[发明专利]基于机器学习的锂电池健康状态及荷电状态联合估算方法

权利要求书

1.一种基于机器学习的锂电池健康状态及荷电状态联合估算方法，其特征在于是具体步骤如下：

(1)确定储能系统采用的电池型号及出厂参数，通过对该型号的全新电池进行循环充放电测试，得到充放电过程和老化过程的明细数据，并拟合其V-SOC曲线；

(2)根据步骤(1)得到的的V-SOC曲线建立合适的锂电池等效电路模型；

(3)用带有遗忘因子的递推最小二乘法(FFLS)对一个充放电周期内的电压回弹特性曲线进行参数辨识，得到欧姆电阻R_Ω、第一极化电阻R₁、第二极化电阻R₂的值(单位为mΩ)，对R_Ω、R₁、R₂、温度T、循环次数n、电池可用容量C_cap进行归一化处理，得到归一化欧姆电阻R_Ω^：、归一化第一极化电阻R₁^：、归一化第二极化电阻R₂^：、归一化循环次数n^：、归一化温度T^：、归一化可用容量C_cap^：，将R_Ω^：、R₁^：、R₂^：、n^：、T^：作为输入量；C_cap^：作为输出量对神经网络进行训练，最终得到以循环次数n、温度T、欧姆电阻R_Ω、第一极化电阻R₁、第二极化电阻R₂为输入，C_cap为输出的机器学习模型；

(4)在实际应用中，开机时首先进行一次初始化测试操作，记录其电压数据，对该周期内的电压回弹曲线进行拟合，用带有遗忘因子的递推最小二乘法(FFLS)辨识参数，得到当前电池欧姆电阻R_Ω、第一极化电阻R₁和第二极化电阻R₂，同时测量环境温度T、在存储芯片中读取电池充放电循环数据n及上次关机时的剩余电量SOC₁，将以上参数归一化后输入到机器模型，得到最大可用容量C_cap^：，反归一化后计算其电池健康状态SOH；

(5)以步骤(4)中计算得到的欧姆电阻R_Ω、第一极化电阻R₁、第二极化电阻R₂、第一极化电容C₁、第二极化电容C₂和最大可用容量C_cap更新模型参数，运用UKF或EKF算法估算电池荷电状态SOC，在储存芯片中记录初始化测试后首次计算的SOC值；

(6)基于步骤(5)得到的当前锂电池的SOC，计算出上次初始化测试后首次估算的SOC到现在的电量变化ΔSOC；预先设定好剩余电量SOC变化的一个百分比值，该值根据精度要求和芯片计算能力来决定，一般取2％或5％，当变化量ΔSOC大于该值时，对当前电池进行一次初始化测试操作，执行步骤(4)、步骤(5)并更新储存芯片中记录的SOC值；如果ΔSOC不大于该值，则直接执行下一次SOC估算。

2.根据权利要求1所述的一种基于机器学习的锂电池健康状态及荷电状态联合估算方法，其特征在于步骤(1)中，循环充放电实验步骤为：在设定温度的环境下采用周期性等倍率电流对全新的锂电池单体进行间歇性放电测试，为获得较为完整的特性曲线和高测试效率，电池由满电状态开始特性测试，直到电量完全放光。每周期放电量为容量的5％，然后静置30min；再以1C恒流放电10s，静置40s，再以1C恒流充电10s，静置40s；如此放电5％-静置-放电10s-静置-充电10s-静置-放电5％的流程循环，直至电池容量完全放出；再次恒压-恒流充满电，充电循环次数变量加一，执行下一循环的间歇性放电测试。如此重复进行实验，直到可用容量为原容量的80％时停止。