应用于新能源汽车快充场景的电池健康状态估计方法

本发明涉及电池智能健康状态估计领域，具体涉及应用于新能源汽车快充场景的电池健康状态估计方法。

背景技术：

1、近年来，锂离子电池已迅速占据了现代科技领域的核心地位，广泛应用于电动汽车、便携电子设备以及能源存储系统等领域。然而，在锂离子电池的广泛应用中，尤其是在电动汽车领域，仍然面临一个重要挑战，即快充能力。锂电池寿命终止于可用容量衰减到标准容量的80%，继续使用不健康的电池可能影响整个电池系统性能。电池充电过程中，电池内部经历显著电流和温升增加，导致内部快速产生热量。特别是，快速充电加剧了电池内部化学和电化学反应，增加了电池老化风险，表现为电池容量逐渐下降、内部电阻增加和循环寿命缩短。state of health(soh)是描述电池内部特性、评估电池存储和释放电能能力的关键参数。准确的估计soh有助于实时监测电池性能和寿命。在soh估计方法方面，通常可以分为两大类：基于模型的方法和数据驱动方法。

2、深度学习方法往往依赖于充足、高质量的训练数据，以及对数据的有效处理和特征提取方法。在目前的研究中还存在一些问题。其一，快充电池相比普通电池充电时间短，可获取的数据量较少，可能导致模型在训练阶段难以捕捉到充分的特征和模式，容易面临梯度消失的问题；其二，特征提取阶段的错误或不准确的表示可能会影响模型整体性能，从而导致训练过程更加不稳定，模型输出的梯度变得更加复杂，间接地增加梯度爆炸的可能性；其三，快充电池由于充电速度较快，可能在短时间内经历更为复杂和快速的电化学变化，对模型的鲁棒性和泛化能力提出了更高的要求。

技术实现思路

1、针对现有技术中的问题，本发明提供应用于新能源汽车快充场景的电池健康状态估计方法，目的在于能高效地聚焦在电池数据的时间维度，更有效地捕捉电池状态序列中的长期依赖关系，克服快充电池数据相对较少的问题，提升对soh的准确预测。

2、应用于新能源汽车快充场景的电池健康状态估计方法，包括以下步骤：

3、步骤1：对锂离子电池进行循环寿命测试，得到电池数据曲线；

4、步骤2：在电池数据曲线中，对每段循环充电数据进行特征提取，并获得等电压间隔内的时间变化特征、电压变化的累积积分特征、斜率峰值的水平值特征、通过电路的总电量变化特征；

5、步骤3：将上述四个特征送入袋装时间注意力网络进行训练，并依次经袋装时间注意力网络中的residualbi-lstm-attention模块、convolutional pooling module模块、leaky relu-enhanced fully connected模块、baggingrandom-avg模块，从而获得预测结果，即，锂离子电池健康值。

6、进一步为：步骤2中，等电压间隔内的时间变化特征为：

7、；其中，锂离子电池从电压开始增加到结束的时间；

8、电压变化的累积积分特征为：

9、；

10、斜率峰值的水平值特征为：

11、；表示容量；表示当前时刻的ic值；

12、通过电路的总电量变化特征为：

13、。

14、进一步为：residualbi-lstm-attention模块中，将等电压间隔内的时间变化特征、电压变化的累积积分特征、斜率峰值的水平值特征、通过电路的总电量变化特征记为；分别经bi-lstm 层和线性变换后相加并实现残差连接，并将得到的输出记为：

15、；

16、其中，是bi-lstm层在时间步 t的输出；和分别是残差连接中的权重和偏置项；

17、通过应用双曲正切（tanh）操作将残差连接后的数据约束到范围在 -1 到 1 之间，得到，即：

18、；

19、通过softmax 函数将转换为概率分布，并得到注意力权重，即：

20、：

21、将和进行逐元素乘法运算，再通过dropout操作获得residualbi-lstm-attention模块的输出：

22、；

23、，⊙ 表示逐元素乘法。

24、进一步为：convolutional pooling module模块中，将residualbi-lstm-attention模块的输出进行转置和卷积，并将卷积的输出通过一维平均池化；一维平均池化时，考虑相邻的两个时间步对特征序列进行下采样，并计算每个区域的平均值，将序列长度减半降低特征的长度。

