[发明专利]一种基于AI深度学习的电池生命预估方法

权利要求书

1.一种基于AI深度学习的电池生命预估方法，其特征在于：包括如下步骤：

S1、基于电池的物理参数模型通过SOH模块对电池SOH准确估算，获得SOH估算值；

S2、基于电池的混合模型对电池SOC准确预估，获得SOC估算值；

S3、根据SOH估算值和SOC估算值使用AI/ML深度学习架构进行剩余有用寿命预测，获得完整电池预测生命周期。

2.根据权利要求1所述的一种基于AI深度学习的电池生命预估方法，其特征在于：步骤S1中，所述物理参数模型是基于电压、充放电电流和内阻参数的等效应物理模型，所述SOH模块对电池SOH进行估算时采用参数驱动方法或数据驱动方法进行SOH的计算，其中参数驱动方法是基于特征的预测是利用电池老化过程中所表现出来的特征参量的演变，建立特征量与电池寿命之间的对应关系用于寿命预测；数据驱动方法是利用电池性能的测试数据，从数据中挖掘出电池性能演变的规律用于寿命预测。

3.根据权利要求2所述的一种基于AI深度学习的电池生命预估方法，其特征在于：所述SOH模块采用参数驱动方法进行SOH预估的步骤如下：

A1、在电池循环寿命的不同阶段测量阻抗谱曲线，获得电池等效电路模型形式；

A2、根据电池等效电路模型形式分析循环次数的等效电路模型中溶液电阻、传荷电阻及Warburg阻抗参数的影响规律，获得预估参数；

A3、根据预估参数给出等效电路模型中各参数随电池循环次数变化的拟合公式；

A4、根据拟合公式计算电池循环寿命。

4.根据权利要求2所述的一种基于AI深度学习的电池生命预估方法，其特征在于：所述SOH模块采用数据驱动方法进行SOH预估的步骤如下：

B1、神经网络模型的建立，神经网络模型包含输入层、掩藏层和输出层；

B2、SOH标签数据获取，电池SOH通过等效电路模型参数变化或电池容量变化计算；

B3、训练数据获取及目标函数，电池老化因素包括SOC、负载、环境温度、湿度、化学反应的内部因素和外部因素，列出因部因素和外部因素的影响因素并评估对电池剩余使用寿命；

B4、估算验证结果。

5.根据权利要求1所述的一种基于AI深度学习的电池生命预估方法，其特征在于：步骤2中，所述混合模型包括数据输入模块、计算时间间隔模块、计算充放电倍率及电流符号模块、SOC估算模块和结果输出模块，所述数据输入模块、计算时间间隔模块、计算充放电路倍率及电流符号模块和结果输出模块均与SOC估算模块电性连接。

6.根据权利要求5所述的一种基于AI深度学习的电池生命预估方法，其特征在于：所述数据输入模块包括时间输入单元、电压输入单元、电流输入单元、容量输入单元和温度输入单元，所述时间输入单元、电压输入单元、电流输入单元、容量输入单元和温度输入单元之并联，所述时间输入单元、电压输入单元、电流输入单元、容量输入单元和温度输入单元均与计算时间间隔模块、计算充放电路倍率及电流符号模块和SOC估算模块连接。

7.根据权利要求6所述的一种基于AI深度学习的电池生命预估方法，其特征在于：所述SOC估算模块在预估时先进行离线辨识，再进行在线计算，得出SOC估算值，其中离线辨识是基于容量测试结果标定获得电池容量Q_st，基于HPPC测试结果标定获得电池在不同SOC，不同温度条件下的OVC、R0、R1和C1，获得查表函数[OCV，R0，R1，C1]＝f(SOC，T)。