[发明专利]基于深度学习的锂离子电池组健康状态预测方法

说明书

本发明公开基于深度学习的锂离子电池组健康状态预测方法，包括以下步骤：S1、提取锂离子电池组的放电特征参数，并对放电特征参数进行相关性分析；S2、根据相关性分析的结果获取原始特征数据集，并进行特征降维；S3、构建节点退化数据预测模型；S4、将降维特征集输入节点退化数据预测模型中，获取锂离子电池组的节点退化预测数据；S5、将节点退化预测数据转化为节点状态分布预测数据，并基于节点状态分布预测数据获取锂离子电池组健康状态预测结果。本发明能够按照特征提取—相关性分析—特征降维—节点状态分布预测—系统健康状态预测的流程，实现了对锂离子电池组健康状态的准确预知。

技术领域

本发明涉及锂离子电池状态预测技术领域，特别涉及基于深度学习的锂离子电池组健康状态预测方法。

背景技术

锂离子电池以其高比能量，长循环寿命，较宽的工作温度范围等特性广泛用于电动汽车、混合动力船舶、无人机等设备的能源动力系统。由于单体锂离子电池电压较低，在动力供应过程中需要以电池组的方式进行能源供应，因此在实际使用中，成百上千的电池通过各种复合连接方式，以及各种成包成组方法组成复杂的能源供应系统。从单体电池到组合连接电池组再到复杂电池包最后形成完整的能源动力系统，是一个典型的多层级系统。

另一方面，在锂离子电池组的实际使用过程中，由于电池间存在极强的相依作用，再加上电池初始差异和环境应力影响，电池组的一致性很难保持。在相依作用下，这种不一致性将愈发加重电池组的非均衡效应，使得电池间的退化过程和特征参数相互耦合复杂多变，相互的关联关系动态变化，难以准确预知。

发明内容

针对上述问题，本发明提出基于深度学习的锂离子电池组健康状态预测方法，以解决现有技术中存在的技术问题，能够按照试验—特征提取—相关性分析—特征降维—节点退化数据预测—节点状态分布预测—系统健康状态预测的流程，完整地进行了相应的分析工作，实现了对锂离子电池组健康状态的准确预知。

为实现上述目的，本发明提供了如下方案：本发明提供基于深度学习的锂离子电池组健康状态预测方法，包括以下步骤：

S1、提取锂离子电池组的放电特征参数，并对所述放电特征参数进行相关性分析；

S2、根据所述相关性分析的结果获取原始特征数据集，并对所述原始特征数据集进行特征降维，获得降维特征集；

S3、根据循环间放电容量的关联关系获取锂离子电池组循环间放电情况的时序性，并基于所述锂离子电池组循环间放电情况的时序性构建节点退化数据预测模型；

S4、将所述降维特征集输入所述节点退化数据预测模型中，获取所述锂离子电池组的节点退化预测数据；

S5、将所述节点退化预测数据转化为节点状态分布预测数据，并基于所述节点状态分布预测数据获取锂离子电池组健康状态预测结果。

优选地，所述S1中的放电特征参数包括放电电流、放电电压、放电温度、放电容量数据。

优选地，所述S1中的相关性分析的过程为：对所述放电特征参数进行均值、中位数、方差计算，完成统计分析，并根据所述统计分析的结果进行相关可视化操作，完成相关性分析。

优选地，所述S2中原始特征数据集的获取过程为：量化所述相关性分析的结果，获取所述放电特征参数的相关系数矩阵，并根据所述相关系数矩阵去除相关系数小于0.1的所述放电特征参数，获取原始特征数据集。

优选地，所述S2中特征降维的过程包括以下步骤：

S2.1、对所述原始特征数据集进行网格化处理，获得网格特征矩阵；

S2.2、基于所述网格特征矩阵构建卷积神经网络模型，并对所述卷积神经网络模型进行模型优化训练；

S2.3、基于所述模型优化训练后的所述卷积神经网络模型获取降维特征参数，完成特征降维。