【技術實現步驟摘要】
本專利技術涉及電池評估，具體為一種基于深度學習的鋰電池健康狀態評估方法。
技術介紹
1、鋰離子電池作為當今能源存儲領域的重要組成部分，憑借其高能量密度、優異的循環性能以及長壽命等特點，廣泛應用于消費電子、電動汽車以及可再生能源儲能等多個領域。然而，隨著電池使用時間的延長，鋰電池的健康狀態（soh,?state?of?health）逐漸劣化，其容量、功率輸出以及安全性都會受到顯著影響。鋰電池健康狀態評估不僅對延長電池使用壽命、優化設備運行效率具有重要意義，更是保障設備運行穩定性和用戶安全的關鍵環節。
2、目前，鋰電池的健康狀態評估方法主要分為兩類：基于經驗模型的傳統方法和基于數據驅動的智能化方法。在傳統方法中，常采用電池容量測試或內阻測量等方式來判斷健康狀態。然而，這些方法存在一定的局限性。例如，容量測試需要對電池進行長時間的完全充放電操作，耗時且難以適應實際應用場景；而基于內阻測量的評估方法過于依賴單一參數，難以全面反映電池的健康狀態，尤其是在復雜工況下可能出現較大誤差。此外，由于鋰電池內部的復雜電化學過程，電池性能的劣化不僅與容量和內阻有關，還涉及電解質分解、固體電解質相界面膜（sei膜）厚度變化以及鋰離子擴散阻力增加等多種因素。因此，單一參數的監測難以全面捕捉電池的健康狀態。
3、為克服上述問題，基于深度學習的數據驅動方法正在成為鋰電池健康狀態評估領域的一種新趨勢。深度學習算法能夠高效處理高維數據，提取復雜特征，并利用大規模數據進行模式識別和預測。然而，目前的研究中，如何將深度學習技術與電化學阻抗譜測
4、現有技術中的，公開號為cn106353687b公開了一種鋰電池健康狀態的評估方法，所述方法包括：確定鋰電池健康狀態的評估因素；計算鋰電池健康狀態評估因素權重值的初始值；計算鋰電池健康狀態評估因素權重值的實際值；評估鋰電池的健康狀態。本專利技術綜合鋰電池的端電壓變化率、歐姆內阻和極化內阻作為評估因素，提高了鋰電池健康狀態評估的準確性；采用在脈沖放電結束后，同時測量并計算鋰電池端電壓變化率、歐姆內阻和極化內阻的方法，保證了鋰電池狀態測量的狀態同一性和時間一致性，提高了鋰電池健康狀態評估因素的準確性；綜合了評估因素的標準差和平均數量指標的影響，更好的反映了評估因素在不同水平時的總體標志變動度。但該方法僅將端電壓變化率、歐姆內阻和極化內阻作為評估健康狀態的關鍵因素，雖然這些因素與電池的健康狀態密切相關，但它們并不能完全反映鋰電池的全貌健康狀態。鋰電池的健康狀態受多種因素影響，如容量衰減，溫度因素等，因此僅憑這些參數進行評估使得評估結果的準確性、有效性降低。
5、在所述
技術介紹
部分公開的上述信息僅用于加強對本公開的背景的理解，因此它可以包括不構成對本領域普通技術人員已知的現有技術的信息。
技術實現思路
1、本專利技術的目的在于提供一種基于深度學習的鋰電池健康狀態評估方法，以解決上述
技術介紹
中提出的問題。
2、為實現上述目的，本專利技術提供如下技術方案：
3、一種基于深度學習的鋰電池健康狀態評估方法，具體步驟包括：
4、對若干已知內部阻抗特征參數的鋰電池進行電化學阻抗譜測試，獲取對應的奈奎斯特曲線圖，基于獲取的奈奎斯特圖，生成樣本圖像集，將各奈奎斯特曲線圖與對應的內部阻抗特征參數一一映射存入樣本圖像集，所述內部阻抗特征參數包括電解質歐姆阻抗、固體電解質相界面膜阻抗和擴散阻抗；
5、基于樣本圖像集，建立深度學習網絡模型，將樣本圖像集內的若干奈奎斯特曲線圖作為深度學習網絡模型的輸入，并以每張曲線圖對應的內部阻抗特征參數為標簽，對深度學習網絡模型進行訓練，得到內部阻抗特征參數預測模型；
6、對待評估的鋰電池進行電化學阻抗譜測試，得到目標奈奎斯特曲線圖，將目標奈奎斯特曲線圖輸入完成訓練的內部阻抗特征參數預測模型中，得到待評估的鋰電池的內部阻抗特征參數，同時對待評估的鋰電池進行完全充電和放電測試，記錄對應電力特征參數；
7、根據得到的待評估的鋰電池的內部阻抗特征參數，結合對應電力特征參數計算生成容量保持率指數、循環效率劣化指數和外形膨脹影響指數，所述電力特征參數包括完全充電和放電的開始及結束時刻、流經電流、對應電壓和表面最高溫度；
8、基于容量保持率指數、循環效率劣化指數和外形膨脹影響指數，綜合分析得到待評估的鋰電池的健康狀態綜合系數，將待評估的鋰電池的健康狀態綜合系數與鋰電池健康閾值相對比，根據不同對比結果，判斷待評估的鋰電池的健康狀態。
9、進一步地，對若干已知內部阻抗特征參數的鋰電池進行電化學阻抗譜測試，獲取對應的奈奎斯特曲線圖，其中進行電化學阻抗譜測試的步驟包括：將進行檢測電池的正極和負極分別連接到電化學工作站的工作電極和參考電極端；施加頻率信號，從高頻到低頻進行測試；設置交流信號幅值；設置直流偏置電壓；開始測試后自動對電池施加交流信號，并逐步掃描設定的頻率范圍，同時生成奈奎斯特曲線圖。
