[发明专利]一种电热传感器互校正的锂电池健康状态估计方法

权利要求书

1.一种电热传感器互校正的锂电池健康状态估计方法，其特征在于，包括以下步骤：

S1：建立状态机模型：

用于多模型的灵活选取,通过判断传感器是否失效，若电流传感器失效，则选用模型M₁进行预测；若温度传感器失效，则选用模型M₂进行预测；若无传感器失效，则选用模型M₃进行预测；

S2：建立预测模型M₁：

首先，从锂电池放电过程中获得电压、时间、温度数据，计算得到差分曲线，经过高斯滤波得到平滑的DT曲线，DT曲线为差分温度曲线；在此基础上，定义峰值为曲线纵轴坐标的最大值，峰值下的区域面积为曲线在横轴一区间上的积分，计算得到DT曲线的峰值和区域面积，作为老化特征；最后，运用岭回归模型，岭回归方程可以表示为：

其中，n为样本总数，β₁-β_n为样本的特征因数，X_n1-X_nn为训练集中第n个样本的第1个至第n个老化特征，Y_n为第n个样本的电池容量，为常量；

岭回归求解：

β＝(X^TX+λI)^-1X^Ty

其中，β为样本的特征因数，λ为岭系数，I是单位矩阵；其对角线全为1，X是训练集中的老化特征，y是训练集中的电池容量；

将得到的DT曲线老化特征以及电池容量作为训练集输入，得到基于温度传感器SOH预测模型M₁；

S3：建立预测模型M₂：

建立电流传感器的单一预测模型M₂：首先，从锂电池放电过程中获得电压、电流、时间数据，计算得到IC曲线，IC曲线为增量容量曲线，经过高斯滤波得到平滑的IC曲线；在此基础上，与步骤S2同理，计算得到IC曲线的峰值和峰值下区域面积，作为老化特征；最后，运用岭回归模型，岭回归代价函数，将得到的IC曲线的老化特征以及电池容量作为训练集输入，得到基于电流传感器的SOH预测模型M₂；

S4：建立联合估计模型M₃：

通过前述步骤分别建立了预测模型M₁和M₂后，通过权重的方式实现温度传感器和电流传感器的联合，构造所述的电热传感器互校正的锂电池SOH估计方法；联合估计的权值，通过将训练集输入预测模型M₁和M₂，分别计算得到预测结果的均方根误差RMSE_M1和RMSE_M2；均方根误差计算公式为：

y_i为第i个样本的电池容量；利用RMSE对两个模型输出的预测结果进行赋权并相加，得到联合估计模型M₃；

设置M₁预测结果PREDICT_M1的权值w₁为：

设置M₂预测结果PREDICT_M2的权值w₂为：

联合估计模型M₃的预测结果PREDICT_M3为：

S5：进行判断：输入待预测数据进行判断，并通过判断结果选择模型进行预测。

2.根据权利要求1所述的一种电热传感器互校正的锂电池健康状态估计方法，其特征在于，所述S2中，对温度传感器数据进行差分曲线计算，利用锂电池充电曲线中的电压V、温度T和时间t的数据，计算得到温度T对于时间t在采样区间L上的有限差分DT_m，计算公式为其中k为数据对应的时间，且单位为秒，L为选取的采样区间长度，V、T、t分别为充电阶段的电压、温度、时间。