CN115993540A - 一种锂电池健康综合评价方法和设备 - Google Patents
一种锂电池健康综合评价方法和设备 Download PDFInfo
- Publication number
- CN115993540A CN115993540A CN202310284850.8A CN202310284850A CN115993540A CN 115993540 A CN115993540 A CN 115993540A CN 202310284850 A CN202310284850 A CN 202310284850A CN 115993540 A CN115993540 A CN 115993540A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- fault
- score
- health
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 152
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 152
- 230000036541 health Effects 0.000 title claims abstract description 122
- 238000011156 evaluation Methods 0.000 title claims abstract description 51
- 238000000605 extraction Methods 0.000 claims abstract description 39
- 238000013136 deep learning model Methods 0.000 claims abstract description 36
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000007600 charging Methods 0.000 claims description 37
- 238000007599 discharging Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 24
- 239000010410 layer Substances 0.000 claims description 22
- 239000002356 single layer Substances 0.000 claims description 8
- 238000010280 constant potential charging Methods 0.000 claims description 7
- 239000002131 composite material Substances 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Abstract
本发明公开了一种锂电池健康综合评价方法和设备,所述方法包括获取锂电池的参数数据,并通过特征自提取模型对所述参数数据进行特征提取;对提取到的特征及所述参数数据进行多层特征融合的深度学习,得到锂电池多维参数的相关性特征数据,基于所述相关性特征数据对所述锂电池进行健康度评价,获取所述锂电池的健康度评分;获取锂电池在不同故障情况下的故障声数据,并基于所述故障声数据建立故障深度学习模型;基于所述故障深度学习模型获取所述锂电池的故障评分;基于所述健康度评分、故障评分及权重参数获取所述锂电池的健康综合评价分数,通过多层特征融合及故障深度学习模型对锂电池健康度进行多方位的评价,提高锂电池健康度判断的准确性。
Description
技术领域
本申请涉及锂电生产领域,更具体地,涉及一种锂电池健康综合评价方法和设备。
背景技术
锂离子电池以其特有的性能优势已在便携式电器如手提电脑、摄像机、移动通讯中得到普遍应用。开发的大容量锂离子电池已在电动汽车中开始试用,预计将成为21世纪电动汽车的主要动力电源之一,并将在人造卫星、航空航天和储能方面得到应用。随着能源的紧缺和世界的环保方面的压力。锂电被广泛应用于电动车行业,特别是磷酸铁锂材料电池的出现,更推动了锂电池产业的发展和应用。
