[发明专利]一种基于充电过程的锂离子健康状态估计方法

摘要

本发明公开了一种基于充电过程的锂离子健康状态估计方法在离线状态下，通过锂离子循环充放电实验获取电压、电流和时间等实验数据，从恒流充电过程中提取特征向量，特征向量为恒流充电过程中局部电压区间[Va,Vb]的时间间隔(恒流充电中，电压从Va到Vb所需要的时间)。并通过灰色关联度分析和高斯过程回归模型对提取的特征向量进行筛选，获取最优特征向量所属的电压区间和其训练模型。在线状态下，获取离线状态下得到的电压区间的时间间隔，作为输入特征向量，输入到已训练的高斯过程回归模型中，得到电池SOH。本发明不需要建立复杂的等效电路模型，通过数据驱动的方法，可在线对电池SOH进行估计，具有非常好的精确度。

主权项

1.一种基于充电过程的锂离子健康状态估计方法，其特征在于：包括如下步骤，第一步、对锂离子电池进行循环充放电实验，分为恒流充电过程、恒压充电过程、恒流放电过程；实时记录各个过程采集到的电流、电压和时间数据；第二步、提取输入特征向量和输出特征向量；输入特征向量为恒流充电过程中局部电压区间[Va,Vb]的时间间隔即恒流充电中电压从Va到Vb所需要的时间，输出特征向量为电池SOH；第三步、通过灰色关联度分析计算输入特征向量与SOH之间的关联度，排除关联度低于0.6的特征向量；通过关联度筛选之后的特征向量数据分为训练数据集和验证数据集，输入数据和输出数据为一一对应的，以输入数据和输出数据的前85％作为训练集，后15％作为验证集；以训练数据集来训练高斯过程回归模型，模型训练之后，以验证数据集输入回归模型，获取预测的电池SOH，将预测的电池SOH与验证数据中的电池SOH比较，进行误差分析，通过平均绝对误差和均方根误差两种指标；获取误差最小时的特征向量所属的局部电压区间[Va,Vb]和此最优特征向量对高斯过程回归模型进行训练所得的模型；第四步、在线状态下，利用在线过程中恒流充电过程中记录的电压、电流和时间数据，提取第三步获取的局部电压区间[Va,Vb]下的时间间隔，作为高斯过程回归模型的输入向量，获取电池SOH。