【技術實現步驟摘要】
本專利技術屬于鋰電池狀態預測，具體地涉及一種基于md-lstm的鋰電池soh預測方法。
技術介紹
1、鋰離子電池以其能量密度高、使用壽命長和綠色環保等特點，已廣泛應用于電動自行車、電動汽車、軍事裝備、航空航天等諸多領域。然而，在反復充放電過程中，電池內部的電極及隔膜等組件會發生不同程度的退化，從而導致電池容量和動力性能的衰減，甚至威脅用戶的人身安全。為了確保鋰離子電池的安全可靠使用，準確評估電池的健康狀態（state?of?health，soh）顯得尤為重要。
2、目前用于估算鋰離子電池soh的主要方法可以歸納為基于模型的方法和基于數據驅動的方法，基于模型的方法通過建立電池的等效電路模型或化學反應動力學模型，結合電壓、電流、溫度等實測參數來估算電池的健康狀態。優點是可以反映電池的內部退化機理，預測準確性較高。缺點是需要大量的電化學參數測量，建模復雜，難以在實際應用中推廣。基于數據驅動的方法利用機器學習算法，如支持向量機、神經網絡等，從大量的實測數據中學習電池退化規律，進而預測soh。優點是無需復雜的電化學模型，可以較方便地應用于實際電池管理系統。充分利用電池的多種運行參數，如電壓、電流、溫度等，更全面地刻畫電池狀態。缺點是需要大量的領域知識和試錯過程，預測精度受限于輸入特征的選擇。
技術實現思路
1、本專利技術所要解決的技術問題在于：提供一種基于md-lstm的鋰電池soh預測方法，解決現有方案預測精度不佳的問題，基于鋰電池放電過程中的電壓、溫度等特征與md-lstm模
2、依據本專利技術的技術方案，本專利技術提供了一種基于md-lstm的鋰電池soh預測方法，包括以下步驟：
3、步驟s1，確定鋰電池的額定容量、放電截止電壓和滿充電壓；
4、步驟s2，將鋰電池進行不連續充放電實驗，充電截止條件為電池升至滿充電壓，放電截止條件為電壓降至放電截止電壓，記錄實驗過程中的數據信息，并根據數據信息中的放電電流和放電時間的積分計算每次循環中的放電容量，計算鋰電池每次循環的放電容量與額定容量的比值，得到鋰電池的電池健康狀態soh；實驗終止條件為soh下降至壽命結束閾值；
5、步驟s3，獲取輸入變量、輸出變量；
6、輸入變量為：
7、{( ?ui ,??ui-1 ,?...?,??ui-4)?,
8、( ?ti ,??ti-1 ,?...?,??ti-4)?,
9、( t'i ,?t'i-1 ,?...?,?t'i-4)?,
10、( sohi ,?sohi-1 ,?...?,?sohi-4)}；
11、輸出變量為：
12、{ sohi+1 ,?sohi+2 ,?...?,?sohi+5}；
13、其中， ?ui表示第i次循環放電過程中單位時間內變化的滯回電壓數據， ?ti表示第i次循環放電過程中溫度的變化差值， t'i表示第i次循環中的環境溫度， sohi表示第i次循環中的電池健康狀態；
14、步驟s4，數據預處理；所述預處理的過程中，針對每個輸入變量、輸出變量進行數據清洗，包括識別并處理數據中的錯誤、缺失值和異常值，檢測和修正錯誤數據，建立每個循環的四元時間序列；
15、步驟s5，根據步驟s4的每個循環的四元時間序列構建電池老化數據集d，d={ ?u?,? ?t?,?t'?,?soh}；
16、步驟s6，將電池老化數據集d拆分為訓練集和測試集；
17、步驟s7，訓練md-lstm模型；訓練過程包括：對電池老化數據集d中的四元時間序列進行采樣，生成用于計算模型預測誤差的實際值和模型輸入值，將模型輸入值輸入md-lstm模型中，輸出預測值，使用訓練集對模型進行多次迭代，獲得md-lstm模型；
18、步驟s8，使用測試集對md-lstm模型進行有效性驗證。
19、進一步地，步驟s1中，獲取鋰電池出廠時由制造商標定的額定容量為額定容量，獲取鋰電池的ocv-soc曲線，確定soc為5%時的電壓為每次實驗的放電截止電壓，soc為90%時的電壓為每次實驗的滿充電壓。
20、進一步地，步驟s2中，鋰電池的電池健康狀態soh公式表示為：
21、；
22、其中， t1為初始放電時間， t2為放電結束時間， i為放電過程中的電流，qrated為鋰電池的額定容量。
23、進一步地，步驟s2中，壽命結束閾值為70%。
24、進一步地，步驟s3中，變化的滯回電壓 ?u是指，在鋰電池停止放電后的1分鐘內，滯回電壓的變化量。
25、進一步地，步驟s7中，md-lstm模型的網絡輸入為充放電循環放電過程中前5個 ? u、 ?t、 t'、 soh，作為充放電循環特征；輸出為充放電循環放電過程中后5個充放電循環的 soh。
26、進一步地，步驟s7中，md-lstm模型為長短期記憶網絡混合全連接網絡結構，共包含6個隱藏層，其中交替布置了3個lstm層和3個全連接層，第一層為lstm層，神經元數為128、第二層為全連接層，神經元數為64，第三層為lstm層，神經元數為64、第四層為全連接層，神經元數為32、第五層為lstm層，神經元數為32，第六層為全連接層，神經元數為5；
27、lstm層至少配置有遺忘門、輸入門和輸出門，通過遺忘門、輸入門和輸出門控制數據的保留與遺忘，md-lstm模型的結構單元表達式為：
28、；
29、其中， xt是當前時間步的輸入， ht-1本文檔來自技高網...
