[发明专利]一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法

说明书

本发明公开了一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法，该方法包括以下步骤：S1、获取历史数据库中的锂电性能数据，并生成数据集；S2、对数据集的锂电性能数据进行预处理；S3、将处理后的锂电性能数据输入深度网络模型进行训练，利用深度网络模型提取特征并通过前向传播的方式不断对特征进行深度挖掘，并建立网络体系结构；S4、在网络体系结构中通过adam反向传播训练建立动力锂离子电池的特性基本退化机理和等效模型；S5、依据预设的评判指标对特性基本退化机理和等效模型进行测试。本发明利用卷积神经网络采用原始图像作为输入，可以有效的从大量样本中学习到相应地特征，避免了复杂的特征提取过程。

技术领域

本发明涉及电动汽车动力锂电池的技术领域，具体来说，涉及一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法。

背景技术

近年来，电动汽车的普及渗透速度正不断加快。2012年至今，全球销量从13万辆快速上升至2021年的631万辆。与之相伴，报废动力锂电，2021年为20万吨，预计2023年将达116万吨，并将持续快速攀升。回收利用好这些巨量的淘汰动力锂电，将有力缓解资源和环境压力、促进电动汽车更快普及。动力锂电剩余寿命的预测是其中的关键问题，目前常用的预测方法多基于粒子滤波算法、萤火虫算法等算法，这些方法的特征提取过程复杂，没有确定电池最大可放电容量规定的阀值，寿命预测还不够精确，对于获取剩余寿命概率分布函数、量化预测不确定性等方面也都存在诸多的挑战。只有当剩余寿命预测的精确度和可靠性得到有效保证，动力锂电的充分使用与高效回收才能具有良好的经济价值和市场前景。

发明内容

针对相关技术中的问题，本发明提出一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法，以克服现有相关技术所存在的上述技术问题。

为此，本发明采用的具体技术方案如下：

一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法，该电动汽车动力锂电剩余寿命预测方法包括以下步骤：

S1、获取历史数据库中的锂电性能数据，并生成数据集；

S2、对数据集的锂电性能数据进行预处理；

S3、将处理后的锂电性能数据输入深度网络模型进行训练，利用深度网络模型提取特征并通过前向传播的方式不断对特征进行深度挖掘，并建立网络体系结构；

S4、在网络体系结构中通过adam反向传播训练建立动力锂离子电池的特性基本退化机理和等效模型；

S5、依据预设的评判指标对特性基本退化机理和等效模型进行测试。

进一步的，所述获取历史数据库中的锂电性能数据，并生成数据集包括以下步骤：

S11、通过动力锂电全生命周期溯源与监控云平台对电池进行观测，记录锂电性能数据，并生成数据集；

S12、将数据集导入监控云平台，并建立数据文件夹。

进一步的，所述数据文件夹包括17列数字文本文件；

其中，每一列为不同变量，每一行为生命周期内的性能数据，第一列为单元号，第二列为时间点，其余列为电池状态属性。

进一步的，所述对数据集的锂电性能数据进行预处理包括以下步骤：

S21、使用LocalLoadDate函数加载锂电性能数据；

S22、以表的形式加载文本文件；

S23、利用VarNames函数向表中添加变量名；

S24、从原始数据选出id信号；

S25、利用unique函数去除id信号，并将去除后锂电性能数据返回数组nID；