预测锂电池阻抗模型的参数的方法、装置及可读存储介质制造方法及图纸

本发明专利技术公开了一种预测锂电池阻抗模型的参数的方法，步骤如下：建立预测目标参数的最小二乘支持向量机模型；获取待测锂电池的电压响应值；根据最小二乘支持向量机模型和电压响应值，得到所述待测锂电池的所述目标参数;可见，根据预先建立的最小二乘支持向量机模型，以及获取的电压响应值，可以得到目标参数;避免了运用人工神经网络预计锂电池的阻抗模型的参数，且最小二乘支持向量机采用结构风险最小化原则，运用于预测问题时，在最小化样本点误差的同时，缩小模型泛化误差的上界，提高了模型的泛化能力，因此可以更加准确地预测电池阻抗模型的参数。

Method, device and readable storage medium for predicting the parameters of impedance model of lithium battery

【技术实现步骤摘要】
预测锂电池阻抗模型的参数的方法、装置及可读存储介质
本专利技术涉及锂电池
，具体是预测锂电池阻抗模型的参数的方法、装置及可读存储介质。
技术介绍
随着社会的不断发展，我国在新能源及节能减排方面取得了快速发展，锂电池由于具有较高的能量及更具有环保性，已经开始取代传统的铅酸、镍氢和镍镉电池。锂电池应用于电动汽车时，电动汽车上需要装载的锂电池工作电压为12V或24V，但是单体锂电池的工作电压为3.7V，所以需要多个电池串联起来提高电压，然而电池很难进行完全均衡的充放电，难以保证电池的一致性，会出现充电不足及过放电的情况，直接导致电池性能的急剧恶化，极大折损电池的循环寿命和可靠性能。因此提高电池的一致性，就显得尤其重要。经过大量研究发现，锂电池的阻抗模型中的参数是评估电池动态性能一致性的根据。现有技术中，采用人工神经网络法预测锂电池阻抗模型的参数。人工神经网络从仿生学角度对人脑的神经系统进行模拟，以实现人脑所具有的感知、学习和推理等功能，将人工神经网络引入到锂电池阻抗模型参数预测中，可以实现快速预测电池阻抗模型参数的目的。虽然人工神经网络取得了一定的成功，但因人工神经网络遵循经验风险最小化原则，建模过程需要大量的样本数据、泛化能力差、易于陷于局部最优等缺点，在实际应用时，预测效果有时不理想。因此，如何更加准确地预测锂电池阻抗模型的参数，是本领域技术人员目前需要解决的问题。
技术实现思路
本专利技术的实施例目的在于提供预测锂电池阻抗模型的参数的方法、装置及可读存储介质，以解决上述问题。为实现上述目的，本专利技术提供如下技术方案：一种预测锂电池阻抗模型的参数的方法，步骤如下：S10：建立预测目标参数的最小二乘支持向量机模型；S20：获取待测锂电池的电压响应值；S30：根据所述最小二乘支持向量机模型和所述电压响应值，得到所述待测锂电池的所述目标参数。在一种可选方案中：所述建立预测目标参数的最小二乘支持向量机模型，步骤包括：获取多个样本锂电池的样本电压响应值；获取所述多个样本锂电池阻抗模型的参考参数；根据所述多个样本锂电池的样本电压响应值和所述参考参数建立所述最小二乘支持向量机模型。在一种可选方案中：所述支持向量机的核函数为径向基核函数。在一种可选方案中：根据所述多个样本锂电池的样本电压响应值和所述参考参数建立所述最小二乘支持向量机模型的步骤包括：根据所述多个样本锂电池的样本电压响应值和所述参考参数，采用遗传退火算法确定所述最小二乘支持向量机模型。在一种可选方案中：获取所述多个样本锂电池阻抗模型的参考参数的步骤包括：采用电化学工作站测量所述多个样本锂电池阻抗模型的参考参数。在一种可选方案中：所述获取待测锂电池的电压响应值包括：获取所述待测锂电池以1C的电流分别放电10s、20s、40s、50s和100s时分别对应的电压响应值。在一种可选方案中：所述目标参数包括：电感量、第一阻值、第二阻值、第三阻值、第四阻值、第一电容值、第二电容值、第三电容值和第四电容值。一种预测锂电池阻抗模型的参数的装置，包括：第一模型建立单元，用于建立预测目标参数的最小二乘支持向量机模型；第一获取单元，用于获取所述锂电池的电压响应值；计算单元，用于根据所述最小二乘支持向量机模型和所述电压响应值，得到所述参数；一种预测锂电池阻抗模型的参数的装置，包括处理器，所述处理器用于执行存储器中存储的程序时实现上述任一种所述预测锂电池阻抗模型的参数的方法的步骤。一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现如下步骤：建立预测目标参数的最小二乘支持向量机模型；获取待测锂电池的电压响应值；根据所述最小二乘支持向量机模型和所述电压响应值，得到所述待测锂电池的所述目标参数。相较于现有技术，本专利技术实施例的有益效果如下：本专利技术通过建立预测目标参数的最小二乘支持向量机模型；获取待测锂电池的电压响应值；根据最小二乘支持向量机模型和电压响应值，得到待测锂电池的目标参数；可见，根据预先建立的最小二乘支持向量机模型，以及获取的电压响应值，可以得到目标参数。避免了运用人工神经网络预计锂电池的阻抗模型的参数，且最小二乘支持向量机采用结构风险最小化原则，运用于预测问题时，在最小化样本点误差的同时，缩小模型泛化误差的上界，提高了模型的泛化能力，因此可以更加准确地预测电池阻抗模型的参数。附图说明图1为本专利技术第一实施例提供的一种预测锂电池阻抗模型的参数的方法的流程图；图2为本专利技术第二实施例提供的另一种预测锂电池阻抗模型的参数的方法的流程图；图3为本专利技术第三实施例提供的一种锂电池阻抗模型图；图4为本专利技术第四实施例提供的一种预测锂电池阻抗模型的参数的装置的结构图；图5为本专利技术第五实施例提供的另一种预测锂电池阻抗模型的参数的装置的结构图。具体实施方式以下实施例会结合附图对本专利技术进行详述，在附图或说明中，相似或相同的部分使用相同的标号，并且在实际应用中，各部件的形状、厚度或高度可扩大或缩小。本专利技术所列举的各实施例仅用以说明本专利技术，并非用以限制本专利技术的范围。对本专利技术所作的任何显而易知的修饰或变更都不脱离本专利技术的精神与范围。实施例1请参阅图1，本专利技术实施例中，一种预测锂电池阻抗模型的参数的方法，步骤如下：S10：建立预测目标参数的最小二乘支持向量机模型；目标参数可以是最终要得到的参数或者参数值，目标参数的个数和类型可以是根据需要预先选择的；先建立预测目标参数的最小二乘支持向量机模型，该最小二乘支持向量机模型具体可以是求得的一个具体的计算公式，也可以不直接以计算公式的方式体现，而是通过计算机程序实现该模型；具体地，可以预先采集一定的样本数据，根据样本数据建立最小二乘支持向量机模型。S11：获取待测锂电池的电压响应值；电压响应值可以是一个量，也可以是多个，可以选用一定的电池性能检测仪器获取电压响应值，具体地，可以采用ZM-7510系列电池性能检测仪获取电压响应值，该检测仪可以用于镍氢、镍镉、镍锌、锂等各类电池的性能检测，该检测仪在测量方面精确度高、检测速度快，可在测量过程中进行实时监控和操作，可存储、显示运行曲线及完整的测量数据，并能够将数据导出至EXCEL、WORD、TXT等格式下以便存档分析。S12：根据最小二乘支持向量机模型和电压响应值，得到待测锂电池的目标参数；可以根据步骤S10中建立的最小二乘支持向量机模型，以及步骤S11中获取的电压响应值，计算并得出锂电池阻抗模型的参数。具体地，可以将获取的电压响应值，输入到最小二乘支持向量机模型中，最小二乘支持向量机模型的输出可以为目标参数，计算并得到参数；可选地，得到电压响应值后，可以先对电压响应值进行归一化处理，然后再输入到本文档来自技高网...

