[发明专利]基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法

说明书

本发明涉及锂离子电池检测技术领域，具体公开了一种基于CNN‑BiLSTM‑AT混合模型的锂离子电池健康状态预测方法，其中，方法包括：采集锂离子电池充放电过程中的参数数据，作为输入数据；对参数数据进行数据预处理，将数据划分为训练集和测试集；将训练集输入卷积神经网络中，经过卷积和池化操作，输出深层特征矩阵；深层特征矩阵输入双向长短期记忆神经网络中，通过正向和反向对其进行双向深度分析，建立数据过去和未来之间的相关性；添加注意力机制层，增强模型对特征信息的学习，为相关性更高的特征赋予更高的权重；训练CNN‑BiLSTM‑AT混合模型，输入测试集，全连接层输出锂离子电池SOH预测值；制定CNN‑BiLSTM‑AT混合模型预测精度和锂离子电池健康状态的评价标准，用来评判模型预测SOH值的准确性，并预测该锂离子电池的健康状态。

技术领域

本发明涉及锂离子电池检测技术领域，具体公开了一种基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法。

背景技术

近年来，随着全球科学技术的不断进步，锂离子电池作为一种新型清洁能源，具有能量密度、功率密度、寿命、标称电压和成本等方面的优势，已经被广泛应用于新能源汽车、智能电子产品、通讯设备和航空航天等领域中。锂离子电池作为供电系统的重要组成部分，其健康状态已经成为重要安全问题之一。锂离子电池在循环充放电的过程中会产生多种不可逆反应，如正极材料的结构衰退、电解质的氧化分解、活性物质的溶解和锂金属的沉淀等，导致其健康状态(State ofHealth，SOH)不断下降直至退役。持续使用锂离子电池易发生故障，影响供电系统的正常运行，甚至导致安全事故，因此对锂离子电池健康状况进行快速而准确的预测，能提高其长期使用的安全性。

随着深度学习技术的发展，把合适的深度学习网络应用到锂离子电池健康检测领域，是一件非常有意义的事情。卷积神经网络(Convolutional Neural Networks，CNN)能够提取数据中深层特征，应用到锂离子电池的充放电数据中，能够挖掘出电池健康状态的特征，提高锂离子电池健康状态预测模型的稳定性；双向长短期记忆神经网络(Bi-directional Long Short-Term Memory，BiLSTM)可以双向分析锂离子电池充放电数据的特点，能够充分对锂离子电池充放电数据信息进行深层次利用，使预测模型具有更强的数据提取、分析和泛化能力；注意力机制(Attention)能够根据每个输入特征对输出的影响，对输入序列进行建模，并将其与输出序列的值相关联，训练模型学习如何选择性地关注输入数据，为更相关的输入向量赋予更高的权重。

因此本申请从实际应用角度出发，结合三种模型的特点，构建CNN-BiLSTM-AT混合模型，准确预测锂离子电池的健康状态，及时发现电池的健康状态问题，为供电系统的安全运行提供技术保障。

发明内容

本发明要解决的技术问题：为了提锂离子电池健康状态预测的准确性，本申请首先，采集锂离子电池充放电过程中的参数数据，作为输入数据；其次，对参数数据进行数据预处理，将数据划分为训练集和测试集；然后，设计锂离子电池健康状态的CNN-BiLSTM-AT混合模型，通过CNN-BiLSTM-AT混合模型对锂离子电池的充放电数据进行深度分析，输出SOH预测值；接着，制定CNN-BiLSTM-AT混合模型预测精度和锂离子电池健康状态的评价标准，用来评判模型预测准确性，并预测该锂离子电池的健康状态。

基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法，包括以下步骤：

步骤S1：采集锂离子电池充放电过程中的参数数据，作为输入数据；

步骤S2：对参数数据进行数据预处理，将数据划分为训练集和测试集；

步骤S3：将训练集输入卷积神经网络中，经过卷积和池化操作，输出深层特征矩阵；

步骤S4：深层特征矩阵输入双向长短期记忆神经网络中，通过正向和反向对其进行双向深度分析，建立数据过去和未来之间的相关性；