本發(fā)明屬于鋰離子電池soh估計領(lǐng)域，具體涉及一種基于充電片段的鋰離子電池半監(jiān)督soh估計方法。

背景技術(shù)：

1、鋰離子電池因具有壽命長、自放電率低、能量密度大等特點，近年來被廣泛應(yīng)用于電動汽車、微電子設(shè)備以及儲能電站等領(lǐng)域。然而，在充放電深度、電流倍率、外界環(huán)境等因素影響下，鋰離子電池會不可避免地產(chǎn)生一些副反應(yīng)，這些副反應(yīng)會逐漸侵蝕電池的健康狀態(tài)(state?of?health，soh)，導(dǎo)致其性能下滑。當(dāng)鋰離子電池的soh退化到安全閾值以下時，發(fā)生起火、爆炸等安全事故的概率會顯著增加。因此，準(zhǔn)確估計鋰離子電池的soh對確保鋰離子電池安全運行尤為關(guān)鍵。

2、目前針對鋰離子電池的soh估計已進行了大量的研究，但其研究對象大都僅限于經(jīng)歷完整充放電循環(huán)的鋰離子電池。在鋰離子電池多樣化的應(yīng)用場景里，常常遭遇非連續(xù)、碎片化的充放電循環(huán)以及鋰離子電池soh標(biāo)簽缺失的挑戰(zhàn)。碎片化充放電現(xiàn)象的存在，使得從完整的充放電曲線上直接提取健康評估指標(biāo)變得不可行，從而提升了特征工程的復(fù)雜性。同時，大量soh標(biāo)簽的缺失促使soh估算從監(jiān)督學(xué)習(xí)問題轉(zhuǎn)變成了一個soh標(biāo)簽部分存在的半監(jiān)督問題，增加了數(shù)據(jù)驅(qū)動模型訓(xùn)練的難度。

3、因此，亟需針對鋰離子電池碎片化充放電、soh標(biāo)簽缺失的場景，提出一種靈活的soh估計方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于充電片段的鋰離子電池半監(jiān)督soh估計方法，以克服現(xiàn)有方法存在的缺陷，實現(xiàn)碎片化充放電、soh標(biāo)簽缺失情況下的鋰離子電池soh估計。

2、本發(fā)明的目的可以通過以下技術(shù)方案來實現(xiàn)：一種基于充電片段的鋰離子電池半監(jiān)督soh估計方法，該方法包括以下步驟：

3、步驟s1：采集鋰離子電池運行過程中電壓、電流和溫度的時間序列數(shù)據(jù)，構(gòu)建鋰離子電池原始數(shù)據(jù)集；

4、步驟s2：將鋰離子電池每個充電事件記為一個循環(huán)，每個充電事件后的若干個放電事件隸屬于該循環(huán)，直至下一個充電事件發(fā)生；遍歷鋰離子電池原始數(shù)據(jù)集，根據(jù)充放電完整性，計算鋰離子電池每個循環(huán)的soh值；

5、步驟s3：根據(jù)可取性和相關(guān)性從鋰離子電池原始數(shù)據(jù)集中提取健康特征，與步驟s2中計算的soh值組成半監(jiān)督總樣本集；

6、步驟s4：將步驟s3中半監(jiān)督總樣本集劃分為包含soh值的有標(biāo)簽樣本集和不包含soh值的無標(biāo)簽樣本集；

7、步驟s5：利用有標(biāo)簽樣本集建立自訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)模型，將無標(biāo)簽樣本集輸入自訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)模型，生成無標(biāo)簽樣本集中每個循環(huán)對應(yīng)的soh偽標(biāo)簽，將符合置信度要求的soh偽標(biāo)簽與無標(biāo)簽樣本集中對應(yīng)的健康特征加入有標(biāo)簽樣本集，并從無標(biāo)簽樣本集中刪除；

8、步驟s6：重復(fù)步驟s5直至無標(biāo)簽樣本集為空或達到預(yù)設(shè)的最大迭代次數(shù)，并輸出自訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)模型最終一次迭代后的有標(biāo)簽樣本集；

9、步驟s7：利用步驟s6中自訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)模型最終一次迭代后的有標(biāo)簽樣本集，訓(xùn)練與步驟s5中自訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)及參數(shù)相同的模型，建立鋰離子電池soh估計模型；

10、步驟s8：采集鋰離子電池實際運行中的數(shù)據(jù)，提取與步驟s3中相同的健康特征，按相同數(shù)據(jù)格式輸入步驟s7中的鋰離子電池soh估計模型，即可得到當(dāng)前循環(huán)鋰離子電池的soh估計值。

11、進一步地，步驟s2具體包括以下步驟：

12、s201：遍歷鋰離子電池原始數(shù)據(jù)集，根據(jù)充放電協(xié)議，判斷每個循環(huán)的充電事件和放電事件，鋰離子電池是否經(jīng)歷完整充電或完整放電；

13、s202：根據(jù)步驟s201中的判斷結(jié)果，按以下規(guī)則計算循環(huán)處的soh值：

14、若在循環(huán)i處，鋰離子電池只要經(jīng)歷了完整放電，則循環(huán)i處soh的計算公式為：

15、

16、若在循環(huán)i處，鋰離子電池僅經(jīng)歷了完整充電，沒有經(jīng)歷完整放電，則循環(huán)i處soh的計算公式為：

17、

18、若在循環(huán)i處，鋰離子電池沒有經(jīng)歷完整充電和完整放電，則循環(huán)i處soh為空；

19、其中，tdc1,tdc2分別為放電開始時間和放電結(jié)束時間，tch1,tch2分別為充電開始時間和充電結(jié)束時間，ich(t)為充電電流，idc(t)為放電電流，crated為鋰離子電池的額定容量。

