[发明专利]基于电压曲线的电池健康状态估计方法、装置及可读介质

权利要求书

1.一种基于电压曲线的电池健康状态估计方法，其特征在于，包括以下步骤：

S1，获取具有一定恒流充电倍率的电池在恒流充电过程中的电压-时间变化曲线；

S2，将所述电压-时间变化曲线的时间通过所述恒流充电倍率进行倍率处理，再经过对数处理后，得到对数充电电压曲线；

S3，采用多项式拟合的方式对所述对数充电电压曲线进行拟合，得到的拟合曲线；

S4，将所述拟合曲线的各项系数输入电池健康状态估计模型中，输出所述对数充电电压曲线所对应的电池健康状态的预测值，所述电池健康状态估计模型包括线性回归模型。

2.根据权利要求1所述的基于电压曲线的电池健康状态估计方法，其特征在于，所述步骤S4具体包括：

S41，建立线性回归模型，将所述拟合曲线的各项系数作为输入特征，与之对应的电池健康状态的预测值作为输出，基于所述电池健康状态的预测值与已知相对应的电池健康状态的实测值作误差分析以对所述线性回归模型进行离线训练直至满足误差要求，训练好的线性回归模型作为所述电池健康状态估计模型；

S42，将实时采集到的恒流充电过程中的电压和时间数据经过步骤S2-S3获取输入特征，输入至所述电池健康状态估计模型在线计算得到所对应的电池健康状态的预测值。

3.根据权利要求2所述的基于电压曲线的电池健康状态估计方法，其特征在于，所述步骤S41中将所述恒流充电倍率为0.75C的电池全寿命周期的循环数据作为所述线性回归模型的训练集，所述线性回归模型的训练过程中采用残差平方和作为损失函数。

4.根据权利要求2所述的基于电压曲线的电池健康状态估计方法，其特征在于，所述步骤S41中将所述恒流充电倍率为1C和1.25C的电池的数据作为所述线性回归模型的测试集，并结合拟合优度、平均绝对误差和均方误差三个指标对所述电池健康状态估计模型的精度进行评估和验证。

5.根据权利要求2所述的基于电压曲线的电池健康状态估计方法，其特征在于，所述步骤S42中所述电池健康状态估计模型的在线计算过程与步骤S41中所述电池健康状态估计模型的离线训练过程所使用的电池为同一型号。

6.根据权利要求1所述的基于电压曲线的电池健康状态估计方法，其特征在于，所述步骤S2具体包括：所述电压-时间变化曲线的时间t经过下以下公式计算：

t′＝ln(C×t+1)；

其中，C为恒流充电倍率，t’为所述对数充电电压曲线的横坐标。

7.根据权利要求1所述的基于电压曲线的电池健康状态估计方法，其特征在于，所述步骤S3采用拟合优度指标获取所述对数充电电压曲线所对应的具有最佳的多项式阶数的拟合曲线，并根据所述多项式阶数确定所述拟合曲线的各项系数。

8.一种基于电压曲线的电池健康状态估计装置，其特征在于，包括：

电压数据获取模块，被配置为获取具有一定恒流充电倍率的电池在恒流充电过程中的电压-时间变化曲线；

曲线处理模块，被配置为将所述电压-时间变化曲线的时间通过所述恒流充电倍率进行倍率处理，再经过对数处理后，得到对数充电电压曲线；

曲线拟合模块，被配置为采用多项式拟合的方式对所述对数充电电压曲线进行拟合，得到的拟合曲线；

预测模块，被配置为将所述拟合曲线的各项系数输入电池健康状态估计模型中，输出所述对数充电电压曲线所对应的电池健康状态的预测值，所述电池健康状态估计模型包括线性回归模型。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。