本发明专利技术公开了一种锂电池健康状态估计方法，包括采集锂电池在充电过程中的电流数据和电压数据；根据电压数据中的最大电压值和最小电压值，将电压数据进行等电压区间划分；根据每个等电压区间对应的电流数据，确定各个等电压区间对应的电量变化量；将电量变化量输入预先通过高斯过程回归训练获得的预测模型，获得锂电池的健康状态参数。本申请利用锂电池充电过程的电流数据和电压数据确定每间隔等电压区间对应的电量变化，并以为依据采用预先创建的预测模型对锂电池的健康状态参数进行预测，为锂电池使用过程中的安全性提供可靠的理论依据。本申请还提供了一种锂电池健康状态估计装置、设备以及计算机可读存储设备，具有上述有益效果。有益效果。有益效果。
【技术实现步骤摘要】
锂电池健康状态估计方法、装置、设备及可读存储介质
[0001]本专利技术涉及锂电池
，特别是涉及一种锂电池健康状态估计方法、装置、设备以及计算机可读存储介质。
技术介绍
[0002]电力驱动和电力存储领域的发展与其基本储能单元锂电池息息相关，其中动力锂电池因其在能量密度、寿命和自放电率等方面拥有出色的性能而被广泛采用。然而，随着使用次数的增加，动力锂电池的寿命将逐渐衰减，事故风险也将因此提高，对其应用安全带来了挑战。由此，如何准确的对锂电池的健康状态进行评估，对锂电池的安全使用有重要意义。
[0003]但是针对不同应用环境不同使用频率的锂电池而言，也并不能仅仅通过使用时长评价其健康状态。为此如何实现锂电池健康状态的有效评估是业内重点关注的问题之一。
技术实现思路
[0004]本专利技术的目的是提供一种锂电池健康状态估计方法、装置、设备以及计算机可读存储介质，能够简单有效的实现对使用过程中的锂电池的健康状态进行评估，为锂电池是否能够安全使用提供可靠的数据依据，有利于保证锂电池使用的安全性。
[0005]为解决上述技术问题，本专利技术提供一种锂电池健康状态估计方法，包括：采集锂电池在充电过程中的电流数据和电压数据；根据所述电压数据中的最大电压值和最小电压值，将所述电压数据进行等电压区间划分；根据每个所述等电压区间对应的电流数据，确定各个所述等电压区间对应的电量变化量；将所述电量变化量输入预先通过高斯过程回归训练获得的预测模型，获得所述锂电池的健康状态参数；其中，所述健康状态参数为所述锂电池的当前电池容量和理论最大电池容量的比值。
[0006]在本申请的一种可选地实施例中，预先通过高斯过程回归训练获得的预测模型的过程，包括：在样本锂电池每次充电从电量为0到完全充满过程中，采集电压数据样本和电流数据样本；根据所述电流数据样本，确定对应的电池容量样本，并根据所述电池容量样本和所述理论电池容量的比值，获得健康状态参数样本；根据所述电压数据样本进行等电压区间划分，并根据每个等电压区间对应的所述电流数据样本确定各个所述等电压区间对应的电量变化量样本；根据所述电量变化量样本和所述健康状态参数样本，以健康状态参数预测值和对应的所述健康状态参数样本之间的差值平方和最小为训练目标，高斯过程回归训练，获得
所述预测模型。
[0007]在本申请的一种可选地实施例中，根据所述电压数据样本进行等电压区间划分，包括：根据所述样本锂电池中的电量在20%到80%之间对应的所述电压数据样本进行等电压区间划分；对应的，采集锂电池在充电过程中的电流数据和电压数据，包括：采集所述锂电池电量在20%到80%之间的任意电量区间的所述电流数据和所述电压数据。
[0008]在本申请的一种可选地实施例中，根据所述电量变化量样本和所述健康状态参数样本，以健康状态参数预测值和对应的所述健康状态参数样本之间的差值平方和最小为训练目标，高斯过程回归训练，获得所述预测模型，包括：采用建立选择矩阵，并根据所述选择矩阵在所述电量变化量样本中选取训练样本；根据所述训练样本进行高斯回归训练，获得所述训练样本对应的健康状态参数预测值；对所述健康参数预测值和所述健康状态参数样本进行差值平方和运算，获得差值平方和运算结果；采用遗传算法对所述选择矩阵、高斯回归训练中的噪声、特征长度比例、信号标准差其中至少一项进行优化更新；并重复执行根据所述选择矩阵在所述电量变化量样本中选取训练样本的操作，直到达到预设循环终止条件；选取最小的所述差值平方和运算结果对应的噪声，特征长度比例，信号标准差形成所述预测模型。
[0009]在本申请的一种可选地实施例中，获得所述锂电池的健康状态参数之后，还包括：判断所述健康状态参数是否小于参数阈值，若是，则发出报警。
[0010]一种锂电池健康状态估计装置，包括：数据采集模块，用于采集锂电池在充电过程中的电流数据和电压数据；区域划分模块，用于根据所述电压数据中的最大电压值和最小电压值，将所述电压数据进行等电压区间划分；特征提取模块，用于根据每个所述等电压区间对应的电流数据，确定各个所述等电压区间对应的电量变化量；健康估计模块，用于将所述电量变化量输入预先通过高斯过程回归训练获得的预测模型，获得所述锂电池的健康状态参数；其中，所述健康状态参数为所述锂电池的当前电池容量和理论最大电池容量的比值。
[0011]在本申请的一种可选地实施例中，还包括模型训练模块，所述模型训练模块包括：样本采集单元，用于在样本锂电池每次充电从电量为0到完全充满过程中，采集电压数据样本和电流数据样本；第一处理单元，用于根据所述电流数据样本，确定对应的电池容量样本，并根据所述电池容量样本和所述理论电池容量的比值，获得健康状态参数样本；第二处理单元，用于根据所述电压数据样本进行等电压区间划分，并根据每个等
