一种基于MSCNN的锂离子电池健康状态估计方法

本发明属于锂离子电池，涉及一种基于mscnn的锂离子电池健康状态估计方法。

背景技术：

1、新型电力系统是现代能源系统的重要组成部分，具有清洁、低碳、安全、高效和快速部署清洁能源的特点。电化学储能因其快速响应时间、高能量密度和灵活的结构，已成为新型电力系统的重要组成部分和发展最快的储能技术之一。在这一领域，锂离子电池尤其举足轻重，因为其能量密度高、自放电率低、循环效率高、使用寿命长、配置灵活，是电化学储能技术中不可或缺的。

2、锂离子电池已被广泛应用于电气化交通和储能设施领域，分别作为电动汽车和储能设施的主要储能设备。由于锂离子电池具有不可逆的电化学特性，连续的充放电循环会导致其输出性能、运行条件、机械应力和化学反应逐渐退化。为了保证电池管理系统的长期安全稳定运行，以及对重要的锂离子电池储能系统进行定期维护，健康状态(soh)是衡量系统安全性和稳定性的重要指标，其定义为当前最大容量与初始容量之比，是评估电池退化的关键指标。当soh下降到一定程度时，表明电池不再符合运行新型电动汽车的要求，但可将其重新用于对健康状态要求较低的锂离子电池储能站等领域。

3、通常情况下，电池soh无法直接测量得到，需要通过安时积分从高截止电压到低截止电压的完整放电曲线来获取容量。然而在实际应用中，由于电池很少完全放电，因此很难获得完整的充放电曲线，该方法仅适用于实验室条件。随着电池不断老化，安全问题呈现上升趋势，开展电池健康状态评估与预测运维研究对储能系统安全稳定运行具有重要意义。近年来，研究人员已针对锂离子电池soh开展卓有成效的研究并提出了多种方法。锂离子电池健康状态估计方法通常可以分为两大类：基于模型的方法和基于数据驱动的方法。

4、基于模型的方法利用公式表示电池健康状态，然后外推电池的老化轨迹。基于模型的方法主要包括电化学模型、等效电路模型和经验模型。电化学模型是基于第一性原理模型，能够描述锂离子电池内的电化学反应，模型参数具有明确物理意义，且电池内部状态与外部特性具有明确的耦合关系。随着人工智能技术的快速发展，基于数据驱动方法在锂离子电池soh方面得到学者广泛关注。与基于模型的方法不同，数据驱动的方法从电压、电流、温度和容量等数据源中提取特征，并挖掘电池性能衰减与关键特征之间的耦合关系。该方法无需深入理解电池运行过程中复杂机理和化学变化，也不依赖电化学方面的先验知识。通过构建电池健康状态的非线性衰减模型，利用各种算法对数据进行分析和处理，实现对锂电池soh的准确预测，并具有广泛的适用性。

5、然而现有的基于数据驱动的方法存在一些不足，例如一些方法过于依赖单一数据源或特征，忽略了电池老化过程中的多尺度信息，导致估计精度有限；此外，某些方法在面对不同工况的数据集时可能表现出较差的泛化能力，难以适应实际应用中复杂多变的场景。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于mscnn的锂离子电池健康状态估计方法，充分挖掘充电过程中隐含的锂离子电池老化信息，使用多种关键的健康因子融合预测，构建适合进行锂离子电池健康状态预测任务的mscnn网络模型，获得更高的锂离子电池健康状态估计精度以及泛化能力。

2、为达到上述目的，本发明提供如下技术方案：

3、一种基于mscnn的锂离子电池健康状态估计方法，该方法包括：

4、s1、在一定环境条件下对锂离子电池单体进行老化循环测试，建立工况测试实验数据库；

5、s2、将每一次老化循环过程进行阶段划分，并采集每个阶段中电池的电压、电流和温度数据，对采集的数据进行采样，基于采样数据分别计算电压、电流和温度的平均值、标准差、偏度以及峰度；

6、s3、将每一次老化循环测试过程中计算得到的电压、电流和温度的平均值、标准差、偏度以及峰度作为健康因子，将健康因子与电池容量进行相关性分析，筛选出与电池健康状态相关性强的健康因子；

7、s4、构建基于mscnn的soh估计模型，将筛选出的健康因子作为输入以训练该模型；

8、s5、对任意的锂离子电池进行所述老化循环测试，循环过程中计算健康因子(步骤s4中筛选出的健康因子中的至少一种)，将获取的健康因子输入所述soh估计模型中实现对锂离子电池健康状态的预测。

