买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：安徽大学

摘要：本发明涉及电池SOH估计及应用技术领域，解决了由于电池实际工况和实验室测试工况差异较大，导致计算的SOH值误差较大的技术问题，尤其涉及一种新能源汽车的动力电池SOH估计方法、系统、应用方法及电子设备，包括：对电池数据进行数据清洗得到电池运行数据；提取电池运行时的健康指标并进行聚合以及关联度分析得到多维度关键特征；将多维度关键特征输入至CNN‑Transformer模型中，通过迁移学习建立SOH数字孪生模型。本发明能够准确有效的实时估计电池单体及电池组的SOH，可以解决深度学习算法模型及机理模型实时性差的问题，实现实车SOH的精准估计，对电池管理系统安全可靠运行具有重要意义。

主权项：1.一种新能源汽车的动力电池SOH估计方法，其特征在于，该方法包括以下步骤：获取新能源汽车的电池数据，并对电池数据进行数据清洗得到高质量的电池运行数据；从电池运行数据中提取电池运行时的健康指标，并对健康指标进行聚合以及关联度分析得到电池的多维度关键特征，具体过程包括以下步骤：将电池运行数据划分为充电数据和行驶中数据；从充电数据中提取与电压相关的特征、与电流相关的特征以及与IC曲线相关的特征形成充电过程中的健康指标，其中：与电压相关的特征包括等充电电压上升的时间间隔、充电电压曲线下的面积和充电电压曲线的斜率作为特征来估计电池SOH；与IC曲线相关的特征包括IC峰值点、峰值点的位置和IC曲线内的面积；与电流相关的特征包括从CV充电阶段内提取等充电电流下降的时间间隔、等充电电流下降的充电容量和充电电流曲线的斜率来表征电池的老化现象；对于行驶中数据进行片段划分，提取SOC为35%~55%的充电片段数据，从车速、电压电流、车辆状态数据中提取与其相对应的片段特征值形成行驶过程中的健康指标；将充电过程中的健康指标和行驶过程中的健康指标进行聚合形成多维健康指标；采用Spearman等级相关系数分析多维健康指标与电池可用容量之间的相关性，相关性的计算公式为： ；上式中，M为多维健康指标的总数；为电池每次放电的可用容量；为每个充放电周期的输入特性；分别为充电过程中的健康指标和行驶过程中的健康指标的均值；选取相关性的绝对值最接近1的多维健康指标作为多维度关键特征；将多维度关键特征输入至CNN-Transformer模型中，然后通过迁移学习建立用于实时估计电池单体及电池组SOH的SOH数字孪生模型，所述CNN-Transformer模型是由卷积神经网络CNN和Transformer模型结合组织成一个2x4的矩阵，并通过使用步长为2的2x2卷积核对多维度关键特征进行卷积，以捕捉多维度关键特征的局部相关性；然后，通过添加位置编码层将卷积后的多维度关键特征引入Transformer架构中，使CNN-Transformer模型能够有效地捕捉到多维度关键特征中的全局依赖关系；所述CNN-Transformer模型包括：用于接受四个输入的多维度关键特征，并将其组织成一个2x4的输入矩阵的输入层；提取输入的多维度关键特征的局部相关性，从而生成卷积特征图的卷积层；引入位置信息，将卷积特征图与位置编码相加以保留特征之间的相对位置关系的位置编码层；对经过卷积和位置编码处理后的多维度关键特征进行建模输入序列之间的全局依赖关系的Transformer模型；生成对输入序列进行预测或分类结果的输出层；所述通过迁移学习建立用于实时估计电池单体及电池组SOH的SOH数字孪生模型，具体过程包括以下步骤：使用电池运行数据中的源数据集作为CNN-Transformer模型的输入数据，通过训练得到一个基网络A；使用电池运行数据中的目标数据集作为CNN-Transformer模型的输入数据，通过训练得到一个目标网络B；确定基网络A中可以进行迁移的层数n得到AnB网络，即保留基网络A的前n层结构和参数进行迁移学习到目标网络B；采用电池运行数据对AnB网络和目标网络B分别训练N次，选取AnB网络与目标网络B预测结果误差最小的模型作为SOH数字孪生模型。

全文数据：

权利要求：

百度查询： 安徽大学 一种新能源汽车的动力电池SOH估计方法、系统、应用方法及电子设备