[发明专利]一种基于EIS的锂电池剩余寿命预测系统及方法

权利要求书

1.一种基于EIS的锂电池剩余寿命预测系统，其特征在于：包括状态采集模块、性能分析模块、状态监测模块和信息存储模块；

所述的状态采集模块用于采集锂电池的EIS、温度和电荷状态；

所述的性能分析模块用于根据采集到的不同温度和电荷状态下的EIS数据对锂电池进行对锂电池进行剩余寿命预测；

所述的状态监测模块用于显示所述的性能分析模块发送的锂电池的剩余寿命预测信息；

所述的信息存储模块用于存储所述的状态采集模块采集的锂电池的EIS、温度和电荷状态信息，存储所述的性能分析模块的剩余寿命预测信息。

2.根据权利要求1所述的一种基于EIS的锂电池剩余寿命预测系统，其特征在于：所述的状态采集模块包括依次连接的传感器单元、数据处理单元和无线传输单元；

所述的传感器单元用于采集锂电池的EIS、温度和电荷状态数据；

所述的数据处理单元包括PC104数据采集卡和PC104主板，所述的PC104数据采集卡用于对传感器发送的锂电池的EIS、温度和电荷状态数据进行采集，所述的PC104主板上运行VxWork操作系统，用于对所述的PC104数据采集卡采集到的锂电池的EIS、温度和电荷状态数据进行处理；

所述的无线传输单元用于将经所述的PC104主板处理后的数据通过TCP/IP协议发送到性能分析模块。

3.根据权利要求2所述的一种基于EIS的锂电池剩余寿命预测系统，其特征在于：所述的PC104主板和PC104数据采集卡采用紧固堆叠的方式连接。

4.根据权利要求3所述的一种基于EIS的锂电池剩余寿命预测系统，其特征在于：所述的性能分析模块包括无线接收组件、有线通信组件和第一工控机；

所述的无线接收组件用于与所述的无线传输单元通信，接收所述的状态采集模块发送的经所述的PC104主板处理后的数据；

所述的有线通信组件用于将所述的性能分析模块、状态监测模块和信息存储模块通信连接；

所述的第一工控机用于根据所述的无线接收组件接收的经所述的PC104主板处理后的数据，对锂电池进行剩余寿命预测。

5.根据权利要求1所述的一种基于EIS的锂电池剩余寿命预测系统，其特征在于：所述的状态监测模块包括第二工控机和是显示器；

所述的工控机用于接收所述的性能分析模块发送的锂电池的状态、剩余寿命预测结果，并控制显示器显示。

6.根据权利要求1所述的一种基于EIS的锂电池剩余寿命预测系统，其特征在于：所述的信息存储模块包括第一数据服务器和第二数据服务器，所述的第一数据服务器和第二数据服务器上均集成有MySQL数据库，所述的第一数据服务器和第二数据服务器分别用于存储和备份。

7.一种基于EIS的锂电池剩余寿命预测方法，其特征在于，包括以下步骤：

步骤1：采集锂电池在不同温度和电荷状态下的EIS数据，对该数据进行预处理；

步骤2：存储并备份锂电池在不同温度和电荷状态下的EIS数据，且根据上述数据对锂电池进行剩余寿命预测，并存储和备份剩余寿命预测信息；

所述的对锂电池进行剩余寿命预测的方法包括以下步骤：

步骤2.1：建立历史数据库，构建训练样本，分为训练样本和测试样本，对锂电池进行剩余寿命预测；具体的：历史数据库包括锂电池在不同温度和电荷状态下的EIS数据及剩余寿命预测，所述的训练样本为(x_1i，x_2i，x_3i，y_1i，y_2i)，i＝1，2，3，…，n，表示第i组训练样本；x_1i为锂电池的温度，x_2i为锂电池对应的的温度下的电荷状态，x_3i为锂电池对应的温度下的EIS数据，y_1i为锂电池对应x_1i，x_2i，x_3i状态下的电池剩余寿命-单位小时，y_2i为锂电池对应x_1i，x_2i，x_3i状态下的电池健康状态-单位健康状态百分数；

步骤2.2：根据历史数据库，建立锂电池剩余寿命预测高斯模型，具体的：

对任意整数N≥1以及变量X，与其对应的t时刻的过程状态f(X)的联合概率分布服从N维高斯分布，高斯模型为：f(t)～GP[m(t)，k(t，t′)]；其中，m(t)为高斯模型的均值，k(t，t′)为高斯模型的协方差函数；

对于n个训练样本：D＝{(x_1i，x_2i，x_3i，y_1i，y_2i)|i＝1，2，...n}，可简化为训练集D＝(X，y)，其中，X是d维输入矢量x_1i，x_2i，x_3i，如果X表示d×n维输入矩阵，y表示h维输出矢量y_1i，y_2i；

测试样本为(X*，y*)，即对于新的输入X*，利用高斯模型根据训练样本预测出与X*相对应的输出值y*，对高斯模型进行测试；构建测试集(X*，y*)；

带高斯噪声的标准线性回归模型为：

y＝f(X)+ε；

式中：f(X)为回归函数值，ε为符合高斯分布的独立随机变量，其均值为m(t)＝0，方差为即：

训练集中y的先验分布为：

y～N(0，K)；

式中：K＝K(X，X)为n×n阶对称正定的协方差矩阵，即训练集X自身的协方差矩阵；

则训练集(X，y)与测试集(X*，y*)构成的联合高斯先验分布为：

其中，K(X，X^*)为测试集X*与训练集X的协方差矩阵，k(X^*，X^*)为测试集X*自身的协方差矩阵；

上述的协方差的函数采用Matern协方差函数：

其中，Matern协方差函数中的超参数l，σ_f，σ_n的最优超参数通过极大似然法自适应获得，即建立训练集的对数边缘似然函数，对超参数求偏导，在采用共轭梯度优化方法搜索出超参数的最优解；对数边缘似然函数的形式为：

然后根据贝叶斯原理在训练集的基础上预测出与X*对应的最可能的输出值，即给定新的输入X*、训练集的输入值X和训练集的输出值y的条件下，推断输出值y*最可能的预测分布P(f^*|x^*，X，y)：

输出值y*的均值和方差为

根据训练集的输出值y*的均值进行验证，若输出值y*的平均相对误差小于1.5％，则此时的最优超参数满足使用要求；

步骤2.3：利用步骤2.2建立的高斯模型，通过锂电池实时的不同温度和电荷状态下的EIS数据，对锂电池进行剩余寿命预测。