基于片段充电时间和GRU的锂离子电池健康状态预测方法技术

本发明专利技术涉及一种基于片段充电时间和GRU的锂离子电池健康状态预测方法,包括以下步骤：步骤S1:获取锂离子电池循环老化过程中的充电电压数据及对应的时间数据、最大放电容量数据,并提取充电电压数据及对应的时间数据，构建时间差数组；步骤S2:根据最大放电容量数据计算相应的电池健康状态数据，与时间差数组构成锂离子电池健康状态预测数据集，并划分成训练集和测试集；步骤S3:构建门控循环单元神经网络模型;步骤S4:根据训练集对门控循环单元神经网络模型进行训练，并使用测试集对训练后的门控循环单元神经网络模型进行测试；步骤S5:基于门控循环单元神经网络，根据片段充电时间内的充电电压数据及对应的时间数据实时预测锂离子电池健康状态。预测锂离子电池健康状态。预测锂离子电池健康状态。

【技术实现步骤摘要】
基于片段充电时间和GRU的锂离子电池健康状态预测方法


[0001]本专利技术涉及一种基于片段充电时间和GRU的锂离子电池健康状态预测方法。

技术介绍

[0002]锂离子电池具有能量密度高、循环寿命长、无记忆效应等优点，是新型储能系统的重要技术路线之一。然而，随着电池的老化，电池的健康状态会持续衰减，影响储能系统的有效容量和安全性。因此，在电池运行过程中，要对电池的健康状态进行持续预测。
[0003]目前对于锂离子电池健康状态的预测方法，有直接测量法、模型辨识法和数据驱动法。直接测量法需要通过对电池进行满充满放来计算剩余容量，从而计算健康状态，在电池实际运行中难以使用，且严重依赖于测量精度。模型辨识法需要先建立锂离子电池的电化学模型或等效电路模型，通过实验辨识模型参数，然后采用卡尔曼滤波、粒子滤波等方法获得电池健康状态，其预测精度依赖于模型及参数辨识实验的精度。数据驱动法不需要建立电池电化学或等效电路模型，通过电池充放电过程中的数据特征来预测健康状态，是目前的主流技术路线。现有基于数据驱动的锂离子电池健康状态预测方法，一般需要根据电池从放电截止电压充电至充电截止电压的全过程数据来预测电池健康状态，即需要电池从放空到充满。然而，在实际运行过程中，锂离子电池一般很少放电至截止电压，也经常出现未充满即投入运行的状态，难以满足从放空到充满的理想测试条件。
[0004]因此，为了使锂离子电池健康状态预测方法符合实际运行工况，需要研究基于片段充电时间的数据来预测锂离子电池健康状态的方法。

