一种基于弛豫过程的锂电池的SOH估计方法及装置与流程

本发明涉及电池储能，具体涉及一种基于弛豫过程的锂电池的soh估计方法及装置。

背景技术：

1、随着全球对环境保护和可持续发展的日益重视，清洁能源的地位愈发凸显，特别是在储能领域，锂离子电池因其高能量密度、长循环寿命和较低的自放电率而广受青睐，广泛应用于家庭储能、电动汽车、光伏电网储能等多个场景中。在这些应用中，电池管理系统(bms，battery management system)扮演着至关重要的角色，其中电池健康状态(soh，state of health)的准确估计对于保障系统高效、安全运行至关重要。

2、在现有技术中，常常基于理想化的模型或固定的参数对电池soh进行估计，然而这种估计方式难以准确地反映电池在复杂工况下的实际性能，进而影响对电池性能的准确评估。

技术实现思路

1、有鉴于此，本发明提供了一种基于弛豫过程的锂电池的soh估计方法及装置，以解决现有技术中基于理想化的模型或固定的参数对电池soh估计，导致估计准确度低的问题。

2、第一方面，本发明提供了一种基于弛豫过程的锂电池的soh估计方法，该方法包括：

3、对锂电池进行不同条件下的充放电测试，并采集充放电测试过程中锂电池的电压序列数据和温度序列数据；

4、将采集到的电压序列数据输入至训练好的一维卷积神经网络模型进行预测，得到预测的弛豫电压值；

5、根据采集到的电压序列数据和温度序列数据，分别计算电压统计特征和温度统计特征，电压统计特征包括弛豫电压序列的标准差、偏度和最小值，温度统计特征包括温度序列的极差、标准差和偏度；

6、基于锂电池弛豫过程，建立二阶rc等效电路模型，并计算等效电路模型参数；

7、利用弛豫电压值、电压统计特征、温度统计特征和等效电路模型参数对xgboost模型进行训练；

8、将锂电池实际充放电过程中的电压序列数据和温度序列数据输入至训练好的xgboost模型中，得到锂电池的soh估计结果。

9、本发明通过对锂电池充放电测试过程中电压序列数据和温度序列数据的采集，利用一维卷积神经网络模型对弛豫电压值进行预测，计算电压统计特征和温度统计特征，并计算等效电路模型参数，采用相对稳定的电池弛豫过程对锂电池soh估计，利用xgboost模型根据锂电池实际充放电过程中的电压序列数据和温度序列数据完成对锂电池soh的估计，提高对电池性能评估的准确性，有效提高了估计精度。

10、在一种可选的实施方式中，在将采集到的电压序列数据输入至训练好的一维卷积神经网络模型进行预测之前，该方法还包括：

11、按照预设比例将采集到的电压序列数据划分为第一训练集和第一测试集；

12、利用第一训练集对一维卷积神经网络模型进行训练；

13、利用第一测试集对一维卷积神经网络模型进行测试，并利用弛豫电压的均方误差值衡量一维卷积神经网络模型的估计精度；

14、当一维卷积神经网络模型训练的迭代次数达到预设最大迭代次数时，停止对一维卷积神经网络模型进行训练。

15、本发明通过对一维卷积神经网络模型进行训练和测试，利用弛豫电压的均方误差值直观地反映一维卷积神经网络模型的估计精度，以便于根据弛豫电压的均方误差值进行模型调整，提高一维卷积神经网络模型的估计精度，在达到预设最大迭代次数时，停止对一维卷积神经网络模型的训练，避免模型训练次数过多导致的泛化能力下降。

16、在一种可选的实施方式中，将采集到的电压序列数据输入至训练好的一维卷积神经网络模型进行预测，得到预测的弛豫电压值，包括：

17、从采集到的电压序列数据提取出第一时段内的电压序列数据；

18、将第一时段内的电压序列数据输入至训练好的一维卷积神经网络模型，对第二时段内的电压序列数据进行预测，将预测得到的电压值确定为弛豫电压值。

19、本发明通过一维卷积神经网络模型根据第一时段内的电压序列数据，对第二时段内的电压序列数据进行预测，有效对电压序列的变化趋势进行分析。

20、在一种可选的实施方式中，等效电路模型参数包括极化电阻值、极化电容值以及直流内阻值，按照如下公式计算等效电路模型参数：

21、

22、其中，r1和r2为极化电阻，c1和c2为极化电容，r为直流内阻，v1和v2为极化电压的幅值，i为电流，τ1和τ2为极化过程的时间常数，u(0)为充电截止电压，uocv为开路电压。

23、本发明通过对建立的二阶等效电路模型中各参数进行计算，以直观地将电路模型参数和锂电池实际状态相关联，以便于对锂电池的soh进行估计。

24、在一种可选的实施方式中，利用弛豫电压值、电压统计特征、温度统计特征和等效电路模型参数对xgboost模型进行训练，包括：

25、按照预设比例将弛豫电压值、电压统计特征、温度统计特征和等效电路模型参数划分为第二训练集和第二测试集；

26、利用第二训练集对xgboost模型进行训练；

27、利用第二测试集对xgboost模型进行测试，并利用soh的均方误差值衡量xgboost模型的估计精度。

28、本发明通过对xgboost模型进行训练和测试，xgboost模型具有高性能、支持并行计算的优点，利用soh的均方误差值衡量xgboost模型的估计精度，以便于根据soh的均方误差值进行模型调整，提高xgboost模型的估计精度。

