本發(fā)明涉及鋰電池健康管理，特別涉及一種鋰電池soh的估算模型及其構(gòu)建系統(tǒng)和應(yīng)用方法。

背景技術(shù)：

1、隨著電子科學(xué)技術(shù)的飛速進(jìn)步和人們生活水平的持續(xù)提升，鋰離子電池已成為各類移動(dòng)設(shè)備及電動(dòng)汽車不可或缺的核心組件。鋰離子電池的健康狀態(tài)（state?of?health,soh）作為其性能評(píng)估的關(guān)鍵指標(biāo)，不僅揭示了電池當(dāng)前工作效能與初始或額定狀態(tài)之間的對(duì)比關(guān)系，還直接關(guān)系到設(shè)備的穩(wěn)定運(yùn)行、電池壽命的延長(zhǎng)以及整體能源管理的優(yōu)化。

2、對(duì)于設(shè)備穩(wěn)定運(yùn)行，準(zhǔn)確的soh估算能幫助預(yù)測(cè)電池性能下降的趨勢(shì)，及時(shí)采取措施防止因電池故障導(dǎo)致的設(shè)備停機(jī)或性能下降，從而確保設(shè)備的持續(xù)高效運(yùn)行。

3、對(duì)于延長(zhǎng)電池使用壽命，通過(guò)監(jiān)測(cè)soh，可以實(shí)施更為精準(zhǔn)的電池管理策略，如調(diào)整充電策略、限制放電深度等，以減緩電池老化速度，延長(zhǎng)電池的整體使用壽命。

4、對(duì)于優(yōu)化能源管理，在電動(dòng)汽車和大型儲(chǔ)能系統(tǒng)中，soh信息對(duì)于能源分配、充電策略規(guī)劃以及維護(hù)成本控制至關(guān)重要。通過(guò)精確估算soh，可以更有效地管理能源，降低運(yùn)營(yíng)成本。

5、然而，鋰電池soh的估算是一個(gè)復(fù)雜的過(guò)程，受到多種因素的影響，包括電池的充放電循環(huán)次數(shù)、工作環(huán)境溫度、充放電電流和電壓等等。因此，基于數(shù)據(jù)驅(qū)動(dòng)的方法，特別是神經(jīng)網(wǎng)絡(luò)方法，因其具有強(qiáng)大的非線性擬合能力和自學(xué)習(xí)能力，逐漸成為鋰電池soh估算領(lǐng)域的研究熱點(diǎn)。

6、當(dāng)前，針對(duì)鋰電池soh的估算，部分傳統(tǒng)方法以其高精度而著稱。然而，這些方法往往依賴于嚴(yán)格的實(shí)驗(yàn)室環(huán)境，要求電池經(jīng)歷完整的充電與放電周期（即滿充滿放）。這一流程不僅顯著增加了操作復(fù)雜度，還帶來(lái)了高昂的成本負(fù)擔(dān)。具體而言，滿充滿放過(guò)程可能導(dǎo)致電池的老化加速，縮短其使用壽命，同時(shí)，實(shí)驗(yàn)室環(huán)境的搭建與維護(hù)亦需不菲的投入。此外，對(duì)于新能源汽車而言，頻繁地執(zhí)行滿充滿放操作不僅影響車輛的正常使用，還可能對(duì)電池包的整體性能造成不利影響。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問(wèn)題，在于提供一種鋰電池soh的估算模型及其構(gòu)建系統(tǒng)和應(yīng)用方法，通過(guò)引入神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)建一soh估算模型，應(yīng)用于鋰電池soh的估算，從而解決現(xiàn)有鋰電池soh估算方法中操作繁瑣、成本高昂的問(wèn)題，為新能源汽車的電池管理提供一種更為高效、準(zhǔn)確且經(jīng)濟(jì)的解決方案。