【技術保護點】
1.一種基于MD-LSTM的鋰電池SoH預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于MD-LSTM的鋰電池SoH預測方法，其特征在于，步驟S1中，獲取鋰電池出廠時由制造商標定的額定容量為額定容量，獲取鋰電池的OCV-SOC曲線，確定SOC為5%時的電壓為每次實驗的放電截止電壓，SOC為90%時的電壓為每次實驗的滿充電壓。
3.根據權利要求1所述的基于MD-LSTM的鋰電池SoH預測方法，其特征在于，步驟S2中，鋰電池的電池健康狀態SoH公式表示為：
4.根據權利要求1所述的基于MD-LSTM的鋰電池SoH預測方法，其特征在于，步驟S2中，壽命結束閾值為70%。
5.根據權利要求1所述的基于MD-LSTM的鋰電池SoH預測方法，其特征在于，步驟S3中，變化的滯回電壓?U是指，在鋰電池停止放電后的1分鐘內，滯回電壓的變化量。
6.根據權利要求1所述的基于MD-LSTM的鋰電池SoH預測方法，其特征在于，步驟S7中，MD-LSTM模型的網絡輸入為充放電循環放電過程中前5個?U、?T、T'、SoH，作為充放
7.根據權利要求1所述的基于MD-LSTM的鋰電池SoH預測方法，其特征在于，步驟S7中，MD-LSTM模型為長短期記憶網絡混合全連接網絡結構，共包含6個隱藏層，其中交替布置了3個LSTM層和3個全連接層，第一層為LSTM層，神經元數為128、第二層為全連接層，神經元數為64，第三層為LSTM層，神經元數為64、第四層為全連接層，神經元數為32、第五層為LSTM層，神經元數為32，第六層為全連接層，神經元數為5；
8.根據權利要求1所述的基于MD-LSTM的鋰電池SoH預測方法，其特征在于，步驟S7中，模型訓練過程所使用損失函數為均方誤差MSE：
9.根據權利要求1所述的基于MD-LSTM的鋰電池SoH預測方法，其特征在于，步驟S8中，若測試集上的MAPE小于等于3%，則通過測試，模型有效；若測試集上的MAPE大于3%，則增加數據量，繼續重復上述實驗步驟，直至測試集上的MAPE小于等于3%，結束實驗。
10.根據權利要求9所述的基于MD-LSTM的鋰電池SoH預測方法，其特征在于，步驟S8中，進行有效性驗證的過程為，根據預測SoH數據與真實SoH數據進行預測誤差評價分析，包括以下步驟：
...【技術特征摘要】
1.一種基于md-lstm的鋰電池soh預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于md-lstm的鋰電池soh預測方法，其特征在于，步驟s1中，獲取鋰電池出廠時由制造商標定的額定容量為額定容量，獲取鋰電池的ocv-soc曲線，確定soc為5%時的電壓為每次實驗的放電截止電壓，soc為90%時的電壓為每次實驗的滿充電壓。
3.根據權利要求1所述的基于md-lstm的鋰電池soh預測方法，其特征在于，步驟s2中，鋰電池的電池健康狀態soh公式表示為：
4.根據權利要求1所述的基于md-lstm的鋰電池soh預測方法，其特征在于，步驟s2中，壽命結束閾值為70%。
5.根據權利要求1所述的基于md-lstm的鋰電池soh預測方法，其特征在于，步驟s3中，變化的滯回電壓?u是指，在鋰電池停止放電后的1分鐘內，滯回電壓的變化量。
6.根據權利要求1所述的基于md-lstm的鋰電池soh預測方法，其特征在于，步驟s7中，md-lstm模型的網絡輸入為充放電循環放電過程中前5個?u、?t、t'、soh，作為充放電循環特征；輸出為充放電循環放電過程中后5個充放電循環的so...
【專利技術屬性】
技術研發人員：王秋瑾，高方麗，安源，密長海，李寧，趙丹華，崔建秋，
申請(專利權)人：中國電力工程顧問集團華北電力設計院有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。