电池健康状态表示电池相对于新电池的存储电能和能量的能力,是定量描述电池性能状态的指标。随着电池充放电次数的增加,电池健康状态呈不断下降趋势。因此对锂电池的健康情况进行精准的判断,是十分有必要的,但是现有技术中,通过分析锂电池内部反应机理与外部电化学特性,提取相应的模型,进而估算出电池健康状态,但是锂电池的健康度的影响参数较多,不仅包含锂电池的各种运行参数,同时还包括锂电池内部的故障影响,现有技术中单一模型或单一参数对锂电池的健康度判断存在较大误差。
因此,如何提供一种锂电池健康综合评价方法,用以对锂电池的健康度进行综合评价,提高锂电池的健康度判断的准确性,进而提高锂电池的安全性,成为了本领域亟待解决的技术问题。
发明内容
本发明提供一种锂电池健康综合评价方法,用以解决现有技术对锂电池健康度的判断不准确的问题,所述方法:
获取锂电池的参数数据,并通过特征自提取模型对所述参数数据进行特征提取,所述参数数据包括电荷容量、放电电压、充电电压、充电总时间、恒压充电模式持续时间、恒流放电电压持续时间;
对提取到的特征及所述参数数据进行多层特征融合的深度学习,得到锂电池多维参数的相关性特征数据,基于所述相关性特征数据对所述锂电池进行健康度评价,获取所述锂电池的健康度评分;
获取锂电池在不同故障情况下的故障声数据,并基于所述故障声数据建立故障深度学习模型;
基于所述故障深度学习模型获取所述锂电池的故障评分;
基于所述健康度评分、故障评分及权重参数获取所述锂电池的健康综合评价分数。
在本申请一些实施例中,获取锂电池的参数数据,并通过特征自提取模型对所述参数数据进行特征提取,具体为:
获取锂电池的充电电压信号及放电电压信号,并采用层叠稀疏自动编码器进行无监督特征自学习;
对所述层叠稀疏自动编码器进行预训练,并进行网络展开及权重微调训练,得到特征自提取模型;
将充电电压信号及放电电压信号输入所述特征自提取模型,得到充电电压信号特征及放电电压信号特征。
在本申请一些实施例中,对提取到的特征及所述参数数据进行多层特征融合的深度学习,得到锂电池多维参数的相关性特征数据,基于所述相关性特征数据对所述锂电池进行健康度评价,获取所述锂电池的健康度评分,具体为:
将电荷容量、充电电压信号特征、放电电压信号特征、充电总时间、恒压充电模式持续时间、恒流放电电压持续时间作为输入分别训练一个单层自动编码器;
将各单层自动编码器的隐藏层输出进行串联,对各参数数据进行多层特征融合学习,得到所述相关性特征数据;
将所述相关性特征数据输入到逻辑斯蒂回归模型中,得到锂电池的健康度评分。
在本申请一些实施例中,获取锂电池在不同故障情况下的故障声数据,并基于所述故障声数据建立故障深度学习模型,具体为:
获取锂电池在不同故障情况下的故障声数据;
建立基础学习模型,并对所述基础学习模型进行预处理,获得预处理后模型;
基于所述故障声数据对所述预处理后模型进行训练,获得故障深度学习模型。
在本申请一些实施例中,基于所述故障深度学习模型获取所述锂电池的故障评分,具体为:
将锂电池的实际声数据输入到所述故障深度学习模型,并输出所述故障评分。
在本申请一些实施例中,基于所述健康度评分、故障评分及权重参数获取所述锂电池的健康综合评价分数:
确定所述健康度评分的第一权重系数及所述故障评分的第二权重系数;
基于所述第一权重系数、第二权重系数、所述健康度评分及故障评分输出所述锂电池的健康综合评价分数。
在本申请一些实施例中,健康综合评价分数具体通过如下公式实现: A=Bf(x)+Cf(y);
其中,A为所述健康综合评价分数,B为所述第一权重系数,C为所述第二权重系数,f(x)为健康度评分,f(y)为故障评分。
在本申请一些实施例中,所述方法还包括:
当所述健康度评分、故障评分或健康综合评价分数中的任一项低于预设阈值时,向用户发送预警信号。
相应的,本发明还提出了一种锂电池健康综合评价设备,所述设备包括:
提取模块,用于获取锂电池的参数数据,并通过特征自提取模型对所述参数数据进行特征提取,所述参数数据包括电荷容量、放电电压、充电电压、充电总时间、恒压充电模式持续时间、恒流放电电压持续时间;
第一评分模块,用于对提取到的特征及所述参数数据进行多层特征融合的深度学习,得到锂电池多维参数的相关性特征数据,基于所述相关性特征数据对所述锂电池进行健康度评价,获取所述锂电池的健康度评分;
建立模块,用于获取锂电池在不同故障情况下的故障声数据,并基于所述故障声数据建立故障深度学习模型;
第二评分模块,用于基于所述故障深度学习模型获取所述锂电池的故障评分;
