[发明专利]一种电池SOH预测方法、装置、电子设备及存储介质

说明书

本发明提供了一种电池SOH预测方法、装置、电子设备及存储介质，通过对同一批电池以预设周期进行充放电循环测试，之后进行ICA测试以获取同一批电池的IC曲线特征参数数据以及进行容量测试获取容量数据，基于IC曲线特征参数数据和容量数据进行灰色关联度分析以确定IC曲线特征参数数据样本与容量数据样本，将IC曲线特征参数数据样本与容量数据样本作为训练样本训练电池容量预测模型得到训练完备的电池容量预测模型，获取待测电池的IC曲线特征参数实测数据将待测电池的目标IC曲线特征参数实测数据为输入，基于训练完备的电池容量预测模型确定SOH预测值。通过ICA测试和电容预测模型进行SOH预测，解决了电池SOH检测方法检测时间长，检测精度差的问题subgt;。/subgt;

技术领域

本发明提出了一种电池SOH预测方法、装置、电子设备及存储介质，属于电池健康状态预测领域。

背景技术

锂离子电池作为储能领域的代表性技术，因其具有充电速度快、单体电压高、自放电率低、能量密度大、循环寿命长等优点广泛应用于电动汽车、电力储能等领域，并逐渐扩展至航空、航天等军事领域。然而，锂离子电池在使用过程中不断老化，其性能会逐渐衰减，具体表现为电池内阻的增加以及可用容量的减少。电池的健康状态(State of health，SOH)可以定义为电池当前可用容量与初始额定容量的比值。当SOH降低至80％以下时，电池可能无法正常工作，且容易发生故障，对系统和设备造成永久性损坏。通常定义SOH降低80％时，锂离子电池寿命终止，需要更换。由于直接测量电池当前可用容量需要行完整的充放电周期实验，试验周期长、计算量大且会造成浪费，所以通常采用间接的方法估计电池SOH。准确的SOH估计可以为合理使用电池提供指导，对预防电池突然失效、提供维护保养建议、延长电池使用寿命有重要意义。

现有的锂离子电池SOH间接估计方法主要分为基于模型的方法和数据驱动的方法。基于模型的方法需要大量的先验知识来描述系统的老化过程和故障模式。然而，对锂离子电池的退化过程进行建模，在模型精度与计算量之间权衡是较为困难的。且模型参数需要根据电池类型的不同以及工作环境的不同作出相应调整，因而导致了该类方法难以在电池管理系统中应用。数据驱动的方法直接从电池性能测试数据中挖掘隐含的电池健康状态信息及其演变规律，实现电池健康估计。通常分为两个步骤：首先从电压、电流温度等电池运行参数中提取与电池退化有关的特征。其次，利用合适的方法建立所选特征与SOH之间的映射。

在数据驱动的方法中，特征的选取对于SOH估计至关重要。固定电压区间的充电时间被广泛用作特征，现有研究工作中，通常对充电电压曲线进行几何分析，主观地选择电压区间。然而，不同锂离子电池的充电曲线存在较大差异，主观选择的特征电压区间不能适用于不同类型或不同工作条件的锂离子电池。此外，锂离子电池老化路径是不确定的，为了给用户提供更好的指导，需要量化表达估计过程中的不确定性。现有研究工作中，高斯过程回归(Gaussian processre gression,GPR)已被应用于量化表达估计过程中的不确定性。然而传统的GPR方法存在两个问题，导致SOH估计精度较低。

因此，本发明提供一种电池SOH预测方法、装置、电子设备及存储介质用于解决现有电池SOH检测方法检测周期长，检测精度不够的问题。

发明内容

有鉴于此，本发明提供一种电池SOH预测方法、装置、电子设备及存储介质，用于现有技术中电池SOH检测方法检测周期长，检测精度不够的问题。

为解决上述问题，第一方面，本发明提一种电池SOH预测方法，包括：

对同一批电池以预设周期进行充放电循环测试，之后进行ICA测试以获取同一批电池的IC曲线特征参数数据以及进行容量测试以获取容量数据；

基于IC曲线特征参数数据和容量数据进行灰色关联度分析以确定IC曲线特征参数数据样本与容量数据样本；

将IC曲线特征参数数据样本与容量数据样本作为训练样本训练电池容量预测模型得到训练完备的电池容量预测模型；