一种基于BP神经网络算法预测电池现有状态健康度的方法

本发明涉及一种基于bp神经网络算法在预测电池的健康度(state of health，soh)、荷电状态(state of charge，soc)以及剩余寿命(remaining useful life，rul)中的应用，属于电池预测领域。

背景技术：

1、电池作为新能源领域的血液助力我们国家实现产业转型的同时，在减少化石燃料的使用方面也做出了突出的贡献。

2、电动自行车作为人民短途旅行的便捷交通工具方便了人民的日常出行。但近些年来，电动自行车领域由于其电池型号不均，安全标准良莠不齐，加之人民对电池自行车电池安全事故的防范经验不足，在电动自行车逐渐普及的今天，其安全事故的发生数量逐渐增多不容我们忽视。

3、在这个时候，如果有一种检测设备，在人民使用电动自行车之后，及时进行检测，并进行提示就可以尽可能地避免电动自行车电池的自燃及爆炸时间的发生。

4、传统的电池测试需要将待测从最高电压到截止电压的电压-时间曲线作为输入信号，输入到bp神经网络中进行计算，才能将获取电池的各项数据。但这无疑会增大人民的时间成本，但若要在短时间内如30min之内的放电曲线进行检测并准确预测出放电曲线所在的放电循环次数则需要将数据集进行处理。

5、该发明在原有bp神经网络算法的基础上进行改进，并极大缩短了电动自行车电池的检测时间与准确率。主要由三个指标来提示soh、soc与rul，且预测准确度达到了95％以上。

技术实现思路

1、针对目前bp神经网络算法与电动自行车电池检测的研究基础，本文发明了一种利用bp神经网络算法为基础，并结合特殊数据处理方法与其相结合的方法，相较于传统的电池检测方法，不需要测试电池的最高电压到截止电压的完整的放电曲线就可以顺利预测出电池的soh、soc与rul。本方案采用以下方式实现。

2、一种基于bp神经网络算法的计算模型，并预测电池soh、soc与rul的检测方法，其特征在于，包括以下步骤：

3、步骤一：健康电池的检测

4、将健康电池(任意种类的三元电池)以不同倍率进行恒流充放电循环测试，且由于三元电池的循环电压区间通常为4.15v～3.0v，采样点时间为30s，因此，其循环充放电程序为静置-恒流充电-静置-恒流放电，如此循环，整理电池soh在100％～80％的充放电数据，针对每一个倍率条件下的不同循环对应的放电的时间-电压曲线组成图形成不同循环的放电曲线图集；

5、电池从质量完好且均一的相同种类，相同品牌的崭新电池开始检测。实验前应测定电池的soh为100％，然后将电池放置在充放电测试设备上进行恒流充放电循环测试，电池的soh将会在一定循环圈数循环之后逐渐降低。根据电动自行车的行业标准，电池的soh降低至80％以下后电池将不可再用，因此将电池soh在100％～80％的充放电数据进行整理，并将电池的放电数据整理到一个数据集中(由于有些电池的soh在数次循环之后，可能出现高于100％的情况，同样需要将其整理到数据表中)。该数据集中的每一数据都为时间-电压曲线，且电压上限为4.15v下限为3.0v。最终将电池的soh为100％～80％测试数据的充电曲线或放电曲线整理成如图1所示的数据图，图1为100％soc的电池以0.3c倍率进行恒流充放电循环值80％soh的所有循环放电数据的数据集，每一条时间-电压曲线对应一个循环，同时根据整幅图还体现所在的循环是对应的第几循环。

6、步骤二，对数据的处理和定义

7、将电池100％～80％soh以某一倍率如0.3c进行恒流充放电测试后的所有放电数据集整理好之后其数据集绘制成图像之后如图1所示，则该数据集的倍率为0.3c，则drate＝0.3c。可以看出该曲线图集中的所有数据均为电压-时间曲线，定义步骤一中放电曲线图集中每条或每段循环曲线的初始电压值均为4.15v对应的初始时间均为0s，终止电压值均为3.0v对应的终止时间点为tend，每条或每段循环曲线终止时间点tend各不相同；每条或每段循环曲线对应所在的循环圈数为nc；最后一条或最后一段循环曲线对应所在的循环圈数最大记为nmax；

8、上述整个曲线图集中对应的数据被命名为data_origin。

9、步骤三实际电池的随机测试及数据处理

10、(1)以某倍率drate测定实际电池即时的一段的放电曲线成为实际放电曲线，此实际电池命名为电池a，如图2(a)所示，则电池a的该段实际放电曲线的电压上限为v1，v1≤4.15v；放电曲线放电的初始时间记为0s时刻，放电的终止电压为v2，v2≥3.0v对应的放电终止时间为te，则该段实际放电曲线的时间长度为te。

