(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111098929.9 (22)申请日 2021.09.18 (65)同一申请的已公布的文献号 申请公布号 CN 113805064 A (43)申请公布日 2021.12.17 (73)专利权人 北京航空航天大 学 地址 100191 北京市海淀区学院路37号 (72)发明人 王晓红　王立志　张钰　孙雅宁　 林逸群　 (74)专利代理 机构 北京盛询知识产权代理有限 公司 11901 专利代理师 马文巧 (51)Int.Cl. G01R 31/367(2019.01) G01R 31/392(2019.01)G01R 31/396(2019.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 7/00(2006.01) (56)对比文件 CN 112630662 A,2021.04.09 CN 112630662 A,2021.04.09 CN 108287317 A,2018.07.17 CN 113391209 A,2021.09.14 CN 106526486 A,2017.0 3.22 CN 106772064 A,2017.0 5.31 US 20183 06868 A1,2018.10.25 EP 3736587 A1,2020.1 1.11 审查员 王灵安 (54)发明名称 基于深度学习的锂离子电池组健康状态预 测方法 (57)摘要 本发明公开基于深度学习的锂离子电池组 健康状态预测方法， 包括以下步骤： S1、 提取锂离 子电池组的放电特征参数， 并对放电特征参数进 行相关性分析； S2、 根据相关性分析的结果获取 原始特征数据集， 并进行特征降维； S3、 构建节点 退化数据预测模型； S4、 将降维特征集输入节点 退化数据预测模 型中， 获取锂离子电池组的节点 退化预测数据； S5、 将节点退化预测数据转化为 节点状态分布预测数据， 并基于节 点状态分布预 测数据获取锂离子电池组健康状态预测结果。 本 发明能够按照特征提取—相关性分析—特征 降 维—节点状态分布预测—系统健康状态预测的 流程， 实现了对锂离子电池组健康状态的准确预 知。 权利要求书1页 说明书8页 附图5页 CN 113805064 B 2022.09.20 CN 113805064 B 1.基于深度学习的锂离 子电池组健康状态预测方法， 其特 征在于， 包括以下步骤： S1、 提取锂离 子电池组的放电特 征参数， 并对所述 放电特征参数进行相关性分析； S2、 根据所述相关性分析的结果获取原始特征数据集， 并对所述原始特征数据集进行 特征降维， 获得降维特 征集； 所述S2中原始特征数据集的获取过程为： 量化所述相关性分析的结果， 获取所述放电 特征参数 的相关系数矩阵， 并根据所述相关系数矩阵去除相关系数小于0.1的所述放电特 征参数， 获取原 始特征数据集； S3、 根据循环间放电容量的关联关系获取锂离子电池组循环间放电情况的时序性， 并 基于所述锂离 子电池组循环间放电情况的时序性构建节点退化数据预测模型； S4、 将所述降维特征集输入所述节点退化数据预测模型中， 获取所述锂离子电池组的 节点退化预测数据； S5、 将所述节点退化预测数据转化为节点状态分布预测数据， 并基于所述节点状态分 布预测数据获取锂离 子电池组健康状态预测结果； 所述S1中的相 关性分析的过程为： 对所述放电特征参数进行均值、 中位数、 方差计算， 完成统计分析， 并根据所述统计分析的结果进行相关可视化操作， 完成相关性分析； 所述S2中特 征降维的过程包括以下步骤： S2.1、 对所述原 始特征数据集进行网格化处 理， 获得网格特 征矩阵； S2.2、 基于所述网格特征矩阵构建卷积神经网络模型， 并对所述卷积神经网络模型进 行模型优化训练； S2.3、 