[发明专利]基于深度神经网络的锂电池SOH在线估算方法

说明书

本发明公开基于深度神经网络的锂电池SOH在线估算方法，步骤为：1)建立基于深度神经网络的锂电池SOH估算模型；2)对所述基于深度神经网络的锂电池SOH估算模型进行训练，得到锂电池SOH估算优化模型；3)获取待评估锂电池的近全充电过程的锂电池充电片段数据，并输入到锂电池SOH估算优化模型中，完成锂电池SOH估算。本发明提出了基于深度神经网络的SOH在线估算方法，通过随机抽样、标准化等数据预处理方式对输入输出数据进行处理，并通过训练得到最终的SOH估算模型，代入验证集输入，即可得到所对应的SOH值，实现锂电池SOH在线估算，且其估算精度较基于模型的方法提高约10％，满足车企实际应用所需达到的估算精度。

技术领域

本发明涉及新能源汽车电池管理领域，具体是基于深度神经网络的锂电池SOH在线估算方法。

背景技术

汽车在人们的日常生活中已经成为不可或缺的代步工具，但随着汽车行业的蓬勃发展，随之而来的是石油资源的大量消耗、环境污染日益加剧等问题。面对资源紧缺、环境污染这样严峻的问题，新能源技术逐渐成为行业焦点。在国家政策的大力支持下，纯电动汽车的发展尤为迅速，然而电池作为纯电动汽车的核心部件仍有诸多技术问题亟待解决，诸如在电池健康状态(SOH)、电池荷电状态(SOC)等的精准估计上仍存在技术瓶颈。近年来，电动汽车保有量逐年递增，在未来将会有大量的退役锂离子电池需进行相应处理。为响应国家锂离子电池梯次利用的相关政策，使得锂离子电池从电动汽车退役后仍然能在其他方面发挥作用，则需实现对电池SOH值高精度估算。此外，对电池寿命的在线估算也可以及时发现电池所存在的安全隐患。故攻破SOH高精度估算技术壁垒的任务刻不容缓。

目前，对于锂电池SOH估算常用的方法大致分为以下三种：1.恒流放电法；2.基于模型的方法；3.基于数据驱动的方法。法1是在实验室条件下对电池进行满充满放以准确测算电池的实际容量，该法虽精度较高，但其成本高昂，因此通常采取基于模型或基于数据驱动的方式进行SOH估算，基于模型的方法虽然具有较高的可解释性，但其效果随模型选取的不同存在较大差异且估算精度较低。

发明内容

本发明的目的是提供基于深度神经网络的锂电池SOH在线估算方法，包括以下步骤：

1)建立基于深度神经网络的锂电池SOH估算模型。

所述基于深度神经网络的锂电池SOH估算模型包括输入层、若干隐藏层和输出层。

所述隐藏层的输出y如下所示：

式中，W_j表示第j-1层到第j层的权值矩阵。b_j表示第j-1层到第j层的偏置向量。σ_j表示第j层的激活函数。

所述输出层的输出Y如下所示：

式中，上标_～表示转置。

隐藏层的激活函数如下所示：

σ_j(x)＝max(x,0) (3)

输出层的激活函数如下所示：

σ_h+1(x)＝x (4)

2)对所述基于深度神经网络的锂电池SOH估算模型进行训练，得到锂电池SOH估算优化模型。

对所述基于深度神经网络的锂电池SOH估算模型进行训练的步骤包括：

2.1)获取T时段的近全充电过程的锂电池充电片段数据和对应的锂电池SOH，并分别写入训练集和验证集中。

2.2)将训练集输入到基于深度神经网络的锂电池SOH估算模型中，得到当前权值矩阵W和偏置向量b。