[发明专利]基于多电池数据融合的锂电池SOH长期预测方法

权利要求书

1.一种基于多电池数据融合的锂电池SOH长期预测方法，其特征在于，该方法包括以下步骤：

步骤1：数据采集：在充放电周期内，测试并收集多块同种锂电池的放电端电压、电流、温度数据和实际电池容量数据，构成了电池数据；

步骤2：对采集到的每一块电池数据进行预处理，并连接构造成多电池数据融合的输入矩阵；

所述步骤2中对采集到的每一块电池数据进行预处理，具体为：剔除充放电周期内不完整的数据，对每一块锂电池放电端电压、电流、温度和实际电池容量分别进行归一化，构建滑动窗口；

步骤3：将输入矩阵划分成训练集和测试集的两部分，将训练集送入多输入多输出长短期记忆网络模型进行训练，再通过测试集调整得到模型参数；

步骤4：被预测电池每次充放电一次后，将被预测电池的电池数据进行预处理，将预处理后的电池数据送入多输入多输出长短期记忆网络模型进行一次锂电池SOH预测，输出获得预测电池容量；

步骤5：收集被预测电池在多次充放电过程中按照步骤4处理获得的预测电池容量组成历史预测结果，收集被预测电池在多次充放电过程中产生的历史实际电池容量数据，将历史预测结果作为输入数据，以历史实际电池容量数据作为标签，输入非线性自回归神经网络模型进行训练，获得最终电池容量，进而公式转换获得最终健康状态参数SOH；

步骤6：将被预测电池的当前时刻预测获得的最终电池容量作为非线性自回归神经网络模型的输入，经非线性自回归神经网络模型处理输出得到被预测电池在未来100个充放电之后最终健康状态参数SOH的值及其变化结果。

2.根据权利要求1所述的一种基于多电池数据融合的锂电池SOH长期预测方法，其特征在于：所述的步骤2中，是将各块锂电池的电池数据通过级联方式连接构成输入矩阵。

3.根据权利要求1所述的一种基于多电池数据融合的锂电池SOH长期预测方法，其特征在于：所述步骤3中，将输入矩阵划分成训练集和测试集，并且通过测试集调整模型参数：划分比例为80％训练集和20％的测试集，通过增加训练次数调整模型参数，保存预测值与真实值误差最小的模型。

4.根据权利要求1所述的一种基于多电池数据融合的锂电池SOH长期预测方法，其特征在于：所述步骤4中的预处理和步骤2中的预处理方式相同。

5.根据权利要求1所述的一种基于多电池数据融合的锂电池SOH长期预测方法，其特征在于：所述步骤5中，根据电池容量按照以下公式转换获得最终健康状态参数SOH：

其中，C_t表示锂电池经过t次充放电以后剩余的电池容量，C₀表示锂电池初始容量。