[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

说明书

本发明公开了一种基于集合模型和联合算法的锂电池SOH预测方法及系统，方法包括以下步骤：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。本发明提出了一种六参数集合模型，能够更好的拟合电池容量衰退曲线，对基本珊瑚礁算法进行了优化并与粒子滤波算法结合，解决了粒子权值退化和样本贫化问题，有效的提高了估算精度。

技术领域

本发明涉及一种基于集合模型和联合算法的锂电池SOH预测方法及系统，属于电池电量管理领域。

背景技术

随着电动汽车的逐渐普及，锂电池由于其能量密度高、自放电率小、循环寿命长、绿色环保等优点逐渐占据了电池的大部分市场，锂电池运行状态是否正常，直接影响电动汽车内各种设备的正常运行，为了保证电池可靠运行，电池管理系统的重要性日益增加，如电池的健康状态估计、荷电状态估计等在电池管理系统中发挥着重要作用。目前国内对SOC(电池荷电状态)的研究较为完善，而SOH(电池健康状态)方面的研究则较为欠缺。

现有的电池SOH预测方法往往存在指标难以实时获取和估算精度不高的问题。粒子滤波方法经常在电池SOH预测中使用，其估计精度高且鲁棒性好，但粒子滤波方法存在着粒子权值退化和多样性缺失的问题，为解决该问题将智能优化算法引入粒子滤波，但智能优化算法也存在盲目搜索易陷入局部最优的缺陷。并且在用粒子滤波算法进行SOH预测时，初始粒子和观测值的选择与最后的预测结果息息相关，但常用的双指数经验模型拟合精度不高，用内阻作为观测值存在提取困难的问题。

发明内容

为了解决上述问题，本发明提出了一种基于集合模型和联合算法的锂电池SOH预测方法及系统，更好的拟合了电池全寿命区间的容量衰退曲线，，解决了粒子权值退化和样本贫化问题，提高了锂电池SOH预测的精确度。

本发明解决其技术问题采取的技术方案是：

一方面，本发明实施例提供的一种基于集合模型和联合算法的锂电池SOH预测方法，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。

作为本实施例一种可能的实现方式，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。

作为本实施例一种可能的实现方式，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：