首页 > 资讯 > 一种基于深度学习的锂电池健康状态评估方法

一种基于深度学习的锂电池健康状态评估方法

泰然健康网
2025-06-09 14:33

本发明涉及电池评估，具体为一种基于深度学习的锂电池健康状态评估方法。

背景技术：

1、锂离子电池作为当今能源存储领域的重要组成部分，凭借其高能量密度、优异的循环性能以及长寿命等特点，广泛应用于消费电子、电动汽车以及可再生能源储能等多个领域。然而，随着电池使用时间的延长，锂电池的健康状态（soh, state of health）逐渐劣化，其容量、功率输出以及安全性都会受到显著影响。锂电池健康状态评估不仅对延长电池使用寿命、优化设备运行效率具有重要意义，更是保障设备运行稳定性和用户安全的关键环节。

2、目前，锂电池的健康状态评估方法主要分为两类：基于经验模型的传统方法和基于数据驱动的智能化方法。在传统方法中，常采用电池容量测试或内阻测量等方式来判断健康状态。然而，这些方法存在一定的局限性。例如，容量测试需要对电池进行长时间的完全充放电操作，耗时且难以适应实际应用场景；而基于内阻测量的评估方法过于依赖单一参数，难以全面反映电池的健康状态，尤其是在复杂工况下可能出现较大误差。此外，由于锂电池内部的复杂电化学过程，电池性能的劣化不仅与容量和内阻有关，还涉及电解质分解、固体电解质相界面膜（sei膜）厚度变化以及锂离子扩散阻力增加等多种因素。因此，单一参数的监测难以全面捕捉电池的健康状态。

3、为克服上述问题，基于深度学习的数据驱动方法正在成为锂电池健康状态评估领域的一种新趋势。深度学习算法能够高效处理高维数据，提取复杂特征，并利用大规模数据进行模式识别和预测。然而，目前的研究中，如何将深度学习技术与电化学阻抗谱测试相结合，并有效关联电化学特征参数与健康评估结果，仍面临技术空白。因此，如何基于深度学习技术实现对锂电池电化学特性与健康状态的全面分析和高精度评估，成为当前的研究热点和技术难点。

4、现有技术中的，公开号为cn106353687b公开了一种锂电池健康状态的评估方法，所述方法包括：确定锂电池健康状态的评估因素；计算锂电池健康状态评估因素权重值的初始值；计算锂电池健康状态评估因素权重值的实际值；评估锂电池的健康状态。本发明综合锂电池的端电压变化率、欧姆内阻和极化内阻作为评估因素，提高了锂电池健康状态评估的准确性；采用在脉冲放电结束后，同时测量并计算锂电池端电压变化率、欧姆内阻和极化内阻的方法，保证了锂电池状态测量的状态同一性和时间一致性，提高了锂电池健康状态评估因素的准确性；综合了评估因素的标准差和平均数量指标的影响，更好的反映了评估因素在不同水平时的总体标志变动度。但该方法仅将端电压变化率、欧姆内阻和极化内阻作为评估健康状态的关键因素，虽然这些因素与电池的健康状态密切相关，但它们并不能完全反映锂电池的全貌健康状态。锂电池的健康状态受多种因素影响，如容量衰减，温度因素等，因此仅凭这些参数进行评估使得评估结果的准确性、有效性降低。

5、在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本发明的目的在于提供一种基于深度学习的锂电池健康状态评估方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种基于深度学习的锂电池健康状态评估方法，具体步骤包括：

4、对若干已知内部阻抗特征参数的锂电池进行电化学阻抗谱测试，获取对应的奈奎斯特曲线图，基于获取的奈奎斯特图，生成样本图像集，将各奈奎斯特曲线图与对应的内部阻抗特征参数一一映射存入样本图像集，所述内部阻抗特征参数包括电解质欧姆阻抗、固体电解质相界面膜阻抗和扩散阻抗；

5、基于样本图像集，建立深度学习网络模型，将样本图像集内的若干奈奎斯特曲线图作为深度学习网络模型的输入，并以每张曲线图对应的内部阻抗特征参数为标签，对深度学习网络模型进行训练，得到内部阻抗特征参数预测模型；

6、对待评估的锂电池进行电化学阻抗谱测试，得到目标奈奎斯特曲线图，将目标奈奎斯特曲线图输入完成训练的内部阻抗特征参数预测模型中，得到待评估的锂电池的内部阻抗特征参数，同时对待评估的锂电池进行完全充电和放电测试，记录对应电力特征参数；

7、根据得到的待评估的锂电池的内部阻抗特征参数，结合对应电力特征参数计算生成容量保持率指数、循环效率劣化指数和外形膨胀影响指数，所述电力特征参数包括完全充电和放电的开始及结束时刻、流经电流、对应电压和表面最高温度；

8、基于容量保持率指数、循环效率劣化指数和外形膨胀影响指数，综合分析得到待评估的锂电池的健康状态综合系数，将待评估的锂电池的健康状态综合系数与锂电池健康阈值相对比，根据不同对比结果，判断待评估的锂电池的健康状态。

