【技術實現步驟摘要】
本專利技術涉及鋰電池，尤其涉及一種基于網絡融合的鋰電池soh預測系統及方法。
技術介紹
1、鋰電池作為能量儲存和動力提供的一種重要載體，具有循環壽命長、自放電率低、環境污染小等優點，被廣泛應用于各個領域。雖然鋰電池正飛速得到普及，但其長期應用卻面臨著嚴峻的挑戰。與機器類似，鋰電池的電極和隔膜等關鍵組件也會隨著使用時間出現不同程度的退化。這些負面效應導致鋰電池在整個生命周期內不可避免地出現性能退化，這種退化通常表現為電池健康狀態(state?of?health,soh)的退化。當soh的退化累積到一個臨界閾值時就會導致一系列嚴重后果，如運行故障、停機甚至災難性的安全問題。鑒于電池內部老化反應的機理復雜，影響因素眾多，直接或間接測得的電池參數與soh的相關性尚不明確，soh的準確可靠估計是電池管理技術中的難點問題。
2、soh通常定義為當前容量與初始容量之比，soh的預測方法主要包括如下三種：
3、其一是基于模型的預測方法，以鋰離子電池的退化機制為基礎，通過建立數學和物理模型來描述鋰電池健康狀態退化的過程，從而實現對電池健康狀態的估計。然而，基于模型的方法的準確性取決于模型的復雜性和參數設定的精準度，在實際應用中的泛化性不足。
4、其二是基于數據驅動的預測方法，得益于數據挖掘技術和大數據分析技術的快速發展，數據驅動的方法能夠使用直接或間接測量的參數，建立參數特征與電池健康狀態的之間的映射關系。數據驅動的方法對輸入數據的質量要求較高，訓練數據與測試數據之間的數據分布漂移問題是存在于電池健康狀態預測任
5、其三是基于融合的預測方法，一般包括同一類型方法的融合、不同類型方法的融合以及預測方法和優化技術的融合。基于融合的方法旨在融合多種方法的優越性來消除單一預測方法存在的局限性，尋找合適的方法和優化技術是基于融合的方法預測鋰電池soh的關鍵問題。
6、因此，如何挖掘基于融合的方法的優勢和充分利用多維電池數據特性，提供一種基于網絡融合的穩定可靠鋰電池soh預測方法及系統，成為一個亟待解決的問題。
技術實現思路
1、本專利技術要解決的技術問題是針對上述現有技術的不足，提供一種基于網絡融合的鋰電池soh預測系統及方法，提升soh預測的精度以及泛化能力。為解決上述技術問題，本專利技術所采取的技術方案是：一方面，本專利技術提供一種基于網絡融合的鋰電池soh預測系統，包括充放電測試數據獲取模塊、充放電數據集構建模塊、soh預測模型創建模塊、預測值約束模塊和soh預測模塊；
2、所述充放電測試數據獲取模塊，用于獲取鋰電池充放電原始數據；
3、進一步地，所述充放電測試數據獲取模塊包括充放電機和內阻測試儀；充放電機用于采集電池測試周期內的實時電壓、電流、溫度、電壓變化率和充放電容量數據，內阻測試儀用于采集電池實時內阻數據；將充放電機采集到的數據與內阻測試儀采集到的數據按照相同時間起點合并得到電池原始數據集。
4、所述充放電數據集構建模塊，用于對鋰電池充放電原始數據進行數據清洗和處理，得到充放電數據集；
5、所述soh預測模型創建模塊，用于創建基于網絡融合的電池soh預測模型，并利用所述充放電數據集對創建的模型進行訓練；
6、進一步地，所述基于網絡融合的電池soh預測模型，包括依次連接的數據預處理模塊、實例規范化模塊、通道注意力模塊、實例逆規范化模塊、卡爾曼濾波器模塊和多層門控循環單元預測模塊；
7、所述數據預處理模塊用于對充放電數據集進行歸一化、加噪和編碼操作，將充放電數據集轉換為多維特征向量；
8、所述實例規范化模塊用于利用特征向量自身的均值和方差對多維特征向量進行規范化處理，去除多維特征向量中的非平穩信息，得到規范化后的輸出特征；
9、所述通道注意力模塊用于將注意力矩陣作為權重賦予規范化后的輸出特征的通道，得到通道注意力模塊的輸出特征；
10、所述實例逆規范化模塊對規范化后的輸出特征和注意力模塊的輸出特征進行逆規范化，恢復多維特征向量的非平穩信息，得到逆規范化后的輸出特征；
11、所述卡爾曼濾波器模塊用于對逆規范化后的輸出特征濾除特征冗余，計算多維特征與電池soh變化的相關性，得出權重關系，獲得融合后的精煉特征；
12、所述多層門控循環單元預測模塊用于求解精煉特征到電池soh值之間的映射關系，得到所述基于網絡融合的電池soh預測模型的預測值。
13、所述預測值約束模塊用于創建銳度感知最小化優化器，對基于網絡融合的電池soh預測模型的預測值進行約束，得到訓練好的基于網絡融合的電池soh預測模型；
14、所述soh預測模塊，用于利用訓練好的基于網絡融合的電池soh預測模型對鋰電池進行soh預測。
15、另一方面，本專利技術還提供一種基于網絡融合的鋰電池soh預測方法，包括以下步驟：
