[发明专利]一种基于深度网络自适应的电动汽车锂电池SOH估算方法

权利要求书

1.一种基于深度网络自适应的电动汽车锂电池SOH估算方法，其特征在于：

步骤一：数据预处理及特征提取；数据预处理后在原有的电压、电流、时间曲线的基础上构建SOC曲线和容量增量IC曲线，并根据这些曲线进行了特征提取；利用皮尔逊相关系数PCC计算提取出的特征与SOH的相关性，验证特征提取是否有效；

步骤二：构建SOH估算模型；通过在深度网络中添加自适应层结合深度学习和领域自适应，实现迁移学习，建立基于深度自适应网络的SOH估算模型；

步骤三：SOH估算：当有新的片段数据进来的时候，将新的片段数据进行了数据预处理及特征提取后，送入训练好的模型中进行预测，得到片段数据的预测结果。

2.根据权利要求1所述方法，其特征在于：

SOH描述的电池状态长期变化情况，采用百分比表示，取值范围为0～100％；

当SOH＝100％时表示电池为新电池，当SOH下降到80％为电池寿命终止；

从容量、阻抗和功率角度出发表述动力电池健康状态的衰减参数；采用以电池容量衰减为特征的SOH定义：

其中Cap_o代表锂离子的初始容量，单位为Ah，Cap_m代表锂离子电池在该次循环时的最大可用容量，单位为Ah。

3.根据权利要求1所述方法，其特征在于：

深度网络自适应网络的损失函数采用如下定义方式：

l＝l_c(D_s,y_s)+λl_A(D_s,D_t) (2)

其中D_s为源域，D_t为目标域，表示网络的最终损失，y为标签空间，表示网络在源域上的常规损失，表示网络的自适应损失，表达源域和目标域的分布差异；λ为权重参数。

4.根据权利要求1所述方法，其特征在于：在步骤一中，

步骤一一：对原始数据进行预处理，所述预处理包括缺失值补全、异常值处理及噪声处理；

步骤一二：针对源域实验数据中已有的准确测量的电压和电流数据，进行源域数据SOC曲线构造；k时刻的SOC的定义如下：

其中是电池目前剩余的能量，Cap_m是电池目前的最大可用容量，其中SOC(0)为初始SOC值；

对于源域数据，由SOC为0时开始进行全充实验，即SOC(0)的值为0；

和Cap_m根据安时积分法计算，其中的安时积分法定义如下：

其中t_k为k时刻的时间，I(t)为t时刻的电流值；

步骤一三：经过数据预处理后，在原有的电压、电流、时间曲线的基础上构建容量增量IC曲线，通过数据维度来辅助进行特征的提取。

通过将充电或放电过程中电池电量的变化和端电压的变化进行差分计算得到IC曲线，IC曲线的计算方式如下：

式中，和分别为k和k+1时刻的电池电量，和分别为k和k+1时刻的电池端电压；对应的曲线dQ/dU-U即为IC曲线；采用了SG滤波器对构造出的IC曲线进行去噪处理

步骤一四：利用皮尔逊相关系数PCC计算提取出的特征与SOH的相关性，验证特征提取是否有效；

皮尔逊相关系数用于度量两个变量X和Y之间的线性相关程度，相关程度的值介于-1与1之间；

皮尔逊相关系数ρ的公式定义如下：

其中σ_x、σ_y代表两变量的标准差，con(X,Y)代表两变量的协方差，协方差计算公式如下：

皮尔逊相关系数在协方差的基础上除以两个变量的标准差；

步骤一五：通过皮尔逊相关系数确定电池衰减情况的特征；

皮尔逊相关系数的变化范围为-1到1；当皮尔逊相关系数为正时，两变量呈正相关；为负时，两变量呈负相关，其绝对值越接近于1代表相关性越大，而当取值接近0时，即两个变量没有相关性的程度越大；

所述5个能反应电池衰减情况的特征分别为：

(1)充入的容量Q_vv；

(2)IC曲线峰值IC_max；

(3)IC曲线平均值IC_mean；

(4)片段充电时长V_time；

(5)片段数据充入容量/SOC的变化量Q_soc；

其中片段数据充入容量/SOC的变化量Q_soc定义如下,

其中T₁和T₂代表电压片段是起始时间和结束时间，T_s代表时间序列的采样间隔。