第三评分模块,用于基于所述健康度评分、故障评分及权重参数获取所述锂电池的健康综合评价分数。
在本申请一些实施例中,所述提取模块,具体用于:
获取锂电池的充电电压信号及放电电压信号,并采用层叠稀疏自动编码器进行无监督特征自学习;
对所述层叠稀疏自动编码器进行预训练,并进行网络展开及权重微调训练,得到特征自提取模型;
将充电电压信号及放电电压信号输入所述特征自提取模型,得到充电电压信号特征及放电电压信号特征。
通过应用以上技术方案,获取锂电池的参数数据,并通过特征自提取模型对所述参数数据进行特征提取,所述参数数据包括电荷容量、放电电压、充电电压、充电总时间、恒压充电模式持续时间、恒流放电电压持续时间;对提取到的特征及所述参数数据进行多层特征融合的深度学习,得到锂电池多维参数的相关性特征数据,基于所述相关性特征数据对所述锂电池进行健康度评价,获取所述锂电池的健康度评分;获取锂电池在不同故障情况下的故障声数据,并基于所述故障声数据建立故障深度学习模型;基于所述故障深度学习模型获取所述锂电池的故障评分;基于所述健康度评分、故障评分及权重参数获取所述锂电池的健康综合评价分数,通过多层特征融合及故障深度学习模型对锂电池的健康度进行多方位的评价,提高锂电池健康度判断的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明实施例提出的一种锂电池健康综合评价方法的流程示意图;
图2示出了本发明实施例提出的一种锂电池健康综合评价设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
如图1所示,该方法包括以下步骤:
步骤S101,获取锂电池的参数数据,并通过特征自提取模型对所述参数数据进行特征提取,所述参数数据包括电荷容量、放电电压、充电电压、充电总时间、恒压充电模式持续时间、恒流放电电压持续时间。
本实施例中,锂电池的参数数据具体包括电荷容量、放电电压、充电电压、充电总时间、恒压充电模式持续时间、恒流放电电压持续时间,可以理解的是,本领域技术人员可以根据实际需要对参数数据的范围进行调整,以提高对锂电池健康度判断的准确性,因此上述范围并非对参数数据的限制。
本实施例中,由于锂电池输入参数数量多,在用健康度标签进行整体模型参数微调时存在参数修改梯度的失效或传递功能消失,从而影响健康评估的效果,因此本实施例中,通过特征自提取模型对相关参数数据进行特征提取。
为了进行特征提取,在本申请的一些实施例中,获取锂电池的参数数据,并通过特征自提取模型对所述参数数据进行特征提取,具体为:
获取锂电池的充电电压信号及放电电压信号,并采用层叠稀疏自动编码器进行无监督特征自学习;
对所述层叠稀疏自动编码器进行预训练,并进行网络展开及权重微调训练,得到特征自提取模型;
将充电电压信号及放电电压信号输入所述特征自提取模型,得到充电电压信号特征及放电电压信号特征。
本实施例中,主要对充电电压信号及放电电压信号进行特征提取,获取充电电压信号特征及放电电压信号特征。
本实施例中,采用层叠稀疏自动编码器对充电电压信号及放电电压信号进行无监督特征自学习。具体的为对所述层叠稀疏自动编码器进行预训练,并进行网络展开及权重微调训练,得到特征自提取模型,将充电电压信号及放电电压信号输入到特征自提取模型,得到充电电压信号特征及放电电压信号特征
步骤S102,对提取到的特征及所述参数数据进行多层特征融合的深度学习,得到锂电池多维参数的相关性特征数据,基于所述相关性特征数据对所述锂电池进行健康度评价,获取所述锂电池的健康度评分。
本实施例中,通过多种参数数据对锂电池进行健康度评价,得到健康度评分,可以对锂电池的健康状态进行准确评价,因此,本实施例中采用多层特征融合的深度学习,对提取到的特征及所述参数数据进行深度学习,获得锂电池多维参数的相关性特征数据,该相关性特征数据包含了多维参数的特征,将该相关性特征数据输入到训练模型中,得到锂电池的健康度评分。
为了得到锂电池的健康度评分,在本申请的一些实施例中,对提取到的特征及所述参数数据进行多层特征融合的深度学习,得到锂电池多维参数的相关性特征数据,基于所述相关性特征数据对所述锂电池进行健康度评价,获取所述锂电池的健康度评分,具体为:
将电荷容量、充电电压信号特征、放电电压信号特征、充电总时间、恒压充电模式持续时间、恒流放电电压持续时间作为输入分别训练一个单层自动编码器;
