【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)屬于鋰離子電池，具體涉及一種基于電池局部片段數(shù)據(jù)提取的電池健康狀態(tài)估計(jì)方法。
技術(shù)介紹
1、鋰離子電池(li-ion?battery,?lib)具有能量功率密度高、自放電率低、壽命長等優(yōu)點(diǎn)，已廣泛應(yīng)用于消費(fèi)電子、儲(chǔ)能系統(tǒng)、電動(dòng)汽車等領(lǐng)域。為了提高電池供電系統(tǒng)的可靠性，電池管理系統(tǒng)(battery?management?system,?bms)對(duì)電池狀態(tài)進(jìn)行實(shí)時(shí)估計(jì)和監(jiān)控至關(guān)重要。在lib的整個(gè)生命周期中，由于復(fù)雜的物理和化學(xué)反應(yīng)的相互作用，電池容量隨著使用和老化而逐漸退化，電池容量衰減至80%視為壽命終結(jié)。作為bms的關(guān)鍵部分之一，準(zhǔn)確的電池容量估計(jì)是一個(gè)關(guān)鍵且具有挑戰(zhàn)性的問題。
2、近年來，關(guān)于電池容量估計(jì)的研究主要分為基于物理模型和數(shù)據(jù)驅(qū)動(dòng)的方法。基于物理模型的方法將電池的電化學(xué)模型(em)、等效電路模型(ecm))與電池容量聯(lián)系起來，使用控制理論中已知的一些自適應(yīng)技術(shù)，如卡爾曼濾波(kf)或粒子濾波(pf)來預(yù)測(cè)電池容量退化。然而，為了實(shí)現(xiàn)準(zhǔn)確的容量估計(jì)，需要基于物理模型的方法建立一個(gè)合適的、通用的老化模型，這在某些情況下不是一件容易的事情。
3、基于數(shù)據(jù)驅(qū)動(dòng)方法則是指通過神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)學(xué)習(xí)特征與soh之間的映射關(guān)系。該方法具有廣泛的適用性，隨著人工智能的快速發(fā)展，數(shù)據(jù)驅(qū)動(dòng)方法已成為soh估計(jì)的研究熱點(diǎn)。但特征選擇是使用該方法的關(guān)鍵，因此提取過程中我們需要選擇易于獲取、數(shù)據(jù)處理簡單、提取電池的健康特征的相關(guān)程度高的特征。而由于電池放電過程是動(dòng)態(tài)運(yùn)行的，因此對(duì)其穩(wěn)定特征的提取具有一定的
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的是提出一種基于電池局部片段數(shù)據(jù)提取的電池健康狀態(tài)估計(jì)方法，能夠平衡估計(jì)模型的復(fù)雜性與準(zhǔn)確性。
2、本專利技術(shù)通過以下技術(shù)方案實(shí)現(xiàn)：
3、一種基于電池局部片段數(shù)據(jù)提取的電池健康狀態(tài)估計(jì)方法，包括如下步驟：
4、步驟s1、構(gòu)建估計(jì)模型，估計(jì)模型包括生成特征節(jié)點(diǎn)的注意力映射層、將特征節(jié)點(diǎn)增強(qiáng)為增強(qiáng)節(jié)點(diǎn)的增強(qiáng)節(jié)點(diǎn)層、與增強(qiáng)節(jié)點(diǎn)層連接的丟棄層、以及與注意力映射層和丟棄層連接的輸出層，輸出層的輸出權(quán)重由彈性網(wǎng)絡(luò)回歸計(jì)算，注意力映射層包括特征注意力模塊、時(shí)間注意力模塊以及對(duì)特征注意力和時(shí)間注意力進(jìn)行融合的融合模塊；
5、步驟s2、在 m次充放電循環(huán)中，基于統(tǒng)計(jì)數(shù)據(jù)，在各充放電循環(huán)對(duì)應(yīng)的電池充電曲線上確定提取特征的區(qū)間段，以相同的間隔△ v選取 n個(gè)電壓段，依據(jù) n個(gè)電壓段對(duì)電池充電曲線進(jìn)行截取，得到 n個(gè)電池充電曲線段，對(duì) m次充放電循環(huán)所得到的各電池充電曲線段進(jìn)行曲線擬合，將擬合得到的參數(shù)作為輸入特征以組成輸入特征矩陣，其中，，；
