[发明专利]一种基于数据驱动的锂电池健康状态评估方法

说明书

本发明提供的一种基于数据驱动的锂电池健康状态评估方法，从电池老化数据集中选择数据作为特征进行特征预处理，得到典型特征提取区间，并将典型特征提取区间的特征数据与实际电池SOH结合得到各个典型特征提取区间的数据集，划分出训练电池对其不同典型特征提取区间的数据集使用神经网络算法进行训练，得到对应的电池SOH评估模型，并将最终得到的模型用于锂电池健康状态评估。上述方法要求锂电池满足在充电过程中小于4.0V以及电压值变化大于0.2V两个条件，在此基础上，锂电池充电电压经过任何电压区间，都可从中提取特征，缓解了锂电池特征提取条件苛刻单一的情况；较深度学习，该方法不需要复杂的参数计算，更加适用于当前的电池管理系统。

技术领域

本发明涉及电池管理领域，具体涉及一种基于数据驱动的锂电池健康状态评估方法。

背景技术

锂离子电池具有能量密度高、标称电压高、自放电率低和使用寿命长等优点，已广泛应用于众多工业领域。然而，在使用过程中，由于电池正负极材料腐蚀、电解液变性和正负极隔膜老化短路等原因，电池的性能会逐渐发生不可逆的退化。当锂电池退化到一定程度后，将无法维持设备的正常工作，甚至导致严重的后果。因此，为了避免事故发生和提高电池系统的运行稳定性，对锂电池健康状态(State-of-Health，SOH)的准确评估尤为重要。

健康状态反映了电池相对于其开始时的当前存储和供应能量/功率的能力，通常将电池的当前容量与额定容量的比值用于表征健康状态。一方面，在现有的锂电池SOH评估研究中，智能算法的发展和应用使得估计精度得到了很大的提升，然而这些以深度学习为代表的算法复杂度较高，需要较多的计算资源，给以微控制器为主的电池管理系统(Battery Management System，BMS)带来了较大的计算压力。另一方面，大部分算法是对一个固定区间的充电数据进行特征提取，然而在电池的实际应用中，电池的充电起始电压和结束电压并不固定，电池充电电压区间不一定符合算法所要求的电压区间，因此估计精度难以保证。针对锂电池特征提取条件苛刻单一，评估算法复杂度较高，导致电池SOH评估模型在线使用受限的问题，本发明对BMS中的电池SOH评估方法展开研究。

发明内容

针对现有技术中的上述不足，本发明提供了一种基于数据驱动的锂电池健康状态评估方法。

为了达到上述发明目的，本发明采用的技术方案为：

一种基于数据驱动的锂电池健康状态评估方法，包括如下步骤：

S1、从电池老化数据集中获取电池实际SOH以及恒流充电条件下的充电电压曲线，选取等充电电压区间的持续时间作为特征；

S2、通过不同大小的滑动窗口将充电电压曲线中完整的充电电压区间划分为若干个子电压区间，计算不同子电压区间中电池每次循环的充电持续时间，得到每个子电压区间的特征数据，经过预处理后，得到典型特征提取区间；

S3、将典型特征提取区间且归一化处理后的特征数据与电池实际SOH结合，得到各个典型特征提取区间的数据集，将典型特征提取区间的数据集以非线性自回归结构NARX排列，得到各个典型特征提取区间的非线性自回归结构的数据集；

S4、对不同电池重复上述步骤S2-S3并划分出训练电池和测试电池，对训练电池不同典型特征提取区间的数据集训练并优化，得到训练好的模型；

S5、利用S4得到的训练好的模型对锂电池健康状态进行评估。

进一步的，所述S1中特征表示为：

其中，T^F为特征，是充电到电压区间下限V_min时的时刻，是充电到电压区间上限V_max时的时刻。

进一步的，所述S2具体包括如下步骤：