[发明专利]一种基于迁移学习算法的锂离子电池组SOH估计方法

权利要求书

1.一种基于迁移学习算法的锂离子电池组SOH估计方法，其特征在于，包括以下步骤：

步骤1、数据采集：对不同型号锂离子电池进行循环充放电测试，直到各个型号电池放电容量低于标称容量的80％，实时记录电池充电电压、放电容量数据；

步骤2、数据处理：对步骤1中得到的充电电压数据及放电容量数据进行预处理，得出特定电压范围的充电时间和SOH数据；

步骤3、基础模型构建：取步骤2中得到的前70％的特定电压范围的充电时间和SOH数据，运行长短期记忆神经网络方法寻找关联关系，得到训练完成的基础模型；

步骤4、均值模型构建：运行迁移学习算法，选择电池组中某一单体电池作为训练电池，取步骤3中得到的基础模型的参数，利用迁移算法降低训练集数量，修正基础模型参数，修正完成后得到电池组均值模型；

步骤5、差值模型构建：根据循环充放电测试，计算时间差和SOH差，将时间差输入长短期记忆神经网络中，输出SOH差，运行长短期记忆神经网络方法寻找关联关系，训练得到电池组差值模型；

步骤6、电池组SOH计算：取步骤5中得到的电池组差值模型输出的最小值，取步骤4得到的电池组均值模型输出值，将电池组差值模型输出的最小值与电池组均值模型输出值相加得到电池组SOH。

2.根据权利要求1所述的一种基于迁移学习算法的锂离子电池组SOH估计方法，其特征在于，步骤2中所述的预处理方法如下：

(1)读取所述锂离子电池充电电压和放电容量；

(2)取充电电压从2.75V到4.2V之间任意区间的充电时间作为特定电压范围的充电时间；

(3)利用放电容量除以电池标称容量，得到当前电池SOH，具体计算公式为：

式中，Ca为当前放电容量，Ca_N为锂离子电池标称容量。

3.根据权利要求1所述的一种基于迁移学习算法的锂离子电池组SOH估计方法，其特征在于，步骤3中，所述运行长短期记忆神经网络方法寻找关联关系，得到训练完成的基础模型的具体方法为：

(1)初始化所述长短期记忆神经网络的各参数值；

(2)将步骤2得到的前70％特定电压范围的充电时间作为长短期记忆神经网络的输入，对应SOH值作为长短期记忆神经网络的输出，利用长短期记忆神经网络计算得到长短期记忆神经网络的SOH值，以此完成基础模型的构建，计算公式如下：

式中，i、f、o、C、h分别表示输入门、遗忘门、输出门、状态单元和输出数据，b为偏置参数，W_x.和W_h·分别表示输入和之前输出的权值矩阵，⊙表示按元素排列的单元，sigm表示激活函数，选择sigmoid函数来限制输出值在0到1之间，tanh被定义为双曲函数。

4.根据权利要求1所述的一种基于迁移学习算法的锂离子电池组SOH估计方法，其特征在于，所述步骤3中构建的基础模型包含输入层，LSTM层、全连接层、回归输出层。

5.根据权利要求1所述的一种基于迁移学习算法的锂离子电池组SOH估计方法，其特征在于，所述步骤5中时间差为其余单体电池特定电压范围的充电时间与均值模型电池特定电压范围的充电时间的时间差，所述SOH差为其余单体电池SOH与均值模型SOH的SOH差，所述时间差和SOH差的计算公式分别为：Δtⁱ＝tⁱ-t_m

ΔSOHⁱ＝SOHⁱ-SOH_m

式中，Δtⁱ为第i个电池特定电压范围的充电时间差，ΔSOHⁱ为第i个电池SOH差，tⁱ为第i个电池特定电压范围充电时间，t_m为均值模型特定电压范围充电时间，SOHⁱ为第i个电池SOH，SOH_m为均值模型SOH。

6.根据权利要求1所述的一种基于迁移学习算法的锂离子电池组SOH估计方法，其特征在于，提取步骤1中循环充放电测试所得的20％数据作为迁移模型训练集，将所述训练集用于步骤5中运行长短期记忆神经网络方法寻找关联关系。