[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

说明书

本发明涉及动力锂电池应用技术领域，尤其涉及一种电热传感器互校正的锂电池健康状态估计方法，针对当前基于数据驱动的锂电池SOH估计方法仍存在数据获取不确定性，效率不高且使用单一传感器预测导致在传感器故障情况下预测系统失效的问题，现提出如下方案，其中包括以下步骤：S1：建立状态机模型，S2：建立预测模型M₁，S3：建立预测模型M₂，S4：建立联合估计模型M₃，S5：进行判断。本发明使电流传感器和温度传感器进行互校正，实现传感器故障时锂电池SOH的预测。

技术领域

本发明涉及动力锂电池应用技术领域，尤其涉及一种电热传感器互校正的锂电池健康状态估计方法。

背景技术

现今随着能源与环境危机日益加剧，锂电池作为一种灵活便捷供能元件，在电动汽车、电力储能等多个领域发挥着重要作用。然而，随着充放电次数的增加，锂电池会不断老化，导致性能下降。如果不能及时地维护或更换，不仅会对锂电池储能单元的运行状况造成影响，而且容易引起安全事故。因此，准确估计锂电池的健康状态(State of Health,SOH)是保障锂电池储能单元长期稳定运行的关键技术。

当前锂离子电池的SOH预测方法主要分为三类：一是以传统模型为基础的方法，二是数据驱动法，三是模型和数据驱动融合的方法。传统模型的方法需要在实验室内进行大量实验，通过分析电池老化行为，研究电池的退化机理，建立相应的物理模型。使用传统模型为基础的方法估计SOH对实验环境要求较高，同时需要研究人员充分掌握相关领域知识。但由于电池内部电化学机理的复杂性和工作条件的不确定性，建立精确的物理模型难度较大。数据驱动型法通过收集的老化数据，结合人工智能与数据挖掘方法，建立输入与输出数据之间的关系，用于预测锂电池SOH。目前常用的数据驱动方法主要包括：人工神经网络(Artificial Neural Network,ANN)、支持向量机(Support Vector Machine,SVM)等算法。数据驱动型的方法不要求研究人员深入了解电池的工作原理、电池模型等相关知识，只需要对电池充放电过程数据的检测，就能够建立准确度较高的预测模型。

但是目前现有的估计锂电池的健康状态方法仍存在建立精确的物理模型难度较大，且仅支持单一预测导致预估准确率较低的问题，因此，我们提出一种电热传感器互校正的锂电池健康状态估计方法用于解决上述问题。

发明内容

本发明的目的是为了解决目前现有的锂电池健康状态估计方法仍存在建立精确的物理模型难度较大，且仅使用单一传感器预测导致在传感器故障情况下预测系统失效的问题，而提出的一种电热传感器互校正的锂电池健康状态估计方法。

为了实现上述目的，本发明采用了如下技术方案：

一种电热传感器互校正的锂电池健康状态估计方法，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、温度等数据，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某一区间上的积分，计算得到DT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，岭回归方程可以表示为：