10、進一步地，基于長短期記憶網絡模型lstm模型，建立深度學習網絡模型，選取激活函數和優化算法，其中選擇tanh函數作為激活函數，選擇adam作為lstm模型的優化算法；tanh函數其公式為：
11、；
12、式中，表示tanh函數，自變量表示神經元的輸入加權和，即神經元接收到的來自上一層的輸入經過加權求和后的結果；
13、同時設定lstm模型的超參數，所述lstm模型的超參數包括：網絡層數、迭代次數、學習率、批量數大小、訓練次數、批處理數量和隱藏層神經元個數；
14、其中網絡層數設置為3層網絡結構，迭代次數設定為200，學習率設置為0.001，批量數大小設為32，訓練次數設為100，批處理數量設為256，隱藏層神經元個數為32；
15、完成訓練的內部阻抗特征參數預測模型輸入為鋰電池的奈奎斯特曲線圖，輸出為該鋰電池的內部阻抗特征參數。
16、進一步地，根據得到的待評估的鋰電池的內部阻抗特征參數，結合對應電力特征參數計算生成容量保持率指數，其中計算容量保持率指數所依據的公式為：
17、；
18、式中，為容量保持率指數，為待評估的鋰電池當前實際容量，為待評估的鋰電池額定容量，為待評估的鋰電池當前內阻，為待評估的鋰電池初始內阻，為待評估的鋰電池的庫侖效率，為庫侖效率調節常數；
19、其中待評估的鋰電池當前實際容量基于電力特征參數計算獲取，具體計算所依據的公式為：
20、；
21、式中，表示完全充電過程中，t時刻的充電電流，和分別為完全充電過程的開始和結束時刻，為溫度修正因子，其中溫度修正因子計算所依據的公式為：
22、；
23、式中，為參考溫度，為完全充電過程中，待評估鋰本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的鋰電池健康狀態評估方法，其特征在于，具體步驟包括：
2.根據權利要求1所述的一種基于深度學習的鋰電池健康狀態評估方法，其特征在于：對若干已知內部阻抗特征參數的鋰電池進行電化學阻抗譜測試，獲取對應的奈奎斯特曲線圖，其中進行電化學阻抗譜測試的步驟包括：將進行檢測電池的正極和負極分別連接到電化學工作站的工作電極和參考電極端；施加頻率信號，從高頻到低頻進行測試；設置交流信號幅值；設置直流偏置電壓；開始測試后自動對電池施加交流信號，并逐步掃描設定的頻率范圍，同時生成奈奎斯特曲線圖。
3.根據權利要求2所述的一種基于深度學習的鋰電池健康狀態評估方法，其特征在于：基于長短期記憶網絡模型LSTM模型，建立深度學習網絡模型，選取激活函數和優化算法，其中選擇Tanh函數作為激活函數，選擇Adam作為LSTM模型的優化算法；Tanh函數其公式為：
4.根據權利要求1所述的一種基于深度學習的鋰電池健康狀態評估方法，其特征在于：根據得到的待評估的鋰電池的內部阻抗特征參數，結合對應電力特征參數計算生成容量保持率指數，其中計算容量保持率指數所依據的公式
5.根據權利要求4所述的一種基于深度學習的鋰電池健康狀態評估方法，其特征在于：待評估的鋰電池當前內阻計算所依據的公式為：
6.根據權利要求5所述的一種基于深度學習的鋰電池健康狀態評估方法，其特征在于：根據得到的待評估的鋰電池的內部阻抗特征參數，結合對應電力特征參數計算生成循環效率劣化指數，其中計算循環效率劣化指數所依據的公式為：
7.根據權利要求6所述的一種基于深度學習的鋰電池健康狀態評估方法，其特征在于：基于容量保持率指數、循環效率劣化指數和外形膨脹影響指數，綜合分析得到待評估的鋰電池的健康狀態綜合系數，其中健康狀態綜合系數計算所依據的公式為：
...【技術特征摘要】
1.一種基于深度學習的鋰電池健康狀態評估方法，其特征在于，具體步驟包括：
2.根據權利要求1所述的一種基于深度學習的鋰電池健康狀態評估方法，其特征在于：對若干已知內部阻抗特征參數的鋰電池進行電化學阻抗譜測試，獲取對應的奈奎斯特曲線圖，其中進行電化學阻抗譜測試的步驟包括：將進行檢測電池的正極和負極分別連接到電化學工作站的工作電極和參考電極端；施加頻率信號，從高頻到低頻進行測試；設置交流信號幅值；設置直流偏置電壓；開始測試后自動對電池施加交流信號，并逐步掃描設定的頻率范圍，同時生成奈奎斯特曲線圖。
3.根據權利要求2所述的一種基于深度學習的鋰電池健康狀態評估方法，其特征在于：基于長短期記憶網絡模型lstm模型，建立深度學習網絡模型，選取激活函數和優化算法，其中選擇tanh函數作為激活函數，選擇adam作為lstm模型的優化算法；tanh函數其公式為：
...
【專利技術屬性】
技術研發人員：竺春祥，周星凱，晏邦杰，段宇翔，沈志杰，舒紅，劉嘯天，王之遠，任宇晨，
申請(專利權)人：中國計量大學，
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。