[发明专利]一种基于卷积神经网络的电池健康状态评估方法

权利要求书

1.一种基于卷积神经网络的电池健康状态评估方法，其特征在于，包括以下步骤：

步骤1：提取数个满充状态下的充电片段数据；

步骤2：根据充电片段数据，修正充电片段数据的SOC值；并依据修正后的SOC值计算每一个充电片段数据对应的当前电池容量值，进而计算得到每一个充电片段数据对应的SOH值；

步骤3：截取各充电片段数据中相同电压区间内的单体电压数据作为输入值，并输入至初始评估模型中；其中，以SOH值作为各充电片段数据的标签；所述初始评估模型为端到端的模型；且所述初始评估模型内包含有卷积神经网络；

步骤4：初始评估模型利用步骤3中的输入值，计算损失函数并进行反向传播以更新权重参数，直到迭代完成；迭代完成后获得标准评估模型；

步骤5：将待评估电池的充电片段数据输入至标准评估模型中，输出得到待评估电池的SOH值。

2.根据权利要求1所述的一种基于卷积神经网络的电池健康状态评估方法，其特征在于，在步骤1中，所述充电片段数据为静置后的电池的充电片段数据。

3.根据权利要求1所述的一种基于卷积神经网络的电池健康状态评估方法，其特征在于，在步骤1中，所述充电片段数据由电池的符合GB32960协议的报文日志中解析提取得到。

4.根据权利要求1所述的一种基于卷积神经网络的电池健康状态评估方法，其特征在于，在步骤2中，修正充电片段数据的SOC值时，采用OCV-SOC曲线对低端SOC值进行校准。

5.根据权利要求1所述的一种基于卷积神经网络的电池健康状态评估方法，其特征在于，在步骤3中，所述相同电压区间为3250mv～3450mv。

6.根据权利要求4所述的一种基于卷积神经网络的电池健康状态评估方法，其特征在于，在步骤3中，所述初始评估模型还包含池化层；所述池化层对输入值进行降采样处理后，输入值再输入至卷积神经网络中。

7.根据权利要求1所述的一种基于卷积神经网络的电池健康状态评估方法，其特征在于，所述卷积神经网络包含7层卷积层和3层全连接层。

8.根据权利要求1所述的一种基于卷积神经网络的电池健康状态评估方法，其特征在于，在步骤4中，计算得到的损失函数为：

9.根据权利要求1所述的一种基于卷积神经网络的电池健康状态评估方法，其特征在于，还包括步骤6：当输出的待评估电池的SOH值≤80％时，判定该待评估电池存在健康问题；当输出的待评估电池的SOH值80％时，判定该待评估电池不存在健康问题。

10.根据权利要求1所述的一种基于卷积神经网络的电池健康状态评估方法，其特征在于，在步骤2中，所述SOH值计算时，按照如下公式计算：

其中，Q_i指单个充电片段的充入电量；ΔSOC_i指单个充电片段增加的SOC值；C_N指电池的额定容量。