将各单层自动编码器的隐藏层输出进行串联,对各参数数据进行多层特征融合学习,得到所述相关性特征数据;
将所述相关性特征数据输入到逻辑斯蒂回归模型中,得到锂电池的健康度评分。
本实施例中,将电荷容量、充电电压信号特征、放电电压信号特征、充电总时间、恒压充电模式持续时间、恒流放电电压持续时间作为输入,并使其分别训练一个单层自动编码器,各单层自动编码器的隐藏层输出进行串联,进行多层特征融合学习,得到所述相关性特征数据,同时,采用逻辑斯蒂回归模型作为训练模型,将相关性特征数据输入到逻辑斯蒂回归模型中,得到锂电池的健康度评分。
步骤S103,获取锂电池在不同故障情况下的故障声数据,并基于所述故障声数据建立故障深度学习模型。
本实施例中,为了进一步提高锂电池健康度的评价准确性,还需要确定锂电池的故障程度或故障信息,锂电池随着使用时间的增加,故障出现的可能性也在提高,部分故障可能不会引起锂电池的使用,但同样会影响安全或健康度,因此本方案中结合锂电池的参数及故障两方面对锂电池的健康度进行评价。
本实施例中,获取锂电池在不同故障情况下的故障声数据,通过将故障声数据作为训练集,对基础模型进行训练,建立故障深度学习模型。
为了获取故障深度学习模型,在本申请的一些实施例中,获取锂电池在不同故障情况下的故障声数据,并基于所述故障声数据建立故障深度学习模型,具体为:
获取锂电池在不同故障情况下的故障声数据;
建立基础学习模型,并对所述基础学习模型进行预处理,获得预处理后模型;
基于所述故障声数据对所述预处理后模型进行训练,获得故障深度学习模型。
本实施例中,获取锂电池在不同故障情况下的故障声数据,将其作为训练集,对基础学习模型进行预处理,并获得预处理后模型,通过对预处理后模型进行训练,获得故障深度学习模型。
S104,基于所述故障深度学习模型获取所述锂电池的故障评分。
为了获取故障评分,在本申请的一些实施例中,基于所述故障深度学习模型获取所述锂电池的故障评分,具体为:
将锂电池的实际声数据输入到所述故障深度学习模型,并输出所述故障评分。
S105,基于所述健康度评分、故障评分及权重参数获取所述锂电池的健康综合评价分数。
本实施例中,通过得到的健康度评分、故障评分以及两者的权重参数,得到锂电池最终的健康综合评价分数。
为了获取健康综合评价分数,在本申请的一些实施例中,基于所述健康度评分、故障评分及权重参数获取所述锂电池的健康综合评价分数:
确定所述健康度评分的第一权重系数及所述故障评分的第二权重系数;
基于所述第一权重系数、第二权重系数、所述健康度评分及故障评分输出所述锂电池的健康综合评价分数。
本实施例中,根据试验验算或者经验总结确定健康度评分及故障分数的权重系数,并通过该权重系数输出健康综合评价分数。
为了准确获得健康综合评价分数,在本申请的一些实施例中,健康综合评价分数具体通过如下公式实现: A=Bf(x)+Cf(y);
其中,A为所述健康综合评价分数,B为所述第一权重系数,C为所述第二权重系数,f(x)为健康度评分,f(y)为故障评分。
为了进一步提高锂电池的安全,在本申请的一些实施例中,所述方法还包括:
当所述健康度评分、故障评分或健康综合评价分数中的任一项低于预设阈值时,向用户发送预警信号。
本实施例中,分别对健康度评分、故障评分或健康综合评价分数建立对应的阈值,当任一项低于其对应的阈值时,说明锂电池有使用安全风险,向用户发送预警信号。
通过应用以上技术方案,获取锂电池的参数数据,并通过特征自提取模型对所述参数数据进行特征提取,所述参数数据包括电荷容量、放电电压、充电电压、充电总时间、恒压充电模式持续时间、恒流放电电压持续时间;对提取到的特征及所述参数数据进行多层特征融合的深度学习,得到锂电池多维参数的相关性特征数据,基于所述相关性特征数据对所述锂电池进行健康度评价,获取所述锂电池的健康度评分;获取锂电池在不同故障情况下的故障声数据,并基于所述故障声数据建立故障深度学习模型;基于所述故障深度学习模型获取所述锂电池的故障评分;基于所述健康度评分、故障评分及权重参数获取所述锂电池的健康综合评价分数,通过多层特征融合及故障深度学习模型对锂电池的健康度进行多方位的评价,提高锂电池健康度判断的准确性。
本申请实施例还提出了一种锂电池健康综合评价设备,如图2所示,所述设备包括:
提取模块10,用于获取锂电池的参数数据,并通过特征自提取模型对所述参数数据进行特征提取,所述参数数据包括电荷容量、放电电压、充电电压、充电总时间、恒压充电模式持续时间、恒流放电电压持续时间;
