【技术实现步骤摘要】
本专利技术涉及锂电池梯次利用和电池管理系统（bms）应用领域，具体的说，是一种锂电池联合健康状态估计与寿命预测方法。
技术介绍
1、随着电动汽车和可再生能源的快速发展，锂电池作为其中关键的能量存储设备之一，其性能和安全性也越来越受到人们的关注。然而，由于锂电池存在容量衰减、内阻增加、热失控等问题，其健康状态的准确评估和寿命预测技术是确保其安全性和可靠性的重要研究领域。
2、目前有多种方法用于评估锂电池的健康状态和寿命预测，包括基于模型的方法、基于电流电压特性的方法和数据驱动估计的方法。其中，基于建立等效电路模型估计的方法被认为是一种比较准确和可靠的评估方法，它可以通过监测电池的相关物理量变化来反推锂电池机理，模型的相关参数被认为与锂电池的状态具有强相关性，因此可以应用可靠的模型参数进行学习训练，预测健康状态。
3、但现有的等效电路模型法仍存在需要先验假设等诸多缺陷与不足。弛豫时间分布模型（drt模型）能够分解电池内部的不同极化环节，帮助建立高精度的电池模型，但是drt模型建立需要进行大量的eis测试数据，这在现实应用上（大电池、大模组、bms、充电桩等）存在测试困难，测试时间长（相对本专利技术方法）等缺点。
技术实现思路
1、本专利技术是为避免上述现有技术所存在的不足之处，提供一种锂电池联合健康状态估计与寿命预测方法，以期通过少量的eis测试修正电池模型，能实现两种不同阶段下soh估计和rul预测，保证完整生命周期内锂电池寿命预测估计的可靠性，从而能有效降低
2、本专利技术为解决技术问题采用如下技术方案：
3、本专利技术一种锂电池联合健康状态估计与寿命预测方法的特点在于，包括如下步骤：
4、步骤s1、在锂电池的老化正常运行阶段，通过建立戴维南模型，预测锂电池的健康状态与剩余寿命：
5、步骤s1.1、利用脉冲电流i对在老化正常运行阶段的待测的锂电池进行第k次脉冲测试，采集所述锂电池的电压、电流信号，从而得到锂电池的第k个电流采样序列和第k个电压采样序列，其中，表示所述锂电池施加充电脉冲的时刻，表示所述锂电池在充电脉冲结束后进行静置的时刻，表示所述锂电池在第k次脉冲测试的第n个时刻下的电流数据，表示所述锂电池在第k次脉冲测试的第m个时刻下的电流数据，表示所述锂电池在第k次脉冲测试的第n个时刻下的电压数据，表示所述锂电池在第k次脉冲测试的第m个时刻下的电压数据；m表示所述锂电池的测试时间；
6、步骤s1.2、对所述锂电池进行完全的充放电，检测得到所述锂电池在老化正常运行阶段的健康状态；
7、步骤s1.3、取第k个电压采样序列的前n个时刻的均值作为所述锂电池的第k个开路电压，利用第k个电压采样序列的第n个时刻的电压数据、第n+1个时刻的电压数据、第m个时刻的电压数据、第m+1个时刻的电压数据和所述脉冲电流i计算所述锂电池第k个直流内阻；
8、步骤s1.4、构建戴维南模型，并将第k个电流采样序列作为戴维南模型的输入，将第k个电压采样序列作为戴维南模型的输出，从而通过最小二乘法对戴维南模型进行第k次辨识，得到第k次辨识下戴维南模型中浓差极化环节对应的极化电阻、极化电容以及电化学极化环节对应的极化电阻、极化电容；
9、步骤s1.5、重复步骤s1.2-s1.4的过程，从而对所述锂电池进行k次老化测试和参数辨识，从而得到所述锂电池的健康状态序列以及每个健康状态对应的开路电压序列、直流内阻序列、浓差极化电阻序列、浓差极化电容序列、电化学极化电阻序列、电化学极化电容序列，其中，表示所述锂电池在老化正常运行阶段的第k个健康状态，表示所述锂电池在老化正常运行阶段的第k个开路电压，表示所述锂电池在老化正常运行阶段的第k个浓差极化电阻，表示所述锂电池在老化正常运行阶段的第k个电化学极化电阻，表示所述锂电池在老化正常运行阶段的第k个浓差极化电容，表示所述锂电池在老化正常运行阶段的第k个电化学极化电容；
10、步骤s1.6、将、、、、和作为神经网络的输入，将soh作为神经网络的输出，从而对神经网络进行训练，得到所述锂电池在正常老化运行阶段的电池健康状态预测模型；
