一种锂离子电池健康状态评估方法及系统与流程

本发明属于电池健康管理与寿命预测，尤其涉及一种锂离子电池健康状态评估方法及系统。

背景技术：

1、电池管理系统(bms)可以对蓄电池进行监控和管理，能够实现对电池电压、电流、温度以及soc等数据的计算和采集，以及实现对电池充放电过程的控制，同时可以实现电池的健康状态评估与预测，在电池达到终止寿命之前提醒用户进行更换。现有预测方法主要分为直接测量法、基于模型的方法和基于数据驱动的方法。直接测量法通过直接测量电池相关参数可以实现高精度的soh估计，同时具有较低的计算复杂度，但由于在实际应用中电池工作环境复杂，并且不同设备使用到的电池种类具有较大差异，因此使用起来是非常困难的。基于模型的方法主要可以分为基于电化学模型的方法和物理模型的方法，对相关专业知识有较高要求。基于数据驱动的方法不需要了解电池内部的老化机制和相应的物理和化学领域知识，得益于现代人工智能和计算机的发展，机器学习和深度学习方法可以很好地适用，其能够较好完成电池健康状态的预测。

2、目前，现有技术在预测锂离子电池健康状态方面存在一定的局限性，包括没有考虑到整个充放电周期带来的特征信息，同时忽略温度和电压与电流关系带来的信息，导致预测模型的健壮性较差，无法完成准确的锂离子电池健康状态预测。

技术实现思路

1、本技术实施例通过提供一种锂离子电池健康状态评估方法及系统，解决了现有技术中在预测锂离子电池健康状态方面存在一定局限性，没有考虑到整个充放电周期带来的特征信息，同时忽略了温度和电压与电流关系带来的信息，导致预测模型的健壮性较差，无法完成准确的锂离子电池健康状态预测的技术问题，达到了提高预测模型的准确度和泛化能力，有助于更加精准地评估电池的健康状态，实现电池健康系统管理的技术效果。

2、第一方面，本发明实施例提供了一种锂离子电池健康状态评估方法，包括：步骤1：获得锂离子电池充放电过程中传感器采集到的第一数据，并对所述第一数据进行预处理；步骤2：根据所述步骤1中预处理之后的所述第一数据，对电池特征进行提取，并构建电池健康状态soh，将所述电池特征与所述电池健康状态soh进行相关度分析；步骤3：基于gru神经网络模型，构建锂离子电池健康状态评估模型；步骤4：根据所述预处理之后的所述第一数据、所述电池特征以及所述电池健康状态soh，建立数据集，并将所述数据集划分为训练集和测试集；步骤5：根据所述训练集，对所述锂离子电池健康状态评估模型进行训练，并根据所述测试集，对所述锂离子电池健康状态评估模型进行检验；步骤6：按照多个评价指标，对所述锂离子电池健康状态评估模型的预测结果进行评价和误差分析，以验证所述锂离子电池健康状态评估模型的准确性；步骤7：选择不同室温环境下的数据集进行预测，验证模型的泛化能力。

3、优选的，在所述步骤1中，所述第一数据包括：电压、电流、温度，所述预处理包括对缺失值、异常值和噪声的处理。

4、优选的，在所述步骤2中，包括：

5、步骤21：获得恒流充电结束时间tcc、充电温度到达峰值时间ttpeak、放电温度到达均值时间ttmean、充电持续时间tcharge、放电持续时间tdischarge；

6、步骤22：根据所述恒流充电结束时间tcc、所述充电温度到达峰值时间ttpeak、所述放电温度到达均值时间ttmean、所述充电持续时间tcharge、所述放电持续时间tdischarge，构建充放电过程中的时间占比特征，具体为：

7、

8、其中，f1为充电过程中恒流时间的占比、f2为充电过程中电池温度达峰值时间的占比、f3为放电过程中电池温度到达均值时间的占比；

9、步骤23：根据锂离子电池放电过程的容量数据，构建所述电池健康状态s0h，具体为：

10、其中，ck为第k次循环电池的剩余容量，c0为初始容量；

11、步骤24：将所述充放电过程中的时间占比特征、所述电池健康状态s0h，进行相关度分析，公式如下：

12、其中r为计算得到的相关度，输入特征向量xk＝[f1，f2，f3]，sohk为第k次循环的电池健康状态，n为电池循环次数。

13、优选的，在所述步骤3中，所述基于gru神经网络模型，构建锂离子电池健康状态评估模型，包括：

14、步骤31：所述gru模型的输入包括当前输入特征向量xt和前一个周期节点状态分量ht-1输出，所述前一个周期节点状态分量ht-1来自于前一个节点的数据信息，所述gru模型的gru层拟合后的当前输出包括当前输出电池健康状态实际值soht和传递给下一个节点的状态分量ht，所述gru模型的内部计算过程分为控制更新门和控制重置门，具体为：

