[发明专利]一种基于动态贝叶斯网络的锂电池健康状况估计方法

摘要

本发明涉及一种基于动态贝叶斯网络的锂电池健康状况估计方法。现有方法不能满足在线检测要求，并且精度差。本发明首先通过老化实验获得大量训练数据，据此针对多种电池健康状况训练出相应的动态贝叶斯网络模型。在实时估算阶段，每隔一段时间进行一次电池电压数据的采集，并通过前向算法递归计算出该电压序列所属的动态贝叶斯模型，从而准确估算电池将康状况。本发明方法可以方便地进行电池健康状况实时估计，计算速度快，估计准确。

主权项

1.一种基于动态贝叶斯网络的锂电池健康状况估计方法，其特征在于该方法的具体步骤是：步骤一：训练数据的获得，具体包括以下过程：（1）对B只同类型的具有不同使用时长和新旧程度的电池进行容量测试：对第i只电池，首先以0.4C的恒定电流对其进行充电至截止电压后，进行恒压充电，待充电电流降至0.01C以下，便认为该电池已充满电，此时以1C的电流将该电池放电至其截止电压，记录放电时间，计算该电池的实际容量为，并计算实际容量Q与标称容量Q_n的比率，其中i=1,2，……，B；（2）将上述步骤（1）中的第i只电池静置一个半小时，待电池稳定后，对电池以0.4C的电流进行恒流充电至其充电截止电压，每隔1分钟记录一次电池，其中第k次的电压为；记录总的充电时间为小时，计算第k次记录时电池的荷电状态为，其中k=1,2，…，；（3）对和分别进行离散化归档处理：将电池荷电状态从0%～100%分成M档，第m档的范围为,其中m=1,2,…,M，并根据的值将其归入相应的分档；将电池电压从到分成档，第n档的范围为，其中n=1,2,…，N，根据的值将其归入相应的分档；（4）根据的值对上述步骤（1）中的电池进行C类分类，当时归为第0类，时，归入第类，定义电池的健康状况为，其中；并将其相应的和分档结果归入该类电池的训练数据；（5）重复上述充放电过程至所有电池的实际容量均小于标称容量的80%，记录并归档所有的测量数据；步骤二：依据上述每一类电池c的训练数据，构建该类健康状况的动态贝叶斯网络模型，具体过程如下：（1）构建初始SOC概率分布向量，以均匀分布对任意电池的初始SOC进行建模，即认为电池的初始SOC₀在M档分档中均匀分布，,；由此形成个初始概率，组成初始概率向量；（2）计算SOC状态转移概率：其中表示任意前后两个采样时刻电池SOC分别处于第j档和第i档的概率，表示满足条件的所有样本个数；由此形成个状态转移概率，组成状态转移矩阵，其中；（3）计算混淆概率：其中表示在任意采样时刻SOC处于第j档而电压处于第i档的概率；由此形成个状态转移概率，组成混淆概率矩阵；（4）重复上述模型构建过程，直至所有C类模型全部构建完毕；步骤三：实时估算同类型电池的健康状况，具体过程如下：(1) 在电池恒流充电的过程中，每隔一分钟测量一次电池电压,这样时刻后便可以得到一长度为的电压观察序列，其对应的电压分档为(2)对第类动态贝叶斯网络模型，利用前向算法，计算上述观察序列在该模型下的概率：(a)递归计算局部概率，其中表示时刻电池SOC处于第s档的概率；时，利用初始概率向量和混淆概率矩阵计算局部概率:时，利用时刻的局部概率递推计算时刻的局部概率：(b)观察序列的概率等于T时刻所有局部概率之和：(3)选取上述步骤中最大的类别作为最终的健康状况类别，即，给出对应的健康状况：。