29、在一种可选的实施方式中，在利用弛豫电压值、电压统计特征、温度统计特征和等效电路模型参数对xgboost模型进行训练之后，该方法还包括：

30、确定xgboost模型对应的超参数以及超参数网格；

31、遍历超参数网格中所有超参数点，确定soh的均方误差最小的超参数点；

32、将soh的均方误差最小的超参数点对应的xgboost模型确定为训练好的xgboost模型。

33、本发明采用网格搜索法全面遍历超参数网格中所有超参数点，以提高搜索的全面性，避免仅依赖于局部最优解，提高xgboost模型的泛化能力。

34、在一种可选的实施方式中，锂电池实际充放电过程中的电压序列数据包括弛豫电压序列，将锂电池实际充放电过程中的电压序列数据和温度序列数据输入至训练好的xgboost模型中，得到锂电池的soh估计结果，包括：

35、当检测到锂电池完成充电且静置时间到达预设时长时，将弛豫电压序列输入至一维卷积神经网络模型中，得到电压预测值；

36、从锂电池实际充放电过程中的电压序列数据和温度序列数据中提取统计量特征以及等效电路模型特征；

37、将电压预测值、统计量特征以及等效电路模型特征输入至xgboost模型中，输出锂电池的soh估计结果。

38、本发明利用xgboost模型根据一维卷积神经网络模型输出的电压预测值、从锂电池实际充放电过程中的电压序列数据和温度序列数据中提取出的统计量特征以及等效电路模型特征、等效电路模型特征，综合对电池soh进行估计，既考虑到了在实际运行中电池弛豫过程可能较短的问题，结合等效电路模型特征，有效提高锂电池soh估计精度。

39、第二方面，本发明提供了一种基于弛豫过程的锂电池的soh估计装置，该装置包括：

40、数据采集模块，用于对锂电池进行不同条件下的充放电测试，并采集充放电测试过程中锂电池的电压序列数据和温度序列数据；

41、预测模块，用于将采集到的电压序列数据输入至训练好的一维卷积神经网络模型进行预测，得到预测的弛豫电压值；

42、第一计算模块，用于根据采集到的电压序列数据和温度序列数据，分别计算电压统计特征和温度统计特征，电压统计特征包括弛豫电压序列的标准差、偏度和最小值，温度统计特征包括温度序列的极差、标准差和偏度；

43、第二计算模块，用于基于锂电池弛豫过程，建立二阶rc等效电路模型，并计算等效电路模型参数；

44、模型训练模块，用于利用弛豫电压值、电压统计特征、温度统计特征和等效电路模型参数对xgboost模型进行训练；

45、估计模块，用于将锂电池实际充放电过程中的电压序列数据和温度序列数据输入至训练好的xgboost模型中，得到锂电池的soh估计结果。

46、第三方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的基于弛豫过程的锂电池的soh估计方法。

47、第四方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的基于弛豫过程的锂电池的soh估计方法。

技术特征：

1.一种基于弛豫过程的锂电池的soh估计方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，在将采集到的电压序列数据输入至训练好的一维卷积神经网络模型进行预测之前，所述方法还包括：

3.根据权利要求1所述的方法，其特征在于，所述将采集到的电压序列数据输入至训练好的一维卷积神经网络模型进行预测，得到预测的弛豫电压值，包括：

4.根据权利要求1所述的方法，其特征在于，所述等效电路模型参数包括极化电阻值、极化电容值以及直流内阻值，按照如下公式计算等效电路模型参数：

5.根据权利要求1所述的方法，其特征在于，所述利用所述弛豫电压值、电压统计特征、温度统计特征和等效电路模型参数对xgboost模型进行训练，包括：

6.根据权利要求1所述的方法，其特征在于，在利用所述弛豫电压值、电压统计特征、温度统计特征和等效电路模型参数对xgboost模型进行训练之后，所述方法还包括：

7.根据权利要求1所述的方法，其特征在于，所述锂电池实际充放电过程中的电压序列数据包括弛豫电压序列，所述将锂电池实际充放电过程中的电压序列数据和温度序列数据输入至训练好的xgboost模型中，得到锂电池的soh估计结果，包括：

8.一种基于弛豫过程的锂电池的soh估计装置，其特征在于，所述装置包括：

9.一种计算机设备，其特征在于，包括：

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至7中任一项所述的基于弛豫过程的锂电池的soh估计方法。

技术总结
本发明涉及电池储能技术领域，公开了一种基于弛豫过程的锂电池的SOH估计方法及装置，该方法包括：对锂电池进行不同条件下的充放电测试，采集电压和温度序列数据；将电压序列数据输入至一维卷积神经网络模型进行预测得到预测的弛豫电压值；分别计算电压统计特征和温度统计特征；基于锂电池弛豫过程，建立二阶RC等效电路模型，计算等效电路模型参数；利用弛豫电压值、电压统计特征、温度统计特征和等效电路模型参数对Xgboost模型进行训练；将锂电池实际充放电过程中的电压和温度序列数据，输入至Xgboost模型中，得到锂电池的SOH估计结果，本发明采用相对稳定的电池弛豫过程，有效完成对锂电池SOH的估计，提高准确性。

技术研发人员：朱梓寒,蒋文,张衡,赵浩剀,李武杰
受保护的技术使用者：固德威技术股份有限公司
技术研发日：
技术公布日：2024/12/5