[发明专利]一种锂离子电池健康状态预测方法及装置

说明书

本发明实施例公开了一种锂离子电池健康状态预测方法及装置。本发明实施例通过对具有不同样本个数的时间序列进行相似性指标计算，建立相似性指标与可用容量的SOH预测模型从而实现了对锂离子电池健康状态的预测。具体地，本发明实施例还通过对最优规整窗口参数进行选取，保证了最大限度地挖掘相似性指标与健康状态的相关性，并以非参数化的高斯回归模型为基础，建立相似性指标与可用容量的定量关系模型，可给出锂离子电池SOH预测的均值和置信度。

技术领域

本发明涉及锂离子电池领域，尤其涉及一种锂离子电池健康状态预测方法及装置。

背景技术

具有能量密度大、输出功率高、充放电寿命长等优点的锂离子电池，在电动汽车和大规模储能等领域的应用越来越广泛。开发可靠的电池管理系统(Battery ManagementSystem，BMS)，是确保锂电池高效、安全、长寿命运行的关键。健康状态(State of Health，SOH)预测作为BMS的核心功能之一，是荷电状态(State of Charge，SOC)估计、一致性评测、均衡控制、充放电控制、安全监控的基础。电池SOH常定义为实际可用容量与额定容量之比，是衡量老化程度的一个重要指标。随着电池的不断运行，电池实际可用容量会逐渐降低，但其衰减规律极为复杂，与电流、温度等运行工况相关，精确预测电池健康状态，对合理实现电池运行维护至关重要。电池SOH预测可分为短期预测与长期预测，前者通常是SOH的单步预测，即预测下次充放电循环的可用容量，是精确实施SOC估计的基础；后者则预测电池整个生命周期的SOH变化规律，是获得电池剩余可用寿命的基础。从SOC估计的定义式可知，SOC估计需要用到当前可用容量信息；反之，若能精确估计SOC，则可以用于当前可用容量的估计。

若知道任意两个时间点的精确SOC，并根据电流积分，则可计算出当前的可用容量。但是，因为SOC的精度依赖于可用容量值，并存在电流检测误差，直接用此公式计算，难以获得精确的可用容量值。因此，对SOC和SOH实施不同尺度下的联合估计，是一种较为合理的策略，但是计算较为耗时，且仅能推算当前可用容量；若需要对SOH实施长期预测，仍需要结合预测模型予以确定，以获得可用剩余寿命。

现有SOH预测方法可大致分为三类：(1)通过从充放电曲线中提取健康特征参数，建立其与SOH的定量模型，进而实施预测；(2)直接从电池SOH时间序列数据出发，建立时间序列预测模型；(3)与SOC估计进行联合，通过建立电池模型，采用卡尔曼滤波类方法进行SOH预测。前两类方法通常可以同时实现SOH的短期和长期预测，而第三类方法往往仅关注SOH的短期预测，特别的是一步预测。第二类方法需要以每次充放电循环的可用容量值为基础，实际操作中往往难以精确获得。第三类方法一般需要建立电池模型，代价较高，且计算相对耗时。对第一类SOH预测方法，现有技术的健康特征提取方法，通常要求每条充电或放电曲线的数据点个数一致，即具有相同的维度，电池实际操作常常是局部充放电，通常难以满足相同的曲线点数，导致现有技术的实用性和适用性往往较差。另一方面，第一类方法，现有技术常采用经验方法从充放电曲线中提取若干特征，缺乏一种系统的解决方案，适应性较差。因此，针对第一类SOH预测方法对局部充放电过程适用性差的缺陷，本发明提出了一种锂离子电池健康状态预测方法及装置。

发明内容

本发明实施例提供了一种锂离子电池健康状态预测方法及装置，通过对具有不同样本个数的时间序列进行相似性指标计算，建立相似性指标与可用容量的SOH预测模型从而实现了对锂离子电池健康状态的预测。

本发明实施例提供了一种锂离子电池健康状态预测方法，包括：

S1：对锂离子电池进行离线SOH数据测试操作，得到所述锂离子电池进行多次充放电循环后的恒流充电阶段电压曲线与充放电循环的可用容量；

S2：建立所述恒流充电阶段电压曲线与基准测试曲线之间的相似性指标计算模型；

S3：对所述相似性指标计算模型进行求解，得到所述恒流充电阶段电压曲线与基准测试曲线之间的相似性指标；