基于充电数据片段的锂离子电池健康状态估计方法及系统与流程

本发明属于锂离子电池，尤其涉及基于充电数据片段的锂离子电池健康状态估计方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、近年来，锂离子电池得益于其高能量密度、长使用寿命、低自放电率等优点被广泛应用于便携式电气设备、电动汽车、储能电站等。然而，由于充放电过程中不可逆的电化学反应，电池在使用过程中会不可避免地老化，从而影响储能系统的安全性和可靠性。健康状态(state of health，soh)是衡量电池老化程度的重要指标，通常定义为当前最大容量与额定容量的比值。精确的soh可以为电池更换和维护提供指导，保障电池安全可靠运行。然而，电池运行过程中的soh无法直接测量。因此，如何通过电压、电流、温度等可测量参数实现soh的准确评估成为研究重点。

3、现有的soh估计方法大致可分为基于模型和基于数据驱动的方法。基于模型的方法主要包括等效电路模型和电化学模型，该方法可以从机理上解释电池soh衰减的根本原因，具有较高的估计精度。然而，构建精确的电池物理模型需要大量的先验知识。此外，电池模型的参数辨识涉及众多运算，且易受运行工况的影响。soh估计精度与模型复杂度之间难以平衡，这限制了其在实际工程中的应用。

4、基于数据驱动的方法因其强大的非线性映射能力被广泛应用于soh估计，该方法利用历史运行数据构建可测量参数与soh的映射关系，从而实现soh的准确评估。近年来，深度学习受到越来越多的关注。相较于传统机器学习，深度学习可以从数据中自动挖掘数据特征，从而避免了人工选取特征而造成的部分信息缺失。到目前为止，卷积神经网络、长短期记忆网络等已被用于电池soh估计，并表现出较好的应用潜力。目前许多研究将完整的充电数据或从完整充电数据中提取的特征作为模型输入，从而实现soh估计。然而，在电池实际应用中，充电工况大多随机且不完整，这为soh估计算法的应用带来了挑战。

技术实现思路

1、为解决现有技术所依赖电池充放电数据信息跨度大且估计精度低的问题，本发明提供基于充电数据片段的锂离子电池健康状态估计方法及系统，仅仅利用部分充电数据片段作为特征，更适合实际应用场景，并且采用深度学习的方法自动提取数据特征，避免了人为特征提取引发的部分信息缺失，提高了模型估计精度。

2、为了实现上述目的，本发明采用如下技术方案：

3、本发明的第一方面提供基于充电数据片段的锂离子电池健康状态估计方法，包括如下步骤：

4、获取锂离子电池不同循环圈数时的充电数据以及soh；

5、基于充电数据提取恒流充电区域，计算该区域的增量容量曲线；

6、利用不同的电压间隔将充电电压数据划分为若干电压区间，并分别提取每个电压区间的充电时间，计算不同循环圈数时相同电压区间的充电时间与soh的皮尔逊相关系数，选取相关系数最大值所对应的电压区间作为最佳特征提取区间；

7、从最佳特征提取区间中提取增量容量和时间以构建特征矩阵；

8、基于特征矩阵对soh估计模型训练，得到训练后的soh估计模型；

9、基于训练后的soh估计模型对待评估锂离子电池健康状态进行估计得到soh估计结果。

10、进一步地，所述不同循环圈数时相同电压区间的充电时间与soh的皮尔逊相关系数的计算公式为：

11、

12、式中，r为相关系数，xi和yi分别对应不同圈数所划分电压区间的充电时间以及不同圈数的soh，和分别对应充电时间和soh的平均值，n为循环圈数。

13、进一步地，所述从最佳特征提取区间中提取增量容量和时间以构建特征矩阵，包括：

14、将特征提取电压区间等分为n-1份，得到电压序列v1、v2…vn，分别从不同循环圈数m的电压曲线和增量容量曲线中获取相对应的时间序列t1m、t2m…tnm和增量容量序列ic1m、ic2m…icnm，按以下方式构建特征矩阵：