【技术保护点】
1.一种预测锂电池阻抗模型的参数的方法，其特征在于，步骤如下：/nS10：建立预测目标参数的最小二乘支持向量机模型；/nS20：获取待测锂电池的电压响应值；/nS30：根据所述最小二乘支持向量机模型和所述电压响应值，得到所述待测锂电池的所述目标参数。/n

【技术特征摘要】
1.一种预测锂电池阻抗模型的参数的方法，其特征在于，步骤如下：
S10：建立预测目标参数的最小二乘支持向量机模型；
S20：获取待测锂电池的电压响应值；
S30：根据所述最小二乘支持向量机模型和所述电压响应值，得到所述待测锂电池的所述目标参数。


2.根据权利要求1所述的预测锂电池阻抗模型的参数的方法，其特征在于，所述建立预测目标参数的最小二乘支持向量机模型的步骤包括：
获取多个样本锂电池的样本电压响应值；
获取所述多个样本锂电池阻抗模型的参考参数；
根据所述多个样本锂电池的样本电压响应值和所述参考参数建立所述最小二乘支持向量机模型。


3.根据权利要求2所述的预测锂电池阻抗模型的参数的方法，其特征在于，所述最小二乘支持向量机模型的核函数为径向基核函数。


4.根据权利要求2所述的预测锂电池阻抗模型的参数的方法，其特征在于，根据所述多个样本锂电池的样本电压响应值和所述参考参数建立所述最小二乘支持向量机模型的步骤包括：
根据所述多个样本锂电池的样本电压响应值和所述参考参数，采用遗传退火算法确定所述最小二乘支持向量机模型。


5.根据权利要求2所述的预测锂电池阻抗模型的参数的方法，其特征在于，获取所述多个样本锂电池阻抗模型的参考参数的步骤包括：
采用电化学工作站测量所述多个样本锂电池阻抗模型的参考参数。

【专利技术属性】
技术研发人员：杜志勇，王鲜芳，卢亚娟，
申请(专利权)人：河南工学院，
类型：发明
国别省市：河南;41