[发明专利]一种基于多层特征融合深度学习的锂电池健康状态评估方法

说明书

本发明公开了一种基于多层特征融合深度学习的锂电池健康状态评估方法，涉及蓄电池健康管理技术领域，包括：对锂电池的充电和放电信号分别进行特征提取，得到所述锂电池的充电和放电特征数据；对所述锂电池的电荷容量数据、充放电时间数据、所述充电和放电信号特征数据进行多层特征融合的深度学习，得到所述锂电池多维参数的相关性特征数据；利用所述锂电池多维参数的相关性特征数据，对所述锂电池的健康状态进行评估，得到锂电池健康结果。本发明能够在没有人工干预的情况下自主获得能够有效反映锂电池健康变化的锂电池健康结果。

技术领域

本发明涉及蓄电池健康管理技术领域，特别涉及一种基于多层特征融合深度学习的锂电池健康状态评估方法。

背景技术

锂离子电池以其输出电压高、循环寿命长、能量密度大、自放电率低、工作温度范围广等优点广泛应用于消费电子、电动汽车及航空、航天、航海、军事通信等领域，电池故障可能导致用电设备或系统的性能下降或故障，甚至致命任务失败，增加成本。因此，必须为锂离子电池配套智能、高效的电池健康系统，对其进行有效的安全性和可靠性管理。针对电池健康系统的一些关键课题会估计荷电状态、健康状态、寿命状态。为了管理电池使用，确保预期任务可以完全执行和延长电池使用寿命，荷电状态、健康状态、寿命状态的信息会被用于决定之后的电池使用标准。同时，相应的维护费用和安全风险也会减小。

电池健康状态表征电池相对于新电池的存储电能和能量的能力，是定量描述电池性能状态的指标。随着电池充放电次数的增加，电池健康状态呈不断下降趋势。健康状态识别就是将不同性能变量映射到对应健康因子以确定对象系统当前健康水平的过程，是预测电池剩余使用寿命的前提条件。目前针对电池健康状态的研究思路主要有3类：从电池老化机理角度，描述电池容量衰减和阻抗增加；从实验角度，描述电池容量衰减与阻抗增加的关系；基于电池模型，采用如最小二乘、卡尔曼滤波等算法对电池等效模型的电容、电阻等参数进行识别，以描述电池健康状态。

需要特别指出的是，基于扩展卡尔曼滤波算法的电池健康状态估计技术已经被提出。针对电池健康状态估计在线应用问题，采用神经网络电池模型及扩展卡尔曼滤波算法估计电池荷电状态，然后利用开路电压与荷电状态之间的关系，采用模糊逻辑和最小二乘法实现对电池健康状态有效的在线评估。

本发明提出一种锂电池健康状态评估的新方式。

发明内容

本发明的目的在于提供一种基于多层特征融合深度学习的锂电池健康状态评估方法，实现一种锂电池健康状态评估的新方式。

本发明实施例提供的一种基于多层特征融合深度学习的锂电池健康状态评估方法，包括：

对锂电池的充电和放电信号分别进行特征提取，得到所述锂电池的充电和放电特征数据；

对所述锂电池的电荷容量数据、充放电时间数据、所述充电和放电信号特征数据进行多层特征融合的深度学习，得到所述锂电池多维参数的相关性特征数据；

利用所述锂电池多维参数的相关性特征数据，对所述锂电池的健康状态进行评估，得到锂电池健康结果。

优选地，所述对锂电池的充电和放电信号分别进行特征提取，得到所述锂电池的充电和放电特征数据包括：

利用已训练的锂电池充电特征自提取模型，对所述锂电池的充电信号进行特征提取，得到充电特征数据；

利用已训练的锂电池放电特征自提取模型，对所述锂电池的放电信号进行特征提取，得到放电特征数据。

优选地，所述已训练的锂电池充电特征自提取模型和所述已训练的锂电池放电特征自提取模型均是基于数据重构微调的层叠稀疏自动编码器。

优选地，，所述对所述锂电池的电荷容量数据、充放电时间数据、所述充电和放电特征数据进行多层特征融合的深度学习，得到所述锂电池多维参数的相关性特征数据包括：