欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202111000092X
申请人: 昆明理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 测量;测试
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于温度预测的锂电池SOH估计方法,其特征在于,包括以下步骤:(1)获取锂电池的原始数据集:对锂电池进行循环充放电测试,直到锂电池的放电容量低于标称容量的80%,并实时记录锂电池充放电过程中的充放电数据,从充放电数据中提取锂电池的充电数据构成原始数据集;

(2)建立基于ELM的温度预测模型:根据步骤(1)得到的原始数据集建立基于ELM的温度预测模型,并通过基于ELM的温度预测模型得到预测完整的温度预测曲线;

(3)获取平滑后的温差曲线:根据步骤(2)得到的温度预测曲线预测温度,根据预测的温度使用有限差分法计算初始温差曲线,并用卡尔曼滤波算法对初始温差曲线进行滤波处理得到平滑后的温差曲线;

(4)健康特征提取和选择:根据步骤(3)得到的平滑后的温差曲线,提取健康特征,并利用Pearson相关系数法选择出相关性高的健康特征;

(5)建立基于GRU神经网络的SOH估计模型;

(6)划分估计模型训练集和估计模型测试集:将步骤(4)选择出的相关性高的健康特征按照留一验证法划分为估计模型训练集和估计模型测试集;

(7)训练基于GRU神经网络的SOH估计模型:使用估计模型训练集对所述的SOH估计模型进行训练,确定基于GRU神经网络的SOH估计模型;

(8)SOH估计:将估计模型测试集输入到步骤(7)确定的SOH估计模型对SOH进行估计。

2.根据权利要求1所述的一种基于温度预测的锂电池SOH估计方法,其特征在于,所述的步骤(1)中的充放电数据包括时间、电流、电压和温度数据。

3.根据权利要求1所述的一种基于温度预测的锂电池SOH估计方法,其特征在于,所述的步骤(2)中根据原始数据集建立基于ELM的温度预测模型,并通过基于ELM的温度预测模型得到预测完整的温度预测曲线具体包括以下步骤:(21)选择步骤(1)中的充电电流计算SOC,公式如下:SOCi=SOC0+ηIiΔt/3600Ca,其中,SOCi表示i时刻的SOC值;SOC0表示初始SOC值,η表示库伦效率设置为1;Δt表示时间差;Ca为锂电池的标称容量;Ii表示充电电流;

(22)确定基于ELM的温度预测模型的结构,包括1层有3个节点的输入层、1层有21个神经元的隐藏层和1层有1个节点的输出层,并初始化基于ELM的温度预测模型的阈值和权重;

(23)选择步骤(1)中的充电电流、充电电压以及步骤(21)得到的SOC作为所述的基于ELM的温度预测模型的输入数据,表示为αi=[Vi Ii SOCi],对应的标签值为充电温度,表示为γi=[Ti];

(24)将步骤(23)中ELM的输入数据和对应的标签值以一次完整的充电为基准,划分为n组数据,n的值表示有n组完整的充电过程,每组数据按照70%和30%的比例分别随机分为温度预测训练集和温度预测测试集;

(25)选择步骤(24)得到的n组数据中的任意一组数据的温度预测训练集输入到初始化后的基于ELM的温度预测模型,经过前向传播计算温度预测值Ti′,公式如下:Ti′=σ(Vi,Ii,SOCi),其中,σ表示ELM输入数据与输出数据之间的函数关系;

(26)计算步骤(25)的温度预测值Ti′与标签值γi之间的距离,公式如下:其中,N表示温度预测训练集的数据长度,i表示数据序号;

(27)利用梯度下降和后向传播算法训练所述的基于ELM的温度预测模型的权重和阈值;

(28)重复步骤(25)—(27)直至ELM收敛,即确定基于ELM的温度预测模型;

(29)将使得ELM收敛的温度预测训练集所在的同组数据中的温度预测测试集输入到步骤(28)得到的确定的基于ELM的温度预测模型验证模型的准确性;

(210)将使得ELM收敛的温度预测训练集所在的同组数据中的充电电流、充电电压和SOC输入到经过步骤(29)验证过的基于ELM的温度预测模型中,得到预测完整的温度预测曲线。

4.根据权利要求1所述的一种基于温度预测的锂电池SOH估计方法,其特征在于,所述的步骤(4)中根据平滑后的温差曲线提取的健康特征包括温差曲线波峰波谷的高度、电压和时间。

5.根据权利要求1所述的一种基于温度预测的锂电池SOH估计方法,其特征在于,所述的步骤(4)中根据平滑后的温差曲线需在3.2V到4.0V的电压范围内进行健康特征的提取。

6.根据权利要求1所述的一种基于温度预测的锂电池SOH估计方法,其特征在于,所述的步骤(5)中的建立的基于GRU神经网络的SOH估计模型的超参数包括隐藏层数、隐藏层节点数、批处理个数、丢失率、训练代数epoch,且所述的隐藏层数、隐藏层节点数、批处理个数、丢失率、训练代数epoch的确定值分别为2,60,32,0.4,100。

7.根据权利要求1所述的一种基于温度预测的锂电池SOH估计方法,其特征在于,所述的步骤(7)中使用估计模型训练集对所述的SOH估计模型进行训练,并使用Adam优化算法对所述的SOH估计模型的训练过程进行优化直至SOH估计模型收敛,确定基于GRU神经网络的SOH估计模型。