一种锂离子电池健康状态估计方法、系统、设备及介质

本发明属于电池管理，具体属于一种锂离子电池健康状态估计方法、系统、设备及介质。

背景技术：

1、锂离子电池因其循环寿命长、能量密度高、可靠性强等优点，在电子、电动汽车、微电网、储能系统等各个领域发挥着越来越重要的作用。然而，由于运行过程中的安全问题，锂离子电池的发展仍然面临着重大挑战。作为复杂的电化学系统，锂离子电池的电化学性能在连续运行过程中会发生变化和退化。电池性能的持续恶化会严重影响其使用寿命，导致可用容量减少，甚至存在安全隐患。因此，为了提高锂电池的性能，必须要对健康状态(soh)进行准确地估计。目前，电池的soh还没有正式定义，任何能够反映电池使用状况的变量都可以用来定义soh。一般来说，电池的soh通常被定义为电池容量的减少或内阻的增加。本技术将当前最大可用容量与标称容量之比视为电池的soh，soh估计的研究主要可以分为两个类别：基于模型的方法和基于数据驱动的方法。

2、基于模型的方法是将电池模型与卡尔曼滤波器、粒子滤波器等技术相结合，估算模型中某些会随着电池老化而变化的参数来表征电池的soh。描述电池特性的模型包括电化学模型和等效电路模型。等效电路模型精度有限且适应性差，无法描述电池内部反应机理，电化学模型则存在模型过于复杂、参数辨识困难等问题。基于模型的方法依赖于电池模型的准确性，然而锂离子电池的老化机制十分复杂，建立准确的估计模型始终具有挑战性。

3、相比之下，数据驱动的方法不依赖精确的电池模型，其通过特定的学习算法来提取历史数据点中的老化信息，并建立数据与健康状态之间的关系。尽管基于数据驱动的方法在锂离子电池soh估计领域已经表现出强大的能力，但其仍然存在两个问题：(1)特征信息通常是通过电池老化实验获取的，测量过程中的噪声会影响特征提取。如何选择合适的算法从原始曲线中滤除噪声仍然是一个挑战。同时，特征提取是一项复杂的工作，提取特征质量对soh估计精度有很大影响。(2)由于锂离子电池的老化是一个十分复杂的过程，仅提取其充放电过程中的部分特征难以全面反映锂离子电池的健康状态。有必要从不同的角度提取和分析各种特征。在目前的研究中，电池健康相关特征是从一维时间序列数据中获得的，提取的特征可能不能完全反映锂离子电池的老化过程。

4、综上所述，现有的相关技术中存在对电池健康状态估计时，特征提取过程复杂、特征提取不足的技术问题，难以实现准确的电池健康状态估计。

技术实现思路

1、为了解决现有技术中存在的问题，本发明提供一种锂离子电池健康状态估计方法、系统、设备及介质，用以解决现有相关技术中存在对电池健康状态估计时，特征提取过程复杂、特征提取不足的技术问题，难以实现准确的电池健康状态估计。

2、为实现上述目的，本发明提供如下技术方案：

3、一种锂离子电池健康状态估计方法，包括以下步骤：

4、采集锂离子电池在充放电循环恒流充电阶段的电压、电流、容量和对应的采样时间数据；

5、基于所述的电压、电流、容量和对应的采样时间数据得到容量增量曲线；

6、基于分段聚合近似算法对所述容量增量曲线进行处理，生成短序列容量增量数据曲线；

7、基于gaf算法将所述的短序列容量增量数据曲线进行转化，生成图片数据；

8、采用2dcnn网络从所述图片数据中提取第一维度特征，利用1dcnn网络从容量增量曲线中提取第二维度特征，基于特征融合网络将所述第一维度特征和第二维度特征进行融合，生成融合综合特征；

9、基于lstm模型将所述融合综合特征进行训练，输出健康状态估计结果。

10、进一步的，所述获取锂离子电池每个充放电循环恒流充电阶段的电池健康状态、电压、电流、容量、采样时间数据过程为：

11、第i次循环的恒流充电电压数据为序列ui,0,ui,1,...,ui,j，其中ui,0和ui,j分别为恒流充电阶段的初始电压和终止电压；

12、第i次循环的恒流充电电流数据为序列ii,0,ii,1,...,ii,j，其中ii,0和ii,j分别为恒流充电阶段的初始电流和终止电流；

13、第i次循环的恒流充电采样时间数据为序列ti,0,ti,1,...,ti,j，其中ti,0和ti,j分别为恒流充电阶段的初始采样时间和终止采样时间；

14、恒流充电阶段的充电容量数据为序列q1,q2,...,qn，qi＝∫iidti，其中qi为第i个循环电池的恒流充电容量，ii和ti分别为第i次循环的电流和采样时间。

15、进一步的，所述容量增量曲线为：

16、

17、式中，△q和△u分别表示从m时刻到m+1时刻电池的容量变化量与电压变化量，um+1表示m+1时刻电池的电压，um表示m时刻的电压，qm表示m时刻的电池容量，qm+1表示m+1时刻电池的容量，i表示电池的电流，tm+1表示m+1时刻的采样时间，tm表示m时刻的采样时间。

