基于温度预测的锂电池SOH估计方法及系统与流程

本发明涉及电池soh估计，尤其涉及基于温度预测的锂电池soh估计方法及系统。

背景技术：

1、soh作为电池寿命和健康预测的重要指标，其高精度的估计对于避免电池出现潜在故障，确保电池运行安全，以及延长电池寿命具有重要意义。

2、soh估计是一个时间序列预测问题，常见的方法主要包括直接测量的方法、基于模型的方法和数据驱动的方法。直接测量的方法对操作条件要求严格，仅适用于实验室离线工作。基于模型的方法的准确性高度依赖于所建立的电池模型。然而，由于锂电池的非线性和时变特性，很难建立一个可靠的模型来全面描述各种任务中的老化动态行为。近年来，由于不需要考虑电池老化过程中复杂的物理化学反应，数据驱动的方法在soh估算中受到了广泛的关注。但是传统的数据驱动的方法比如：高斯回归、支持向量机以及人工神经网络不能解决时序问题，因而催生了循环神经网络的产生和发展。gru神经网络由于具有简单的结构和优秀的时间序列处理能力成为了解决时间序列问题的首选方法。

3、经检索，授权公告号为cn113820604b的专利，公开了一种基于温度预测的锂电池soh估计方法，利用基于elm的温度预测模型预测温度曲线，从温度曲线上提取相关的健康因子，利用健康因子训练soh估计模型实现soh估计，虽然能够很好的解决了传统方法中对于健康因子提取的不足，可见，温度是影响电池寿命和健康的主要因素，具体地，高温会使得电池容量暂时增加加速电池老化、电池内部不稳定反应导致充放电效率提高，加速电池老化，低温会降低锂离子活性容量减小、电池内部化学反应速率降低，充放电效率显著降低，加速电池老化；电池在不同温度下所受的影响程度不同，获取的参数并不是完全相同，若仍采用现有方式进行soh估计，将所有参数对电池寿命和健康状态的影响视为一致的，这样无法分析出电池寿命或健康状态出现问题的主要原因所在，进而无法更加准确得到更加精准的估计结果。

4、因此，亟需基于温度预测的锂电池soh估计方法及系统，以实现锂电池soh值的精准估计。

技术实现思路

1、为了解决上述技术问题，本发明提供了基于温度预测的锂电池soh估计方法及系统，以实现锂电池soh值的精准估计。

2、本发明提供了基于温度预测的锂电池soh估计方法，包括：

3、步骤s1，确定锂电池性能评价指标，并获取锂电池原始数据集；

4、步骤s2，根据锂电池原始数据集获取温度预测曲线，根据温度预测曲线提取健康因子；

5、步骤s3，对温度预测曲线的温度预测值进行梯度分组，得到若干个温度区间；

6、步骤s4，基于锂电池性能评价指标确定每个温度区间影响程度最高的子参数；

7、步骤s5，根据步骤s4确定的子参数制定优化策略；

8、步骤s6，构建soh估计模型；

9、步骤s7，将温度预测曲线、健康因子、每个温度区间的锂电池参数、每个温度区间影响程度最高的子参数、每个温度区间子参数的优化策略作为soh估计模型的训练集，对soh估计模型进行训练，获得训练完毕的soh估计模型；

10、步骤s8，将待估计的锂电池参数输入至训练完毕的soh估计模型对soh进行估计。

11、进一步地，所述若干个温度区间包括低温区间、中等温度区间和高温区间。

12、进一步地，所述基于锂电池性能评价指标确定每个温度区间影响程度最高的子参数，具体包括以下步骤：

13、步骤s41，获取每个温度区间的锂电池参数以及实时数据；

14、步骤s42，根据每个温度区间的锂电池参数以及实时数据，获取每个温度区间的温度变化量以及每个锂电池参数的实时数据变化量；

15、步骤s43，根据每个温度区间的温度变化量以及每个锂电池参数的实时数据变化量，确定每个锂电池参数对锂电池性能评价指标的影响指数，根据影响指数确定关键参数；

16、步骤s44，根据每个锂电池参数对锂电池性能评价指标的影响指数，确定每个锂电池参数的权重值；

17、步骤s45，根据每个锂电池参数的权重值以及实时数据确定综合影响指数；

18、步骤s46，将每个温度区间的锂电池参数按照综合影响指数由大到小进行排列，确定综合影响指数最大的锂电池参数为当前温度区间影响程度最高的子参数。

19、进一步地，低温区间、中等温度区间和高温区间的所述关键参数是不同的。

20、进一步地，所述每个锂电池参数对锂电池性能评价指标的影响指数的计算公式为：

21、；

22、式中，代表第j个锂电池参数对锂电池性能评价指标的影响指数，代表第j个锂电池参数的实时数据变化量，代表锂电池参数对应的温度变化量。

23、进一步地，所述每个锂电池参数的权重值的计算公式为：

24、；

25、式中，代表第j个锂电池参数的权重值，代表第j个锂电池参数对锂电池性能评价指标的影响指数，代表从第一个锂电池参数对锂电池性能评价指标的影响指数到第n个锂电池参数对锂电池性能评价指标的影响指数。

26、进一步地，所述综合影响指数的计算公式为：

27、；

28、式中，代表第j个锂电池参数的综合影响指数，代表第j个锂电池参数对锂电池性能评价指标的影响指数，代表第j个锂电池参数的权重值。

29、本发明还公开了基于温度预测的锂电池soh估计系统，用于执行上述所述的基于温度预测的锂电池soh估计方法，包括以下模块：

30、获取模块：用于确定锂电池性能评价指标，并获取锂电池原始数据集；

31、温度预测曲线以及健康因子获取模块：与获取模块连接，用于根据锂电池原始数据集获取温度预测曲线，根据温度预测曲线提取健康因子；

32、梯度分组模块：与温度预测曲线以及健康因子获取模块连接，用于对温度预测曲线的温度预测值进行梯度分组，得到若干个温度区间；

33、子参数获取模块：与梯度分组模块连接，用于基于锂电池性能评价指标确定每个温度区间影响程度最高的子参数；

34、优化策略制定模块：与子参数获取模块连接，用于为子参数制定优化策略；

35、soh估计模型：用于对锂电池的soh进行估计；

36、训练模块：与soh估计模型连接，用于对soh估计模型进行训练，获得训练完毕的soh估计模型；

37、soh估计模块：与训练模块连接，用于将待估计的锂电池参数输入至训练完毕的soh估计模型对soh进行估计。

38、本发明具有以下有益效果：

39、1、本发明在获取温度预测曲线和健康因子的基础上，对温度进行梯度分组并获取影响程度最高的子参数，针对子参数制定优化策略，将温度预测曲线、健康因子、每个温度区间的锂电池参数、每个温度区间影响程度最高的子参数、每个温度区间子参数的优化策略作为soh估计模型的训练集，对soh估计模型进行训练，模型能够更全面地考虑锂电池在不同温度条件下的性能变化，从而提高soh估计的准确性。

40、2、本发明基于电池性能评价指标确定关键参数，并为关键参数赋予权重值，根据参数的影响程度进行量化评估，根据权重值计算参数的综合影响指数找到影响程度最高的子参数，能够准确的找出对电池性能评价指标最显著的子参数，从而分析出soh出现问题的原因，避免主观判断带来的误差，同时提高子参数选取精度。

41、3、本发明的模型能优先关注子参数，并基于子参数制定优化策略，将有限的资源投入到提升延长电池使用寿命的方面，使得子参数能够得到有效控制，应用优化策略并运用在soh估计过程，提高soh估计精度，从而延长电池的使用寿命。