20、進一步地，步驟s3中，對鋰離子電池原始數(shù)據(jù)集進行數(shù)據(jù)預(yù)處理，剔除數(shù)據(jù)中的異常值，采用插值法填補缺失值，數(shù)據(jù)預(yù)處理后再進行健康特征提取。

21、進一步地，步驟s3具體包括以下步驟：

22、s301：分析主要健康特征等電壓時間差的相關(guān)性，具體為：在所有完整充電循環(huán)中，遍歷充電電壓曲線起始電壓最大值與截止電壓最小值間任意兩個電壓點vm和vn對應(yīng)的時間戳和計算等電壓時間差利用相關(guān)性分析方法分別計算不同vm和vn的等電壓時間差δtf與鋰離子電池soh在完整充電循環(huán)上的相關(guān)性，按相關(guān)性遞減排序，得到各等電壓時間差相關(guān)性遞減序列；

23、s302：分析主要健康特征等電壓時間差在充電事件上的可取性，具體為：統(tǒng)計鋰離子電池原始數(shù)據(jù)集中每個循環(huán)的充電起始電壓充電截止電壓計算平均充電起始電壓和平均充電截止電壓遍歷步驟s301中各等電壓時間差相關(guān)性遞減序列，將該序列中第一個包含在范圍內(nèi)的等電壓時間差，作為同時考慮了相關(guān)性和可取性的最優(yōu)等電壓時間差即在各個循環(huán)上的相關(guān)性最高，能覆蓋的充電事件最多；

24、s303：提取每個循環(huán)鋰離子電池充電片段中的充電起始電壓充電截止電壓最優(yōu)等電壓時間差充電開始溫度充電結(jié)束溫度作為健康特征，構(gòu)成鋰離子電池健康特征集

25、s304：將鋰離子電池健康特征集與步驟s2中計算的soh值按循環(huán)順序?qū)R，建立半監(jiān)督總樣本集si＝[fi,sohi]。

26、進一步地，步驟s5具體包括以下步驟：

27、s501：將有標(biāo)簽樣本集劃分為訓(xùn)練集和驗證集，利用經(jīng)滑動窗口算法處理后的訓(xùn)練集對自訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，并觀察訓(xùn)練集和驗證集的損失下降情況，以調(diào)整自訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)和超參數(shù)，直至訓(xùn)練集和驗證集損失均不再下降時，完成自訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練；

28、s502：將無標(biāo)簽樣本集經(jīng)滑動窗口算法處理后輸入步驟s501中完成訓(xùn)練的自訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)模型，輸出無標(biāo)簽樣本集中每個循環(huán)對應(yīng)的偽標(biāo)簽

29、s503：對自訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)模型在無標(biāo)簽樣本集上生成的偽標(biāo)簽進行置信度判斷，若該循環(huán)的soh偽標(biāo)簽位于它前后兩個有標(biāo)簽循環(huán)的95％soh置信區(qū)間內(nèi)，則認為模型在該循環(huán)生成的偽標(biāo)簽滿足誤差要求；

30、s504：將符合置信度要求的soh偽標(biāo)簽和與其對應(yīng)的健康特征加入有標(biāo)簽樣本集，并在無標(biāo)簽樣本集中將其刪除。

31、進一步地，所述95％soh置信區(qū)間的計算公式如下：

32、

33、其中，和分別為該偽標(biāo)簽前后兩個有標(biāo)簽循環(huán)f1與f2閉區(qū)間內(nèi)的soh均值、標(biāo)準(zhǔn)差；n為前后兩個有標(biāo)簽循環(huán)閉區(qū)間內(nèi)的電池循環(huán)總數(shù)，當(dāng)顯著性水平α＝0.05時該區(qū)間置信度為95％，據(jù)查表法知此時z分數(shù)zα/2約為1.96。

34、進一步地，在偽標(biāo)簽前后兩個有標(biāo)簽循環(huán)f1和f2間對soh線性插值，用插值后曲線的均值和標(biāo)準(zhǔn)差代替和

35、進一步地，步驟s5中的自訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)包括：自訓(xùn)練簡單rnn神經(jīng)網(wǎng)絡(luò)，自訓(xùn)練lstm神經(jīng)網(wǎng)絡(luò)，自訓(xùn)練gru神經(jīng)網(wǎng)絡(luò)。

36、進一步地，所述自訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)采用自訓(xùn)練gru神經(jīng)網(wǎng)絡(luò)，包含一個神經(jīng)元數(shù)量為256的gru層，一個神經(jīng)元數(shù)量為128的gru層，一個神經(jīng)元數(shù)量為32的全連接層，一個神經(jīng)元數(shù)量為1的全連接層。

37、本發(fā)明具有如下有益效果：

38、本發(fā)明對鋰離子電池在實際使用過程中存在的碎片化充電、soh標(biāo)簽缺失等問題進行了充分考慮，使得估計方法更加貼近實際應(yīng)用場景，提高了soh估計的實用性和可靠性。具體包括：通過深入分析鋰離子電池健康特征的可取性和相關(guān)性，提取了能夠覆蓋多數(shù)碎片化充電事件的健康特征；通過結(jié)合半監(jiān)督自訓(xùn)練方法與循環(huán)神經(jīng)網(wǎng)絡(luò)模型，有效利用了未標(biāo)記數(shù)據(jù)，顯著提高了數(shù)據(jù)資源的利用率，降低了完整soh標(biāo)簽數(shù)據(jù)的依賴。