16、步驟1：利用充放電測試數據獲取模塊采集鋰電池充放電原始數據；
17、步驟1.1：將試驗電池固定在定制電池夾具內，連接充放電機和內阻測試儀；
18、步驟1.2：根據電池充放電測試需求設置充放電機工步，開展充放電循環，采集電池測試周期內的實時電壓、電流、溫度、電壓變化率和充放電容量數據；
19、步驟1.3：利用內阻測試儀采集電池實時內阻數據，對內阻數據采樣點進行處理，保證數據采集間隔與充放電機采集到的數據頻率相同；
20、步驟1.4：將充放電機采集到的數據與內阻測試儀采集到的數據按照相同時間起點合并成電池原始數據集。
21、所述電池原始數據集中，電壓數據為第一維數據，電流數據為第二維數據，溫度為第三維數據，充電容量為第四維數據，放電容量為第五維數據，電壓變化率為第六維數據，內阻數據為第七維數據。
22、步驟2：利用充放電數據集構建模塊對電池原始數據進行清洗和平滑處理，并計算電壓變化率和溫度變化率加入到清洗平滑處理后的電池數據中，得到電池充放電數據集；
23、步驟3：利用soh預測模型創建模塊創建基于網絡融合的電池soh預測模型，并利用電池充放電數據集對創建好的模型進行訓練；
24、進一步地，所述基于基于網絡融合的電池soh預測模型包括依次連接的數據預處理模塊、實例規范化模塊、通道注意力模塊、實例逆規范化模塊、卡爾曼濾波器模塊和多層門控循環單元預測模塊；
25、所述數據預處理模塊將電池充放電數據集歸一化，然后向歸一化后的電池充放電數據集中加入高斯白噪聲，最后構建自動編碼器對所得數據進行編碼提取多維特征；
26、所述實例規范化模塊利用特征向量自身的均值和方差對多維特征向量進行規范化處理，去除多維特征向量中的非平穩信息，得到規范化后的輸出特征；
27、所述通道注意力模塊獲取不同通道中特征向量的信道依賴性，將規范化后的輸出特征作為輸入向量，計算出輸入向量中每個通道信息對應的注意力矩陣，將注意力矩陣作為權重本文檔來自技高網...
【技術保護點】
1.一種基于網絡融合的鋰電池SOH預測系統，其特征在于：包括充放電測試數據獲取模塊、充放電數據集構建模塊、SOH預測模型創建模塊、預測值約束模塊和SOH預測模塊；
2.根據權利要求1所述的一種基于網絡融合的鋰電池SOH預測系統，其特征在于：所述充放電測試數據獲取模塊包括充放電機和內阻測試儀；充放電機用于采集電池測試周期內的實時電壓、電流、溫度、電壓變化率和充放電容量數據，內阻測試儀用于采集電池實時內阻數據；將充放電機采集到的數據與內阻測試儀采集到的數據按照相同時間起點合并得到電池原始數據集。
3.根據權利要求1所述的一種基于網絡融合的鋰電池SOH預測系統，其特征在于：所述基于網絡融合的電池SOH預測模型，包括依次連接的數據預處理模塊、實例規范化模塊、通道注意力模塊、實例逆規范化模塊、卡爾曼濾波器模塊和多層門控循環單元預測模塊；
4.一種基于網絡融合的鋰電池SOH預測方法，基于權利要求1一種基于網絡融合的鋰電池SOH預測系統實現，其特征在于：包括以下步驟：
5.根據權利要求4所述的一種基于網絡融合的鋰電池SOH預測方法，其特征在于：步
6.根據權利要求4所述的一種基于網絡融合的鋰電池SOH預測方法，其特征在于：所述基于網絡融合的電池SOH預測模型包括依次連接的數據預處理模塊、實例規范化模塊、通道注意力模塊、實例逆規范化模塊、卡爾曼濾波器模塊和多層門控循環單元預測模塊；
7.根據權利要求4所述的一種基于網絡融合的鋰電池SOH預測方法，其特征在于：所述銳度感知最小化優化器選擇均方誤差損失函數作為目標優化函數，采用余弦退火學習率策略指導優化器的學習率更新。
...【技術特征摘要】
1.一種基于網絡融合的鋰電池soh預測系統，其特征在于：包括充放電測試數據獲取模塊、充放電數據集構建模塊、soh預測模型創建模塊、預測值約束模塊和soh預測模塊；
2.根據權利要求1所述的一種基于網絡融合的鋰電池soh預測系統，其特征在于：所述充放電測試數據獲取模塊包括充放電機和內阻測試儀；充放電機用于采集電池測試周期內的實時電壓、電流、溫度、電壓變化率和充放電容量數據，內阻測試儀用于采集電池實時內阻數據；將充放電機采集到的數據與內阻測試儀采集到的數據按照相同時間起點合并得到電池原始數據集。
3.根據權利要求1所述的一種基于網絡融合的鋰電池soh預測系統，其特征在于：所述基于網絡融合的電池soh預測模型，包括依次連接的數據預處理模塊、實例規范化模塊、通道注意力模塊、實例逆規范化模塊、卡爾曼濾波器...
【專利技術屬性】
技術研發人員：許磊，鄭偉，徐放，李盼，鞏學建，
申請(專利權)人：應急管理部沈陽消防研究所，
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。