15、

16、在该特征矩阵中，每一列代表一个循环圈数内所有特征，而每两行代表一个特征对。

17、进一步地，所述基于特征矩阵对soh估计模型训练，得到训练后的soh估计模型，包括：

18、将特征矩阵划分为训练集和测试集；

19、构建基于自注意力机制的稠密多尺度时间卷积网络soh估计模型，并利用训练集和相对应soh数据对模型进行训练，得到训练后的soh估计模型；其中，所述soh估计模型的构建过程包括：

20、搭建多尺度时间卷积块，所述多尺度时间卷积块是由3个具有不同卷积核大小的时间卷积模块并行连接而成，其输出结果采用通道维度连接方式进行融合；

21、采用稠密网络连接的方式对多尺度时间卷积块进行连接，即模型的输入层分别与第一、第二以及第三多尺度时间卷积块的输出采用通道维度连接方式进行连接，第一多尺度时间卷积块的输出分别与第二、第三多尺度时间卷积块的输出采用通道维度连接方式进行融合，第二多尺度时间卷积块的输出和第三多尺度时间卷积块的输出采用通道维度连接方式进行融合，将第三多尺度时间卷积块与1×1卷积层、自注意力层、全连接层和回归层相连接，其中自注意力层首先计算稠密多尺度时间卷积块所提取各个初始特征的权重，随后通过加权求和得到最终特征。

22、进一步地，自注意力层的具体过程如下：

23、将1×1卷积层的输出与可学习参数相乘得到查询、键和键值；

24、结合查询、键和键值获取注意力评分函数；

25、通过softmax操作将注意力评分函数转化为概率分布作为注意力权重。

26、进一步地，所述增量容量曲线的计算公式为：

27、

28、式中，dq为容量变化量，dv为电压变化量，i为充电电流，dt为时间变化量。

29、进一步地，基于特征矩阵对soh估计模型训练时，采用均方误差损失函数作为训练的评价指标，通过adam算法优化损失函数，最终得到训练好的模型。

30、本发明的第二方面提供基于充电数据片段的锂离子电池健康状态估计系统，包括：

31、数据获取模块，其用于获取锂离子电池不同循环圈数时的充电数据以及soh；

32、恒流充电区域提取模块，其用于基于充电数据提取恒流充电区域，计算该区域的增量容量曲线；

33、最佳特征提取区间确定模块，其用于利用不同的电压间隔将充电电压数据划分为若干电压区间，并分别提取每个电压区间的充电时间，计算不同循环圈数时相同电压区间的充电时间与soh的皮尔逊相关系数，选取相关系数最大值所对应的电压区间作为最佳特征提取区间；

34、特征矩阵构建模块，其用于从最佳特征提取区间中提取增量容量和时间以构建特征矩阵；

35、状态估计模块，其用于基于特征矩阵对soh估计模型训练，得到训练后的soh估计模型；基于训练后的soh估计模型对待评估锂离子电池健康状态进行估计得到soh估计结果。

36、本发明的第三方面提供一种计算机可读存储介质。

37、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于充电数据片段的锂离子电池健康状态估计方法中的步骤。

38、本发明的第四方面提供一种计算机设备。

39、一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于充电数据片段的锂离子电池健康状态估计方法中的步骤。

40、与现有技术相比，本发明的有益效果是：

41、1、本发明提出了一种特征矩阵构建方法，利用该特征矩阵可以实现时间和ic特征的同时提取，降低了运算量。此外，本方法仅仅利用部分充电数据片段作为特征，更适合实际应用场景，并且采用深度学习的方法自动提取数据特征，避免了人为特征提取引发的部分信息缺失，提高了模型估计精度；

42、2、本发明所提出的基于自注意力机制的稠密多尺度时间卷积网络模型利用不同卷积核大小的时间卷积块学习时间序列中不同大小尺寸的特征信息，避免单一尺寸特征的局限性，提升了模型的鲁棒性。同时，所构建模型采用稠密连接的方式，即每一层的输入融合了前面所有层的输出特征信息，最大化地利用每一层所提取的特征信息，在降低网络参数训练量的同时，也缓解了深度学习神经网络的梯度消失和梯度爆炸问题；

43、3、本发明引入自注意力机制来捕捉稠密多尺度时间卷积模块所提取特征信息之间的内在联系，并以此赋予特征不同的权重，从而提高预测精度。

44、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。