一种锂离子电池健康状态估计方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115856678A(43)申请公布日2023.03.28(21)申请号202211401800.5(22)申请日2022.11.10(71)申请人盐城工学院地址224051江苏省盐城市希望大道中路1号(72)发明人彭思敏孙云翔王裕健卓悦沈翠凤阚加荣陈冲吴冬春(51)Int.Cl.G01R31/387(2019.01)G01R31/378(2019.01)G01R31/392(2019.01)权利要求书3页说明书6页附图2页(54)发明名称一种锂离子电池健康状态估计方法(57)摘要本发明公布了一种锂离子电池健康状态估计方法，所述方法为：获取锂离子电池实验数据，提取反映电池退化的健康特征参数，对健康特征数据进行标准化处理，利用Pearson相关系数法计算各健康特征参数与电池健康状态(SOH)之间的相关性并进行筛选；使用主成分分析对筛选得到的健康特征数据进行降维，将降维后的健康特征数据划分为训练集数据和测试集数据；使用训练集数据训练LSTM网络，利用混沌粒子群算法(CPSO)对LSTM网络中参数进行优化，构建CPSO‑LSTM网络估计模型，将测试集数据输入网络估计模型验证是否到达设计要求，若不满足要求则重新进行网络估计模型的构建，若满足要求则将电池在线数据输入网络模型中，实现SOH实时估计。CN115856678ACN115856678A权利要求书1/3页1.一种锂离子电池健康状态估计方法，其特征在于，所述方法包括以下步骤：S1:获取电池实验数据集老化循环充放电过程中的电压、电流、时间数据，分区间提取出反应电池退化的健康特征参数；S2:对健康特征数据进行标准化处理；S3:使用Pearson相关系数法计算已提取的健康特征参数与电池健康状态(SOH)之间的相关性并进行筛选；S4:使用主成分分析(PCA)对所选择的健康特征参数进行降维，并将降维后的健康特征数据按照7:3的比例分为训练集数据和验证集数据；S5:使用训练集数据训练LSTM网络，利用混沌粒子群算法(CPSO)对LSTM网络中的参数进行优化，包括学习率、隐含层个数和迭代次数，构建CPSO‑LSTM网络估计模型，优化步骤为：(1)粒子种群初始化，包括粒子初始速度和位置、种群数量、问题解维数、种群最大迭代次数、混沌最大迭代次数、惯性权重以及学习因子；(2)计算粒子适应度，其值为LSTM网络训练得到的平均绝对误差，确定当前个体最优解和全局最优解；(3)更新粒子的速度和位置,并更新个体最优解和全局最优解；(4)对更新后的全局最优解进行混沌迭代得到新解，将新解与全局最优解进行比较并保存最优可行解；(5)判断终止条件，种群迭代次数是否达到最大或适应度值是否小于误差限，若满足，停止迭代并输出最优解，不满足则重复步骤(2)到步骤(4)；S6:将测试集数据输入CPSO‑LSTM网络估计模型验证模型精度是否到达设计要求，若不满足要求则重新进行网络模型的构建，若满足要求则将电池电压、电流在线数据输入网络模型中，进行SOH实时估计，得到SOH估计值。2.根据权利要求1所述的一种锂离子电池健康状态估计方法，其特征在于：在步骤S1中所述的健康特征参数包括恒流阶段充电电压区间内的充电时间、充电能量，恒压阶段充电电流区间内的充电时间、充电能量；以0.05V作为变化间隔将恒流阶段充电电压区间分为不同的电压分区间，以0.02A作为变化间隔将恒压阶段充电电流区间分为不同的电流分区间，分别提取各电压分区间和电流分区间内的充电时间、充电能量作为健康特征参数。3.根据权利要求1所述的一种锂离子电池健康状态估计方法，其特征在于：在步骤S2中所述的对健康特征数据进行标准化处理，采用的是min‑max标准化法，计算公式为式中，xi为健康特征数据，yi为标准化后的数据，max(x)和min(x)为对应健康特征数据中的最大值和最小值。4.根据权利要求1所述的基于特征提取和数据驱动的锂电池健康状态估计方法，其特征在于：在步骤S3中所使用的Pearson相关系数法，计算公式如下：2CN115856678A权利要求书2/3页式中，r表示Pearson相关系数，xi和yi分别代表健康特征数据和SOH实际值，和为两者各自平均值，n为电池充放电循环次数。5.根据权利要求1所述的一种锂离子电池健康状态估计方法，其特征在于：在步骤S4中使用主成分分析(PCA)对健康特征数据进行降维，其具体步骤为：给定m×n的样本特征矩阵X，对样本特征矩阵进行标准化处理后得到X′，之后计算协方差矩阵C，根据公式Cui＝λiui计算X′的特征向量ui和特征值λi，i＝1,2…k，之后得到降维后的矩阵H＝X′×U，U＝[u1,u2…,uk]，使用公式计算各主成分方差贡献率，将累计贡献率达80％以上的特征值