本技术介绍了一种利用预训练融合技术对锂电池健康状态(SOH)进行估计的新方法。该方法涉及采集恒压充电电流和电化学阻抗谱数据,通过数据预处理形成数据集,并构建预训练任务以实现对锂电池SOH的准确评估。
背景技术
锂电池由于其高能量密度、低自放电率、运行寿命长,已成为智能电网、微电网、智能电子设备和电动汽车的主要储能系统。锂电池健康状态(SOH)直观地反映了当前电池的老化情况,锂离子电池容量在其寿命周期会不可避免老化,这些复杂的电化学反应和外部性能的变化,导致很难准确估计SOH。因此准确估计SOH对于锂电池的安全性能评估十分重要。
当今基于数据驱动的锂电池SOH估计方法是研究热点,这种方法一般从不同的充电运行曲线构建手工特征,再输入到机器学习模型里面对SOH进行估计,或者直接从充电运行曲线输入机器学习模型里面对SOH进行估计。现有基于数据驱动的锂电池SOH估计方法,可大致分为基于电流、电流和温度等电池运行数据的SOH估计方法和基于多源数据的SOH估计方法。其中,基于多源数据的SOH估计方法综合利用了来自运行数据和电化学阻抗谱数据蕴含的电池老化信息,避免了SOH估计容易受到单一传感器噪声干扰的问题。现有的基于多源数据的SOH估计方法一般将运行数据的健康特征和电化学阻抗谱的健康特征进行组合或拼接得到新的健康特征并用于估计SOH。然而,多源数据之间通常存在异质性和语义差异,简单的融合方式难以捕捉不同数据之间的交互关系,因此没有充分融合多源数据的老化信息,导致现有方法的应用存在局限性,不利于提高SOH的估计精度。
实现思路