[发明专利]一种基于LSTM-FFNN的电动叉车锂离子电池健康状态预测方法

说明书

本发明主要解决现有技术中，预测方法计算量大，预测结果精度低；提供一种基于LSTM‑FFNN的电动叉车锂离子电池健康状态预测方法，减少了训练模型所需的数据，提高了锂电池健康状态预测的精度。包括以下步骤：建立基于LSTM的时间尺度参数预测模型,以预测放电过程中时间尺度参数开路电压V的变化；从时间尺度参数预测模型的开路电压V中提取循环尺度参数放电至最小电压的时间T_min；建立基于FFNN的循环尺度参数预测模型，以预测锂电池容量C，从而得到锂电池健康状态预测值SOH。结合了LSTM对长时间序列的预测能力和FFNN的算法简单性，实现了从时间尺度参数到循环尺度参数的预测，减少了训练模型所需的数据，提高了锂电池健康状态预测的精度。

技术领域

本发明涉及电池技术领域，尤其涉及一种电池健康状态预测方法。

背景技术

锂离子电池是一种充电电池，正负极一般均采用含有锂元素的材料，在充放电过程中，锂离子从一极材料脱出，之后移动并嵌入到另一极材料中。锂离子电池由于其具有工作电压高、循环寿命长、能量密度高、自放电率低等特点，已经被广泛应用于各个领域中。在不断的充放电循环下，锂离子电池中的材料在锂离子不断嵌入和脱出的情况下，材料结构逐渐发生变化，并出现越来越多的缺陷，锂离子电池的电化学性能因此逐渐下降。在达到最大寿命后锂离子电池无法提供稳定的能源，需要及时维护和更换，若继续使用则可能导致经济损失，甚至引发重要的安全问题。

锂离子电池是电动叉车的重要动力源，在不断的充放电过程中，电池的性能降低，容量衰减，在达到最大寿命后锂电池将无法为电动叉车提供稳定的能源，继续使用容易导致经济损失，甚至导致严重的安全问题，而目前电动叉车锂电池健康状态的监测方法精度低，无法满足实际工业需求。

发明内容

本发明主要解决现有技术中，预测方法计算量大，预测结果精度低；提供一种基于LSTM-FFNN的电动叉车锂离子电池健康状态预测方法，减少了训练模型所需的数据，提高了锂电池健康状态预测的精度。

上述技术问题主要是通过下述技术方案得以解决的，包括以下步骤：

S1：建立基于LSTM的时间尺度参数预测模型,以预测放电过程中时间尺度参数开路电压V的变化；

S2：从时间尺度参数预测模型的开路电压V中提取循环尺度参数放电至最小电压的时间T_min；

S3：建立基于FFNN的循环尺度参数预测模型，以预测锂电池容量C，从而得到锂电池健康状态预测值SOH。

结合了LSTM对长时间序列的预测能力和FFNN的算法简单性，实现了从时间尺度参数到循环尺度参数的预测，减少了训练模型所需的数据，提高了锂电池健康状态预测的精度。

作为优选，所述S1具体步骤如下：

S11：设定神经网络的输入层神经元个数为L1，设定神经网络隐藏层层数N1和神经元个数L2,完成从输入空间U^M到输出空间U^T的映射，即根据前m个时刻的开路电压预测后续时刻的开路电压；

S12：设移动步长为l，对时间尺度参数开路电压数据进行分解和重构，建立训练样本V到预测样本的映射关系如下：

其中，V中的每一行对应一个训练输入样本，长度为l，预测数据长度为m，经LSTM模型计算得到开路电压预测值为

S13：将S12所得数据经LSTM模型计算得到开路电压预测值作为时间尺度参数预测模型。

作为优选，所述S14具体实现方法如下：