11、步骤s1.7、从soh中按周期截取连续若干个健康状态序列数并作为时序神经网络的输入，将截取的每个健康状态序列的下一个的健康状态作为输出，从而对所述时序神经网络进行训练，得到锂电池剩余寿命（rul）预测模型；
12、步骤s2、在锂电池进入深度老化阶段后，通过对所述锂电池进行eis测试，得到阻抗谱数据，将所述戴维南模型改为可变阶rc模型，从而建立适用于深度老化阶段的电池健康状态预测模型：
13、步骤s2.1、对进入深度老化阶段的锂电池进行电化学阻抗测试，得到阻抗谱数据，包括：频率分布以及对应的阻抗实部和阻抗虚部，其中，表示第h个测试频率，表示第h个测试频率下的阻抗实部，表示第h个测试频率下的阻抗虚部；
14、步骤s2.2、基于阻抗谱数据，建立锂电池的弛豫时间分布模型，并采用正则化方法对所述drt模型进行参数辨识，得到drt分布函数，其中，表示弛豫时间常数；
15、步骤s2.3、基于阻抗谱数据，对戴维南模型进行修正，得到可变阶rc模型各个极化环节的极化电阻和极化电容：
16、步骤s2.4、对所述锂电池进行完全的充放电，检测得到所述锂电池在老化正常运行阶段的健康状态；
17、步骤s2.5、按照步骤2.1-步骤2.4的过程对深度老化阶段的锂电池进行k次老化测试和参数辨识，得到所述锂电池在深度老化阶段的健康状态序列、极化电阻序列、极化电容序列，其中，表示第k次测试中第阶极化环节的极化电阻, 表示第k次测试中第阶极化环节的极化电容；为指定阶数；
18、步骤s2.6、将作为另一神经网络的输入，将锂电池在深度老化阶段的健康状态序列作为对应神经网络的输出，从而训练相应的神经网络，得到基于阻抗谱数据的电池健康状态模型；
19、步骤s2.7、将极化电阻序列和极化电容序列作为第三个神经网络的输入，将锂电池在深度老化阶段的健康状态序列作为第三个神经网络的输出，从而对第三个神经网络进行训练，得到锂电池在深度老化阶段的健康状态预测模型；
20、步骤s2.8、将基于阻抗谱数据的电池健康状态模型输出的健康状态预测值和锂电池在深度老化阶段的健康状态预测模型输出的健康状态预测值进行比较，得到预测误差；
21、步骤s2.9、当小于误差阈值时，则表示锂电池在深度老化阶段的健康状态预测模型适用于深度老化阶段的健康状态预测，否则，改变阶数后，重新按照步骤2.3的过程得到新的极化电阻和新的极化电容，并作为步骤s2.7中第三个神经网络的输入，并顺序执行，直到小于误差阈值为止。
22、本专利技术所述的一种锂电池联合健康状态估计与寿命预测方法的特点也在于，步骤s2.3包括如下步骤：
23、步骤s2.3.1、将戴维南模型改为指定阶数的可变阶rc模型本文档来自技高网...
【技术保护点】
1.一种锂电池联合健康状态估计与寿命预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种锂电池联合健康状态估计与寿命预测方法，其特征在于，步骤S2.3包括如下步骤：
3.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1或2所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
4.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1或2所述方法的步骤。
【技术特征摘要】
1.一种锂电池联合健康状态估计与寿命预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种锂电池联合健康状态估计与寿命预测方法，其特征在于，步骤s2.3包括如下步骤：
3.一种电子设备，包括存储器以及处理器，其特征在于，所述存...
【专利技术属性】
技术研发人员：赖纪东，周晨光，苏志鹏，苏建徽，姚杰，施永，解宝，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。