[发明专利]一种预测模型生成方法及自放电压降预测方法

说明书

本发明提供了一种预测模型生成方法及自放电压降预测方法，预测模型生成方法包括：对多个锂离子电池分别进行soak实验和充放电循环实验，得到自放电压降数据和充放电曲线；从每个充放电曲线中提取动态特征，将动态特征与对应的自放电压降数据进行灰色关联度分析，得到目标数据；根据目标数据，构建高斯过程回归模型，并采用粒子群算法优化训练好的高斯过程回归模型的协方差函数和噪声方差，得到预测模型。本发明根据先验特征和后验特征的分布关系，建立高斯过程回归模型，并采用粒子群算法对高斯过程回归模型进行优化，得到最终的预测模型，使得精度较高。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

技术领域

本发明涉及锂离子电池技术领域，特别是涉及一种预测模型生成方法及自放电压降预测方法。

背景技术

锂离子电池具有重量轻、高能量密度、高效率、优异的低温性能、低自放电率和长寿命等特点，因而被广泛应用于飞机、电动汽车、航天等各个领域。

通常，锂离子电池在规定环境下搁置一段时间，其容量发生自发损耗的现象称为锂离子电池的自放电现象，同一批生产的锂离子电池由于使用的材料与制程控制基本相同，当其中个别电池的自放电压降明显偏大时，很可能是其有内部杂质异物、隔膜翻折或毛刺刺穿隔膜等异常，从而使得锂离子电池内部产生了严重的微短路。

因此，锂离子电池出厂时普遍会进行soak实验，soak实验指的是将锂离子电池自然平放于静置托盘或侧放于静置筐中，记录一段时间内锂离子电池的电压变化量，通过锂离子电压的衰减以及两次测量电压的时间间隔，测定其自放电压降，然而，soak实验中测量电压的时间间隔一般为5～30天，其时间跨度很大，耗时耗力。

综上，现有技术中用于测试锂离子电池自放电压降的soak实验存在时间跨度大、耗时耗力的问题。

发明内容

鉴于以上现有技术的缺点，本发明的目的在于提供一种预测模型生成方法及自放电压降预测方法，以改善现有技术中采用soak获取锂离子电池自放电压降的方法存在时间跨度大、耗时耗力的问题。

为实现上述目的及其他相关目的，本发明提供一种预测模型生成方法，所述预测模型生成方法包括：

对多个锂离子电池分别进行soak实验和充放电循环实验，得到相应的自放电压降数据和充放电曲线；

从每个所述充放电曲线中提取动态特征，将所述动态特征与对应的自放电压降数据进行灰色关联度分析，得到目标数据；

根据所述目标数据，构建高斯过程回归模型，并优化训练好的高斯过程回归模型的协方差函数和噪声方差，得到预测模型。

在一种较优的实施例中，所述从每个所述充放电曲线中提取动态特征，将所述动态特征与对应的自放电压降数据进行灰色关联度分析，得到目标数据的步骤包括：

提取每条所述充放电曲线的多个动态特征；

针对每条所述充放电曲线，将所述动态特征与对应的自放电压降数据进行灰色关联度分析，得到关联程度最高的多个目标特征，作为当前充放电曲线对应的一组目标数据。

在一种较优的实施例中，所述目标特征包括充电欧姆极化、充电扩散极化、放电欧姆极化中的至少一项。

在一种较优的实施例中，所述根据所述目标数据，训练高斯过程回归模型，并优化训练好的高斯过程回归模型的协方差函数和噪声方差，得到预测模型的步骤包括：

将所述目标数据按照预设的比例划分为训练集、验证集和测试集；

根据所述训练集训练高斯过程回归模型，得到训练好的高斯过程回归模型，并建立分布函数：