25、进一步为：leaky relu-enhanced fully connected模块中，将convolutionalpooling module的输出依次经若干个全连接层，并对每个全连接层的输出进行leaky relu激活函数变换。

26、进一步为：baggingrandom-avg模块中集成有若干个子模型，在前向传播过程中，遍历所有包含的子模型，根据leaky relu-enhanced fully connecte的输出进行预测，然后将这些预测的结果沿一个新的维度进行堆叠，通过对堆叠后的预测结果取平均值，得到最终的预测结果，即，锂离子电池健康值。

27、本发明的有益效果：首先通过提取等电压的时间差、电压变化的累积积分、通过电路的总电量变化和斜率峰值的水平值等特征；通过residualbi-lstm-attention模块充分捕捉了时间序列的长期依赖关系，结合包括卷积层、池化层、bi-lstm、全连接层等多层次的复杂神经网络的设计，同时，我们应用了集成平均学习方法，通过随机初始化参数和多个子模型的平均结果，提高了模型的泛化性能。

技术特征：

1.应用于新能源汽车快充场景的电池健康状态估计方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的应用于新能源汽车快充场景的电池健康状态估计方法，其特征在于：步骤2中，等电压间隔内的时间变化特征为：

3.根据权利要求1所述的应用于新能源汽车快充场景的电池健康状态估计方法，其特征在于：residualbi-lstm-attention模块中，将等电压间隔内的时间变化特征、电压变化的累积积分特征、斜率峰值的水平值特征、通过电路的总电量变化特征记为；分别经bi-lstm 层和线性变换后相加并实现残差连接，并将得到的输出记为：

4.根据权利要求1所述的应用于新能源汽车快充场景的电池健康状态估计方法，其特征在于：convolutional pooling module模块中，将residualbi-lstm-attention模块的输出进行转置和卷积，并将卷积的输出通过一维平均池化；一维平均池化时，考虑相邻的两个时间步对特征序列进行下采样，并计算每个区域的平均值，将序列长度减半降低特征的长度。

5.根据权利要求1所述的应用于新能源汽车快充场景的电池健康状态估计方法，其特征在于：leaky relu-enhanced fully connected模块中，将convolutional poolingmodule的输出依次经若干个全连接层，并对每个全连接层的输出进行leaky relu 激活函数变换。

6.根据权利要求1所述的应用于新能源汽车快充场景的电池健康状态估计方法，其特征在于：baggingrandom-avg模块中集成有若干个子模型，在前向传播过程中，遍历所有包含的子模型，根据leaky relu-enhanced fully connecte的输出进行预测，然后将这些预测的结果沿一个新的维度进行堆叠，通过对堆叠后的预测结果取平均值，得到最终的预测结果，即，锂离子电池健康值。

技术总结应用于新能源汽车快充场景的电池健康状态估计方法，包括以下步骤：对锂离子电池进行循环寿命测试，得到电池数据曲线；在电池数据曲线中，对每段循环充电数据进行特征提取，并获得等电压间隔内的时间变化特征、电压变化的累积积分特征、斜率峰值的水平值特征、通过电路的总电量变化特征；再通过ResidualBi‑LSTM‑attention模块充分捕捉了时间序列的长期依赖关系，结合包括卷积层、池化层、Bi‑LSTM、全连接层等多层次的复杂神经网络的设计，同时，我们应用了集成平均学习方法，通过随机初始化参数和多个子模型的平均结果，提高了模型的泛化性能。技术研发人员：范玉千,李轶,梁亚琦,王科锋,王建平,高国红,赵培,李梦泽受保护的技术使用者：河南科技学院技术研发日：技术公布日：2024/9/29