[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

说明书

本发明提出一种基于深度网络自适应的电动汽车锂电池SOH估算方法，先对数据进行预处理，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；再构建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，建立出基于深度自适应网络的SOH估算模型；本发明能够有效的将电池老化信息从实验数据中迁移到工况数据下，有效的弥补了工况下电池老化信息不足的问题，提高了工况下SOH估算的精度，使其能够满足SOH估算的需求，可以应用于车载电池管理系统中。

技术领域

本发明属于电池健康状态估算及迁移学习领域，具体地，涉及一种基于深度网络自适 应的电动汽车锂电池SOH估算方法。

背景技术

燃油车尾气包含各种温室气体，其排放已成为大气污染的重要源头之一，因此能耗低、 污染物排放少的电动汽车受到国内外的普遍关注。我国电动汽车发展势头良好，电动汽车 保有量持续增长。

电动车采用动力电池作为其动力源，常用的动力电池有锂离子电池，镍铬蓄电池、镍 氢蓄电池及铅酸蓄电池等。其中锂电池因其绿色环保、密度高、寿命长、温度适应性宽、自放电率小等优良特性，成为重要研究方向。锂离子电池电动汽车电池组由多个锂电池组成，需要先进的电池管理系统(Battery Management System，BMS)来对其进行管理，其 中荷电状态(State Of Charge，SOC)和健康状态(State Of Health，SOH)的估计是BMS 的基础。

锂电池健康状态(SOH)是评价电池性能衰退的指标，在反应电池故障情况和进行电 池状态的安全预警方面有着重要意义。准确实时的SOH评估，有利于及时更换低寿命电池， 降低故障发生的概率，保障车辆和人员的安全，避免资源的浪费。目前很多学者已经采用 不同的方式对锂离子电池的健康状态进行了研究，研究的焦点主要集中于基于数据驱动的 SOH估算方法。

基于数据驱动的SOH估算方法较传统的方法而言，具有更大的灵活性及适用性，是SOH在线估计的研究的热点以及未来的方向。但是现阶段的数据驱动方法仍然有一定的局限性，数据驱动模型学习高度依赖建模数据，而现阶段的大多数SOH数据驱动研究使用的训练数据都来自于实验室的电池全充全放实验，而缺少基于工况数据的研究。在工况情况下，电动车车主多选择在电量剩余30％-50％之间时就进行充电，相比全充实验数据，日常获取到的充电数据仅含有部分充电过程，本发明称之为片段充电数据。片段数据无法直接计算SOH值，而对电动车锂电池进行全充全放实验所需时间长且成本较大，工况下带标签的全充数据难以获得。因此工况下带标签数据较少，电池老化信息缺失，在这种情况下建模难度较大，相关研究缺乏。

因此，鉴于现实的实际需求以及该领域的研究缺失，为了满足工况下电动车SOH日常 估算的需求，本发明研究了基于片段充电数据的电动汽车锂电池SOH估算方法。利用迁移 学习，将已有的大量的电池老化实验数据中锂离子电池的共有知识迁移到工况数据域，并 基于工况片段充电数据建立了基于深度网络自适应的SOH估算模型。对比实验结果表明， 基于深度网络自适应的SOH估算模型具有精度上的优势，能够满足日常SOH估算的需求。

发明内容

本发明提出了一种基于深度网络自适应的电动汽车锂电池SOH估算方法，通过深度网 络自适应，减小源域和目标域之间的距离，使得信息更好的从实验数据迁移到工况数据， 完成迁移学习，提高SOH估算模型的精度。

本发明是通过以下方案实现的：

一种基于深度网络自适应的电动汽车锂电池SOH估算方法：

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；