一种锂离子电池健康状态评估与预测方法及系统

本发明属于电池寿命预测，尤其涉及一种锂离子电池健康状态评估与预测方法及系统。

背景技术：

1、目前，最接近的现有技术：预测电池剩余使用寿命主要采用基于模型的方法和数据驱动方法。基于模型的方法是通过学习电池内部的物理化学反应或是建立电池失效模型来预测退化状态以及电池退化轨迹，包括电化学模型和等效电路模型，通常与卡尔曼滤波器和粒子滤波器等结合使用。然而，电池在充放电过程中的物理化学过程复杂，很难获得一个合适的物理模型来描述系统的动态特性。因此，基于模型的方法在实际应用中并不理想。数据驱动方法分为人工智能(ai)方法和统计数据驱动方法。这些方法使用退化数据，不需要对退化过程进行精确分析，主要利用各种数据分析方法(机器学习、随机过程、统计信号处理等)，找出数据中隐含的退化信息，预测电池剩余使用寿命。然而，这些方法需要较少的退化数据，因此更适用于评估电池的健康状态，但为了提高模型的性能，需要与优化算法结合使用。

2、在当前技术水平下，预测锂离子电池的健康状态通常忽略了不同传感器信号之间的内在联系和相互影响，因此直接提取特征可能无法有效地反映锂离子电池的健康状态，基于这些特征训练模型可能会降低模型的泛化性能。

3、目前，电池的健康状态评估和预测方法通常仅局限于对电池剩余使用寿命的预测，忽略了对健康状态的全面评估，因此无法准确地定位锂离子电池的健康状况。

4、综上所述，现有技术存在的问题是：现有技术在预测锂离子电池剩余使用寿命方面存在一定局限性，因为直接提取的特征信息较少，导致预测模型的泛化性能较差。此外，仅仅对电池的剩余使用寿命进行预测，无法实现对电池健康状态的精确监测。

5、解决上述技术问题的难度：考虑信号之间的内在联系和相互影响，并提取出斜率特征，以评估电池的健康状态，并对其进行等级划分。

6、解决上述技术问题的意义：现有技术适用性受限，本发明旨在提出一种基于放电曲线斜率特征的锂离子电池健康状态评估与预测方法。

技术实现思路

1、针对现有技术存在的问题，本发明提供了一种锂离子电池健康状态评估与预测方法及系统。

2、本发明是这样实现的，一种锂离子电池健康状态评估与预测方法，包括：

3、第一步，对传感器采集的数据进行预处理，包括去噪、缺失值和异常值处理等；

4、第二步，基于锂离子电池放电曲线构建斜率特征数据集，得到影响锂离子电池健康状态(soh)的特征数据集，采用回归模型构建健康指标soh；

5、第三步，构建基于k-means++聚类方法的电池健康状态评估模型；

6、第四步，构建基于gru神经网络的电池剩余使用寿命预测模型；

7、第五步，将数据集划分为训练数据和待测试数据，利用训练数据对电池健康状态评估模型和电池剩余使用寿命预测模型进行训练，接着用待测试数据对上述模型进行检验；

8、第六步，利用k-means++聚类模型和gru预测模型对锂离子电池电池进行健康状态的评估和预测，并将结果进行信息堆叠。首先确定电池健康状态所处等级，然后确定其剩余使用寿命。

9、进一步，所述第二步中利用锂离子电池放电曲线构造斜率特征包括以下步骤：

10、(1)获取锂离子电池放电时的端电压、输出电流、温度以及每次循环所用的时间这四种信号，提取放电初始电压ud0，放电谷值电压udmin，放电谷值电压时间tdmin，放电初始温度td0，放电峰值温度tdmax，放电峰值温度时间tdmax，放电谷值电流idmin，放电峰值电流idmax，放电谷值电流时间tdmin，放电峰值电流时间tdmax这10种特征；

11、(2)利用上述10种特征，构建斜率特征，包括放电电压斜率特征ku、放电电流斜率特征ki、放电温度斜率特征kt，具体公式如下：

12、

13、

14、

15、(3)建立回归模型，包括输入层、gru层、全连接层、回归层，在此模型中，输入层单元表示斜率特征ku、ki、kt，回归层单元是健康指标soh，训练回归模型，得到健康指标soh。

