[发明专利]一种动力锂电池的样本数据集生成方法、SOC估计方法

权利要求书

1.一种动力锂电池的样本数据集生成方法，其特征在于：包括：

搭建锂电池充放电瞬态求解模型；

依据搭建的锂电池充放电瞬态求解模型，获得锂电池电势图、电流密度分析图以及电池不同倍率性能分析图；

导出锂电池电势图、电流密度分析图以及电池不同倍率性能分析图对应的数据；对导出的数据进行预处理，获得锂电池样本数据集。

2.根据权利要求1所述的动力锂电池的样本数据集生成方法，其特征在于：所述搭建锂电池充放电瞬态求解模型，包括：

选择物理场：添加锂离子电池接口进行电池的充放电瞬态研究；

构建对象：采用线段间隔指定电池负极、隔膜、正极，构建一维几何；

模型定义：首先对电池正极的厚度、负极的厚度、隔膜的厚度、充放电时间以及充放电电流参数进行定义；然后选择满足条件的插值函数定义出初始时刻的负极电位状态；其中，插值函数选择一维电池负极电位插值函数；

模型材料设置：从“电池与燃料电池”的材料库中获得电极的材料，其中，正极材料设置为活性材料，负极材料设置为石墨；

物理场接口设置：通过添加多孔电极分别完成电池正极和负极的属性设置，对隔膜进行属性设置；设置锂电池的外电路状态，对电池电极进行电接地以及充放电电流设置，其中，充放电电流设置满足充电对内为正，放电对内为负。

3.根据权利要求2所述的动力锂电池的样本数据集生成方法，其特征在于：还包括不同倍率参数设置；其中，不同倍率包括默认倍率及设置倍率；在设置倍率下的电流密度为默认倍率对应的电流密度与设置倍率的乘积。

4.根据权利要求1所述的动力锂电池的样本数据集生成方法，其特征在于：所述对导出的数据进行预处理，包括：对导出的数据依次进行格式变换、筛选、清洗。

5.一种动力锂电池的样本数据集生成装置，其特征在于：包括：

用于搭建锂电池充放电瞬态求解模型的模块；

第一获得模块，用于依据搭建的锂电池充放电瞬态求解模型，获得锂电池电势图、电流密度分析图以及电池不同倍率性能分析图；

第二获得模块，用于导出锂电池电势图、电流密度分析图以及电池不同倍率性能分析图对应的数据；对导出的数据进行预处理，获得锂电池样本数据集。

6.一种动力锂电池的SOC估计方法，其特征在于：包括：

S1、依据锂电池样本数据集，构建训练集和测试集；

S2、LSTM网络的确定，将温度值、放电倍率及不同放电倍率下的电压数据确定为LSTM网络的输入，将SOC值作为LSTM网络的输出；其中，LSTM网络包括输入层、隐含层、全连接层、输出层；

S3、对LSTM网络进行超参数设置；超参数包括隐含层神经元数、最大迭代次数、初始学习速率、学习下降率因子；

S4、用训练集预训练LSTM网络，结合测试集反馈的预测结果不断调整LSTM网络超参数，直至确定最佳超参数区间；

S5、通过BA算法寻找最佳超参数区间中的最优超参数组合。

7.根据权利要求6所述的动力锂电池的SOC估计方法，其特征在于：将权利要求1-4中任一项所述的动力锂电池的样本数据集生成方法获得的锂电池样本数据集划分为训练集和测试集；或者采用公开锂电池样本数据集/现场采集的锂电池样本数据集划分为训练集和测试集；锂电池样本数据集包括SOC值、温度值、放电倍率及不同放电倍率下的电压数据。

8.根据权利要求6所述的动力锂电池的SOC估计方法，其特征在于：所述通过BA算法寻找最佳超参数区间中的最优超参数组合，包括：

S51、进行BA参数初始化；

S52、通过BA算法不断迭代寻优输出最优适应度值，找出最优超参数组合。

9.一种动力锂电池的SOC估计系统，其特征在于：包括：

构建模块，用于依据锂电池样本数据集，构建训练集和测试集；

LSTM网络确定模块，用于将温度值、放电倍率及不同放电倍率下的电压数据确定为LSTM网络的输入，将SOC值作为LSTM网络的输出；其中，LSTM网络包括输入层、隐含层、全连接层、输出层；

设置模块，用于对LSTM网络进行超参数设置；超参数包括隐含层神经元数、最大迭代次数、初始学习速率、学习下降率因子；

确定模块，用于用训练集预训练LSTM网络，结合测试集反馈的预测结果不断调整LSTM网络超参数，直至确定最佳超参数区间；

寻找模块，用于通过BA算法寻找最佳超参数区间中的最优超参数组合。