9、进一步地，对若干已知内部阻抗特征参数的锂电池进行电化学阻抗谱测试，获取对应的奈奎斯特曲线图，其中进行电化学阻抗谱测试的步骤包括：将进行检测电池的正极和负极分别连接到电化学工作站的工作电极和参考电极端；施加频率信号，从高频到低频进行测试；设置交流信号幅值；设置直流偏置电压；开始测试后自动对电池施加交流信号，并逐步扫描设定的频率范围，同时生成奈奎斯特曲线图。

10、进一步地，基于长短期记忆网络模型lstm模型，建立深度学习网络模型，选取激活函数和优化算法，其中选择tanh函数作为激活函数，选择adam作为lstm模型的优化算法；tanh函数其公式为：

11、；

12、式中，表示tanh函数，自变量表示神经元的输入加权和，即神经元接收到的来自上一层的输入经过加权求和后的结果；

13、同时设定lstm模型的超参数，所述lstm模型的超参数包括：网络层数、迭代次数、学习率、批量数大小、训练次数、批处理数量和隐藏层神经元个数；

14、其中网络层数设置为3层网络结构，迭代次数设定为200，学习率设置为0.001，批量数大小设为32，训练次数设为100，批处理数量设为256，隐藏层神经元个数为32；

15、完成训练的内部阻抗特征参数预测模型输入为锂电池的奈奎斯特曲线图，输出为该锂电池的内部阻抗特征参数。

16、进一步地，根据得到的待评估的锂电池的内部阻抗特征参数，结合对应电力特征参数计算生成容量保持率指数，其中计算容量保持率指数所依据的公式为：

17、；

18、式中，为容量保持率指数，为待评估的锂电池当前实际容量，为待评估的锂电池额定容量，为待评估的锂电池当前内阻，为待评估的锂电池初始内阻，为待评估的锂电池的库仑效率，为库仑效率调节常数；

19、其中待评估的锂电池当前实际容量基于电力特征参数计算获取，具体计算所依据的公式为：

20、；

21、式中，表示完全充电过程中，t时刻的充电电流，和分别为完全充电过程的开始和结束时刻，为温度修正因子，其中温度修正因子计算所依据的公式为：

22、；

23、式中，为参考温度，为完全充电过程中，待评估锂电池的表面最高温度，为温度敏感系数。

24、进一步地，待评估的锂电池当前内阻计算所依据的公式为：

25、；

26、式中，、和分别为模型输出的待评估锂电池的电解质欧姆阻抗预测值、固体电解质相界面膜阻抗预测值和扩散阻抗预测值；

27、待评估的锂电池的库仑效率计算所依据的公式为：

28、；

29、式中，为待评估的锂电池完全放电的容量，具体计算所依据的公式：

30、；

31、式中，和分别为待评估的锂电池完全放电的开始和结束时刻，为完全放电过程中，t时刻的放电电流。

32、进一步地，根据得到的待评估的锂电池的内部阻抗特征参数，结合对应电力特征参数计算生成循环效率劣化指数，其中计算所循环效率劣化指数依据的公式为：

33、；

34、式中，为循环效率劣化指数，为待评估的锂电池的能量效率；其中待评估的锂电池的能量效率计算所依据的公式为：

35、；

36、式中，和分别为完全放电和完全充电过程，在t时刻的放电电压和充电电压；

37、其中外形膨胀影响指数计算所依据的公式为：

38、；

39、式中，为外形膨胀影响指数，为完全充放电过程中，待评估的锂电池的最大膨胀体积。

40、进一步地，基于容量保持率指数、循环效率劣化指数和外形膨胀影响指数，综合分析得到待评估的锂电池的健康状态综合系数，其中健康状态综合系数计算所依据的公式为：

41、；

42、式中，为健康状态综合系数，、和分别为外形膨胀影响指数、循环效率劣化指数和容量保持率指数的权重系数，其中且、和均大于0；

43、将待评估的锂电池的健康状态综合系数与锂电池健康阈值相对比，根据不同对比结果，判断待评估的锂电池的健康状态，其中判断待评估的锂电池的健康状态所依据的逻辑为：

44、当时，判断为待评估的锂电池的健康状态为优，表示该锂电池应正常使用；

45、当时，判断为待评估的锂电池的健康状态为良，表示该锂电池应进行维修或更换；

46、当时，判断为待评估的锂电池的健康状态为差，表示该锂电池无法继续使用；

47、其中为设置的锂电池健康阈值。

48、与现有技术相比，本发明的有益效果是：

49、首先，本方案通过对奈奎斯特曲线图的深度学习建模，显著提升了锂电池电化学特性参数的提取和预测精度。传统的等效电路模型拟合方法在参数提取上存在人为主观性和计算复杂性，而深度学习方法能够自动提取曲线图中的关键特征，实现对电解质欧姆阻抗、固体电解质相界面（sei）膜阻抗以及扩散阻抗等参数的高效预测。降低了人为干预的影响，显著提升参数计算的准确性和鲁棒性。其次，将电化学阻抗谱测试与电力特征参数相结合，综合考虑容量保持率指数、循环效率劣化指数和外形膨胀影响指数等多个维度的健康状态指标。更加全面地捕捉锂电池健康状态的多方面特性，避免了单一参数评估可能存在的误差。此外，本方案基于深度学习模型的健康状态评估方法，具有极高的适应性和扩展性。通过训练样本集的不断扩充和优化，模型能够适应不同类型锂电池的特性及多样化的使用工况，具有良好的通用性。