一种基于视觉认知的锂电池容量估计的方法及装置制造方法及图纸

本发明专利技术公开了一种基于视觉认知的锂电池容量估计的方法及装置，涉及电池容量估计技术领域，其方法包括：基于非下采样轮廓波变换和拉普拉斯特征映射方法，对由电池循环寿命期间所获取的每个循环中的电流及电压数据转化得到的视觉认知图像进行处理后，估算得到电池容量。本发明专利技术首次提出将视觉认知应用于电池容量估计领域，仅采用电池充电电流或放电电压值即可进行电池容量估计，相比现有的方法精度更高，更有效。

A method and device for capacity estimation of lithium battery based on visual cognition

The invention discloses a method and apparatus for capacity estimation of lithium batteries based on visual cognition, which relates to the technical field of battery capacity estimation. The method includes: transferring current and voltage data in each cycle obtained by battery cycle life based on non-downsampling contour wave transformation and Laplace feature mapping method. After processing the acquired visual cognitive image, the battery capacity is estimated. The invention firstly applies visual cognition to the field of battery capacity estimation. The battery capacity estimation can be carried out only by using the value of battery charging current or discharge voltage, which is more accurate and effective than the existing methods.

【技术实现步骤摘要】
一种基于视觉认知的锂电池容量估计的方法及装置
本专利技术涉及电池容量估计
，具体涉及一种基于视觉认知的锂电池容量估计的方法及装置。
技术介绍
电池容量被认为是电池性能的一个重要指标，受环境温度，老化和使用方式等多种内外机制的影响较大，这些因素导致电池性能随着时间逐渐衰退。因此，可用的电池容量需要准确的估计，以保证可靠性和合理的电池使用管理。近年来的研究提出了多种估计电池容量的方法。现有的大多数方法都是基于模型的方法，包括电化学，等效电路和解析模型。这些模型主要基于考虑电池动态特性的复杂物理和化学过程，评估性能高度依赖于模型精度。特别是在无法获取完整的电池电化学参数，退化机理和属性时，此类模型往往很难建立起来。而且，这些模型仅适用于生产过程、电解质、阳极和阴极材料完全相同的具体类型电池。基于荷电状态(SOC)和开路电压(OCV)对电池循环周期容量估计的方法被广泛应用于许多实际应用中。然而，基于SOC-OCV的方法依赖准确的SOC值和OCV值，准确获取SOC值和OCV值通常是非常耗时的。不管是用哪种建模方法来模拟电池状态，实验室确定的不同操作条件下的电池充电和放电特性是电池性能信息的来源。在一些应用中，这些以离散值寻出的原始数据被用来创建关于主电池的充电状态的查询表数据库。然而，使用这种方法进行锂离子电池容量估计，需要在整个寿命期间在各种操作条件下进行试验以获取不同使用条件和不同寿命状态下的电池容量。否则，在数据库粗糙的情况下，基于数据库的方法精度较低。现有技术中基于数据库相似性识别方法，虽然达到了很高的准确性，但要花费大量时间寻找数据库中包含的最相似曲线限制了它的实际应用。
技术实现思路