第一评分模块20,用于对提取到的特征及所述参数数据进行多层特征融合的深度学习,得到锂电池多维参数的相关性特征数据,基于所述相关性特征数据对所述锂电池进行健康度评价,获取所述锂电池的健康度评分;
建立模块30,用于获取锂电池在不同故障情况下的故障声数据,并基于所述故障声数据建立故障深度学习模型;
第二评分模块40,用于基于所述故障深度学习模型获取所述锂电池的故障评分;
第三评分模块50,用于基于所述健康度评分、故障评分及权重参数获取所述锂电池的健康综合评价分数。
在具体的应用场景中,所述提取模块10,具体用于:
获取锂电池的充电电压信号及放电电压信号,并采用层叠稀疏自动编码器进行无监督特征自学习;
对所述层叠稀疏自动编码器进行预训练,并进行网络展开及权重微调训练,得到特征自提取模型;
将充电电压信号及放电电压信号输入所述特征自提取模型,得到充电电压信号特征及放电电压信号特征。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种锂电池健康综合评价方法,其特征在于,所述方法包括:
获取锂电池的参数数据,并通过特征自提取模型对所述参数数据进行特征提取,所述参数数据包括电荷容量、放电电压、充电电压、充电总时间、恒压充电模式持续时间、恒流放电电压持续时间;
对提取到的特征及所述参数数据进行多层特征融合的深度学习,得到锂电池多维参数的相关性特征数据,基于所述相关性特征数据对所述锂电池进行健康度评价,获取所述锂电池的健康度评分;
获取锂电池在不同故障情况下的故障声数据,并基于所述故障声数据建立故障深度学习模型;
基于所述故障深度学习模型获取所述锂电池的故障评分;
基于所述健康度评分、故障评分及权重参数获取所述锂电池的健康综合评价分数。
2.如权利要求1所述的方法,其特征在于,获取锂电池的参数数据,并通过特征自提取模型对所述参数数据进行特征提取,具体为:
获取锂电池的充电电压信号及放电电压信号,并采用层叠稀疏自动编码器进行无监督特征自学习;
对所述层叠稀疏自动编码器进行预训练,并进行网络展开及权重微调训练,得到特征自提取模型;
将充电电压信号及放电电压信号输入所述特征自提取模型,得到充电电压信号特征及放电电压信号特征。
3.如权利要求2所述的方法,其特征在于,对提取到的特征及所述参数数据进行多层特征融合的深度学习,得到锂电池多维参数的相关性特征数据,基于所述相关性特征数据对所述锂电池进行健康度评价,获取所述锂电池的健康度评分,具体为:
将电荷容量、充电电压信号特征、放电电压信号特征、充电总时间、恒压充电模式持续时间、恒流放电电压持续时间作为输入分别训练一个单层自动编码器;
将各单层自动编码器的隐藏层输出进行串联,对各参数数据进行多层特征融合学习,得到所述相关性特征数据;
将所述相关性特征数据输入到逻辑斯蒂回归模型中,得到锂电池的健康度评分。
4.如权利要求1所述的方法,其特征在于,获取锂电池在不同故障情况下的故障声数据,并基于所述故障声数据建立故障深度学习模型,具体为:
获取锂电池在不同故障情况下的故障声数据;
建立基础学习模型,并对所述基础学习模型进行预处理,获得预处理后模型;
基于所述故障声数据对所述预处理后模型进行训练,获得故障深度学习模型。
5.如权利要求1所述的方法,其特征在于,基于所述故障深度学习模型获取所述锂电池的故障评分,具体为:
将锂电池的实际声数据输入到所述故障深度学习模型,并输出所述故障评分。
6.如权利要求1所述的方法,其特征在于,基于所述健康度评分、故障评分及权重参数获取所述锂电池的健康综合评价分数:
确定所述健康度评分的第一权重系数及所述故障评分的第二权重系数;
基于所述第一权重系数、第二权重系数、所述健康度评分及故障评分输出所述锂电池的健康综合评价分数。
7.如权利要求6所述的方法,其特征在于,健康综合评价分数具体通过如下公式实现:A=Bf(x)+Cf(y);
其中,A为所述健康综合评价分数,B为所述第一权重系数,C为所述第二权重系数,f(x)为健康度评分,f(y)为故障评分。
8.如权利要求1所述的方法,其特征在于,所述方法还包括:
当所述健康度评分、故障评分或健康综合评价分数中的任一项低于预设阈值时,向用户发送预警信号。
9.一种锂电池健康综合评价设备,其特征在于,所述设备包括:
提取模块,用于获取锂电池的参数数据,并通过特征自提取模型对所述参数数据进行特征提取,所述参数数据包括电荷容量、放电电压、充电电压、充电总时间、恒压充电模式持续时间、恒流放电电压持续时间;