6、步驟s3、將輸入特征矩陣輸入估計(jì)模型，并利用多目標(biāo)粒子群優(yōu)化算法，以計(jì)算成本和計(jì)算精度為目標(biāo)獲取最佳間隔△ v p，并以最佳間隔△ v p重復(fù)步驟s2，得到最佳的輸入特征矩陣；
7、步驟s4、重復(fù)步驟s2與步驟s3設(shè)定次數(shù)，每次重復(fù)分別以不同的間隔△ v選取電壓段并得到本次重復(fù)對(duì)應(yīng)的最佳輸入特征矩陣；
8、步驟s5、將各最佳輸入特征矩陣輸入估計(jì)模型，并通過mape和rmse對(duì)估計(jì)結(jié)果進(jìn)行評(píng)估，以確定最終最佳間隔，并以最終最佳間隔重復(fù)步驟s2得到最終輸入特征矩陣，將最終輸入特征矩陣輸入估計(jì)模型進(jìn)行估計(jì)。
9、進(jìn)一步的，所述步驟s2中，各所述充放電循環(huán)中，基于統(tǒng)計(jì)數(shù)據(jù)，所述提取特征的區(qū)間段的范圍均為[3.8v，4.2v]。
10、進(jìn)一步的，所述步驟s2中，在各充放電循環(huán)中，分別采用一元二次方程將各所述電池充電曲線段進(jìn)行擬合，擬合得到的參數(shù)包括二次參數(shù)、一次參數(shù)和常數(shù)參數(shù)，分別比較二次參數(shù)、一次參數(shù)和常數(shù)參數(shù)與對(duì)應(yīng)電池充電曲線段下的電池容量平均值的相關(guān)性，取相關(guān)性最大的參數(shù)組成所述輸入特征矩陣。
11、進(jìn)一步的，所述步驟s2中，所述分別比較二次參數(shù)、一次參數(shù)和常數(shù)參數(shù)與對(duì)應(yīng)電池充電曲線段下的電池容量平均值的相關(guān)性的過程包括：
12、步驟s21、第 m次充放電循環(huán)中，對(duì)第 n個(gè)電壓段對(duì)應(yīng)的電池充電曲線段擬合得到的參數(shù)為、、，分別將 m次充放電循環(huán)所得到的參數(shù)組合成三個(gè)矩陣、、；
13、步驟s22、根據(jù)公式計(jì)算第 n個(gè)電壓段的相關(guān)性參數(shù)序列，并根據(jù)公式、、分別計(jì)算二次參數(shù)、一次參數(shù)和常數(shù)參數(shù)與對(duì)應(yīng)電池充電曲線段下的電池容量平均值，取、、中最大數(shù)對(duì)應(yīng)的矩陣作為輸入特征矩陣，其中，表示第 n個(gè)電池充電曲線段下的二次參數(shù)時(shí)間序列，表示第 n個(gè)電池充電曲線段下的一次參數(shù)時(shí)間序列，表示第 n個(gè)電池充電曲線段下的常數(shù)參數(shù)時(shí)間序列，表示第 n個(gè)電池充電曲線段下的電池容量平均值序列， e()表示取均值， d()表示取方差。
14、進(jìn)一步的，所述步驟s1中，所述彈性網(wǎng)絡(luò)回歸計(jì)算的損失函數(shù)表示為，其中， x i表示第 i個(gè)估計(jì)觀測(cè)值的特征， y i表示第 i個(gè)實(shí)際觀測(cè)值，表示lasso回歸正則化系數(shù)，表示嶺回歸正則化系數(shù)， p表示實(shí)際觀測(cè)值的數(shù)量，表示回歸系數(shù)，表示lasso回歸正則化項(xiàng)，表示嶺回歸正則化項(xiàng)。
15、進(jìn)一步的，所述步驟s1中，所述特征注意力模塊中，特征注意力權(quán)重矩陣表示為，其中，表示第 i次充放電循環(huán)下第 k個(gè)電壓段對(duì)應(yīng)的電池充電曲線段所擬合的輸入特征的權(quán)重， i=1,2,…, m， k=1,2,…, n。
16、進(jìn)一步的，所述步驟s1中本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于電池局部片段數(shù)據(jù)提取的電池健康狀態(tài)估計(jì)方法，其特征在于：包括如下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于電池局部片段數(shù)據(jù)提取的電池健康狀態(tài)估計(jì)方法，其特征在于：所述步驟S2中，各所述充放電循環(huán)中，基于統(tǒng)計(jì)數(shù)據(jù)，所述提取特征的區(qū)間段的范圍均為[3.8V，4.2V]。