根据本专利技术实施例提供的方案解决的技术问题是为解决现有技术中对电池容量估算方法繁琐且成本高。根据本专利技术实施例提供的一种基于视觉认知的锂电池容量估计的方法，包括：通过对锂电池每次充电过程中的充电电流或每次放电过程中的放电电压进行采集，得到每次充电过程中的充电电流数据集合或每次放电过程中的放电电压数据集合；通过对所述充电电流数据集合或所述放电电压数据集合进行数据排列处理，形成充电电流二维图像或放电电压二维图像；利用基于视觉多通道特性的NSCT(Non-subsampledcontourlettransform，非下采样轮廓波变换)对所述充电电流二维图像或放电电压二维图像进行多尺度分解，得到高维充电电流特征向量或高维放电电压特征向量；利用基于视觉流形感知特性的LE(Laplacianeigenmaps，拉普拉斯特征映射)对所述高维充电电流特征向量或高维放电电压特征向量进行降维处理，得到蕴含在低维充电电流本征流形中的低维充电电流退化特征或蕴含在低维放电电压本征流形中的低维放电电压退化特征；利用所述低维充电电流退化特征或所述低维放电电压退化特征对所述锂电池容量进行估计。优选地，所述通过对锂电池每次充电过程中的充电电流或每次放电过程中的放电电压进行采集，得到每次充电过程中的充电电流数据集合或每次放电过程中的放电电压数据集合包括：在对锂电池每次充电过程中的充电电流进行采集时，剔除异常充电电流数据和恒定电流充电阶段的充电电流数据；或者在对锂电池每次放电过程中的放电电压进行采集时，剔除放电早期灵敏的放电电压数据和放电末期电压恢复的放电电压数据。优选地，所述通过对所述充电电流数据集合或所述放电电压数据集合进行数据排列处理，形成充电电流二维图像或放电电压二维图像包括：从所述充电电流数据集合中选取出最大充电电流数据和最小充电电流数据，或从所述放电电压数据集合中选取出最大放电电压数据和最小放电电压数据；利用所述最大充电电流数据和所述最小充电电流数据，计算出所述充电电流数据集合中每个充电电流数据的归一化电流值，或利用所述最大放电电压数据和所述最小放电电压数据，计算出所述放电电压数据集合中每个放电电压数据的归一化电压值；通过将每个所述归一化电流值作为像素值进行数据排列处理，形成充电电流二维图像，或通过将每个所述归一化电压值作为像素值进行数据排列处理，形成放电电压二维图像。优选地，所述利用基于视觉多通道特性的NSCT对所述充电电流二维图像或放电电压二维图像进行多尺度分解，得到高维充电电流特征向量或高维放电电压特征向量包括：利用基于视觉多通道特性的NSCT的分级级数为2级，两级尺度上的方向分解级数分别选取为{1,2}对所述充电电流二维图像进行多尺度分解，得到1个低频子带和6个高频子带，并选取所述1个低频子带系数均值和方差值，以及所述6个高频子带系数能量值，得到8维的充电电流特征向量；或者利用基于视觉多通道特性的NSCT的分级级数为2级，两级尺度上的方向分解级数分别选取为{1,2}对所述放电电压二维图像进行多尺度分解，得到1个低频子带和6个高频子带，并选取所述1个低频子带系数均值和方差值，以及所述6个高频子带系数能量值，得到8维的放电电压特征向量。优选地，所述利用所述低维充电电流退化特征或所述低维放电电压退化特征对所述锂电池容量进行估计包括：分别确定所述低维充电电流退化特征所构建的本征流形上初始点和最后一点之间的测地距离geoEOL以及初始点和其他点之间的测地距离geos；或者分别确所述定低维放电电压退化特征所构建的本征流形上初始点和最后一点之间的测地距离geoEOL以及初始点和其他点之间的测地距离geos；利用所述geoEOL和所述geos对所述锂电池容量进行估计。根据本专利技术实施例提供的一种基于视觉认知的锂电池容量估计的装置，包括：采集模块，用于通过对锂电池每次充电过程中的充电电流或每次放电过程中的放电电压进行采集，得到每次充电过程中的充电电流数据集合或每次放电过程中的放电电压数据集合；数据排序处理模块，用于通过对所述充电电流数据集合或所述放电电压数据集合进行数据排列处理，形成充电电流二维图像或放电电压二维图像；多尺度分解模块，用于利用基于视觉多通道特性的非下采样轮廓波变换NSCT对所述充电电流二维图像或放电电压二维图像进行多尺度分解，得到高维充电电流特征向量或高维放电电压特征向量；降维处理模块，用于利用基于视觉流形感知特性的拉普拉斯特征映射LE对所述高维充电电流特征向量或高维放电电压特征向量进行降维处理，得到蕴含在低维充电电流本征流形中的低维充电电流退化特征或蕴含在低维放电电压本征流形中的低维放电电压退化特征；容量估计模块，用于利用所述低维充电电流退化特征或所述低维放电电压退化特征对所述锂电池容量进行估计。优选地，所述采集模块具体用于在对锂电池每次充电过程中的充电电流进行采集时，剔除异常充电电流数据和恒定电流充电阶段的充电电流数据；或者在对锂电池每次放电过程中的放电电压进行采集时，剔除放电早期灵敏的放电电压数据和放电末期电压恢复的放电电压数据。优选地，所述数据排序处理模块包括：选取单元，用于从所述充电电流数据集合中选取出最大充电电流数据和最小充电电流数据，或从所述放电电压数据集合中选取出最大放电电压数据和最小放电电压数据；计算单元，用于利用所述最大充电电流数据和所述最小充电电流数据，计算出所述充电电流数据集合中每个充电电流数据的归一化电流值，或利用所述最大放电电压数据和所述最小放电电压数据，计算出所述放电电压数据集合中每个放电电压数据的归一本文档来自技高网...