基于所述模型优化训练后的所述卷积神经网络模型获取降维特征参数， 完成特 征降维； 所述S3中节点退化数据预测模型的构建包括以下步骤： S3.1、 获取所述锂离子电池组的循环退化数据集， 并基于所述循环退化数据集获取模 型数据集； S3.2、 构建所述节点退化数据预测模型； S3.3、 基于所述模型数据集对所述节点退化数据预测模型进行参数优化训练， 完成节 点退化数据预测模型的构建； 所述S5中锂离子电池组健康状态预测结果的获取过程包括以下步骤： S5.1、 对所述节 点退化预测数据进行离 散化处理， 完成对所述锂离 子电池组退化过程的多状态划分； S5.2、 构建贝叶斯神经网络混合模型； S5.3、 基于所述贝叶斯神经网络混合模型获取节点状态分布预测数据， 根据所述节点 状态分布预测数据获取锂离 子电池组健康状态预测结果。 2.根据权利要求1所述的基于深度学习的锂离子电池组健康状态预测方法， 其特征在 于， 所述S1中的放电特 征参数包括 放电电流、 放电 电压、 放电温度、 放电容 量数据。权　利　要　求　书 1/1 页 2 CN 113805064 B 2基于深度学习的锂离 子电池组健康状态预测方 法 技术领域 [0001]本发明涉及锂离子电池状态预测技术领域， 特别涉及基于深度学习的锂离子电池 组健康状态预测方法。 背景技术 [0002]锂离子电池以其高比能量， 长循环寿命， 较宽 的工作温度范围等特性广泛用于电 动汽车、 混合动力船舶、 无人机等设备 的能源动力系统。 由于单体锂离子电池电压较低， 在 动力供应过程中需要以电池组的方式进行能源供应， 因此在实际使用中， 成百上千的电池 通过各种复合连接方式， 以及各种成包成组方法组成复杂的能源供应系统。 从单体电池到 组合连接电池组再到复杂电池包最后形成完整的能源动力系统， 是一个典型的多层级系 统。 [0003]另一方面， 在锂离子电池组的实际使用过程中， 由于电池间存在极强的相依作用， 再加上电池初始差异和环境应力影响， 电池组的一致性很难保持。 在相依作用下， 这种不一 致性将愈发加重电池组的非均衡效应， 使得电池间的退化过程和特征参数相互耦合复杂多 变， 相互的关联关系动态变化， 难以准确预知。 发明内容 [0004]针对上述问题， 本发明提出基于深度学习的锂离子电池组健康状态预测方法， 以 解决现有技术中存在的技术问题， 能够按照试验—特征提取—相关性分析—特征降维—节 点退化数据预测—节 点状态分布预测—系统健康状态预测的流程， 完整地进 行了相应的分 析工作， 实现了对 锂离子电池组健康状态的准确预知。 [0005]为实现上述目的， 本发明提供了如下方案： 本发明提供基于深度学习的锂离子电 池组健康状态预测方法， 包括以下步骤： [0006]S1、 提取锂离 子电池组的放电特 征参数， 并对所述 放电特征参数进行相关性分析； [0007]S2、 根据所述相关性分析的结果获取原始特征数据集， 并对所述原始特征数据集 进行特征降维， 获得降维特 征集； [0008]S3、 根据循环间放电容量的关联关系获取锂离子电池组循环间放电情况的时序 性， 并基于所述锂离 子电池组循环间放电情况的时序性构建节点退化数据预测模型； [0009]S4、 将所述降维特征集输入所述节点退化数据预测模型中， 获取所述锂离子电池 组的节点退化预测数据； [0010]S5、 将所述节点退化预测数据转化为节点状态分布预测数据， 并基于所述节点状 态分布预测数据获取锂离 子电池组健康状态预测结果。 [0011]优选地， 所述S1中的放电特征参数包括放电电流、 放电电压、 放电温度、 放电容量 数据。 [0012]优选地， 所述S1中的相关性分析的过程为： 对所述放电特征参数进行均值、 中位 数、 方差计算， 完成统计分析， 并根据所述统计分析的结果进行相关可视化操作， 完成相关说　明　书 1/8 页 3 CN 113805064 B 3