基于相似性的锂离子电池SOH预测和SOC估计方法技术

本发明专利技术公开了基于相似性的锂离子电池SOH预测和SOC估计方法。所述方法包括以下步骤：获取同类型同工况下的锂离子电池的历史健康状态SOH序列，并进行预处理，训练第一模型；获取待预测数据锂离子电池的数据；训练第二模型；对待预测的锂离子电池本次充放电半循环中的健康状态SOH值进行预测；预测实时的基于额定容量定义下的荷电状态SOC

【技术实现步骤摘要】
基于相似性的锂离子电池SOH预测和SOC估计方法


[0001]本专利技术涉及电池状态估计领域，特别涉及基于相似性的锂离子电池SOH预测和SOC估计方法。

技术介绍

[0002]近年来，锂离子电池由于其高能量密度、自放电率低、高效稳定而受到行业的肯定和政策的支持，但对于其荷电状态和健康状态的估计，一直是科研工作者和用户关心的话题，但现有的研究大多偏重于其中一方面，使得无法对电池的长短期尺度有较好的把握和管理。
[0003]文献《基于双UKF滤波器的锂电池SOC
‑
SOH联合估计方法》尽管实现了SOC和SOH的联合估计，可其准确度严重依赖于等效电路模型，且需要通过试验获得等效电路参数的辨识值，并通过复杂的卡尔曼滤波等方法，从而实现SOC和SOH的联合估计。

技术实现思路

[0004]为解决上述问题，本专利技术提出了基于相似性的锂离子电池SOH预测和SOC估计方法，既摒弃了复杂的模型，又不用开展试验，且有较好的精度。
[0005]本专利技术的目的至少通过如下技术方案之一实现。/>[0006]基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于相似性的锂离子电池SOH预测和SOC估计方法，其特征在于，包括以下步骤：S1、获取同类型同工况下的锂离子电池的历史健康状态SOH序列，并进行预处理；S2、根据预处理后的历史健康状态SOH序列训练第一模型；S3、获取待预测数据锂离子电池在充放电半循环中的数据，按充放电半循环划分为训练数据和待预测数据；S4、将训练数据按照时间发生顺序按照比例分成多份训练数据样本；S5、根据训练数据样本，训练第二模型；S6、采用训练完成的第一模型对待预测的锂离子电池本次充放电半循环中的健康状态SOH值进行预测；S7、对于锂离子电池在本次充放电半循环中的待预测数据，按照同样比例划分为多份待预测数据样本，并结合训练数据样本将每份待预测数据样本进行整体上下移动，获得平移后的待预测数据样本，输入训练好的第二模型，预测得到待预测的锂离子电池本次充放电半循环中实时的基于额定容量定义下的荷电状态SOC
N
的预测值，并根据步骤S6中本次充放电半循环中的健康状态SOH的预测值得到实时的基于最大可用容量定义下的荷电状态SOC
H
的预测值；S8、对本次充放电半循环中实时的基于额定容量定义下的荷电状态SOC
N
、基于最大可用容量定义下的荷电状态SOC
H
和健康状态SOH进行更新，分别得到对应的真实值；S9、更新待预测数据，返回步骤S3。2.根据权利要求1所述的基于相似性的锂离子电池SOH预测和SOC估计方法，其特征在于，步骤S1中，锂离子电池先后完成一次充电过程和一次放电过程为一次完整的充放电循环，单独完成一次充电过程或一次放电过程称之为充放电半循环；充电过程包括恒流充电阶段或恒压充电阶段，放电过程包括恒流放电阶段；健康状态SOH序列由锂离子电池先后完成的多个充放电半循环的健康状态SOH按照时序排列而成；对历史健康状态SOH序列进行预处理，具体如下：将历史健康状态SOH序列按充放电半循环划分为多个充放电半循环中的健康状态SOH。3.根据权利要求2所述的基于相似性的锂离子电池SOH预测和SOC估计方法，其特征在于，步骤S2中，给定窗口大小windows size，对历史健康状态SOH序列进行滑窗，每次取windows size个充放电半循环中的健康状态SOH值作为输入，将窗口后的1个充放电半循环中的健康状态SOH值作为输出，从而建立有监督学习的输入和输出，采用相关向量机或集成学习算法，训练得到第一模型；所述集成学习算法包括随机森林、极端随机树、装袋算法、梯度提升机或决策树。4.根据权利要求3所述的基于相似性的锂离子电池SOH预测和SOC估计方法，其特征在于，步骤S3中，给定初值p，p>windows size；获取待预测的锂离子电池先后完成的前p+1个充放电半循环中的健康状态SOH的真实值；获取待预测的锂离子电池先后完成的第p个充放电半循环的数据，作为训练数据，获取待预测的锂离子电池第p+2个充放电半循环的数据，作为待预测数据；训练数据包括锂离子电池在恒流充电阶段、恒压充电阶段或恒流放电阶段中的电压、
电流、温度和基于额定容量定义下的荷电状态SOC
N
对于时间的曲线；待预测数据包括锂离子电池在恒流充电阶段、恒压充电阶段或恒流放电阶段中的电压、电流和温度对于时间的曲线。5.根据权利要求4所述的基于相似性的锂离子电池SOH预测和SOC估计方法，其特征在于，步骤S4中，将训练数据的数据曲线按照时间发生顺序按照比例分成多份训练数据样本；每份训练数据样本中的物理量包括电压、电流或温度；记录每份训练数据样本对应的物理量的初始值，即每份训练数据样本中的数据曲线起始端对应的锂离子电池的物理量的值。6.根据权利要求5所述的基于相似性的锂离子电池SOH预测和SOC估计方法，其特征在于，步骤S5中，若采用相关向量机训练第二模型，则需对训练数据样本进行插值获取新样本，然后根据新样本训练第二模型；若采用集成学习算法训练第二模型，则无需进行插值操作，直接采用训练数据样本训练第二模型；采用相...

【专利技术属性】
技术研发人员：杨宁，余涛，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：