压以及温度数据序列；计算锂电池组随着充放电周期的电压卡方数据序列和温度方差数据序列；将获得的锂电池组电压卡方数据序列、温度方差序列与健康状态数据序列分为初步建模训练集、集成模型训练集；应用长短时记忆神经网络与极限学习机分别初步建立锂电池组健康状态估计模型，使用集成模型训练集建立锂电池组健康状态集成估计模型；应用锂电池组健康状态集成估计模型估计锂电池组的健康状态。本发明构建了长短时记忆神经网络与极限学习机集成融合的锂电池组健康状态估计模型，具有操作简单、误差小、效率高的优点。

技术领域

本发明属于电池技术领域，更具体地，涉及一种锂电池组健康状态集成估计方法，涉及通过每个充电阶段电压数据序列的电压卡方与温度方差反应锂电池组容量退化，并基于电压卡方与温度方差数据序列，分别应用长短期记忆神经网络与极限学习机建立的健康状态集成估计模型对锂电池组健康状态进行估计。

背景技术

锂电池组作为新能源汽车技术的能源供应，其高效长久稳定的运行对于新能源汽车至关重要，然而随着日常的使用，动力锂电池组的存储能力与快速充放电能力不断下降。因此，对锂电池组健康状态的精准估计是非常必要。

锂电池组的健康状态一般用作锂电池组容量老化程度的量化指标，而容量数据在不断的充放电周期中获得，其数据获取过程不可避免存在各种因素影响，从而导致对锂电池组的健康状态无法精确估计。卡方统计量是一种数据统计与分析的方法，通过计算数据的卡方，表征数据与目标数据的靠近程度。长短期记忆神经网络是一种循环神经网络，适用于处理与时间序列相关的问题。锂电池组的健康状态随着充放电周期的而下降，正是时间序列数据。极限学习机是一种前馈神经网络，在学习速率及泛化能力上具有优势。集成融合长短时记忆神经网络与极限学习机构造锂电池组健康状态估计模型，有效提高方法的精度、效率与泛化能力。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提出了一种锂电池组健康状态集成估计方法，能够有效反应锂电池组容量的退化，并精确估计锂电池组的健康状态。

本发明是通过以下技术方案实现的：

一种锂电池组健康状态集成估计方法，具体包括以下步骤：

S1、测量锂电池组随着充放电周期的健康状态数据序列以及特征数据序列，其中，锂电池组随着充放电周期的特征数据序列包括每一个充放电周期内充电阶段端电压和温度的变化数据；

S2、对每一个充放电周期内充电阶段端电压和温度的变化数据进行统计分析，计算锂电池组随着充放电周期的端电压的卡方数据序列和温度方差数据序列；

S3、将计算后得到的端电压卡方数据序列、温度方差数据序列和健康状态数据序列分为初步建模训练数据集、集成模型训练数据集；

S4、基于初步建模训练集，应用长短时记忆神经网络与极限学习机分别初步建立锂电池组健康状态估计模型，基于集成模型训练数据集建立锂电池组健康状态集成估计模型；

S5、应用建立的锂电池组健康状态集成估计模型估计锂电池组的健康状态。

步骤S1具体步骤如下：

测量的锂电池组健康状态随着充放电周期的变化数据为H₁,H₂,...,H_n，对应的锂电池组随着充放电周期的健康状态数据序列为[H₁,H₂,...,H_n]，其中，H_i为第i(i＝1,2,...,n)个充放电周期锂电池组的健康状态，n为充放电周期个数，C_i为第i个充放电周期锂电池组的放电容量，C为锂电池组的额定容量；

步骤S2具体步骤如下：