电压区间对应的所述电流数据样本确定各个所述等电压区间对应的电量变化量样本；回归训练单元，用于根据所述电量变化量样本和所述健康状态参数样本，以健康状态参数预测值和对应的所述健康状态参数样本之间的差值平方和最小为训练目标，高斯过程回归训练，获得所述预测模型。
[0012]在本申请的一种可选地实施例中，所述回归训练单元用于采用建立选择矩阵，并根据所述选择矩阵在所述电量变化量样本中选取训练样本；根据所述训练样本进行高斯回归训练，获得所述训练样本对应的健康状态参数预测值；对所述健康参数预测值和所述健康状态参数样本进行差值平方和运算，获得差值平方和运算结果；采用遗传算法对所述选择矩阵、高斯回归训练中的噪声、特征长度比例、信号标准差其中至少一项进行优化更新；并重复执行根据所述选择矩阵在所述电量变化量样本中选取训练样本的操作，直到达到预设循环终止条件；选取最小的所述差值平方和运算结果对应的噪声，特征长度比例，信号标准差形成所述预测模型。
[0013]一种锂电池健康状态估计设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如上任一项所述锂电池健康状态估计方法的步骤。
[0014]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时实现如上任一项所述锂电池健康状态估计方法的步骤。
[0015]本专利技术所提供的一种锂电池健康状态估计方法，包括采集锂电池在充电过程中的电流数据和电压数据；根据电压数据中的最大电压值和最小电压值，将电压数据进行等电压区间划分；根据每个等电压区间对应的电流数据，确定各个等电压区间对应的电量变化量；将电量变化量输入预先通过高斯过程回归训练获得的预测模型，获得锂电池的健康状态参数；其中，健康状态参数为锂电池的当前电池容量和理论最大电池容量的比值。
[0016]本申请中在锂电池充电过程的电流数据和电压数据进行监测，进而确定出锂电池在充电过程中每间隔等电压区间对应的电量变化。因此对于不同剩余使用寿命的锂电池，能够充入的最大电量也即是电池容量是不同的，对应的随着充电量的增加，锂电池两端电压大小也随之变化，对于不同电池容量时锂电池的电压每增长一定大小，其本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种锂电池健康状态估计方法，其特征在于，包括：采集锂电池在充电过程中的电流数据和电压数据；根据所述电压数据中的最大电压值和最小电压值，将所述电压数据进行等电压区间划分；根据每个所述等电压区间对应的电流数据，确定各个所述等电压区间对应的电量变化量；将所述电量变化量输入预先通过高斯过程回归训练获得的预测模型，获得所述锂电池的健康状态参数；其中，所述健康状态参数为所述锂电池的当前电池容量和理论最大电池容量的比值。2.如权利要求1所述的锂电池健康状态估计方法，其特征在于，预先通过高斯过程回归训练获得的预测模型的过程，包括：在样本锂电池每次充电从电量为0到完全充满过程中，采集电压数据样本和电流数据样本；根据所述电流数据样本，确定对应的电池容量样本，并根据所述电池容量样本和所述理论电池容量的比值，获得健康状态参数样本；根据所述电压数据样本进行等电压区间划分，并根据每个等电压区间对应的所述电流数据样本确定各个所述等电压区间对应的电量变化量样本；根据所述电量变化量样本和所述健康状态参数样本，以健康状态参数预测值和对应的所述健康状态参数样本之间的差值平方和最小为训练目标，高斯过程回归训练，获得所述预测模型。3.如权利要求2所述的锂电池健康状态估计方法，其特征在于，根据所述电压数据样本进行等电压区间划分，包括：根据所述样本锂电池中的电量在20%到80%之间对应的所述电压数据样本进行等电压区间划分；对应的，采集锂电池在充电过程中的电流数据和电压数据，包括：采集所述锂电池电量在20%到80%之间的任意电量区间的所述电流数据和所述电压数据。4.如权利要求2所述的锂电池健康状态估计方法，其特征在于，根据所述电量变化量样本和所述健康状态参数样本，以健康状态参数预测值和对应的所述健康状态参数样本之间的差值平方和最小为训练目标，高斯过程回归训练，获得所述预测模型，包括：采用建立选择矩阵，并根据所述选择矩阵在所述电量变化量样本中选取训练样本；根据所述训练样本进行高斯回归训练，获得所述训练样本对应的健康状态参数预测值；对所述健康参数预测值和所述健康状态参数样本进行差值平方和运算，获得差值平方和运算结果；采用遗传算法对所述选择矩阵、高斯回归训练中的噪声、特征长度比例、信号标准差其中至少一项进行优化更新；并重复执行根据所述选择矩阵在所述电量变化量样本中选取训练样本的操作，直到达到预设循环终止条件；选取最小的所述差值平方和运算结果对应的噪声，特征长度比例，信号标准差形成所
述预测模型。5.如权利要求1所述的锂电池健康状态估计方法，其特征在于，获得所述锂电池的健...
【专利技术属性】
技术研发人员：黄焕炀，孟锦豪，卢继武，刘平，张景哲，刘义，金道元，
申请(专利权)人：长沙德壹科技有限公司，
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。