[发明专利]一种电池健康状态的预测方法

权利要求书

1.一种电池健康状态的预测方法，其特征在于，所述预测方法包括：

获取电池的全生命周期数据并将其拆分成多个循环过程，从而得到每个循环发生的时间和应力影响因子，以形成集合T，所述集合T包括每个循环发生的时间；

对所述集合T中的数据进行排序，并计算相邻数据的时间间隔，从而得到多个时间差以组成集合T_diff；

将所述集合T和所述集合T_diff输入至时序模型进行训练以得到模型model₁，并且，将部分的所述应力影响因子和所述集合T输入至时序模型进行训练以得到模型model_temp、model_soc、model_dod、model_pass；

利用所述模型model₁、model_temp、model_soc、model_dod、model_pass计算不同时刻的预测值，从而组成集合Temp_p、并根据集合的应力值计算电池的SOH。

2.根据权利要求1所述的电池健康状态的预测方法，其特征在于，所述拆分成多个循环过程的方法包括：先按照电池的时间对所述全生命周期数据进行排序，再根据电池的SOC对所述全生命周期数据进行拆分。

3.根据权利要求1所述的电池健康状态的预测方法，其特征在于，所述应力影响因子包括平均温度因子、平均SOC因子、放电深度因子、经历时间因子，其中，所述平均温度因子为循环过程中所有温度探针检测到的温度的平均值，所述平均SOC因子为循环过程中不同时刻下SOC的平均值，所述放电深度因子为循环过程中的放电过程中的放电开始SOC与放电结束SOC的差值，所述经历时间因子为循环过程经历的时间。

4.根据权利要求3所述的电池健康状态的预测方法，其特征在于，所述预测方法还包括：将所述平均温度因子组成的集合Temp和所述集合T输入至时序模型进行训练以得到模型model_temp。

5.根据权利要求3所述的电池健康状态的预测方法，其特征在于，所述预测方法还包括：将所述平均SOC因子组成的集合SOC_mean和所述集合T输入至时序模型进行训练以得到模型model_soc。

6.根据权利要求3所述的电池健康状态的预测方法，其特征在于，所述预测方法还包括：将所述放电深度因子组成的集合DOD_j和所述集合T输入至时序模型进行训练以得到模型model_dod。

7.根据权利要求3所述的电池健康状态的预测方法，其特征在于，所述预测方法还包括：将所述经历时间因子组成的集合time_pass和所述集合T输入至时序模型进行训练以得到模型model_pass。

8.根据权利要求1所述的电池健康状态的预测方法，其特征在于，所述预测方法还包括：在组成所述集合T_diff之后，计算所述集合T_diff中数据的平均值，并将该平均值添加至所述集合T_diff中作为第一项，从而将所述集合T和所述集合T_diff输入至时序模型进行训练以得到模型model₁。

9.根据权利要求1所述的电池健康状态的预测方法，其特征在于，所述计算不同时刻的预测值的方法包括：利用model₁进行预测以得到序列分别使用模型model_temp、model_soc、model_dod、model_pass计算时刻的预测值，从而得到相应的Temp_p、所述tn为开始预测的时间。

10.根据权利要求1所述的电池健康状态的预测方法，其特征在于，所述计算电池的SOH值的方法包括：根据循环充放电衰减实验的实验数据拟合电池的衰减曲线，并利用所述集合Temp_p、的应力值对所述衰减曲线进行修正，从而利用修正后的衰减曲线计算电池的SOH值。