[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

说明书

本发明公开了一种基于电压曲线的电池健康状态估计方法、装置及可读介质，通过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；将电压‑时间变化曲线的时间通过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；采用多项式拟合的方式对对数充电电压曲线进行拟合，得到的拟合曲线；将拟合曲线的各项系数输入线性回归模型中，输出对数充电电压曲线所对应的电池健康状态的预测值。本发明能够适用于不同倍率的恒流充电过程下的SOH估计，且计算复杂度低，兼具较高的精确度。

技术领域

本发明涉及锂离子电池领域，具体涉及一种基于电压曲线的电池健康状态估计方法、装置及可读介质。

背景技术

锂离子电池凭借循环寿命长、能量密度高、自放电小、充放电速度快等一系列优点，已经在电子设备、电动汽车等储能系统中得到了广泛的应用。然而，随着时间的推移和电池使用时间的延长，由于滥用或者老化，电池内部会发生一系列的电化学反应，导致容量不可逆的减少，内阻增加，从而无法满足实际使用需求，严重时还可能会造成起火甚至爆炸等灾难性后果。为保证电池正常高效地工作，电池管理系统(BMS)必不可少。一个完整成熟的BMS往往具有采样及测量功能、状态估计及预测功能、控制及管理功能和通讯及诊断功能。其中，估计电池健康状态(SOH)是状态估计及预测功能中的核心需求之一。准确地对电池健康状态进行估计可以判定电池的老化程度，协助估计电池SOC，并为BMS进行更好的控制、管理和诊断提供重要依据，为电池组的安全性能提供重要保障。

目前，已经很有多研究工作报道了许多有效的SOH估计方法。通常，这些方法可以分为三类：实验方法、自适应估计方法和数据驱动方法。

实验方法是通过设计实验直接测量出电池的容量或内阻，然后根据SOH的定义，计算出电池健康状态。这种方法简单直接、易于理解，但测试耗时较长，需要配合相应的实验设备才能实现，适合在实验室中使用，无法满足实际应用场景的要求。

自适应估计方法是一种能够自我更新以更好地拟合新数据样本的方法，它可以最大限度的减少开发精确老化模型所需的测试工作量。该方法以其精度高、实施简单、易于工程实现等优点得到了广泛应用，但计算量大，往往不适合用于在线估计。

近年来，由于灵活性和无模型的优点，数据驱动方法逐渐成为电池健康状态估计的重要方法之一。该方法将电池当作一个“黑箱”，无需对电池内部复杂的老化衰减机理进行分析。利用数据驱动方法估计SOH，首先需要对测得的数据进行预处理，提取具有代表性的特征变量，然后采用一定的机器学习算法找到各特征变量与SOH之间的隐藏关系，进而实现SOH的估计。

虽然已有的这些SOH估计方法都具有较好的估计结果，但往往不适用于与训练数据倍率不同时的SOH估计。而在电池实际使用过程中，大多数时候电池的充电倍率与训练数据并不相同。

发明内容

针对上述提到的背景技术中提到的技术问题。本申请的实施例的目的在于提出了一种基于电压曲线的电池健康状态估计方法、装置及可读介质，该方法从恒流充电过程的电压曲线中提取特征，利用线性回归算法来估计电池健康状态。来解决以上背景技术部分提到的技术问题。

第一方面，本申请的实施例提供了一种基于电压曲线的电池健康状态估计方法，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，将电压-时间变化曲线的时间通过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对数充电电压曲线进行拟合，得到的拟合曲线；

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

在一些实施例中，步骤S4具体包括：