技术实现思路
/>[0005]有鉴于此，本专利技术的目的在于提供一种基于片段充电时间和GRU的锂离子电池健康状态预测方法，能够快速有效的预测锂离子电池健康状态。
[0006]为实现上述目的，本专利技术采用如下技术方案：
[0007]一种基于片段充电时间和GRU的锂离子电池健康状态预测方法,包括以下步骤：
[0008]步骤S1:获取锂离子电池循环老化过程中的充电电压数据及对应的时间数据、最大放电容量数据,并提取充电电压数据及对应的时间数据，构建时间差数组；
[0009]步骤S2:根据最大放电容量数据计算相应的电池健康状态数据，与时间差数组构成锂离子电池健康状态预测数据集，并划分成训练集和测试集；
[0010]步骤S3:构建门控循环单元神经网络模型；
[0011]步骤S4:根据训练集对门控循环单元神经网络模型进行训练，并使用测试集对训练后的门控循环单元神经网络模型进行测试；
[0012]步骤S5:将测试通过的门控循环单元神经网络模型用于在线预测，根据片段充电时间内的充电电压数据及对应的时间数据实时预测锂离子电池健康状态。
[0013]进一步的，所述步骤S1具体为：
[0014]步骤S11:在锂离子电池放电截止电压与充电截止电压范围内，选取电压值V1作为
片段充电时间对应的起始电压，将充电截止电压V
N+1
作为片段充电时间对应的结束电压，将该电压区间均匀分为N段，产生电压等差数列[V1,V2,
…
,V
N+1
]，电压等差数列中相邻元素之间的电压差ΔV为
[0015]步骤S12：在每次锂离子电池充放电循环过程中，当锂离子电池端电压从初始电压V0上升至片段充电时间起始电压V1时，将该电压对应时间记录为T1；然后，每当电压上升ΔV达到电压等差数列[V1,V2,
…
,V
N+1
]中下一个电压值V
i
时，将该电压对应时间记录为T
i
(i＝2,3,
…
,N+1)；直至端电压达到充电截止电压V
N+1
时停止记录，并将整个过程记录的所有时间形成时间数组T＝[T1,T2,
…
,T
N+1
]；
[0016]步骤S13：根据时间数据集中的数据，计算时间差数据集，具体计算方法为：
[0017][0018]根据计算结果，形成单次充放电循环的时间差数组ΔT＝[ΔT1,ΔT2,
…
,ΔT
N
]。
[0019]进一步的，所述步骤S2具体为：
[0020]步骤S21:根据每次充放电循环的最大放电容量与电池标称容量，计算每次循环的锂离子电池健康状态如下：
[0021][0022]其中C1表示锂离子电池标称容量，C
n
表示当前循环的最大放电容量；
[0023]步骤S22:对于单次充放电循环，将本次循环的锂离子电池健康状态SOH与时间差数组ΔT组合，形成单次充放电循环的锂离子电池健康状态预测数组[SOH,ΔT1,ΔT2,
…
,ΔT
N
]；
[0024]步骤S23：对于所有k次充放电循环，循环执行步骤301，可以构建锂离子电池健康状态预测数据集D：
[0025][0026]步骤S24：将预测数据集D的前60％的数据作为训练集D1，后40％的数据作为测试集D2：
[0027][0028][0029]其中，i＝k
×
60％。
[0030]进一步的，所述步骤S3具体为：构建门控循环单元神经网络模型，设置神经网络模型的输入为时间差数组，设置所述神经网络模型的输出为锂离子电池健康状态数据，并设置神经网络模型参数，其中输入节点个数为N，输出节点个数为1，优化算法为Adam。
[0031]进一步的，，所述步骤S4具体为：
[0032]步骤S41：对训练集D1的时间差数据和健康状态数据分别进行归一化处理，然后使用时间差数据作为门控循环单元神经网络模型的输入，对应的健康状态数据作为门控循环单元神经网络模型的输出，对门控循环单元神经网络模型进行训练，最后得到经过训练的门控循环单元神经网络模型；
[0033]步骤S42：将测试集D2的时间差数据和健康状态数据分别进行归一化处理，然后将时间差数据输入经过训练的门控循环单元神经网络模型，将模型输出的健康状态预测值反归一化处理后，与测试集中的健康状态实际值对比，计算均方根误差(RMSE)和平均绝对误差(MAE)，以此评价门控循环单元神经网络模型的准确性；
[0034]步骤S43：如果步骤502计算得到的RMSE和MAE指标不符合预设要求，则返回步骤S41重新进行训练；如果符合要求则将该门控循环单元神经网络模型用于步骤S5的预测。
[0035]进一步的，所述步骤S5具体为：
[0036]步骤S51：当锂离子电池端电压上升至片段充电时间起始电压V1时，将该电压对应时间记录为T1；然后，每当电压上升ΔV达到电压等差数列[V1,V2,
…
,V
N+1
]中下一个电压值V
i
时，将该电压对应时间记录为T
i
(i＝2,3,
…
,N+1)；直至端电压达到充电截止电压V
N+1
时停止记录本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于片段充电时间和GRU的锂离子电池健康状态预测方法,其特征在于，包括以下步骤：步骤S1:获取锂离子电池循环老化过程中的充电电压数据及对应的时间数据、最大放电容量数据,并提取充电电压数据及对应的时间数据，构建时间差数组；步骤S2:根据最大放电容量数据计算相应的电池健康状态数据，与时间差数组构成锂离子电池健康状态预测数据集，并划分成训练集和测试集；步骤S3:构建门控循环单元神经网络模型；步骤S4:根据训练集对门控循环单元神经网络模型进行训练，并使用测试集对训练后的门控循环单元神经网络模型进行测试；步骤S5:将测试通过的门控循环单元神经网络模型用于在线预测，根据片段充电时间内的充电电压数据及对应的时间数据实时预测锂离子电池健康状态。2.根据权利要求1所述的基于片段充电时间和GRU的锂离子电池健康状态预测方法，其特征在于，所述步骤S1具体为：步骤S11:在锂离子电池放电截止电压与充电截止电压范围内，选取电压值V1作为片段充电时间对应的起始电压，将充电截止电压V
N+1
作为片段充电时间对应的结束电压，将该电压区间均匀分为N段，产生电压等差数列[V1,V2,
…
,V
N+1
]，电压等差数列中相邻元素之间的电压差ΔV为步骤S12：在每次锂离子电池充放电循环过程中，当锂离子电池端电压从初始电压V0上升至片段充电时间起始电压V1时，将该电压对应时间记录为T1；然后，每当电压上升ΔV达到电压等差数列[V1,V2,
…
,V
N+1
]中下一个电压值V
i
时，将该电压对应时间记录为T
i
(i＝2,3,
…
,N+1)；直至端电压达到充电截止电压V
N+1
时停止记录，并将整个过程记录的所有时间形成时间数组T＝[T1,T2,
…
,T
N+1
]；步骤S13：根据时间数据集中的数据，计算时间差数据集，具体计算方法为：根据计算结果，形成单次充放电循环的时间差数组ΔT＝[ΔT1,ΔT2,
…
,ΔT
N
]。3.根据权利要求1所述的基于片段充电时间和GRU的锂离子电池健康状态预测方法，其特征在于，所述步骤S2具体为：步骤S21:根据每次充放电循环的最大放电容量与电池标称容量，计算每次循环的锂离子电池健康状态如下：其中C1表示锂离子电池标称容量，C
n
表示当前循环的最大放电容量；步骤S22:对于单次充放电循环，将本次循环的锂离子电池健康状态SOH与时间差数组ΔT组合，形成单次充放电循环的锂离子电池健康状态预测数组[SOH,ΔT1,ΔT2,
…
,ΔT<...

【专利技术属性】
技术研发人员：范元亮，方略斌，吴涵，连庆文，黄兴华，李泽文，陈伟铭，陈扩松，柯春凯，陈思哲，郑宇，
申请(专利权)人：国网福建省电力有限公司电力科学研究院，
类型：发明
国别省市：