2、第一方面，本發(fā)明提供了一種鋰電池soh的估算模型，通過(guò)下述過(guò)程構(gòu)建而得：

3、數(shù)據(jù)收集過(guò)程：收集來(lái)自不同廠家和車型的新能源汽車的充電數(shù)據(jù)，所述充電數(shù)據(jù)是在滿充過(guò)程中以一定頻率記錄的充電明細(xì)數(shù)據(jù)，包括當(dāng)前soc值、充電電壓、充電電流、充入容量等關(guān)鍵參數(shù)，每輛車的額定參數(shù)；

4、數(shù)據(jù)處理與聚合過(guò)程：按照soc值對(duì)所述充電數(shù)據(jù)進(jìn)行分組聚合，以獲取每個(gè)soc區(qū)間內(nèi)的充電統(tǒng)計(jì)數(shù)據(jù)；采用15%soc的滑窗取數(shù)法，生成訓(xùn)練集中的每個(gè)樣本；

5、特征工程：對(duì)于值在固定區(qū)間內(nèi)的連續(xù)特征，采用min-max標(biāo)準(zhǔn)化方法將值域映射到[0,?1]之間，以消除量綱差異；對(duì)于值沒有固定區(qū)間的連續(xù)型特征，則采用z-score標(biāo)準(zhǔn)化方法轉(zhuǎn)換為標(biāo)準(zhǔn)正態(tài)分布；對(duì)類別固定的分類特征，采用one-hot編碼方法將類別型數(shù)據(jù)轉(zhuǎn)換為機(jī)器學(xué)習(xí)模型能夠處理的數(shù)值形式；對(duì)類別非固定的分類特征采用embedding編碼方法處理；

6、模型構(gòu)建過(guò)程：利用mlp模型和lstm模型構(gòu)建一神經(jīng)網(wǎng)絡(luò)模型；所述mlp模型用于對(duì)車輛的額定參數(shù)數(shù)據(jù)進(jìn)行編碼，提取關(guān)鍵信息；所述lstm模型則用于對(duì)車輛的充電明細(xì)數(shù)據(jù)進(jìn)行編碼，并加入self-attention機(jī)制以捕捉時(shí)序依賴性；將所述關(guān)鍵信息和所述時(shí)序依賴性進(jìn)行連接，使所述神經(jīng)網(wǎng)絡(luò)模型的輸出層能輸出soh估算值；

7、模型訓(xùn)練過(guò)程：使用所述數(shù)據(jù)收集過(guò)程收集到的所述充電數(shù)據(jù)對(duì)所述鋰電池soh的估算模型進(jìn)行訓(xùn)練，得到鋰電池soh的估算模型。

8、第二方面，本發(fā)明提供了一種鋰電池soh的估算模型的構(gòu)建系統(tǒng)，包括：

9、數(shù)據(jù)收集模塊，用于收集來(lái)自不同廠家和車型的新能源汽車的充電數(shù)據(jù)，所述充電數(shù)據(jù)是在滿充過(guò)程中以一定頻率記錄的充電明細(xì)數(shù)據(jù)，包括當(dāng)前soc值、充電電壓、充電電流、充入容量等關(guān)鍵參數(shù)，每輛車的額定參數(shù)；

10、數(shù)據(jù)處理與聚合模塊，用于按照soc值對(duì)所述充電數(shù)據(jù)進(jìn)行分組聚合，以獲取每個(gè)soc區(qū)間內(nèi)的充電統(tǒng)計(jì)數(shù)據(jù)；采用15%soc的滑窗取數(shù)法，生成訓(xùn)練集中的每個(gè)樣本；

11、特征工程模塊，用于對(duì)于值在固定區(qū)間內(nèi)的連續(xù)特征，采用min-max標(biāo)準(zhǔn)化方法將值域映射到[0,?1]之間，以消除量綱差異；對(duì)于值沒有固定區(qū)間的連續(xù)型特征，則采用z-score標(biāo)準(zhǔn)化方法轉(zhuǎn)換為標(biāo)準(zhǔn)正態(tài)分布；對(duì)類別固定的分類特征，采用one-hot編碼方法將類別型數(shù)據(jù)轉(zhuǎn)換為機(jī)器學(xué)習(xí)模型能夠處理的數(shù)值形式；對(duì)類別非固定的分類特征采用embedding編碼方法處理；

