申请/专利权人：哈尔滨工业大学

申请日：2021-08-31

公开（公告）日：2024-04-02

公开（公告）号：CN113740736B

主分类号：G01R31/367

分类号：G01R31/367;G01R31/378;G01R31/392

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.12.21#实质审查的生效;2021.12.03#公开

摘要：本发明提出一种基于深度网络自适应的电动汽车锂电池SOH估算方法，先对数据进行预处理，数据预处理后在原有的电压、电流、时间曲线的基础上构建SOC曲线和容量增量IC曲线，并根据这些曲线进行了特征提取；利用皮尔逊相关系数PCC计算提取出的特征与SOH的相关性，验证特征提取是否有效；再构建SOH估算模型；通过在深度网络中添加自适应层结合深度学习和领域自适应，实现迁移学习，建立出基于深度自适应网络的SOH估算模型；本发明能够有效的将电池老化信息从实验数据中迁移到工况数据下，有效的弥补了工况下电池老化信息不足的问题，提高了工况下SOH估算的精度，使其能够满足SOH估算的需求，可以应用于车载电池管理系统中。

主权项：1.一种基于深度网络自适应的电动汽车锂电池SOH估算方法，其特征在于：步骤一：数据预处理及特征提取；数据预处理后在原有的电压、电流、时间曲线的基础上构建SOC曲线和容量增量IC曲线，并根据这些曲线进行了特征提取；利用皮尔逊相关系数PCC计算提取出的特征与SOH的相关性，验证特征提取是否有效；在步骤一中，步骤一一：对原始数据进行预处理，所述预处理包括缺失值补全、异常值处理及噪声处理；步骤一二：针对源域实验数据中已有的准确测量的电压和电流数据，进行源域数据SOC曲线构造；k时刻的SOC的定义如下： 其中Captk是电池目前剩余的能量，Capm是电池目前的最大可用容量，其中SOC0为初始SOC值；对于源域数据，由SOC为0时开始进行全充实验，即SOC0的值为0；Captk和Capm根据安时积分法计算，其中Captk的安时积分法定义如下： 其中tk为k时刻的时间，It为t时刻的电流值；步骤一三：经过数据预处理后，在原有的电压、电流、时间曲线的基础上构建容量增量IC曲线，通过数据维度来辅助进行特征的提取；通过将充电或放电过程中电池电量的变化和端电压的变化进行差分计算得到IC曲线，IC曲线的计算方式如下： 式中，和分别为k和k+1时刻的电池电量，和分别为k和k+1时刻的电池端电压；对应的曲线dQdU-U即为IC曲线；采用了SG滤波器对构造出的IC曲线进行去噪处理；步骤一四：利用皮尔逊相关系数PCC计算提取出的特征与SOH的相关性，验证特征提取是否有效；皮尔逊相关系数用于度量两个变量X和Y之间的线性相关程度，相关程度的值介于-1与1之间；皮尔逊相关系数ρ的公式定义如下： 其中σx、σy代表两变量的标准差，conX,Y代表两变量的协方差，协方差计算公式如下： 皮尔逊相关系数在协方差的基础上除以两个变量的标准差；步骤一五：通过皮尔逊相关系数确定电池衰减情况的特征；皮尔逊相关系数的变化范围为-1到1；当皮尔逊相关系数为正时，两变量呈正相关；为负时，两变量呈负相关，其绝对值越接近于1代表相关性越大，而当取值接近0时，即两个变量没有相关性的程度越大；5个能反应电池衰减情况的特征分别为：1充入的容量Q_vv；2IC曲线峰值IC_max；3IC曲线平均值IC_mean；4片段充电时长V_time；5片段数据充入容量SOC的变化量Q_soc；其中片段数据充入容量SOC的变化量Q_soc定义如下, 其中T1和T2代表电压片段是起始时间和结束时间；步骤二：构建SOH估算模型；通过在深度网络中添加自适应层结合深度学习和领域自适应，实现迁移学习，建立基于深度自适应网络的SOH估算模型；步骤三：SOH估算：当有新的片段数据进来的时候，将新的片段数据进行了数据预处理及特征提取后，送入训练好的模型中进行预测，得到片段数据的预测结果。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学 一种基于深度网络自适应的电动汽车锂电池SOH估算方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD