【技術實現步驟摘要】
本專利技術涉及鋰電池梯次利用和電池管理系統（bms）應用領域，具體的說，是一種鋰電池聯合健康狀態估計與壽命預測方法。
技術介紹
1、隨著電動汽車和可再生能源的快速發展，鋰電池作為其中關鍵的能量存儲設備之一，其性能和安全性也越來越受到人們的關注。然而，由于鋰電池存在容量衰減、內阻增加、熱失控等問題，其健康狀態的準確評估和壽命預測技術是確保其安全性和可靠性的重要研究領域。
2、目前有多種方法用于評估鋰電池的健康狀態和壽命預測，包括基于模型的方法、基于電流電壓特性的方法和數據驅動估計的方法。其中，基于建立等效電路模型估計的方法被認為是一種比較準確和可靠的評估方法，它可以通過監測電池的相關物理量變化來反推鋰電池機理，模型的相關參數被認為與鋰電池的狀態具有強相關性，因此可以應用可靠的模型參數進行學習訓練，預測健康狀態。
3、但現有的等效電路模型法仍存在需要先驗假設等諸多缺陷與不足。弛豫時間分布模型（drt模型）能夠分解電池內部的不同極化環節，幫助建立高精度的電池模型，但是drt模型建立需要進行大量的eis測試數據，這在現實應用上（大電池、大模組、bms、充電樁等）存在測試困難，測試時間長（相對本專利技術方法）等缺點。
技術實現思路
1、本專利技術是為避免上述現有技術所存在的不足之處，提供一種鋰電池聯合健康狀態估計與壽命預測方法，以期通過少量的eis測試修正電池模型，能實現兩種不同階段下soh估計和rul預測，保證完整生命周期內鋰電池壽命預測估計的可靠性，從而能有效降低
2、本專利技術為解決技術問題采用如下技術方案：
3、本專利技術一種鋰電池聯合健康狀態估計與壽命預測方法的特點在于，包括如下步驟：
4、步驟s1、在鋰電池的老化正常運行階段，通過建立戴維南模型，預測鋰電池的健康狀態與剩余壽命：
5、步驟s1.1、利用脈沖電流i對在老化正常運行階段的待測的鋰電池進行第k次脈沖測試，采集所述鋰電池的電壓、電流信號，從而得到鋰電池的第k個電流采樣序列和第k個電壓采樣序列，其中，表示所述鋰電池施加充電脈沖的時刻，表示所述鋰電池在充電脈沖結束后進行靜置的時刻，表示所述鋰電池在第k次脈沖測試的第n個時刻下的電流數據，表示所述鋰電池在第k次脈沖測試的第m個時刻下的電流數據，表示所述鋰電池在第k次脈沖測試的第n個時刻下的電壓數據，表示所述鋰電池在第k次脈沖測試的第m個時刻下的電壓數據；m表示所述鋰電池的測試時間；
6、步驟s1.2、對所述鋰電池進行完全的充放電，檢測得到所述鋰電池在老化正常運行階段的健康狀態；
7、步驟s1.3、取第k個電壓采樣序列的前n個時刻的均值作為所述鋰電池的第k個開路電壓，利用第k個電壓采樣序列的第n個時刻的電壓數據、第n+1個時刻的電壓數據、第m個時刻的電壓數據、第m+1個時刻的電壓數據和所述脈沖電流i計算所述鋰電池第k個直流內阻；
8、步驟s1.4、構建戴維南模型，并將第k個電流采樣序列作為戴維南模型的輸入，將第k個電壓采樣序列作為戴維南模型的輸出，從而通過最小二乘法對戴維南模型進行第k次辨識，得到第k次辨識下戴維南模型中濃差極化環節對應的極化電阻、極化電容以及電化學極化環節對應的極化電阻、極化電容；
9、步驟s1.5、重復步驟s1.2-s1.4的過程，從而對所述鋰電池進行k次老化測試和參數辨識，從而得到所述鋰電池的健康狀態序列以及每個健康狀態對應的開路電壓序列、直流內阻序列、濃差極化電阻序列、濃差極化電容序列、電化學極化電阻序列、電化學極化電容序列，其中，表示所述鋰電池在老化正常運行階段的第k個健康狀態，表示所述鋰電池在老化正常運行階段的第k個開路電壓，表示所述鋰電池在老化正常運行階段的第k個濃差極化電阻，表示所述鋰電池在老化正常運行階段的第k個電化學極化電阻，表示所述鋰電池在老化正常運行階段的第k個濃差極化電容，表示所述鋰電池在老化正常運行階段的第k個電化學極化電容；
10、步驟s1.6、將、、、、和作為神經網絡的輸入，將soh作為神經網絡的輸出，從而對神經網絡進行訓練，得到所述鋰電池在正常老化運行階段的電池健康狀態預測模型；
