一种基于ELM模型和电池阻抗谱数据预测电池剩余容量方法与流程

本发明涉及电池电化学，尤其是一种基于elm模型和电池阻抗谱数据预测电池剩余容量方法。

背景技术：

1、 现如今，新能源行业欣欣向荣，在电动汽车和储能等领域，锂离子电池得到了越来越广泛的使用，锂离子电池的剩余容量（state of capacity，soc）是最有价值的指标之一，比如电动汽车车主可以依据剩余容量来决定何时去充电。电池剩余容量的预测一直是一个难题，传统的预测方法存在精度不高或者存在侵入式损害等问题。

2、 电池电化学阻抗谱（electrochemical impedance spectroscopy，eis）是电池的一种非侵入性的信息丰富的特征，它与电池的其他属性特征，如剩余容量、剩余寿命和健康度等，存在一些内在的联系，因此成为电化学领域的研究热点。

3、 极限学习机（extreme learning machine, elm）模型是一种基于单隐层前馈神经网络的机器学习算法，它构建了输入值和输出值之间复杂的非线性关系，可以建立输入输出之间的回归预测计算模型。不同于传统的基于梯度的学习方法，它无须涉及多次迭代，通过随机选取输入的权重和偏差，然后通过简单的矩阵计算确定输出的权重，它具有计算速度快、预测精度高等优点。

4、因此需要将极限学习机模型引入到了电化学领域，特别是阻抗谱研究领域，构建了电池电化学阻抗谱数据和电池剩余容量之间的映射关系。凭借elm模型良好的拟合能力，以及电池电化学阻抗谱本身存在的丰富信息，在无需其他特征的条件下，预测模型能够很好的使用电池电化学阻抗谱数据预测电池的剩余容量。

技术实现思路

1、为了解决上述技术问题，本发明提供一种基于elm模型，并且利用电池电化学阻抗谱数据，来预测电池剩余容量的方法。

2、本发明解决其技术问题所采用的技术方案是：

3、一种基于elm模型和电池阻抗谱数据预测电池剩余容量方法，包括如下几个步骤：

4、步骤1.测试并采集电池电化学阻抗谱数据：用专业的阻抗谱测试仪器，并且覆盖一定的温度和频率范围；

5、步骤2.构建elm模型：在电池阻抗谱数据采集完毕之后，构建elm模型。所述elm模型包括输入层、隐藏层和输出层。

6、所述输入层就是输入电池的电化学阻抗数据，特征维度是频率从高到低对应的阻抗的实部和虚部数据。

7、所述隐藏层是单层的全连接层，隐藏层的每个节点与输入层的每个节点进行连接，对输入值进行加权求和计算，然后通过激活函数得到隐藏节点的输出值，激活函数为sigmoid函数。

8、所述输出层是一个线性回归层，是隐藏层输出值的线性加权求和，输出值就是电池的剩余容量。

9、步骤3.训练elm模型：elm模型构建完毕之后，基于之前采集的电池电化学阻抗谱和电池剩余容量的数据进行训练。

10、步骤4.验证elm模型效果：将数据集按照8:2的比例分成训练集合和测试集合，在训练集合上进行模型训练，在测试集合上验证模型效果，检验模型的泛化能力。

11、进一步的，所述步骤1中，采集数据时，对电池进行多次循环的充放电操作，在此过程中，进行阻抗的测试，采集并记录每个频率对应的阻抗的实部和虚部数据，以及相对应的电池容量数据。

12、本发明的有益效果是：

13、本发明将elm模型引入电化学电池阻抗研究领域，充分发挥了elm模型良好的预测能力，为预测电池特征提供了很好的思路和样例。本发明直接利用电池阻抗谱数据预测电池剩余容量，无需任何其他特征，充分展示了电池阻抗谱数据的价值。以此类推，电池阻抗谱数据也可以用来预测电池其他特征，如电池健康度、电池剩余寿命等。

14、本发明使用的elm模型具有速度快、精度高等优点，可以高效准确的预测电池剩余容量。

15、本发明使用的电池阻抗谱数据是非侵入式损害的数据，对电池几乎没有任何损伤，即具备非侵入性和非破坏性等优点。

技术特征：

1.一种基于elm模型和电池阻抗谱数据预测电池剩余容量方法，其特征在于，包括如下几个步骤：

2.根据权利要求1所述的一种基于elm模型和电池阻抗谱数据预测电池剩余容量方法，其特征在于，所述步骤1中，采集数据时，对电池进行多次循环的充放电操作，在此过程中，进行阻抗的测试，采集并记录每个频率对应的阻抗的实部和虚部数据，以及相对应的电池容量数据。

技术总结
本发明公开一种基于ELM模型和电池阻抗谱数据预测电池剩余容量方法，包括如下几个步骤：步骤1.测试并采集电池电化学阻抗谱数据：用专业的阻抗谱测试仪器，并且覆盖一定的温度和频率范围；步骤2.构建ELM模型：在电池阻抗谱数据采集完毕之后，构建ELM模型；步骤3.训练ELM模型：ELM模型构建完毕之后，基于之前采集的电池电化学阻抗谱和电池剩余容量的数据进行训练；步骤4.验证ELM模型效果：将数据集按照8:2的比例分成训练集合和测试集合，在训练集合上进行模型训练，在测试集合上验证模型效果，检验模型的泛化能力。本发明将ELM模型引入电化学电池阻抗研究领域，能够直接利用电池阻抗谱数据预测电池剩余容量，模型具有速度快、精度高等优点。

技术研发人员：胡志超,潘多昭,常伟,夏紫阳
受保护的技术使用者：上海乐驾智慧能源科技有限公司
技术研发日：
技术公布日：2024/1/12