9、进一步的，步骤s2中，将每一次老化循环过程进行阶段划分包括，将每一次老化循环过程划分为依次衔接的恒流充电阶段、恒压充电阶段和恒流放电阶段。

10、分别采集恒流充电阶段、恒压充电阶段和恒流放电阶段中电池的电压、电流和温度数据；对采集的数据进行采样；基于采样数据分别计算恒流充电阶段、恒压充电阶段和恒流放电阶段中，电压、电流和温度的平均值，电压、电流和温度的标准差，电压、电流和温度的偏度，以及电压、电流和温度的峰度。

11、进一步的，步骤s3中，所述的健康因子还包括恒流阶段充电时间，恒压阶段充电时间，以及恒流阶段充电时间和恒压阶段充电时间之和。

12、进一步的，步骤s3中，通过皮尔逊相关系数和斯皮尔曼相关系数对健康因子与电池容量进行相关性分析，先分别计算各健康因子与电池容量的相关系数，然后筛选出皮尔逊相关系数和斯皮尔曼相关系数均大于0.9的健康因子。

13、进一步的，步骤s4中，soh估计模型包括依次连接的输入层、第一卷积层至第六卷积层、丢弃层、全连接层、回归层和输出层。

14、还包括第一和第二卷积层之间的第一最大池化层，第二和第三卷积层之间的第二最大池化层，第四和第五卷积层之间的第三最大池化层，以及第六卷积层和丢弃层之间的第四最大池化层。

15、进一步的，步骤s4中，soh估计模型的训练过程中，以均方误差为损失函数，并通过adam优化器优化损失函数；训练完成后对所述soh估计模型进行测试，采用rmse、mae和mape评估模型的预测精度。

16、本发明的有益效果在于：

17、(1)本发明所构建的基于mscnn的soh估计模型能有效地从不同尺度的数据中提取特征，拥有相较于传统cnn更高的soh估计精度。

18、(2)本发明所提出的soh估计模型对不同工况的数据集也可以进行准确的soh估计，具有良好的泛化能力。

19、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

技术特征：

1.一种基于mscnn的锂离子电池健康状态估计方法，其特征在于，该方法包括：在一定环境条件下对锂离子电池单体进行老化循环测试，建立工况测试实验数据库；

2.根据权利要求1所述的方法，其特征在于，所述将每一次老化循环过程进行阶段划分包括，将每一次老化循环过程划分为依次衔接的恒流充电阶段、恒压充电阶段和恒流放电阶段。

3.根据权利要求1或2所述的方法，其特征在于，在每一次老化循环过程中，分别采集恒流充电阶段、恒压充电阶段和恒流放电阶段中电池的电压、电流和温度数据；

4.根据权利要求3所述的方法，其特征在于，所述的健康因子还包括恒流阶段充电时间，恒压阶段充电时间，以及恒流阶段充电时间和恒压阶段充电时间之和。

5.根据权利要求4所述的方法，其特征在于，通过皮尔逊相关系数和斯皮尔曼相关系数对健康因子与电池容量进行相关性分析，先分别计算各健康因子与电池容量的相关系数，然后筛选出皮尔逊相关系数和斯皮尔曼相关系数均大于0.9的健康因子。

6.根据权利要求1所述的方法，其特征在于，所述soh估计模型包括依次连接的输入层、第一卷积层至第六卷积层、丢弃层、全连接层、回归层和输出层；

7.根据权利要求1、5或6中任一项所述的方法，其特征在于，soh估计模型的训练过程中，以均方误差为损失函数，并通过adam优化器优化损失函数；

技术总结
本发明涉及一种基于MSCNN的锂离子电池健康状态估计方法，属于锂离子电池技术领域。该方法包括：对锂离子电池单体进行老化循环测试，建立工况测试实验数据库；采集每次老化循环中电池的电压、电流和温度数据，分别计算电压、电流和温度的平均值、标准差、偏度以及峰度，并作为健康因子，筛选出与电池健康状态相关性强的健康因子；构建SOH估计模型，将筛选出的健康因子作为输入以训练该模型；模型训练完成后用于对锂离子电池健康状态的预测。本发明能有效地从不同尺度的数据中提取特征，拥有相较于传统CNN更高的SOH估计精度，且对不同工况的数据集也可以进行准确的SOH估计，具有良好的泛化能力。

技术研发人员：汪继伟,李豪,邓忠伟,张凯,张林鍹,安毅
受保护的技术使用者：新疆大学
技术研发日：
技术公布日：2025/3/3