[发明专利]储能电池荷电状态与健康状态联合估算方法及系统

权利要求书

1.一种储能电池荷电状态与健康状态联合估算方法，对于工作于不断充放电循环的储能电池，每间隔一定充放电循环周期后，执行标准的恒流恒压充电过程，其特征在于，所述方法包括：

实时采集储能电池在恒流恒压充电阶段的电压、电流、温度数据，输入健康状态预测模型，估算当前时刻的健康状态；

当恒流恒压充电阶段结束，电流由正转负开始放电，求出整个恒流恒压阶段健康状态的平均值；

将实时采集任意充放电阶段的电压、电流、温度数据，结合计算的健康状态平均值输入荷电状态预测模型，估算当前时刻的荷电状态。

2.根据权利要求1所述的储能电池荷电状态与健康状态联合估算方法，其特征在于，收集储能电池历史参数数据作为训练样本，训练得到所述健康状态预测模型和所述荷电状态预测模型；其中，所述储能电池历史参数数据包括不同工况下的电压、电流、温度、荷电状态、健康状态。

3.根据权利要求2所述的储能电池荷电状态与健康状态联合估算方法，其特征在于，使用MATLAB平台，搭建长短期记忆网络LSTM作为基础网络，训练得到所述健康状态预测模型。

4.根据权利要求3所述的储能电池荷电状态与健康状态联合估算方法，其特征在于，将恒流恒压阶段当前时刻的电压、电流、温度及前一时刻的健康状态输入基础网络，输出当前时刻的健康状态，训练测试确定LSTM网络的最优模型参数，得到所述健康状态预测模型。

5.根据权利要求2所述的储能电池荷电状态与健康状态联合估算方法，其特征在于，使用MATLAB平台，搭建长短期记忆网络LSTM作为基础网络，训练得到所述荷电状态预测模型。

6.根据权利要求5所述的储能电池荷电状态与健康状态联合估算方法，其特征在于，将任意充放电阶段下当前时刻的电压、电流、温度、前一时刻健康状态及前一时刻荷电状态输入基础网络，输出当前时刻的荷电状态，训练测试确定LSTM神经网络的最优模型参数，得到所述荷电状态预测模型。

7.根据权利要求2-6任一项所述的储能电池荷电状态与健康状态联合估算方法，其特征在于，所述不同工况包括恒流恒压充电工况、恒流放电工况、脉冲放电工况、随机放电工况。

8.一种储能电池荷电状态与健康状态联合估算系统，对于工作于不断充放电循环的储能电池，每间隔一定充放电循环周期后，执行标准的恒流恒压充电过程，其特征在于，所述系统包括：

第一估算模块，用于将实时采集储能电池在恒流恒压充电阶段的电压、电流、温度数据，输入健康状态预测模型，估算当前时刻的健康状态；

均值计算模块，用于当恒流恒压充电阶段结束，电流由正转负开始放电，求出整个恒流恒压阶段健康状态的平均值；

第二估算模块，用于将实时采集任意充放电阶段的电压、电流、温度数据，结合计算的健康状态平均值输入荷电状态预测模型，估算当前时刻的荷电状态。

9.一种非暂态计算机可读存储介质，其特征在于：所述非暂态计算机可读存储介质包括用于执行如权利要求1-7中任一项所述的储能电池荷电状态与健康状态联合估算方法的指令。

10.一种电子设备，其特征在于：包括如权利要求9所述的非暂态计算机可读存储介质；以及能够执行所述非暂态计算机可读存储介质的所述指令的一个或多个处理器。