15、zt＝σ(wz·[ht-1，xt])；

16、rt＝σ(wr·[ht-1，xt])；

17、h′t＝tan h(w·[rt*ht-1，xt])；

18、ht＝(1-zt)*ht-1+zt*h′t；

19、其中，xt为输入特征向量，rt控制重置门，zt控制更新门，ht为当前周期节点的状态分量，ht-1为前一个周期节点状态分量，w为权重，σ为sigmoid函数，tan h为双曲正切激活函数；

20、步骤32：所述输入特征向量xt，初始隐藏状态h0被初始化为零向量，σ将数据转化为0-1范围内的值作为门控的控制信号，在得到门控信号后，信号通过重置门得到ht-1，ht-1和xt相结合，通过tan h激活函数，再通过公式ht＝(1-zt)*ht-1+zt*h′t更新记忆；

21、步骤33：经过多次计算和对隐藏状态的更新后，通过每个时间步的隐藏状态ht，获得当前输出电池健康状态预测值soh′t；

22、步骤34：根据所述电池健康状态预测值soh′t和实际值soht计算损失，并进行反向传播和参数更新，完成对电池老化序列数据的建模。

23、优选的，在所述步骤4中，所述建立数据集，包括：根据所述第一数据，对所述电池特征进行提取并构建所述电池健康状态，建立用于训练和预测模型的所述数据集。

24、优选的，在所述步骤6中，所述多个评价指标包括均方误差(mse)、均方根误差(rmse)、平均绝对误差(mae)和r平方(r2)。

25、第二方面，本发明实施例还提供了一种锂离子电池健康状态评估系统，所述系统包括：电池健康状态评估特征构建模块，所述电池健康状态评估特征构建模块用于对锂离子电池充放电过程中传感器采集到的第一数据进行预处理，对电池特征进行提取，并构建电池健康状态soh，将所述电池特征与所述电池健康状态soh进行相关度分析；电池健康状态评估构建模块，所述电池健康状态评估构建模块用于将特征数据和对应的电池容量输入到gru神经网络，训练所述gru神经网络模型，构建电池健康状态评估模型；电池健康状态评估预测模块，所述电池健康状态评估预测模块用于将待预测电池的特征数据输入到训练好的所述gru神经网络模型中，实现锂离子电池健康状态评估。

26、第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，当所述计算机程序被所述处理器执行时，使得所述处理器执行如前述任一项所述的锂离子电池健康状态评估方法的步骤。

27、第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有程序，其特征在于，当该程序被处理器执行时，用于实现如前述任一项所述的锂离子电池健康状态评估方法的步骤。

28、第五方面，本发明实施例还提供了一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现前述的锂离子电池健康状态评估系统。

29、本发明实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：

30、在本发明实施例提供的一种锂离子电池健康状态评估方法及系统，通过步骤1：获得锂离子电池充放电过程中传感器采集到的第一数据，并对所述第一数据进行预处理；步骤2：根据所述步骤1中预处理之后的所述第一数据，对电池特征进行提取，并构建电池健康状态soh，将所述电池特征与所述电池健康状态soh进行相关度分析；步骤3：基于gru神经网络模型，构建锂离子电池健康状态评估模型；步骤4：根据所述预处理之后的所述第一数据、所述电池特征以及所述电池健康状态soh，建立数据集，并将所述数据集划分为训练集和测试集；步骤5：根据所述训练集，对所述锂离子电池健康状态评估模型进行训练，并根据所述测试集，对所述锂离子电池健康状态评估模型进行检验；步骤6：按照多个评价指标，对所述锂离子电池健康状态评估模型的预测结果进行评价和误差分析，以验证所述锂离子电池健康状态评估模型的准确性；步骤7：选择不同室温环境下的数据集进行预测，验证模型的泛化能力，因此，通过获取锂离子电池充放电过程传感器测量数据，对数据进行预处理以及训练集和测试集的划分；依据锂离子电池充放电端电压、电流和温度的变化曲线，获取时间占比特征，使用对应容量数据得到时间占比特征数据集；构建并训练基于gru神经网络的电池健康状态评估模型，在使用训练集完成训练后，使用训练后的模型完成对测试集中锂离子电池健康状态的评估，从而解决了现有技术中在预测锂离子电池健康状态方面存在一定局限性，没有考虑到整个充放电周期带来的特征信息，同时忽略了温度和电压与电流关系带来的信息，导致预测模型的健壮性较差，无法完成准确的锂离子电池健康状态预测的技术问题，达到了提高预测模型的准确度和泛化能力，有助于更加精准地评估电池的健康状态，实现电池健康系统管理的技术效果。

31、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。