[发明专利]一种车载起动型免维护铅酸蓄电池剩余寿命预测方法

权利要求书

1.一种车载起动型免维护铅酸蓄电池剩余寿命预测方法，其特征在于，该方法对蓄电池在恒流放电过程中的多种电路参数进行测定，通过多层神经网络拟合试验数据，从而预测蓄电池的SOH，具体包括以下步骤：

1)预先对某一型号的电池进行充放电循环试验，得到每次循环中包括蓄电池端电压、端电压随时间变化率、端电压随SOC变化率和蓄电池等效电路欧姆内阻在内的多个电池数据，并且每隔固定次数循环对蓄电池进行核容实验以测定蓄电池的SOH；具体实现方法如下：

101)考虑到铅酸电池在实际应用中，无法全充全放，以某一放电深度进行放电和充电，故使用如下步骤对蓄电池进行充放电循环试验并记录数据：

①蓄电池在25℃±10℃条件下，以2I ₂₀(A)恒定电流，蓄电池端电压达到14.80V时，以I₂₀(A)电流恒流充电4h；

②蓄电池完全充电后，保持25℃±2℃环境温度，以5I_n放电1h，I_n为20h放电电流；

③以14.40V±0.10V电压充电2h55min，最大限流为10I_n；

④再以充电电流0.5I_n，充电5min；

⑤静置30min；

⑥以上②-⑤构成一次完整测试循环，蓄电池在循环放电时端电压不得低于10.50V，否则试验终止；

102)每隔20次循环，对蓄电池进行核容实验，用于测定电池的SOH，并且使用最小二乘法拟合出SOH-循环次数曲线，核容实验步骤如下：

①蓄电池完全充电结束后1-5h内，在25℃±2℃环境条件下，以I ₂₀(A)电流放电，在放电过程中电流值的变化应不超过±2％，放电过程中每隔2h记录一次蓄电池端电压，每隔4h记录一次电池温度；

②当电压达到10.80V时，每隔5min记录一次电压，当电压达到10.50V±0.05V时，停止放电并记录放电时间和温度；

103)得到电池历史数据，包括蓄电池端电压、端电压随时间变化率、端电压随SOC变化率和蓄电池等效电路欧姆内阻，用于训练多层神经网络；

基于电池恒流放电时的电压变化率来估算SOH的方法为：

其中，K_end表示在某一放电深度下电池衰减到寿命终点处电压的变化率，K_now表示在该放电深度下电池当前循环中电压的变化率，K₀表示新电池首次放电到该放电深度下电压的变化率；

通过大量循环充放电试验发现，恒流放电过程中，蓄电池的SOC和端电压之间存在线性关系，即SOC＝aU₀+b；

端电压U₀对时间t的导数与SOH之间存在关系，能够作为预测SOH的参数；

恒流放电过程中，蓄电池的SOC和端电压之间存在线性关系，即SOC＝aU₀+b，该函数斜率根据SOH的减小而增大，即SOH越小，电压对SOC的变化率越大，故端电压U₀对SOC的导数与SOH之间也存在关系，能够作为预测SOH的参数；

2)利用这些充放电循环试验所得电池数据对多层神经网络进行训练，最后得到一个训练好的多层神经网络，并且根据测得的SOH拟合出一条SOH-循环次数曲线；具体实现方法如下：

201)将步骤1)得到的多个电池数据划分为两部分：一部分为训练数据集，另一部分为验证数据集；

202)使用小批量算法对训练数据集进行处理，即SGD算法与批量算法的混合形式，先选出一部分训练数据集，用批量算法训练这个数据集，使用ReLU函数和节点丢弃算法，然后再用平均权重更新值来调整该神经网络，重复以上过程，直至电池历史数据都被使用；

203)用验证集评估模型的性能，如果得到了预设的性能，则会结束训练；如果没有，则修改模型，重复第上一步；

3)对同一型号的待测电池进行放电试验，得到蓄电池端电压、端电压随时间变化率、端电压随SOC变化率和蓄电池等效电路欧姆内阻这些数据，导入训练好的多层神经网络，得到一个预测的SOH值，划定健康等级，然后用预先拟合的SOH-循环次数曲线得出电池的剩余循环次数，即剩余寿命；具体实现方法如下：

301)对待测电池进行放电试验并记录数据，步骤如下：

①蓄电池在25℃±10℃条件下，以2I ₂₀(A)恒定电流，蓄电池端电压达到14.80V时，以I₂₀(A)电流恒流充电4h；

②蓄电池完全充电后，保持25℃±2℃环境温度，以5I_n放电1h；

302)将数据导入训练好的多层神经网络，得到预测的SOH值；

303)将预测的SOH值导入预先拟合好的SOH-循环次数曲线，得出该电池当前SOH到SOH＝80％时的剩余循环次数，即为剩余寿命。

2.根据权利要求1所述的一种车载起动型免维护铅酸蓄电池剩余寿命预测方法，其特征在于，步骤3)中，给蓄电池划分如下四个健康等级：

1)S级：蓄电池健康状态非常好，SOH≥95％；

2)A级：蓄电池健康状态较好，85％≤SOH＜95％；

3)B级：蓄电池仍可继续使用，但剩余寿命较少，80％≤SOH＜85％；

4)C级：蓄电池需要替换，SOH＜80％。