12、模型構(gòu)建模塊，用于利用mlp模型和lstm模型構(gòu)建一神經(jīng)網(wǎng)絡(luò)模型；所述mlp模型用于對(duì)車輛的額定參數(shù)數(shù)據(jù)進(jìn)行編碼，提取關(guān)鍵信息；所述lstm模型則用于對(duì)車輛的充電明細(xì)數(shù)據(jù)進(jìn)行編碼，并加入self-attention機(jī)制以捕捉時(shí)序依賴性；將所述關(guān)鍵信息和所述時(shí)序依賴性進(jìn)行連接，使所述神經(jīng)網(wǎng)絡(luò)模型的輸出層能輸出soh估算值；

13、模型訓(xùn)練模塊，用于使用所述數(shù)據(jù)收集模塊收集到的所述充電數(shù)據(jù)對(duì)所述鋰電池soh的估算模型進(jìn)行訓(xùn)練，得到鋰電池soh的估算模型；

14、模型優(yōu)化模塊，用于在模型訓(xùn)練過(guò)程中，采用網(wǎng)格搜索的方法來(lái)調(diào)整模型的超參數(shù)，以更好地適應(yīng)不同的數(shù)據(jù)集和場(chǎng)景。

15、第三方面，本發(fā)明提供了一種鋰電池soh的估算模型的應(yīng)用方法，以預(yù)設(shè)的頻率記錄大于15%soc的充電明細(xì)數(shù)據(jù)，記錄每輛車的額定參數(shù)，將充電明細(xì)數(shù)據(jù)按照構(gòu)造訓(xùn)練集的方式進(jìn)行處理，加載已經(jīng)訓(xùn)練好的如第一方面所述的鋰電池soh的估算模型，并輸入處理后的訓(xùn)練集中的特征數(shù)據(jù)，由所述鋰電池soh的估算模型將所述特征數(shù)據(jù)通過(guò)模型的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行推理計(jì)算，輸出預(yù)測(cè)的soh值。

16、本發(fā)明提供的一個(gè)或多個(gè)技術(shù)方案，至少具有如下技術(shù)效果或優(yōu)點(diǎn)：

17、（1）具有更高的估算準(zhǔn)確性：通過(guò)結(jié)合lstm（長(zhǎng)短期記憶網(wǎng)絡(luò)）和mlp（多層感知機(jī)）的神經(jīng)網(wǎng)絡(luò)架構(gòu)，能夠同時(shí)捕捉電池充電過(guò)程中的時(shí)序依賴性和非時(shí)序特征，從而更準(zhǔn)確地估算電池的soh（健康狀態(tài)）。相對(duì)于現(xiàn)有技術(shù)中只關(guān)注時(shí)序數(shù)據(jù)或靜態(tài)數(shù)據(jù)中的一個(gè)方面，而忽略了兩者之間的相互作用而言，估算結(jié)果的精確度大為提高。

18、（2）操作簡(jiǎn)便，成本低：收集數(shù)據(jù)時(shí)，只在滿充過(guò)程中以固定頻率記錄充電明細(xì)數(shù)據(jù)，避免了頻繁的滿充滿放操作，簡(jiǎn)化了電池測(cè)試流程；減少了測(cè)試時(shí)間和能源消耗，降低了測(cè)試成本；縮短了測(cè)試周期，提高了電池管理系統(tǒng)的整體效率；避免了頻繁的滿充滿放對(duì)電池造成的損害，有助于延長(zhǎng)電池的使用壽命。

19、上述說(shuō)明僅是本發(fā)明技術(shù)方案的概述，為了能夠更清楚了解本發(fā)明的技術(shù)手段，而可依照說(shuō)明書的內(nèi)容予以實(shí)施，并且為了讓本發(fā)明的上述和其它目的、特征和優(yōu)點(diǎn)能夠更明顯易懂，以下特舉本發(fā)明的具體實(shí)施方式。