[发明专利]一种动力电池健康状态的预测方法

说明书

本发明属于动力电池领域，并公开了一种动力电池健康状态的预测方法。该方法包括下列步骤：(a)采集待预测电池不同循环次数下放电和充电过程中不同时刻的特征参数值；(b)构建充电容量与特征参数、放电容量与特征参数之间的关系式，以此计算在不同循环次数下对应的充电容量和放电容量，获得循环次数与充电容量、放电容量和充电时间的数据集；(c)采用所述训练数据对构建初始的所述预测模型进行训练，以此获得最终的预测模型；(d)构建电池健康状态关于放电容量与初始容量的关系式，并利用所预测的放电容量计算获得待预测电池的电池健康状态。通过本发明，实现电池SOH的估计，避免电池过负荷工作，延长了电池组的使用寿命。

技术领域

本发明属于动力电池领域，更具体地，涉及一种动力电池健康状态的预测方法。

背景技术

电池在应用过程中可能出现的故障以及健康状态下降均会产生各种不利影响。所以要降低它们造成的这些不利影响就需要我们准确估计和预测电池的健康状态SOH(Stateof health)，由于预测动力电池的故障之前一般都需要估计动力电池的SOH，而电池的SOH又与电池的容量息息相关，动力电池在使用过程中不可避免的会遇到容量衰减问题，即可以充进电池中的容量越来越小，明确容量衰减的原因对研究动力电池的健康状态SOH有着至关重要的意义，容量衰减是动力电池技术研究中的一个比较普遍的问题，随着电池循环次数的增加，可以充进电池中的容量肯定会越来越少，当电池的可用容量衰减到一定程度时视为寿命终止。对于电动汽车用动力电池，当可用容量衰减至额定容量的60％～80％时，寿命终止；动力电池技术研究主要包括两方面：荷电状态SOC的估计和健康状态SOH估计，该研究的薄弱环节就在于有效地估计动力电池的SOH。

动力电池SOH的估计方法可以归结为：模型、模糊以及数据驱动三个方面：(1)模型方面的方法主要包括等效电路模型法和电化学模型法等。此类方法具有精确的模型，模型内部包含众多的参数，物理意义明确，便于理解，但是也由于模型中的参数太多，内部结构复杂，使其计算量加大。此外，由于各种不同型号和不同厂商生产的动力电池内部化学成分不一致，因此不具有普遍的适用性；(2)模糊方面具有代表性的方法是模糊逻辑法和人工神经网络法。该类方法不需要建立非常精确的数学模型，结构简单，通过模拟人类的思维方式来实现智能化，但是此类方法也存在着局限性，模糊逻辑由于量化等级不能细分而缺乏精确性，人工神经网络法则需要大量的学习方法和数据，而且难以找到通用的学习算法，③数据驱动方面，该类方法需要建立具有若干参数的抽象的模型，该模型就像一个“黑盒子”主要确定了输入和输出，以及“黑盒子”中的参数即可。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种动力电池健康状态的预测方法，其通过采用循环次数与充电容量、放电容量和充电时间作为，然后采用支持向量构建预测模型，根据预测的电池容量计算电池健康状态，由此解决电池健康状态的准确估计的技术问题。

为实现上述目的，按照本发明，提供了一种动力电池健康状态的预测方法，其特征在于，该方法包括下列步骤：

(a)对于包括有多个循环的充电和放电过程的待预测电池，分别采集不同循环次数下待预测电池放电和充电过程中，特征参数随时间变化的特征参数值，以此获得不同循环次数下待预测电池放电和充电过程中不同时刻的特征参数值，其中，所述充电过程包括恒流和恒压充电过程；

(b)对于待预测电池放电和充电过程，分别构建充电容量与特征参数、放电容量与特征参数之间的关系式，以此计算在不同循环次数下对应的充电容量和放电容量，结合步骤(a)中获得不同时刻的特征参数值与循环次数的对应关系，分别获得在不同循环次数下对应的充电容量，放电容量以及充电时间的值，以此形成循环次数分别与充电容量、放电容量和充电时间一一对应的数据集；

(c)将所述数据集中的数据分为训练数据和预测数据，构建初始的预测模型，其中，充电容量和充电时间作为该预测模型的输入，放电容量作为该预测模型的输出，采用所述训练数据对初始的所述预测模型进行训练，以此获得最终的预测模型；