[发明专利]基于充放电数据特征的锂电池健康状况预测方法及装置

说明书

本发明涉及基于充放电数据特征的锂电池健康状况预测方法及装置，其包括：建立初始长短期记忆网络模型；获取锂电池健康指标数据集；根据所述锂电池健康指标数据集对所述初始长短期记忆网络模型进行训练、验证和测试，得到目标长短期记忆网络模型；将锂电池健康指标数据输入至所述目标长短期记忆网络模型，对所述锂电池健康状况进行预测。本发明采集实时的锂电池数据，利用改进的遗传算法，对长短期记忆网络模型参数寻优，并引入了注意力机制与增量学习的方法，实现了对锂电池健康状况的在线预测，并且避免了调参的盲目性，提升了预测的准确性。

技术领域

本发明涉及锂电池监测技术领域，尤其涉及基于充放电数据特征的锂电池健康状况预测方法及装置。

背景技术

随着环境恶化，能源危机等问题不断突出，传统的燃油汽车已经不再满足节能环保的要求了，新兴的电动汽车正在成为未来的主力交通工具。锂电池因为其能量密度高、循环周期长、清洁环保等特性，已经成为了电动汽车主要能量来源。而锂电池内部的反应机理决定了其性能以及容量会不可避免地随着充放电循环次数的增加而降低，随着电池性能的老化，不可避免的会出现一些安全隐患，会对个人的人身安全造成严重的隐患。所以对锂电池健康状态以及剩余使用寿命的预测就显得非常重要。

目前针对锂电池健康状态以及剩余使用寿命的研究，主要有三种方法：基于模型的方法、基于数据驱动的方法以及融合模型的方法。

但现有技术存在以下问题：1、基于模型的方法其模型参数多，通常需要侵入式的方法才能深入研究其内部的反应机理，且易受到外部环境干扰，导致其适应性较差。2、基于数据驱动的方法只适用于处于中小样本数据，当样本数量过大时，往往计算开销巨大。3、近年来，基于数据驱动的研究方法，因为不用考虑电池内部复杂的物理化学反应，也无需太多的专业知识，只需要通过电池工作的历史数据即可实现SOH,RUL的预测，受到了广大学者的重视。基于数据驱动的方法主要包括：神经网络，支持向量机，支持向量回归等方法。但支持向量机，支持向量回归等只适用于处于中小样本数据，当样本数量过大时，往往计算开销巨大。

发明内容

有鉴于此，有必要提供一种基于充放电数据特征的锂电池健康状况预测方法及装置，用以解决现有技术中存在的锂电池健康状况预测不准确，不适用于样本数量过大以及预测时间较长的技术问题。

为达到上述技术目的，本发明采取了以下技术方案：

第一方面，本发明提供了一种基于充放电数据特征的锂电池健康状况预测方法，包括：

建立初始长短期记忆网络模型；

获取锂电池健康指标数据集；

根据锂电池健康指标数据集对初始长短期记忆网络模型进行训练、验证和测试，得到目标长短期记忆网络模型；

将锂电池健康指标数据输入至目标长短期记忆网络模型，对锂电池健康状况进行预测。

优选的，初始长短期记忆网络模型，具体为：

其中h_t-1为上一个时间步输出的隐藏信息，x_t为当前时间步的输入信息，tanh和σ分别为tanh，sigmoid激活函数，f_t，i_t，o_t分别为当前时间步下的遗忘门，输入门，输出门，W_f，W_t，W_o，b_f，b_i，b_o分别为各自的权重和偏置，是代替记忆单元的候选值。

优选的，健康指标包括等压升充电时间、完全放电能量及等压降放电时间，健康指标数据集包括数据训练集、数据验证集以及数据测试集，且数据训练集、数据验证集以及数据测试集均包括等压升充电时间数据集、完全放电能量数据集及等压降放电时间数据集。