第一评分模块,用于对提取到的特征及所述参数数据进行多层特征融合的深度学习,得到锂电池多维参数的相关性特征数据,基于所述相关性特征数据对所述锂电池进行健康度评价,获取所述锂电池的健康度评分;
建立模块,用于获取锂电池在不同故障情况下的故障声数据,并基于所述故障声数据建立故障深度学习模型;
第二评分模块,用于基于所述故障深度学习模型获取所述锂电池的故障评分;
第三评分模块,用于基于所述健康度评分、故障评分及权重参数获取所述锂电池的健康综合评价分数。
10.如权利要求9所述的设备,其特征在于,所述提取模块,具体用于:
获取锂电池的充电电压信号及放电电压信号,并采用层叠稀疏自动编码器进行无监督特征自学习;
对所述层叠稀疏自动编码器进行预训练,并进行网络展开及权重微调训练,得到特征自提取模型;
将充电电压信号及放电电压信号输入所述特征自提取模型,得到充电电压信号特征及放电电压信号特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310284850.8A CN115993540A (zh) | 2023-03-22 | 2023-03-22 | 一种锂电池健康综合评价方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310284850.8A CN115993540A (zh) | 2023-03-22 | 2023-03-22 | 一种锂电池健康综合评价方法和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115993540A true CN115993540A (zh) | 2023-04-21 |
Family
ID=85993790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310284850.8A Pending CN115993540A (zh) | 2023-03-22 | 2023-03-22 | 一种锂电池健康综合评价方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115993540A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108398652A (zh) * | 2017-05-26 | 2018-08-14 | 北京航空航天大学 | 一种基于多层特征融合深度学习的锂电池健康状态评估方法 |
US20210088591A1 (en) * | 2019-09-19 | 2021-03-25 | Samsung Electronics Co., Ltd. | Method and system for battery-management in devices |
CN112731159A (zh) * | 2020-12-23 | 2021-04-30 | 江苏省电力试验研究院有限公司 | 一种储能电站电池舱电池故障预判及定位的方法 |
CN112881915A (zh) * | 2021-01-18 | 2021-06-01 | 恒大新能源汽车投资控股集团有限公司 | 锂电池的故障识别方法、识别装置及计算机可读存储介质 |
CN115856634A (zh) * | 2022-11-23 | 2023-03-28 | 中国电信股份有限公司 | 评估电池健康度的方法、装置及电子设备 |
-
2023
- 2023-03-22 CN CN202310284850.8A patent/CN115993540A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108398652A (zh) * | 2017-05-26 | 2018-08-14 | 北京航空航天大学 | 一种基于多层特征融合深度学习的锂电池健康状态评估方法 |
US20210088591A1 (en) * | 2019-09-19 | 2021-03-25 | Samsung Electronics Co., Ltd. | Method and system for battery-management in devices |