【技术保护点】
1.一种基于视觉认知的锂电池容量估计的方法，其特征在于，包括：通过对锂电池每次充电过程中的充电电流或每次放电过程中的放电电压进行采集，得到每次充电过程中的充电电流数据集合或每次放电过程中的放电电压数据集合；通过对所述充电电流数据集合或所述放电电压数据集合进行数据排列处理，形成充电电流二维图像或放电电压二维图像；利用基于视觉多通道特性的非下采样轮廓波变换NSCT对所述充电电流二维图像或放电电压二维图像进行多尺度分解，得到高维充电电流特征向量或高维放电电压特征向量；利用基于视觉流形感知特性的拉普拉斯特征映射LE对所述高维充电电流特征向量或高维放电电压特征向量进行降维处理，得到蕴含在低维充电电流本征流形中的低维充电电流退化特征或蕴含在低维放电电压本征流形中的低维放电电压退化特征；利用所述低维充电电流退化特征或所述低维放电电压退化特征对所述锂电池容量进行估计。

【技术特征摘要】
2017.11.23 CN 20171117763101.一种基于视觉认知的锂电池容量估计的方法，其特征在于，包括：通过对锂电池每次充电过程中的充电电流或每次放电过程中的放电电压进行采集，得到每次充电过程中的充电电流数据集合或每次放电过程中的放电电压数据集合；通过对所述充电电流数据集合或所述放电电压数据集合进行数据排列处理，形成充电电流二维图像或放电电压二维图像；利用基于视觉多通道特性的非下采样轮廓波变换NSCT对所述充电电流二维图像或放电电压二维图像进行多尺度分解，得到高维充电电流特征向量或高维放电电压特征向量；利用基于视觉流形感知特性的拉普拉斯特征映射LE对所述高维充电电流特征向量或高维放电电压特征向量进行降维处理，得到蕴含在低维充电电流本征流形中的低维充电电流退化特征或蕴含在低维放电电压本征流形中的低维放电电压退化特征；利用所述低维充电电流退化特征或所述低维放电电压退化特征对所述锂电池容量进行估计。2.根据权利要求1所述的方法，其特征在于，所述通过对锂电池每次充电过程中的充电电流或每次放电过程中的放电电压进行采集，得到每次充电过程中的充电电流数据集合或每次放电过程中的放电电压数据集合包括：在对锂电池每次充电过程中的充电电流进行采集时，剔除异常充电电流数据和恒定电流充电阶段的充电电流数据；或者在对锂电池每次放电过程中的放电电压进行采集时，剔除放电早期灵敏的放电电压数据和放电末期电压恢复的放电电压数据。3.根据权利要求1或2所述的方法，其特征在于，所述通过对所述充电电流数据集合或所述放电电压数据集合进行数据排列处理，形成充电电流二维图像或放电电压二维图像包括：从所述充电电流数据集合中选取出最大充电电流数据和最小充电电流数据，或从所述放电电压数据集合中选取出最大放电电压数据和最小放电电压数据；利用所述最大充电电流数据和所述最小充电电流数据，计算出所述充电电流数据集合中每个充电电流数据的归一化电流值，或利用所述最大放电电压数据和所述最小放电电压数据，计算出所述放电电压数据集合中每个放电电压数据的归一化电压值；通过将每个所述归一化电流值作为像素值进行数据排列处理，形成充电电流二维图像，或通过将每个所述归一化电压值作为像素值进行数据排列处理，形成放电电压二维图像。4.根据权利要求3所述的方法，其特征在于，所述利用基于视觉多通道特性的NSCT对所述充电电流二维图像或放电电压二维图像进行多尺度分解，得到高维充电电流特征向量或高维放电电压特征向量包括：利用基于视觉多通道特性的NSCT的分级级数为2级，两级尺度上的方向分解级数分别选取为{1,2}，对所述充电电流二维图像进行多尺度分解，得到1个低频子带和6个高频子带，并选取所述1个低频子带系数均值和方差值，以及所述6个高频子带系数能量值，得到8维的充电电流特征向量；或者利用基于视觉多通道特性的NSCT的分级级数为2级，两级尺度上的方向分解级数分别选取为{1,2}，对所述放电电压二维图像进行多尺度分解，得到1个低频子带和6个高频子带，并选取所述1个低频子带系数均值和方差值，以及所述6个高频子带系数能量值，得到8维的放电电压特征向量。5.根据权利要求1所述的方法，其特征在于，所述利用所述低维充电电流退化特征或所述低维放电电压退化特征对所述锂电池容量进行估计包括：分别确定所述低维充电电流退化特征所构建的本征流形上初始点和最后一点之间的测地距离geoEOL以及初始点和其他点之间的测地距离geos；或者分别确所述定低维放电电压退化特征所构建的本征流形...

【专利技术属性】
技术研发人员：程玉杰，吕琛，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11