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: 2024117944678
申请人: 河南科技学院
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:

1.一种储能场景下钠离子电池健康状态估计方法,其特征在于:包括以下步骤:步骤1:建立在标准充电倍率和较低充电倍率两种工况的钠离子电池完整衰减数据集;

其中,标准充电倍率为:电池首先以1C恒流充电至设定电压,随后转为0.5C恒流恒压充电模式,直至电压达到3.8V;然后,电池以1C恒流放电至1.5V截止电压;

较低充电倍率为:电池以0.5C进行恒流恒压充电,最大充电电压同样设定为3.8V,随后以1C恒流模式放电至1.5V;

步骤2:根据钠离子电池完整衰减数据集提取30种电池退化特征,30种电池退化特征如表1所示:表1

;

其中,为时间;为时间占比;为恒流充电;为恒流恒压充电;为恒流放电;为温度数据;为电流;为电压;为电压曲线斜率;为电流曲线斜率;为充电电流;为容量;

步骤3:使用Spearman、Kendall和Pearson三种相关性分析方法分别衡量电池退化特征与SOH之间的线性相关性、非线性单调性和秩次序一致性,并对电池退化特征与SOH进行初步筛选,获得初步筛选后的电池退化特征;

其中,Pearson的输出为:

;

其中,和分别为两个电池退化特征;为和的皮尔逊相关系数,且取值范围均为 [-1,1],当=1时,和为完全正相关;当=-1时,和为完全负相关;当=0时,和为无线性相关;为第个观测值在变量中的取值,为第个观测值在变量中的取值,为的均值,为的均值,为样本数量;

Spearman 的输出为:

;

其中,为斯皮尔曼等级相关系数,当=1时,表示两个变量之间有完全单调递增关系;当=-1时,表示两个变量之间有完全单调递减关系;当=0时,表示两个变量之间没有单调关系;为数据的样本量;为第个数据点在第一个变量中的原始值,为第个数据点在第二个变量中的原始值,为第个数据点在变量中的排名值,为第个数据点在变量中的排名值,为两个变量中第个数据点的排名差,即:;

Kendall 的输出为:

;;

其中,是一致对的数量,是不一致对的数量,是并列对的数量;: Kendall’s Tau系数,反映了变量之间的关联程度,范围为-1≤≤1;=1时为正相关;=-1时为负相关;=0时为没有关联性;

步骤4:将初步筛选后的电池退化特征,使用积分梯度算法进行二次特征筛选,同时使用KAN网络作为代理模型进行可解释性分析;从而获得对电池寿命预测贡献较强的特征组合;具体包括以下步骤:步骤4.1:积分梯度算法通过比较基线输入与实际输入之间的差异,计算模型输出对输入特征的累积变化率;

步骤4.2:代理模型KAN网络的初始化结构为[15,[5,3],1],训练后收缩为[8,[2,2],1];最终的表达式为:;

其中,为特征选择阶段中部分样本的SOH值,表示放电过程中的电压变化速率,为恒流充电中的平均电压水平;代表恒流充电时间, 是IC曲线峰值;和分别为电池的能量转化效率和老化程度;和是电压和电流积分量化了放电过程中的总能量输出;

步骤4.3:结合代理模型KAN网络与积分梯度算法根据剩余特征对模型预测的贡献,保留了6个特征,即;

步骤5:将特征组合中的电池退化特征送入Temporal Residual KAN-LSTM 网络模型进行训练,该Temporal Residual KAN-LSTM 网络模型的输出则为估计的钠离子电池健康状态。

2.根据权利要求1所述的储能场景下钠离子电池健康状态估计方法,其特征在于:Temporal Residual KAN-LSTM 网络模型包括第一层LSTMCell、第二层LSTMCell和第三层KAN网络,第一层LSTMCell、第二层LSTMCell均为LSTM的最小单元,数据依次经过第一层LSTMCell、第二层LSTMCell后送入第三层KAN网络,对第三层KAN网络的输出结果进行动态残差连接,得到最终SOH结果。

3.根据权利要求2所述的储能场景下钠离子电池健康状态估计方法,其特征在于:记电池特征数据为一个时间序列Xt,其中,每个时间步t都包含电池的状态特征,Xt的数据维度是,是特征维数,时间序列长度为,每个时间步对应的Temporal ResidualKAN-LSTM 网络模型的最终输出为,即最终SOH结果,定义批次大小为,最终输出的特征维度为,则Temporal Residual KAN-LSTM 网络模型在时间维度上的最终输出表示为:;

;

其中,和是用于平衡不同路径的贡献的可学习的权重参数,和分别是第t个时间步对应的第一层LSTMCell隐藏状态和第二层LSTMCell隐藏状态;和是投影矩阵,和是对应的偏置向量,是LSTMCell的隐藏状态,为KAN层的输出,和为一元非线性函数。

4.根据权利要求1所述的储能场景下钠离子电池健康状态估计方法,其特征在于:累积变化率用来衡量每个输入特征对模型预测的贡献,即:;

其中,为基线输入,为深度学习模型的函数,是将积分路径划分为的步数。