[发明专利]基于集合模型和联合算法的锂电池SOH预测方法及系统

权利要求书

1.一种基于集合模型和联合算法的锂电池SOH预测方法，其特征在于，包括以下步骤：

进行电池充放电试验，记录电池的容量、电流数据和对应的时间数据；

对电池容量数据进行预处理；

建立六参数集合模型拟合电池容量衰退曲线，构建系统状态方程；

用电池电流数据和对应的时间数据确定恒流充电时间CCCT；

根据SOH与CCCT的映射关系建立系统观测方程；

通过改进的珊瑚礁优化算法与粒子滤波联合算法预测电池SOH。

2.根据权利要求1所述的一种基于集合模型和联合算法的锂电池SOH预测方法，其特征在于，所述对电池容量数据进行预处理，包括：

剔除电池容量数据离群点，计算电池容量数据中各点与前点的差值，若差值大于数据最大值的1％，则剔除该点，并将该点重新赋值为前后两点的均值；

对电池容量数据进行窗口滑动平均，将窗口值设为数据总长度的1％，按点距移动窗口，计算窗口范围内所有数据的算数平均值作为该点的新值；

将预处理后的各容量值除以额定容量值作为电池SOH。

3.根据权利要求1所述的一种基于集合模型和联合算法的锂电池SOH预测方法，其特征在于，所述建立六参数集合模型拟合电池容量衰退曲线，构建系统状态方程，包括：

所述六参数集合模型为：

SOH_k＝a_k×exp(b_k×k)+c_k×k³+d_k×k²+e_k×k+f_k

其中，k为充放电循环次数，SOH_k为第k次循环中电池的状态值，a_k、b_k、c_k、d_k、e_k、f_k为第k次循环的模型参数；

所述系统状态方程为：

其中，f_(·)为系统状态方程，w_k为系统过程噪声。

4.根据权利要求1所述的一种基于集合模型和联合算法的锂电池SOH预测方法，其特征在于，所述根据SOH与CCCT的映射关系建立系统观测方程，包括：

SOH与CCCT的映射关系模型为：

CCCT_k＝b₀+b₁×SOH_k+b₂×ln(SOH_k)+ε

其中，CCCT_k为第k次循环中的恒流充电时间，b₀、b₁、b₂是从历史数据中拟合出的映射参数，ε为映射误差；

所述系统观测方程为：

其中，g_(·)为系统观测方程，v_k为系统观测噪声。

5.根据权利要求1所述的一种基于集合模型和联合算法的锂电池SOH预测方法，其特征在于，所述通过改进的珊瑚礁优化算法与粒子滤波联合算法预测电池SOH，包括：

初始化粒子滤波和珊瑚礁优化算法的各项参数，将先验概率密度作为重要性函数，进行重要性采样得到初始粒子群；

将所述初始粒子群作为初始珊瑚虫种群，通过改进珊瑚礁优化算法对初始珊瑚虫种群进行优化后，作为样本粒子输出；

计算每个样本粒子的权值并归一化处理，输出电池SOH预测值。