申请/专利权人：广东工业大学

申请日：2023-09-12

公开（公告）日：2024-04-12

公开（公告）号：CN117214751B

主分类号：G01R31/392

分类号：G01R31/392;G01R31/367

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2023.12.29#实质审查的生效;2023.12.12#公开

摘要：本发明公开一种基于多样本信息融合的锂电池SOH估计方法，所述方法包括：构建锂电池充放电实验数据集D；进行弛豫电压数据多样本信息融合处理；进行弛豫温度数据多样本信息融合处理；进行SOH多样本信息融合处理；基于融合处理后的新样本构建数据集A；数据集划分及归一化处理；搭建基于SKNet的深度学习模型；训练并获得锂电池SOH估计模型。本发明直接对原始数据进行多样本信息融合处理产生新的样本，减少了特征提取导致的信息损失，并增加了单个样本的有效信息，从而提高锂电池SOH估计精度。本发明解决了单一样本包含的数据信息难以准确反映锂电池的SOH状态的问题。

主权项：1.一种基于多样本信息融合的锂电池SOH估计方法，其特征在于，具体步骤如下：S1：构建锂电池充放电实验数据集D，包括M个锂电池每次充满电后静置期间弛豫电压数据序列V、弛豫温度数据序列T及对应循环的电池SOH值；S2：弛豫电压多样本信息融合处理，针对步骤S1所述的数据集D中的第m个锂电池的所有循环，采用滑窗方法将相邻循环的弛豫电压数据纵向合并，将第h个循环开始的连续p个相邻循环的弛豫电压数据纵向合并得到删除中最后一列数据得到对中的每行数据求差分得到S3：弛豫温度多样本信息融合处理，针对步骤S1所述的数据集D中的第m个锂电池的所有循环，采用滑窗方法将相邻循环的弛豫温度数据纵向合并，将第h个循环开始的连续p个相邻循环的弛豫温度数据纵向合并得到删除中最后一列数据得到对中的每行数据求差分得到S4：SOH多样本信息融合处理，将步骤S1所述的数据集D中第m个锂电池第h个循环开始的连续p个相邻循环的的SOH求平均值，获得第h个融合后的新样本元素S5：基于融合处理后的新样本构建数据集A，对步骤S2、步骤S3和步骤S4所述的和元素进行组合，获得第m个锂电池的第h个新样本基于所有新样本构建数据集A＝{A1,A2,…,AM}；S6：数据集划分及归一化处理，将步骤S5所述的数据集A划分为训练集和测试集，接着对训练集和测试集数据使用离差标准化的方式进行归一化处理，然后得到训练集Atrain和测试集Atest；S7：搭建基于SKNet的深度学习模型，搭建的模型由4个1维SKNet层、1个Concatenate层、1个1维CNN层和2层FCNN组成，其中SKNet从输入端提取健康特征，Concatenate层对4个1维SKNet层输出结果进行融合，1维CNN层对融合结果做深度特征提取，2层FCNN建立特征与SOH之间的非线性关系，具体步骤如下：S701：搭建基于SKNet的特征提取模型，设置内核大小为3的1维卷积和内核大小为5且空洞率为2的1维空洞卷积，所述卷积采用保留边界处卷积结果的补0策略；采用全局平均池化对两个卷积输出结果的累加进行降维；接着采用1维卷积进行升维；然后采用softmax层处理分别得到两个卷积结果的选择系数；最后分别将两个相应卷积结果与对应系数相乘，并求和获得锂电池的健康特征；S702：特征拼接，采用Concatenate层对步骤S701所述4个1维SKNet的输出进行拼接，得到拼接好的特征信息；S703：深度特征提取，使用1维CNN对步骤S702所述的拼接好的特征信息提取深度特征，其中采用Relu激活函数提高CNN非线性表示能力，采用最大池化层降低数据维数，采用BatchNormalization层提高网络的鲁棒性；S704：特征与SOH关系建立，将步骤S703所述深度特征输入到2层FCNN中，在特征与SOH之间建立非线性关系，最终输出SOH估计值；S8：训练并获得锂电池SOH估计模型，使用步骤S6所述的训练集Atrain和测试集Atest对步骤S7所述的深度学习模型进行训练与测试，若测试结果满足精度要求则保存模型，否则修改模型参数重新训练与测试直至达到精度要求，最后获得锂电池SOH估计模型。

全文数据：

权利要求：

百度查询： 广东工业大学 一种基于多样本信息融合的锂电池SOH估计方法

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