基于混合效应模型的锂离子电池健康状态预测方法技术

本发明专利技术涉及锂离子电池健康状态预测技术领域，具体为基于混合效应模型的锂离子电池健康状态预测方法，该预测方法包括以下步骤：利用多项分布描述不同组锂离子电池的退化路径；利用受限的最大似然估计得到对应参数的离线估计，在总体水平上获得不同锂离子电池组SOH退化信号的混合先验信息；有益效果为：本发明专利技术提出的基于混合效应模型的锂离子电池健康状态预测方法针对只能在在群体的平均意义上进行预测的问题，引入了混合先验分布的结构，考虑了锂离子电池的聚类行为，从而可以更加充分的利用混合的历史数据信息，达到提高SOH预测精度的目的,解决了只能在群体的平均意义上进行预测的问题。行预测的问题。行预测的问题。

【技术实现步骤摘要】
基于混合效应模型的锂离子电池健康状态预测方法


[0001]本专利技术涉及锂离子电池健康状态预测
，具体为基于混合效应模型的锂离子电池健康状态预测方法。

技术介绍

[0002]电池的健康状态(State of health,简称SOH)，表示电池从寿命开始到寿命结束期间所处的状态，用来定量描述当前电池的性能状态。考虑到生产实际，一方面由于电池的充放电受到电池管理系统的控制，而电池容量的大小又是影响到这一控制的参数之一，如果不能提供准确的SOH预测将会严重影响电池的充放电状态，从而出现过充过放的情况，进而降低电池的使用寿命；在另一方面，SOH的准确预测，也可以直接反映电池的老化程度，从而及时更换老旧的电池，进而保护使用人员的生命财产安全。通过广泛的文献调研，学者们提出了多种电动汽车动力电池的SOH估计方法，大致有如下几种：电化学模型法、等效电路模型法以及数据驱动法。其中数据驱动的方法具有最为广泛的适用性，因此是目前的研究热门。
[0003]现有技术中，在人工智能的时代浪潮推动下，数据驱动方法在近些年开始被广泛运用于电池SOH的预测中。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于混合效应模型的锂离子电池健康状态预测方法，其特征在于，该预测方法包括以下步骤：利用多项分布描述不同组锂离子电池的退化路径；利用受限的最大似然估计得到对应参数的离线估计，在总体水平上获得不同锂离子电池组SOH退化信号的混合先验信息；从关心的特定单元收集新的数据，利用贝叶斯理论将该数据与离线先验估计得到的参数进行整合，更新得到特定单元的后验分布,最终实现特定单元的SOH预测。2.根据权利要求1所述的基于混合效应模型的锂离子电池健康状态预测方法，其特征在于：利用多项分布描述不同组锂离子电池的退化路径时，假设历史数据中有n组处于不同实验状态的锂离子电池亚群，分别记为S1,S2,
…
,S
n
,同时定义：S1＝{i:η
i
＝1}，S2＝{i:η
i
＝2},
…
,S
n
＝{i:η
i
＝n}，其中η
i
＝1,2,
…
,n是分组指示符，对应于亚群类型。3.根据权利要求2所述的基于混合效应模型的锂离子电池健康状态预测方法，其特征在于：在不失一般性的情况下，假设S1,S2,
…
,S
n
在总体数据中比例分别为λ1,λ2,
…
,λ
n
，其中0≤λ
k
≤1，且λ1+λ2+...+λ
n
＝1；则退化信号路径的模型可以定义为：当i∈S1时，r
i
(t)由b
i,1
和ε
i,1
(t)定义，其他同理；在此，用狄拉克δ函数来表示η的PDF，即：4.根据权利要求3所述的基于混合效应模型的锂离子电池健康状态预测方法，其特征在于：P(η＝η
k
)＝λ
k
，推导得到退化信号r
i
(t...

【专利技术属性】
技术研发人员：李金中，谢毓广，马伟，徐斌，丁津津，郑国强，赵文广，郑大为，
申请(专利权)人：国网安徽省电力有限公司电力科学研究院，
类型：发明
国别省市：