申请/专利权人：广东工业大学

申请日：2023-09-06

公开（公告）日：2024-04-19

公开（公告）号：CN116973794B

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：2024.04.19#授权;2023.11.17#实质审查的生效;2023.10.31#公开

摘要：本发明公开一种基于不完整充电电压曲线重构的锂电池SOH估计方法，所述方法包括：通过实验获取锂电池实验数据集；数据预处理；训练并获得不完整充电电压曲线重构模型，包括搭建双向NBEATSx模型和对此模型训练及测试；训练并获得锂电池SOH估计模型，包括搭建集成稀疏高斯过程回归模型和对此模型训练及测试；在线估计锂电池SOH。与现有技术相比，本发明可利用随机不完整充电过程的电压数据、温度数据及恒流充电电流值重构出完整充电电压曲线，并从中提取健康特征完成锂电池SOH估计；此外，电压曲线重构可以减小电压传感器噪声对SOH估计精度的影响。

主权项：1.一种基于不完整充电电压曲线重构的锂电池SOH估计方法，其特征在于，具体步骤如下：S1：通过实验获取锂电池实验数据集，即将K个同型号锂电池按照恒流-恒压模式充电、随机电流放电方式进行循环充放电实验，直至锂电池SOH衰减至70％，在循环充放电过程中采集并记录锂电池充电过程的完整电压数据序列V、完整温度数据序列T、恒流充电电流值I和不同循环下锂电池SOH值，形成数据集A；S2：数据预处理，即对步骤S1所述的数据集A中数据进行清洗，去除异常值，得到新数据集Anew；S3：训练并获得不完整充电电压曲线重构模型，即首先搭建双向NBEATSx模型，包括一个按时间正向重构电压曲线的正向NBEATSx模型和一个按时间反向重构电压曲线的反向NBEATSx模型，接着利用步骤S2所得数据集Anew中的充电过程数据训练并测试双向NBEATSx模型，若测试结果满足要求，则保存模型，否则更改模型的超参数，重新训练和测试，直至满足要求；S4：训练并获得锂电池SOH估计模型，即对步骤S3所得重构后的完整电压曲线数据进行ICAf特征提取，然后输入到具有不同内核的集成稀疏高斯过程回归模型，对模型进行训练，最后保存训练好的集成稀疏高斯过程回归模型；S5：在线估计锂电池SOH，即从实际的不完整充电过程中采集电压、温度、电流数据，采用步骤S2所述的方法对数据进行预处理，得到相邻N个循环的充电过程的片段电压数据序列{Vpart-1，Vpart-2，…，Vpart-N}、片段温度数据序列{Tpart-1，Tpart-2，…，Tpart-N}和恒流充电电流{I1,I2,…,IN}，接着采用步骤S3所述的双向NBEATSx模型对不完整充电过程的电压曲线进行重构，从而获得N条完整充电电压曲线，然后对所述N条完整充电电压曲线按时间点求平均值，并从中提取健康特征，最后使用步骤S4所述的集成稀疏高斯过程回归模型对锂电池SOH进行估计。

全文数据：

权利要求：

百度查询： 广东工业大学 一种基于不完整充电电压曲线重构的锂电池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