[发明专利]基于多电池数据融合的锂电池SOH长期预测方法

说明书

本发明公开了一种基于多电池数据融合的锂电池SOH长期预测方法。收集同种锂电池充放电过程中的数据，预处理并构造多电池数据融合的输入矩阵，将输入矩阵送入多输入多输出长短期记忆网络模型进行训练；将被预测电池的数据实时预处理，后送入多输入多输出长短期记忆网络模型进行预测；收集预测后的历史预测结果和充放电过程中的历史真实数据，训练NARNN模型；将当前时刻的预测结果作为NARNN模型输入，输出得未来若干次充放电间的健康状态参数SOH。本发明克服了传统电池SOH预测算法仅针对被预测电池建模、泛化性较弱、长期预测精度低的劣势；大大增加了训练样本，优化了模型组合，从而提高了模型预测的精确度，提高了SOH长期预测的精准度。

技术领域

本发明涉及电池健康控制领域的一种电池参数测定方法，涉及一种基于多电池数据融合的Many to Many LSTM-NARNN的锂电池健康状态(SOH)长期预测方法。

背景技术

锂电池由于循环寿命长、能量密度大、安全性好等优点已经被广泛用于许多重要的场景，包括电动汽车，智能手机等。但是，目前仍然有许多重要因素制约着锂电池的发展，其中之一是电池老化。随着锂电池的老化，电池的性能会逐渐下降，如果不及时更换新电池，这将会影响到电池供电对象的性能，有时甚至会对其产生毁灭性的影响。电池健康状况(State of Health,SOH)是评估当前电池性能的重要指标，其通过分析电池使用中产生的历史数据来获得电池的健康状况。电池健康状态的正确预测可以为电池的使用和维护提供参考，能够及时提醒工作人员进行电池的更换，有效地避免了安全事故的产生，其在电池控制系统中是一个非常重要的环节。但是，由于锂电池具有非线性退化特征以及复杂的内部机制，因此很难给出一个准确的锂电池健康状态的预测方法。

目前，对于锂电池健康状态预测的方法可以分为两种，包括基于模型的方法和数据驱动的方法。一般来说，对于基于模型的方法，例如基于电化学过程的机理模型、等效电路模型等等需要大量的专家知识，并且模型具有很高的复杂度。近年来，由于机器学习的飞速发展以及数据量的不断增加，数据驱动方法已被广泛使用在各种预测中。这种方法通过学习历史数据获得所需模型。数据驱动的方法不需要很多先验知识，这大大降低了建立模型的难度。而且，与基于模型的方法相比，其实用性和泛化功能更强大。但是基于数据驱动的方法依赖于数据的规模，过小的数据量无法训练出精确的预测模型，并且预测时间步一旦变长，预测精度就会逐渐降低。

发明内容

有鉴于此，为了解决背景技术中存在的问题，本发明的目的在于提出一种基于多电池数据融合的多输入多输出长短期记忆-非线性自回归神经网络(many to many longshort-term memory nonlinear autoregressive neural network)的锂电池SOH长期预测方法，通过结合多电池数据并且组合优化算法，实现对锂电池SOH进行一个精确的长期预测，来进行锂电池的健康状态预测。

为了实现以上目的，本发明采用的技术方案如下：

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；

所述的电流包括放电电流和充电电流。

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；

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(Many to Many LSTM模型)进行训练，再通过测试集调整得到模型参数，进一步提高模型的预测精度；

步骤4：被预测电池每次充放电一次后，将被预测电池的已知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；