[发明专利]基于特征选择和时序注意力的锂电池健康状态估计方法

说明书

本发明公开了一种基于特征选择和时序注意力的锂电池健康状态估计方法，包括：1获取锂电池多次充放电循环中不同轮次的电池容量、电压、温度、电流的数据集；2对充放电相关的数据进行预处理，得到不同特征的健康因子数据；2对不同的健康因子数据进行pearson相关系数分析，获取相关度较高的健康因子数据；3构建卷积时序注意力网络模型M；4将相关的数据送入卷积时序注意力网络模型M进行模型训练，最终得到训练好的卷积时序注意力网络模型M′。本发明能有效提高锂电池健康状态预测的精准度，同时模型实现简单，训练数据易获取，具有实用性高，预测精度强等特点，适用于在线的锂电池健康状态预测和锂电池容量估计。

技术领域

本发明涉及到注意力机制，卷积及长短期记忆网络和锂电池性能评估预测，属于回归预测领域，具体的说是一种基于特征选择和时序注意力的锂电池健康状态估计方法。

背景技术

随着现有电池技术的发展和对能源的重视，国内外对储能装置的建设和研究越来越多。目前电化学储能主要采用锂电池和铅蓄电池。其中，磷酸铁锂电池因具有工作电压高、能量密度大、循环寿命长、安全性能好、自放电率小、无记忆效应等优点，已经被广泛应用在5G基站、电动汽车以及储能电站等场景中。

但锂电池是一种动态的化学反应放电变化，它在使用中会随着使用次数、环境温度、充放电的电流和电压等因素影响而发生老化，从而导致电池内阻升高，温度出现异常等情况。从而影响使用寿命。如果无法及时准确的对电池的状态进行预测，一旦储能电池组出现问题，将会带来巨大的安全隐患和财产损失。电池健康状态(State ofHealth,SOH)则表示了当前电池容量相比于新电池容量的下降状态，根据新旧电池的容量比值作为衡量电池是否淘汰的标准。研究锂电池SOH的不仅可以量化当前电池是否符合使用标准，还可以保证储能系统的稳定运行，减少了能源浪费和安全隐患。因此，如果能够较为及时准确的估计锂电池的健康状态，对于锂电池的管理与储能装置保护都具有重要的意义。

其中锂电池的容量和内阻通常被称为直接健康因子，常用于电池的SOH预测中，但测量锂电池的容量和内阻需要较高的硬件条件并且测量过程十分耗时，这就导致实时测量这些数据极为困难。故如果能在电压、电流和温度等容易实时测量的参数中提取出新的健康因子来替代锂电池的容量或内阻，那么将使锂电池的SOH预测更简单和SOH预测结果更准确。

目前国内外针对锂电池的SOH的在线状态估计的研究可分为基于模型和数据驱动两类：

(1)基于模型的SOH预测主要取决于对电池内部结构和材料性能的影响，并结合电化学的衰退机理来实现。该方法将电池内部结构以及发生的物理化学反应用外部监测的参数来表达，并根据对应关系构建物理衰退模型，通过模型的参数估计来实现锂电池的SOH预测。该方法主要包括：退化机理模型；等效电路模型；经验退化模型；

(2)基于数据驱动的锂电池SOH预测方法是目前国内外使用最多的预测方法，该方法不需要去考虑电池内部发生的复杂化学反应，不需要专业的相关电化学知识，有更高的泛用性。基于数据驱动方法预测锂电池的SOH主要是从锂电池的充放电数据中寻找可以用来表征锂电池退化特征的参数。并基于这些参数构建深度学习或机器学习模型再通过模型训练实现对锂电池SOH的预测。

然而现在研究表明锂电池SOH的预测还存在诸多问题，比如：模型不够精细，无法表征全部的数据特征，得不到很好的预测精度；仅仅使用单个的健康因子进行训练，无法学习锂电池充放电中其他数据的内在联系；模型过于复杂或使用过多的数据进行训练，模型难以拟合数据，无法很好的实时部署到实际应用。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种基于特征选择和时序注意力的锂电池健康状态估计方法，以期通过增加训练的数据特征，提高模型对数据的学习能力和拟合性能，并减少模型复杂度注重学习数据之间的关键特征，从而能显著提高锂电池的电池健康状态预测的精准度。

本发明为达到上述发明目的，采用如下技术方案：