CN112731159A (zh) * | 2020-12-23 | 2021-04-30 | 江苏省电力试验研究院有限公司 | 一种储能电站电池舱电池故障预判及定位的方法 |
CN112881915A (zh) * | 2021-01-18 | 2021-06-01 | 恒大新能源汽车投资控股集团有限公司 | 锂电池的故障识别方法、识别装置及计算机可读存储介质 |
CN115856634A (zh) * | 2022-11-23 | 2023-03-28 | 中国电信股份有限公司 | 评估电池健康度的方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Park et al. | LSTM-based battery remaining useful life prediction with multi-channel charging profiles | |
CN110221225B (zh) | 一种航天器锂离子电池循环寿命预测方法 | |
CN107290679B (zh) | 用于电动汽车共享充电桩的智能化电池健康状态检测方法 | |
CN107797067B (zh) | 一种基于深度学习的锂离子电池寿命迁移预测方法 | |
Qin et al. | Remaining useful life prediction for lithium-ion batteries using particle filter and artificial neural network | |
CN112782591B (zh) | 基于多电池数据融合的锂电池soh长期预测方法 | |
CN106908736A (zh) | 基于深度置信网和相关向量机融合的锂电池剩余寿命预测方法 | |
CN108872869B (zh) | 一种基于bp神经网络的锂离子电池劣化分类方法 | |
CN113052464B (zh) | 电池储能系统可靠性评估方法及系统 | |
JP2024059625A (ja) | バッテリー性能予測 | |
CN110658462A (zh) | 一种基于数据融合与arima模型的锂电池在线寿命预测方法 | |
Li et al. | Lithium-ion battery remaining useful life prognostics using data-driven deep learning algorithm | |
WO2023221587A1 (zh) | 电动车辆的动力电池的健康状态确定方法及服务器 | |
CN115616414A (zh) | 储能锂电池剩余寿命长时间序列预测方法及装置 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN113538037A (zh) | 监测电瓶车充电事件的方法及系统、设备、存储介质 | |
CN115993540A (zh) | 一种锂电池健康综合评价方法和设备 | |
CN116736172A (zh) | 一种基于生成式对抗网络的锂电池组健康状态评估方法 | |
CN116679213A (zh) | 基于集成深度学习的电动汽车动力电池soh估算方法 | |
CN113721151B (zh) | 基于双塔深度学习网络的电池容量预估模型及方法 | |
CN115808627A (zh) | 一种锂电池soh预测方法及装置 | |
CN114839539A (zh) | 基于多层次序列信息自适应融合的锂电池soh估计方法 | |
CN114545279A (zh) | 一种基于神经网络常微分方程的锂电池健康状态估计方法 | |
Ye et al. | State of Health Estimation of Lithium-ion Batteries based on Indirect Health Indicators and Gaussian Process Regression Model | |
CN112215253A (zh) | 一种基于降噪自编码的锂电池储能系统监测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230421 |
|
RJ01 | Rejection of invention patent application after publication |