11、步驟s1.7、從soh中按周期截取連續若干個健康狀態序列數并作為時序神經網絡的輸入，將截取的每個健康狀態序列的下一個的健康狀態作為輸出，從而對所述時序神經網絡進行訓練，得到鋰電池剩余壽命（rul）預測模型；
12、步驟s2、在鋰電池進入深度老化階段后，通過對所述鋰電池進行eis測試，得到阻抗譜數據，將所述戴維南模型改為可變階rc模型，從而建立適用于深度老化階段的電池健康狀態預測模型：
13、步驟s2.1、對進入深度老化階段的鋰電池進行電化學阻抗測試，得到阻抗譜數據，包括：頻率分布以及對應的阻抗實部和阻抗虛部，其中，表示第h個測試頻率，表示第h個測試頻率下的阻抗實部，表示第h個測試頻率下的阻抗虛部；
14、步驟s2.2、基于阻抗譜數據，建立鋰電池的弛豫時間分布模型，并采用正則化方法對所述drt模型進行參數辨識，得到drt分布函數，其中，表示弛豫時間常數；
15、步驟s2.3、基于阻抗譜數據，對戴維南模型進行修正，得到可變階rc模型各個極化環節的極化電阻和極化電容：
16、步驟s2.4、對所述鋰電池進行完全的充放電，檢測得到所述鋰電池在老化正常運行階段的健康狀態；
17、步驟s2.5、按照步驟2.1-步驟2.4的過程對深度老化階段的鋰電池進行k次老化測試和參數辨識，得到所述鋰電池在深度老化階段的健康狀態序列、極化電阻序列、極化電容序列，其中，表示第k次測試中第階極化環節的極化電阻,?表示第k次測試中第階極化環節的極化電容；為指定階數；
18、步驟s2.6、將作為另一神經網絡的輸入，將鋰電池在深度老化階段的健康狀態序列作為對應神經網絡的輸出，從而訓練相應的神經網絡，得到基于阻抗譜數據的電池健康狀態模型；
19、步驟s2.7、將極化電阻序列和極化電容序列作為第三個神經網絡的輸入，將鋰電池在深度老化階段的健康狀態序列作為第三個神經網絡的輸出，從而對第三個神經網絡進行訓練，得到鋰電池在深度老化階段的健康狀態預測模型；
20、步驟s2.8、將基于阻抗譜數據的電池健康狀態模型輸出的健康狀態預測值和鋰電池在深度老化階段的健康狀態預測模型輸出的健康狀態預測值進行比較，得到預測誤差；
21、步驟s2.9、當小于誤差閾值時，則表示鋰電池在深度老化階段的健康狀態預測模型適用于深度老化階段的健康狀態預測，否則，改變階數后，重新按照步驟2.3的過程得到新的極化電阻和新的極化電容，并作為步驟s2.7中第三個神經網絡的輸入，并順序執行，直到小于誤差閾值為止。
22、本專利技術所述的一種鋰電池聯合健康狀態估計與壽命預測方法的特點也在于，步驟s2.3包括如下步驟：
23、步驟s2.3.1、將戴維南模型改為指定階數的可變階rc模型本文檔來自技高網...
【技術保護點】
1.一種鋰電池聯合健康狀態估計與壽命預測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種鋰電池聯合健康狀態估計與壽命預測方法，其特征在于，步驟S2.3包括如下步驟：
3.一種電子設備，包括存儲器以及處理器，其特征在于，所述存儲器用于存儲支持處理器執行權利要求1或2所述方法的程序，所述處理器被配置為用于執行所述存儲器中存儲的程序。
4.一種計算機可讀存儲介質，計算機可讀存儲介質上存儲有計算機程序，其特征在于，所述計算機程序被處理器運行時執行權利要求1或2所述方法的步驟。
【技術特征摘要】
1.一種鋰電池聯合健康狀態估計與壽命預測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種鋰電池聯合健康狀態估計與壽命預測方法，其特征在于，步驟s2.3包括如下步驟：
3.一種電子設備，包括存儲器以及處理器，其特征在于，所述存...
【專利技術屬性】
技術研發人員：賴紀東，周晨光，蘇志鵬，蘇建徽，姚杰，施永，解寶，
申請(專利權)人：合肥工業大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。