11、为了获取特定电压区间的数据集，并将其用于神经网络的训练，将数据集data_origin中放电倍率xc对应的所有放电曲线电压在v1～v2之间的曲线数据筛选出来，并将所有筛选出来的v1对应的时间改为初始时间且初始化为0s，制备成新的不同循环的的电压时间曲线图集，如图2(b)中所呈现的，该新的曲线图集被命名为data_mid；可以由图2(b)中的曲线看出，该新的曲线图集中每条循环曲线对应的时长各不相同。

12、(2)为了减少bp神经网络在训练过程中由于数据长度不同而产生的误差，需要统一曲线图集data_mid中所有数据的数据长度，即统一所有被选出的放电数据的放电时间记为tneat，tneat取值为曲线图集data_mid中放电时间最短的时间长。如图2(b)中的数据集中，放电曲线的放电时间最短为390s，则定义该tneat＝390s。

13、(3)将数据集data_mid中的每条放电曲线的放电时间大于tneat的数据全部删除，制成如图2(d)所示数据集，该数据集被命名为data_final；该data_final数据集中所有数据的初始时间均为0s；终止时间均为tneat；该数据集中每条循环曲线对应的起始电压均为v1，但终止电压各不相同。

14、(4)为了便于神经网络的训练，需要将步骤(1)的实际放电曲线如图2(a)中所测得的电池a的时间长度也定为tneat，因此将图2(a)中实测的放电曲线处理进行处理：处理为时间长度为tneat放电曲线，起始时间为0s，终止时间为tneat；该处理的实际放电曲线的起始电压为v1，由于该处理的曲线的终止时间发生改变，终止电压不再为v2，定义该处理的实际曲线的终止电压为v3作为新的终止电压，如图2(c)所示。

15、步骤四bp神经网络模型的建立及预测

16、将数据集data_final中的所有数据作为训练集，其中每组数据即每条循环曲线所处的循环圈数作为目标值训练bp神经网络，该网络被命名为net_01并最终获取的神经网络有以下三个特点：1、专属于电池a；2、训练集电压范围在v1～v2之间；3、放电数据时间长度为tneat如图2(a)中所示，并将步骤(4)处理的实际曲线即对应的终止电压为v3如图2(c)的放电数据输入到网络net_01中；

17、最终net_01可以预测出步骤(1)电池a在进行即时测试时所处充放电循环圈数，该圈数的数值被命名为npredict；则npredict的数值就为该bp神经网络预测出的该段放电曲线所处的放电循环的圈数。

18、步骤五实际电池的健康度计算

19、假设当电池a的循环圈数被预测为npredict，将数据集data_origin中圈数为npredict的放电曲线筛选出来，该曲线的初始电压为4.15v；该曲线的截止电压为3.0v；该曲线的初始时间为0s；该曲线的终止时间为tend；则该条曲线被命名为curve_predic，则数据集data_origin中第npredict圈数电池的soh为：

20、tend×drate/3600×100％＝soh       (1)

21、其中tend为data_origin中第npredict圈数电池对应的放电时间，drate为放电的电流倍率，3600为每小时的秒数，则该soh就被认为是电池a的soh。

22、由于曲线curve_predic被筛选出来，同时图2(a)中a的实际放电曲线截止电压为v2，将曲线curve_predic上电压值为v2或最接近的v2点被选出来，该点被命名为soh_real(tend，v2)该点的电压值为v2，时间值为tend，则电池a的soc的计算方式为：

23、(tend-tend)/tend×100％＝soc       (2)

24、其中tend为点soh_real(tend，v2)上的时间数据，3600为每小时的秒数。

25、电池a的剩余寿命计算方法为：

26、nmax-npredict＝rul        (3)

27、npredict为神经网络算法预测出的电池a所处的循环圈数，nmax为数据集data_origin中最后一组数据所处的循环圈数，其中rul为剩余寿命。

28、本发明的优点：

29、1、本发明在建立完整的电池测试数据的基础上，构建不同倍率的完整的电池充/放电数据，在结合bp神经网络算法后能够针对不同状态属性的电池构建专属的神经网络数据集，并应用与实际电池各项属性预测中，准确率高，实用性强。

30、2、本发明所涉及的一整套算法能够将任意状态电池的soh、soc与rul进行预测，准确率高达95％以上，且测试时间短，便于投入实际应用。

31、3、本发明全文的倍率为0.3c，但该方法不仅适用于0.3c还适用于其他倍率，如果有更加完整而详细的数据库，可以在短时间内完成对电池任意倍率任意状态的soh、soc与rul的检测。