申请/专利权人：北京工业大学;国网重庆市电力公司

申请日：2024-01-29

公开（公告）日：2024-04-26

公开（公告）号：CN117930063A

主分类号：G01R31/392

分类号：G01R31/392;G01R31/367

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本发明涉及一种基于电化学阻抗谱与DRT预测退役电池健康状态的方法，属于电池预测领域。该方法包括以下步骤：EIS实验与数据提取、DRT技术对EIS数据的分析、GA‑LSTM神经网络的建立与SOH预测。本发明的锂离子电池弛豫时间对交流阻抗处理方法，EIS包含电池的诸多信息，测试结果准确性高。在LSTM神经网络中加入遗传算法优化，可以保证LSTM中的参数更优，从而有效提升对SOH预测的效果。本发明在建立完整的电池测试数据的基础上，构建输入集与输出集，进而实现LSTM神经网络对SOH进行预测，准确率高，实用性强。

主权项：1.基于电化学阻抗谱与DRT预测退役电池健康状态的方法，其特征在于：该方法包括以下步骤：S1：电化学阻抗谱EIS实验与数据提取；采用磷酸铁锂电池进行充放电循环测试，每循环一定次数，记为一个循环周期，并进行容量标定与EIS测试；对不同电池进行EIS实验，提取每组电池的阻抗数据当中的频率、虚部与实部，同时，利用标定的电池容量计算对应的SOH数值得到不同电池的SOH记为SSOH，得到不同电池健康状况SOH随循环次数变化的曲线图；SOH的计算公式如下：SSOH＝Q0QN×100％式中，Q0为电池标定容量，QN为电池的额定容量；S2：弛豫时间分布DRT技术对EIS数据进行分析使用MATLAB中的DRTtools对EIS数据进行分析，得到对应的DRT的图像；提取DRT图像当中的每个峰的横坐标即对应的弛豫时间，其中同一个图像当中的四个弛豫时间为一组记为T＝[τ1,τ2,τ3,τ4]，并将同一电池在不同循环周期后的T汇总为X＝[T1,T2,…,Tm]T，然后将不同电池的X数据整合成Y＝[X1,X2,…,Xn]T作为输入集，并将不同电池的健康状态记为S＝[SSOH1,SSOH2,…,SSOHm]T，将ZSOH＝[S1,S2,…,Sn]T作为输出集，其中m为同一电池的不同循环周期，n代表不同电池编号；S3：GA-LSTM神经网络实现SOH预测建立基于长短期记忆神经网络的电池健康状态预测模型，并利用GA算法的全局随机搜索，得到LSTM层数、LSTM网络中神经元个数的超参数的最优组合，实现对LSTM神经网络中的参数进行优化，将测试的电池分为训练集和测试集，对应的数据则分为训练集输入集、训练集输出集、测试集输入集和测试集输出集；导入训练集中的输入集与输出集，并对模型进行训练；最终完成模型的建立，然后利用建立的模型实现对电池健康状态的预测；S4：GA-LSTM神经网络实现SOH预测将待测的电池得到输入集，或将测试集中的输入集导入S3建立的基于长短期记忆神经网络的电池健康状态预测模型当中，输出对应的输出集，即对应的SOH，完成对锂电池SOH的预测。

全文数据：

权利要求：

百度查询： 北京工业大学;国网重庆市电力公司 基于电化学阻抗谱与DRT预测退役电池健康状态的方法

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