[发明专利]一种基于机器学习的锂离子动力电池健康状态估算方法

权利要求书

1.一种基于机器学习的锂离子动力电池健康状态估算方法，其特征在于，包括以下步骤：

步骤(1)，建立锂离子动力电池的等效电路模型，并辨识模型中的未知参数；

步骤(2)，建立Uoc-SOC模型：其中a_i、b_i、c_i.为模型中待辨识的参数,U_OC表示电池的开路电压，SOC为电池荷电状态，正整数n为2、3、4；

步骤(3)，对荷电状态SOC进行估算；

步骤(4)，将离线数据通过曲线拟合，得到a_i、b_i、c_i的值；

步骤(5)，对a_i、b_i、c_i及最大可用容量C进行归一化处理，得到a'_i、b'_i、c'_i作为输入、C'作为输出，采用机器学习算法对a'_i、b'_i、c'_i及对应的C'进行训练，最终得到以a'_i、b'_i、c'_i为输入与C'为输出的机器学习模型；

步骤(6)，对同一时刻的Uoc与SOC进行曲线拟合得到输入值a_i、b_i、c_i，归一化后输入到机器模型，得到最大可用容量C；

步骤(7)，将步骤(6)中得到的a_i、b_i、c_i及C值返回到步骤(3)，更新状态方程和观测方程中对应的参数。

2.根据权利要求1所述的一种基于机器学习的锂离子动力电池健康状态估算方法，其特征在于，所述等效电路模型选用Thevenin等效电路模型或二阶RC等效电路模型。

3.根据权利要求1所述的一种基于机器学习的锂离子动力电池健康状态估算方法，其特征在于，所述Uoc-SOC模型用U_OC＝K₀+K₁z+K₂z²+K₃z³+K₄z⁴+K₅z⁵+K₆z⁶或或或替换，其中z为荷电状态SOC，K₀、K₁、K₂ K₃、K₄、K₅、K₆、α₁、α₂为模型中待辨识的参数。

4.根据权利要求1所述的一种基于机器学习的锂离子动力电池健康状态估算方法，其特征在于，所述荷电状态SOC利用扩展卡尔曼滤波算法进行估算，电池的极化电压和荷电状态的状态方程为其中U_p、R_p、C_p表示电池极化电压、电阻、电容，η为库伦效率，ΔT为采样时间间隔，I_L,k为k时刻的电池充放电流，ω_k为系统噪声；端电压的观测方程为其中υ_k为量测噪声。