3.根據(jù)權(quán)利要求2所述的一種基于電池局部片段數(shù)據(jù)提取的電池健康狀態(tài)估計(jì)方法，其特征在于：所述步驟S2中，在各充放電循環(huán)中，分別采用一元二次方程將各所述電池充電曲線段進(jìn)行擬合，擬合得到的參數(shù)包括二次參數(shù)、一次參數(shù)和常數(shù)參數(shù)，分別比較二次參數(shù)、一次參數(shù)和常數(shù)參數(shù)與對(duì)應(yīng)電池充電曲線段下的電池容量平均值的相關(guān)性，取相關(guān)性最大的參數(shù)組成所述輸入特征矩陣。
4.根據(jù)權(quán)利要求3所述的一種基于電池局部片段數(shù)據(jù)提取的電池健康狀態(tài)估計(jì)方法，其特征在于：所述步驟S2中，所述分別比較二次參數(shù)、一次參數(shù)和常數(shù)參數(shù)與對(duì)應(yīng)電池充電曲線段下的電池容量平均值的相關(guān)性的過程包括：
5.根據(jù)權(quán)利要求4所述的一種基于電池局部片段數(shù)據(jù)提取的電池健康狀態(tài)估計(jì)方法，其特征在于：所述步驟S1中，所述彈性網(wǎng)絡(luò)
6.根據(jù)權(quán)利要求5所述的一種基于電池局部片段數(shù)據(jù)提取的電池健康狀態(tài)估計(jì)方法，其特征在于：所述步驟S1中，所述特征注意力模塊中，特征注意力權(quán)重矩陣表示為，其中，表示第i次充放電循環(huán)下第k個(gè)電壓段對(duì)應(yīng)的電池充電曲線段所擬合的輸入特征的權(quán)重，i=1,2,…,m，k=1,2,…,n。
7.根據(jù)權(quán)利要求6所述的一種基于電池局部片段數(shù)據(jù)提取的電池健康狀態(tài)估計(jì)方法，其特征在于：所述步驟S1中，所述時(shí)間注意力模塊中，時(shí)間注意力權(quán)重矩陣表示為，其中，。
8.根據(jù)權(quán)利要求7所述的一種基于電池局部片段數(shù)據(jù)提取的電池健康狀態(tài)估計(jì)方法，其特征在于：所述步驟S1中，所述融合模塊中，融合矩陣表示為。
...【技術(shù)特征摘要】
1.一種基于電池局部片段數(shù)據(jù)提取的電池健康狀態(tài)估計(jì)方法，其特征在于：包括如下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于電池局部片段數(shù)據(jù)提取的電池健康狀態(tài)估計(jì)方法，其特征在于：所述步驟s2中，各所述充放電循環(huán)中，基于統(tǒng)計(jì)數(shù)據(jù)，所述提取特征的區(qū)間段的范圍均為[3.8v，4.2v]。
3.根據(jù)權(quán)利要求2所述的一種基于電池局部片段數(shù)據(jù)提取的電池健康狀態(tài)估計(jì)方法，其特征在于：所述步驟s2中，在各充放電循環(huán)中，分別采用一元二次方程將各所述電池充電曲線段進(jìn)行擬合，擬合得到的參數(shù)包括二次參數(shù)、一次參數(shù)和常數(shù)參數(shù)，分別比較二次參數(shù)、一次參數(shù)和常數(shù)參數(shù)與對(duì)應(yīng)電池充電曲線段下的電池容量平均值的相關(guān)性，取相關(guān)性最大的參數(shù)組成所述輸入特征矩陣。
4.根據(jù)權(quán)利要求3所述的一種基于電池局部片段數(shù)據(jù)提取的電池健康狀態(tài)估計(jì)方法，其特征在于：所述步驟s2中，所述分別比較二次參數(shù)、一次參數(shù)和常數(shù)參數(shù)與對(duì)應(yīng)電池充電曲線段下的電池容量平均值的相關(guān)性的過程包括：
5.根據(jù)權(quán)利要求4所述的一種基于電池局部...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：朱利琦，戴厚德，黃毅楊，俞輝，賴源，
申請(qǐng)(專利權(quán))人：泉州裝備制造研究所，
類型：發(fā)明
國別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。