[发明专利]一种锂离子电池分区间循环容量衰退预测方法

权利要求书

1.一种锂离子电池分区间循环容量衰退预测方法，其特征在于，包括如下步骤：

S1、针对目标锂离子电池，进行不同SOC区间衰退测试，得到不同SOC区间的测试数据；

S2、通过分区间特征参数提取，对锂离子电池的不同SOC区间衰退状态进行分析；

S3、利用Keras深度学习框架构建LSTM RNN模型，对LSTM RNN模型进行初始化；

S4、利用步骤S1得到的测试数据和步骤S2得到的特征参数的值对LSTM RNN模型进行训练，并进行模型验证；

S5、经过模型训练和模型验证后的LSTM RNN模型，通过迭代的形式输出任意给定区间下循环电池的容量衰退曲线，根据区间范围[SOC_k-1,SOC_k]的不同，输出不同循环次数下的电池容量值，对电池的衰退容量进行预测；

步骤S1中，所述不同SOC区间包括：

20％SOC区间：按照20％SOC原则将0-100％SOC全区间划分为[0-20％]、[20-40％]、[40-60％]、[60-80％]和[80-100％]五个分区间；

相变区间：根据容量增量曲线特征点将全区间划分为[0-15％]，[15-50％]和[50-100％]三个相变区间；

实用区间：选取[5-95％]，[15-95％]两个实用区间，以[0-100％]实用全区间作为参考区间；

步骤S2中，所述特征参数包括：IC曲线1号峰和1号谷与不同SOC区间上下限的距离、IC曲线2号峰和2号谷与不同SOC区间上下限的距离、IC曲线3号谷与不同SOC区间上下限的距离、IC曲线4号峰与不同SOC区间上下限的距离、SOC区间宽度、区间平均SOC、SOC区间上限SOC_k到100％SOC的距离、上一个数据点的电池容量值、是否存在恒压充电阶段和循环次数；

步骤S4中，采用快照集成法训练模型并验证训练损失；

步骤S4中，选取5个20％SOC区间、3个相变区间和1个实用全区间[0-100％]的测试数据作为LSTM RNN模型的训练数据，将[15-95％]、[5-95％]两个实用区间的测试数据用于模型验证。

2.如权利要求1所述的锂离子电池分区间循环容量衰退预测方法，其特征在于，步骤S1中，所述测试数据包括：循环次数、容量、时间和端电压。

3.如权利要求1所述的锂离子电池分区间循环容量衰退预测方法，其特征在于，步骤S3中，所述初始化的内容包括模型网络的层数、每层神经元个数、训练周期、初始学习率、批量大小、误差评价函数、优化方法。

4.如权利要求1所述的锂离子电池分区间循环容量衰退预测方法，其特征在于，步骤S4中，为了使模型在训练达到最小误差时停止迭代，防止因训练周期过大导致误差增加，设置模型训练早停次数为100，并进行模型优化。