18、进一步的，所述基于分段聚合近似算法对所述容量增量曲线进行处理，生成短序列容量增量数据曲线的过程为：

19、给定长度为m的ic序列z1,z2,...,zm，把它变成长度为w的数据序列其中w<m；

20、则生成压缩比为的时间序列数据降维过程，并且满足

21、式中，表示第i个经过降维的ic数据，zj表示第j个原始ic数据，为压缩比。

22、进一步的，所述基于gaf算法将所述的短序列容量增量数据曲线进行转化，生成图片数据的过程为：

23、

24、其中，其中xi和分别表示第i个时间点的原始ic序列和归一化的ic序列，max(x)和min(x)分别表示ic序列的最大值和最小值；φi表示第i个时间点的极角，ri表示极经，ti表示时间戳，n为总采样点数；gasf表示一个保持时间依赖性的类格拉姆矩阵。

25、进一步的，所述生成融合综合特征的过程为：

26、

27、a2d＝g(y2d),a2d∈rm

28、

29、a1d＝g(y1d),a1d∈rn

30、xf＝concat(a2d,a1d),xf∈rm+n

31、式中，w2d和w1d分别表示2dcnn和1dcnn的权重矩阵，a2d和a1d分别表示经过2dcnn和1dcnn的特征向量；g(y1d)，g(y2d)表示激活函数，concat(a2d,a1d)表示特征融合函数，xf表示融合后的特征向量。

32、进一步的，所述lstm模型为：

33、ft＝δ(wf.[ht-1,xt]+nf)

34、it＝δ(wi.[ht-1,xt]+bi)

35、

36、

37、ot＝δ(wo[ht-1,xt])+bo

38、ht＝ot⊙tanh(ct)

39、式中，ft表示遗忘门，δ表示sigmoid函数，wf和bf分别表示遗忘门的权重矩阵和偏置，[ht-1,xt]表示输入向量，ht-1表示上一时刻的外状态，xt是当前时刻的输入；it表示输入们，wi和bi分别表示输入门的权重矩阵和偏置；表示候选状态，wt和bt分别表示其权重矩阵和偏置，tanh(ct)是双曲正切函数；ct表示更新单元内部状态，ct-1是上一时刻的单元内部状态；ot表示输出门，wo和bo分别表示输出门的权重矩阵和偏置；

40、所述基于lstm模型将所述融合综合特征进行训练的过程中，采用平均绝对误差、平均绝对百分比误差、均方根误差和决定系数作为评价指标进行训练。

41、一种锂离子电池健康状态估计系统，包括：

42、采集单元，被配置为：

43、用于采集锂离子电池在充放电循环恒流充电阶段的电压、电流、容量和对应的采样时间数据；

44、曲线生成单元，被配置为：

45、用于基于所述的电压、电流、容量和对应的采样时间数据得到容量增量曲线；

46、曲线处理单元，被配置为：

47、用于基于分段聚合近似算法对所述容量增量曲线进行处理，生成短序列容量增量数据曲线；

48、图片生成单元，被配置为：

49、用于基于gaf算法将所述的短序列容量增量数据曲线进行转化，生成图片数据；

50、融合单元，被配置为：

51、用于采用2dcnn网络从所述图片数据中提取第一维度特征，利用1dcnn网络从容量增量曲线中提取第二维度特征，基于特征融合网络将所述第一维度特征和第二维度特征进行融合，生成融合综合特征；

52、输出单元，被配置为：

53、用于基于lstm模型将所述融合综合特征进行训练，输出健康状态估计结果。

54、一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的锂离子电池健康状态估计方法的步骤。

55、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的锂离子电池健康状态估计方法的步骤。

56、与现有技术相比，本发明具有以下有益的技术效果：

57、本发明提供一种锂离子电池健康状态估计方法、系统、设备及介质，包括以下步骤：采集锂离子电池在充放电循环恒流充电阶段的电压、电流、容量和对应的采样时间数据；基于所述的电压、电流、容量和对应的采样时间数据得到容量增量曲线；基于分段聚合近似算法对所述容量增量曲线进行处理，生成短序列容量增量数据曲线；基于gaf算法将所述的短序列容量增量数据曲线进行转化，生成图片数据；采用2dcnn网络从所述图片数据中提取第一维度特征，利用1dcnn网络从容量增量曲线中提取第二维度特征，基于特征融合网络将所述第一维度特征和第二维度特征进行融合，生成融合综合特征；基于lstm模型将所述融合综合特征进行训练，输出健康状态估计结果；本技术将短序列容量增量数据曲线进行转化生成图片数据，而现有相关技术仅从一维时间序列中提取与电池老化相关的特征；其次，本技术采用采用了结合2dcnn、1dcnn和lstm的混合模型，利用lstm模型来挖掘和学习融合特征，实现准确的健康状态估计。