[发明专利]预测锂电池阻抗模型的参数的方法、装置及可读存储介质

说明书

本发明公开了一种预测锂电池阻抗模型的参数的方法，步骤如下：建立预测目标参数的最小二乘支持向量机模型；获取待测锂电池的电压响应值；根据最小二乘支持向量机模型和电压响应值，得到所述待测锂电池的所述目标参数;可见，根据预先建立的最小二乘支持向量机模型，以及获取的电压响应值，可以得到目标参数;避免了运用人工神经网络预计锂电池的阻抗模型的参数，且最小二乘支持向量机采用结构风险最小化原则，运用于预测问题时，在最小化样本点误差的同时，缩小模型泛化误差的上界，提高了模型的泛化能力，因此可以更加准确地预测电池阻抗模型的参数。

技术领域

本发明涉及锂电池技术领域，具体是预测锂电池阻抗模型的参数的方法、装置及可读存储介质。

背景技术

随着社会的不断发展，我国在新能源及节能减排方面取得了快速发展，锂电池由于具有较高的能量及更具有环保性，已经开始取代传统的铅酸、镍氢和镍镉电池。锂电池应用于电动汽车时，电动汽车上需要装载的锂电池工作电压为12V或24V，但是单体锂电池的工作电压为3.7V，所以需要多个电池串联起来提高电压，然而电池很难进行完全均衡的充放电，难以保证电池的一致性，会出现充电不足及过放电的情况，直接导致电池性能的急剧恶化，极大折损电池的循环寿命和可靠性能。因此提高电池的一致性，就显得尤其重要。经过大量研究发现，锂电池的阻抗模型中的参数是评估电池动态性能一致性的根据。

现有技术中，采用人工神经网络法预测锂电池阻抗模型的参数。人工神经网络从仿生学角度对人脑的神经系统进行模拟，以实现人脑所具有的感知、学习和推理等功能，将人工神经网络引入到锂电池阻抗模型参数预测中，可以实现快速预测电池阻抗模型参数的目的。虽然人工神经网络取得了一定的成功，但因人工神经网络遵循经验风险最小化原则，建模过程需要大量的样本数据、泛化能力差、易于陷于局部最优等缺点，在实际应用时，预测效果有时不理想。

因此，如何更加准确地预测锂电池阻抗模型的参数，是本领域技术人员目前需要解决的问题。

发明内容

本发明的实施例目的在于提供预测锂电池阻抗模型的参数的方法、装置及可读存储介质，以解决上述问题。

为实现上述目的，本发明提供如下技术方案：

一种预测锂电池阻抗模型的参数的方法，步骤如下：

S10：建立预测目标参数的最小二乘支持向量机模型；

S20：获取待测锂电池的电压响应值；

S30：根据所述最小二乘支持向量机模型和所述电压响应值，得到所述待测锂电池的所述目标参数。

在一种可选方案中：所述建立预测目标参数的最小二乘支持向量机模型，步骤包括：

获取多个样本锂电池的样本电压响应值；

获取所述多个样本锂电池阻抗模型的参考参数；

根据所述多个样本锂电池的样本电压响应值和所述参考参数建立所述最小二乘支持向量机模型。

在一种可选方案中：所述支持向量机的核函数为径向基核函数。

在一种可选方案中：根据所述多个样本锂电池的样本电压响应值和所述参考参数建立所述最小二乘支持向量机模型的步骤包括：

根据所述多个样本锂电池的样本电压响应值和所述参考参数，采用遗传退火算法确定所述最小二乘支持向量机模型。

在一种可选方案中：获取所述多个样本锂电池阻抗模型的参考参数的步骤包括：

采用电化学工作站测量所述多个样本锂电池阻抗模型的参考参数。

在一种可选方案中：所述获取待测锂电池的电压响应值包括：