(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 202110329522.6 (22)申请日 2021.03.28 (65)同一申请的已公布的文献号 申请公布号 CN 113094981 A (43)申请公布日 2021.07.09 (73)专利权人 西北工业大 学 地址 710072 陕西省西安市友谊西路127号 (72)发明人 张子正　胡欲立　李炬晨　郝泽花　 宋保维　郑乙　 (74)专利代理 机构 西安凯多 思知识产权代理事 务所(普通 合伙) 61290 专利代理师 康进兴 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/08(2006.01)G06F 119/02(2020.01) (56)对比文件 CN 110058159 A,2019.07.26 CN 107808212 A,2018.0 3.16 CN 106443453 A,2017.02.2 2 卢顺等.基于差分进化 算法优化BP神经网络 的镍镉电池 寿命预测. 《广西科技大 学学报》 .2020,(第02期), 张弦等.基 于灰色神经网络组合模型的动态 数据序列预测. 《电子测量 技术》 .2007,(第09 期), 审查员 张一良 (54)发明名称 基于灰色神经网络模型和自助方法的锂离 子电池可靠性评估方法 (57)摘要 本发明所提出的一种基于新陈代谢灰色神 经网络模型和自助方法的锂离子电池可靠性评 估方法， 其预测精度较普通新陈代谢灰色模型和 BP神经网络模型得到显著提高， 组合模 型能够充 分利用BP神经网络模型的学习能力强、 非线 性映 射能力好， 以及灰色模型运算简单的特点， 以及 自助方法对样本数量要求低的特性， 可以较好的 拟合电池性能退化曲线， 拥有较好的外推预测效 果， 最终得出在不同应力下贮存时电池的伪寿 命， 进而更高效更为低成本地完成可靠性评估， 并使得最终的评估结果具有较强的客观性和全 面性。 权利要求书5页 说明书18页 附图4页 CN 113094981 B 2022.09.13 CN 113094981 B 1.基于新陈代谢灰色神经网络模型和自助方法的锂离子电池可靠性评估方法， 其特征 在于， 包括以下步骤： 步骤1： 对同一型号同一批次的锂离 子电池进行随机抽样； 步骤2： 对步骤1得到的样本进行活化处 理； 步骤3： 对步骤2活化处理后的样本进行加速贮存实验， 同时对样本进行分组， 每组中的 电池数量大于等于2； 步骤4： 对每个温度下贮存的电池每隔周期T进行一次容量测量和内阻测量， 且期间不 对电池进行测试和维护， 得到随时间不断更新的数据， 同时得到不同应力条件下电池容量 和内阻随时间的变化曲线； 步骤5： 根据步骤4得到的数据进行累加， 生成新陈代谢的序列， 包括以下子步骤： 步骤5.1： 定义第k个电池在n个时间节点上的新陈代谢的容 量值序列为： C(0)(k)＝{c(0)(1),c(0)(2),…,c(0)(n)}k 对C(0)(k)数据进行累加， 得到新陈代谢的序列： C(1)(k)＝{c(1)(1),c(1)(2),…,c(1)(n)}k 步骤5.2： 对序列 运算m次， 生成序列为： 步骤6： 对步骤5得到的序列用新陈代谢灰色模型加以预测， 得到对步骤4测量值的预测 值， 包括以下子步骤： 步骤6.1： 依据式z(1)(k)＝0.5cm(1)(k)+0.5cm(1)(k‑1),k＝1,2, …,n生成Cm(1)的紧邻均 值序列Z(1)： Z(1)＝{z(1)(1),z(1)(2),…,z(1)(n)}； 步骤6.2： 根据灰色理论中灰色微分方程 为 建立如下关系： cm(0)(k)+az(1)(k)＝b 其中参数a为主变量 参数或系统发展系数， b是 灰色模型的灰作用系数或背景值。 步骤6.3： 计算处 理方法的最小二乘估计参数， 记 为灰色模型的参数列， 令 则灰色模型的最小二乘估计参数列满足 步骤6.4： 计算原X序列的模拟值， 将 带入式(6)中可以得到模型的时间响应序列为： 权　利　要　求　书 1/5 页 2 CN 113094981 B 2通过式(1 1)可以求 解一次累加生成序列X(1)的模拟值 步骤6.5： 对步骤6.4中累加后生成的 序列进行还原得到预测序列： 因此灰色预测模型的序列， 即为： 步骤6.6： 依据步骤6.4得到的容量的灰色模型预测序列与步骤4测量值相减得到残差 序列； 步骤7： 为步骤6处理得到的容量和残差序列建立BP神经网络并进行训练， 得到容量的 预测值以及预测值和理想值的误差序列； 步骤7.1： 经步骤6得到的容量随时间衰退序列C＝{c1,c2,…cn}以及步骤66得到的残差 值序列进行归一 化处理得到的X序列中的第i个量xi为： 其中， Cmin、 Cmax分别为原 始序列中的最小值、 最大值， a＝0.8， b＝(1 ‑a)/2。 步骤7.2： 归一化处理后， 在进行反归一化运算， 使得输出数据与原始数据落在同一区 域内， 根据步骤7.1有： 得到归一化后的序列X1＝{x1,x2,…,xn}后， 令Xk＝{xk,xk+1,…,xk+(n‑1)}作为第k个输入 样本， 令Tk＝{xk+(n‑1)+1}为第k个输出样本 。 步骤7.3： 以经由步骤7.1和7.2处理的序列为输入和输出的容量序列和残差序列进行 赋值； 步骤7.4： 建立关于容量序列和残差序列的神经网络， 并设置学习速率， 最大学习次数， 训练的最小均方误差； 步骤7.5： 取步骤4的容量序列测量值和步骤6得到的容量序列预测值和残差序列预测 值对步骤7.4所建立的神经网络进行训练， 直到所有的训练样本训练完毕； 步骤7.6： 重新从学习样本中随机选取一组输入和输出样本， 返回步骤7.1， 直到 网络全 局误差E小于预先设定的一个极小值， 网络收敛， 学习结束； 步骤8： 训练步骤7建立神经网络， 实现对非线性变化的电池容量的预测， 得出给定失效 阈值下不同应力贮存条件下的电池伪寿命； 步骤9： 经由步骤8所得到的样本伪寿命作为整个该型号该批次锂电池的自助样本， 计 算得到整个批次锂电池的可靠性指标； 步骤9.1： 计算伪寿命序列的统计参数和估计误差。 记步骤9得到的电池的伪寿命序列X ＝{x1,x2,…， xn}为样本数据， 由极大似然理论有Xi～N( μ, σ2)， μ， σ2均为未知量， i＝1,2, …, n， n＝12， 那么样本X的均值 为：权　利　要　求　书 2/5 页 3 CN 113094981 B 3