【技术实现步骤摘要】
本专利技术涉及锂电池，具体为基于imm融合算法的锂电池soh估计方法。
技术介绍
1、随着锂电池在电动汽车、储能系统等领域的广泛应用，确保锂电池的安全性和可靠性显得尤为重要。准确估计锂电池的soh(state-of-health)健康状态估计，对于其寿命管理、性能优化具有重要意义。
2、对电动汽车而言，精确估算车载电池的健康状态，预测电池剩余使用寿命，在电池进入寿命终止阶段时及时执行退出机制，令驾乘者无忧于电池系统的安全和性能，并且降低整体的使用和维护成本。
3、目前，单因素容量衰减模型在锂电池soh估计中得到了广泛应用，但忽视了各种因素之间的耦合效应，导致估计结果的准确性有待提高。
技术实现思路
1、本专利技术的目的是解决现有技术中存在的缺点，而提出的一种基于imm融合算法的锂电池soh估计方法。
2、为解决
技术介绍
问题，本专利技术提供如下技术方案：
3、基于imm融合算法的锂电池soh估计方法，包括以下步骤：
4、步骤一、收集bms采集的锂电池工作过程中的运行数据，所述运行数据包括电压、电流、温度、充放电倍率和充放电深度数据；
5、步骤二、根据收集到的运行数据构建多个单因素容量衰减模型，探究每个模型与锂电池容量衰减的关系；
6、步骤三、对单因素容量衰减模型的匹配度进行验证和优化，并进行归一化处理；
7、步骤四、建立状态内的多因素耦合模型：
8、a)划分锂电池工作状态为充电
9、b)在每个状态内部考虑影响因素的耦合关系，运用线性加权的方法进行融合，获取每个状态内的锂电池容量衰减耦合模型；
10、步骤五、建立锂电池多因素容量衰减融合模型：
11、a)建立锂电池的容量衰减特性的状态空间方程；
12、b)采用交互式多模型融合算法建立锂电池多因素容量衰减融合模型，将多个单因素容量衰减模型整合成一个综合模型；
13、c)利用imm融合算法将模型进行交互，得到最终的soh估计结果；
14、d)根据最终的soh估计结果，进行锂电池的健康状态评估。
15、作为本专利技术进一步的方案：所述单因素容量衰减模型包括温度-循环寿命模型、充电倍率-循环寿命模型、充电深度-循环寿命模型、放电倍率-循环寿命模型、放电深度-循环寿命模型和存储状态-循环寿命模型。
16、作为本专利技术进一步的方案：所述充电、放电和静置状态下的多因素耦合模型具体如下：
17、
18、上式中，表示静置状态下的锂电池容量衰减特性，表示充电状态下的锂电池容量衰减特性，描述放电状态下的锂电池容量衰减特性，α1、α2、α3、β1、β2、β3为模型间的耦合权重。
19、作为本专利技术进一步的方案：所述锂电池容量衰减特性的状态空间方程为非线性状态方程，所述非线性状态方程为：
20、
21、其中xk为系统状态向量，yk为系统输出变量，θi为不确定性参数向量(i＝1,2,…n)，uk为系统输入，即为温度、充放电倍率、充放电截止电压等；
22、wk为系统噪声，vk为观测噪声，ak(θi)为状态转移矩阵，bk(θi)为系统控制矩阵，ck(θi)、dk(θi)为观测矩阵。
23、作为本专利技术进一步的方案：所述利用imm融合算法将模型进行交互包括输入交互、数据滤波、模型概率更新和输出交互。
24、作为本专利技术进一步的方案：所述锂电池的健康状态评估包括生成健康状态报告并根据报告提供维护建议。
25、作为本专利技术进一步的方案：所述锂电池多因素容量衰减融合模型中使用markov模型转移概率对多模型进行自动切换，最后根据每个模型的似然函数进行最终输出结果的数据融合。
26、作为本专利技术进一步的方案：所述锂电池多因素容量衰减融合模型中使用无迹粒子滤波器
27、与现有技术相比，本专利技术提供了基于imm融合算法的锂电池soh估计方法，具备以下有益效果：
28、本专利技术提供一种基于imm融合算法的锂电池soh估计方法，通过建立多因素容量衰减融合模型，揭示复杂环境下锂电池容量的衰减规律，克服了现有技术的不足，提高了soh估计的准确性和稳定性。
本文档来自技高网...【技术保护点】
1.基于IMM融合算法的锂电池SOH估计方法，包括，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于IMM融合算法的锂电池SOH估计方法，其特征在于：所述单因素容量衰减模型包括温度-循环寿命模型、充电倍率-循环寿命模型、充电深度-循环寿命模型、放电倍率-循环寿命模型、放电深度-循环寿命模型和存储状态-循环寿命模型。
3.根据权利要求1所述的基于IMM融合算法的锂电池SOH估计方法，其特征在于：所述充电、放电和静置状态下的多因素耦合模型具体如下：
4.根据权利要求1所述的基于IMM融合算法的锂电池SOH估计方法，其特征在于：所述锂电池容量衰减特性的状态空间方程为非线性状态方程，所述非线性状态方程为：
5.根据权利要求1所述的基于IMM融合算法的锂电池SOH估计方法，其特征在于：所述利用IMM融合算法将模型进行交互包括输入交互、数据滤波、模型概率更新和输出交互。
6.根据权利要求1所述的基于IMM融合算法的锂电池SOH估计方法，其特征在于：所述锂电池的健康状态评估包括生成健康状态报告并根据报告提供维护建议。
<...【技术特征摘要】
1.基于imm融合算法的锂电池soh估计方法，包括，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于imm融合算法的锂电池soh估计方法，其特征在于：所述单因素容量衰减模型包括温度-循环寿命模型、充电倍率-循环寿命模型、充电深度-循环寿命模型、放电倍率-循环寿命模型、放电深度-循环寿命模型和存储状态-循环寿命模型。
3.根据权利要求1所述的基于imm融合算法的锂电池soh估计方法，其特征在于：所述充电、放电和静置状态下的多因素耦合模型具体如下：
4.根据权利要求1所述的基于imm融合算法的锂电池soh估计方法，其特征在于：所述锂电池容量衰减特性的状态空间方程为非线性状态方程，所述非线性状态方程为：
5.根据权利要求1...
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。