16、进一步，所述第五步训练电池健康状态评估模型和电池剩余使用寿命预测模型的方法包括：

17、(1)建立k-means++聚类模型，确定聚类种类和聚类中心，利用训练数据训练k-means++聚类模型；

18、(2)建立gru预测模型，包括输入层、gru层、全连接层、输出层的gru神经网络，在此模型中，输入层单元表示健康指标soh，输出层单元表示预测结果，利用训练数据训练gru预测模型；

19、(3)利用待测试数据对k-means++聚类模型和gru预测模型进行检验。

20、进一步，所述第六步利用训练完成的k-means++聚类模型和gru神经网络模型对电池进行健康状态评估和剩余使用寿命预测的方法包括：给定传感器数据，提取斜率特征数据集，并构建健康指标soh，然后使用k-means++聚类模型和gru预测模型实现电池健康状态的评估和预测。

21、本发明的另一目的在于提供一种实现所述锂离子电池健康状态评估与预测方法的锂离子电池健康状态评估与预测系统，包括：

22、健康指标soh构建模块：用于对采集得到的锂离子电池放电时的传感器信号进行分析，提取斜率特征，并利用特征数据构建健康指标soh；

23、健康状态评估模型构建模块：用于将无标签的健康指标soh输入到k-means++聚类模型中，训练k-means++聚类模型，构建电池健康状态评估模型；

24、电池健康状态评估模块：用于利用电池健康状态评估模型将待评估电池无标签的健康指标soh进行非监督聚类，实现锂离子电池健康状态的评估；

25、寿命预测模型构建模块：用于将健康指标soh输入到gru神经网络模型中，训练gru神经网络模型，构建电池剩余使用寿命预测模型；

26、电池剩余使用寿命预测模块：用于将待预测电池的健康指标soh输入到已训练好的gru神经网络模型中，实现锂离子电池剩余使用寿命预测。

27、本发明的另一目的在于提供一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的锂离子电池健康状态评估与预测方法的步骤。

28、本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的锂离子电池健康状态评估与预测方法的步骤。

29、本发明的另一目的在于提供一种信息数据处理终端，信息数据处理终端用于实现所述的锂离子电池健康状态评估与预测系统。

30、结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：

31、第一，针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：

32、本发明根据电池放电时的端电压、输出电流、温度以及每次循环所用的时间这四种信号提取斜率特征，并将这些特征数据输入到gru神经网络进行回归，以得到健康指标soh。这些新特征的提取考虑到了信号之间的内在联系和相互影响，涵盖了更多关于锂离子电池放电时的信息，从而大大提升了模型的泛化性能，使得该模型的应用范围更加广泛。

33、本发明首先评估锂离子电池的健康状态，然后再预测其剩余使用寿命。然而，现有的锂离子电池健康状态评估与预测方法大多直接预测锂离子电池的剩余使用寿命预测，而忽略了对其健康状态评估的重要性。因此，使用该方法进行电池健康状态的评估与预测能够获得更高的准确性。经过调整，该方法可以广泛应用于各种锂离子电池的健康状态评估和剩余使用寿命预测。

34、第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：

35、本发明提出的基于放电曲线斜率特征的锂离子电池健康状态评估与预测方法利用了k-means++聚类和gru神经网络，充分发挥了各自的优势。同时，考虑到了锂离子电池放电过程中不同传感器信号的数据特征，深度挖掘了传感器数据的信息，提高了模型的泛化性能，该方法操作简单，能够被广泛应用到各种电池预测中。相比直接预测锂离子电池剩余使用寿命，该方法在电池健康状态的评估与预测方面具有更高的准确度。在锂离子电池健康状态预测领域，本发明提出基于放电曲线斜率特征的锂离子电池健康状态评估与预测方法具有较强的创新型和实用性。

36、第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：

37、(1)本发明的技术方案转化后的预期收益和商业价值为：

38、本发明通过对锂离子电池健康状态进行准确评估和剩余使用寿命预测，可以实现更有效的电池生命周期管理，延长电池的使用寿命，减少更换和维护成本，提高设备的可靠性和稳定性。在能源储存和电动交通领域，该发明能够减少不必要的电池更换，提高系统运行效率，从而降低整体成本。

39、(2)本发明的技术方案是否解决了人们一直渴望解决、但始终未能获得成功的技术难题：

40、本发明的技术方案采用了更加细致和全面的特征提取方法，考虑了锂离子电池放电时不同传感器信号之间的内在联系和相互影响，结合了聚类方法和神经网络模型，以提高模型的泛化能力和准确度。这种综合性的方法有助于更精确地评估电池的健康状态，并且能够更准确地预测电池的剩余使用寿命。