[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

说明书

本发明涉及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；步骤2、数据处理；步骤3、基础模型构建；步骤4、均值模型构建；步骤5、差值模型构建；步骤6、电池组SOH计算。本发明的一种基于迁移学习算法的锂离子电池组SOH估计方法，利用恒流充电过程中特定电压范围充电时间作为特征参数，利用长短期记忆神经网络和迁移学习算法构建电池组均值模型，大大减少了训练集的数量。在此基础上，构建了电池组不一致性差异模型，表征了电池组单体不一致性，估计得到了电池组SOH。

技术领域

本发明属于锂离子电池技术领域，尤其涉及一种基于迁移学习算法的锂离子电池组SOH估计方法。

背景技术

电池作为能量存储及电动汽车动力源的关键部件，其使用性能，循环寿命备受关注。电池SOH作为锂离子电池内部的关键参数之一，其精确度有助于避免电池过度使用，保证电池使用安全。同时，也能为电池SOC估算提供参考。

然而，由于电池内部化学反应复杂，现有方法难以保证估计精度。常用的基于机器学习的方法需要大量的训练数据，当电池更好或者特征参数发生变化时需要对模型进行重新训练，加大了离线训练的时间。另外，由于电池使用和加工条件的限制，电池组内部单体电池会存在不一致性，导致各个单体间老化趋势不一致，如何利用现有技术表征电池SOH不一致性，同时估计得到电池组SOH也是需要解决的关键问题。

发明内容

本发明所要解决的技术问题是提供一种基于迁移学习算法的锂离子电池组SOH估计方法来解决现有技术中当电池更好或者特征参数发生变化时需要对模型进行重新训练，加大了离线训练的时间问题以及由于电池使用和加工条件的限制，电池组内部单体电池会存在不一致性，导致各个单体间老化趋势不一致等问题。

为解决以上技术问题，本发明的技术方案为：提供一种基于迁移学习算法的锂离子电池组SOH估计方法，其创新点在于：具体包括以下步骤：

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。

进一步的，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。

进一步的，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：