一种基于恒压充电时间占比的锂电池SOH估计方法

本发明涉及锂电池储能，具体为一种基于恒压充电时间占比的锂电池soh估计方法。

背景技术：

1、随着我国新能源汽车产业进入加速发展阶段，新能源汽车的安全问题就凸现的尤为重要，尤其是其电池的寿命健康。soh是锂电池的关键参数，随着锂电池使用它的寿命会逐渐减少，因此准确地估计锂电池的soh，就可以及时的更换锂电池，降低行驶中的风险。

2、现有估计锂电池soh的方法一般是数据驱动。首先，先从与锂电池老化相关的信息中提取特征，比如电流、电压、温度、充电时间等，然后将特征输入到机器学习或深度学习网络中进行学习，再进行锂电池soh的估计。现有的方法，一般都是从实验室锂电池的充电电流、充电电压、部分指定区间的温度以及充电时间等老化信息中提取特征。然而，在某些应用场景下，高计算成本是阻碍其实时应用的一个问题，同时电压和电流测量误差也会影响soh估计精度。

技术实现思路

1、本发明为克服在某些应用场景下，高计算成本、电压和电流测量误差对影响soh估计精度，提出了一种基于恒压充电时间占比的锂电池soh估计方法。

2、本发明的首要目的石是解决上述技术问题，本发明的技术方案如下：

3、s1：对n个锂电池进行充放电循环测试，在每次循环中，先进行恒流充电，再进行恒压充电直至锂电池充满，然后收集n个锂电池的充电全过程的总时间t以及恒压充电时间tcv，之后以恒流方式放电至放电截止电压，并按照放电电量计算出当前循环的锂电池soh；

4、s2：对于步骤s1中所有锂电池，将每个锂电池每次循环的恒压充电时间tcv除以其充电全过程总时间t，得到每个锂电池每次循环的恒压充电时间占比tper，并将其作为特征，把步骤s1中所得到每个锂电池每次循环之后的soh值作为标签，构成特征数据集tperh；

5、s3：在步骤s2所得到的特征数据集tperh中随机抽取80％作为训练集ttrain，然后将剩余锂电池的特征作为测试集ttest；

6、s4：将步骤s3中的训练集ttrain输入到svr模型中进行训练与测试，如果模型的性能满足要求，则保存模型，如果不能满足，则对模型的参数进行修改直至模型训练与测试满足精度要求；

7、s5：在锂电池实际运行时，在恒压充电阶段按照步骤s1的方法提取锂电池恒压充电时间tcv与充电全过程的总时间t，然后将恒压充电时间tcv除以充电全过程的总时间t得到每个锂电池充电过程中的恒压充电时间占比tper，再将所得到恒压充电时间占比tper输入到步骤s4中所述的svr模型中，估计锂电池soh。

8、2.根据权利要求1所述的一种基于恒压充电时间占比的锂电池soh估计方法，其特征在于，步骤s1所述的充电全过程的总时间t和恒压充电时间占比tper的构建方法如下：

9、s1-1：针对n个锂电池进行充放电循环测试，在每次循环中，先进行恒流充电，直至锂电池端电压到达充电截止电压，再进行恒压充电直至锂电池充满，在每次循环过程中，采集第n个锂电池第a次循环中的充电总时间以及恒压充电时间，并计算恒压充电时间占比将他们排成一列具体形式如下：

10、t＝[t11,t12,...,t1a,t21,t22,...,t2a,...,tn1,tn2,...,tna]t

11、tcv＝[tcv11,tcv12,...,tcv1a,tcv21,tcv22,...,t2a,...,tcvn1,tcvn2...,tcvna]t

12、tper＝[tper11,tper12,...,tper1a,tper21,tper22,...tper2a,...,tpern1,tpern2...,tperna]t

13、其中，tna表示第n个锂电池的第a次循环中的充电总时间；tcvna表示第n个锂电池的第a次循环中的恒压充电时间；tperna表示第n个锂电池的第a次循环中的恒压充电时间在充电总时间中的占比；

14、s1-2：在每次的放电循环中，根据总放电电量计算锂电池的soh标签值，当锂电池的soh低于70％时，停止循环，soh的计算公式如下：

15、

16、其中，cnow代表锂电池当前循环放电电量，cinitial代表锂电池的初始容量。

17、将得到的soh排成一列构成标签序列如下：

18、soh＝[soh11,soh12,...,soh1a,soh21,soh22,...soh2a,...sohn1,sohn2...,sohna]t

19、其中，sohna表示第n个锂电池的第a次循环中的soh；

20、s1-3：根据步骤s1-1和s1-2构造构成特征数据集tperh如下：

21、

22、3.根据权利要求1所述的一种基于恒压充电时间占比的锂电池soh估计方法，其特征在于，s3所得的数据集划分以及svr模型的训练与估计，具体步骤如下：

23、s4-1：在s2所得到的特征数据集tperh中随机抽取80％作为训练集ttrain，然后将剩余锂电池的特征作为测试集ttest；

24、s4-2：创建机器学习svr，核函数采用rbf，设置svr中的错误项的惩罚因子、epsilon等参数，并进行训练；

25、s4-3：将步骤s3中的测试集输入到s4-2中已经训练好的模型中进行估计；

26、s4-4：将步骤s4-3中模型所输出的锂电池soh估计值与真实值进行对比，采用均方误差mse与平均绝对误差mae作为svr的性能指标，均方误差mse和平均绝对误差mae的计算公式分别如下：

27、

28、其中，sohreal(a)代表第a次循环中soh的真实值，sohpre(a)代表第a次循环中soh的估计值；

29、s4-5：如果步骤s4-4中计算出的均方误差mse与平均绝对误差mae在可接受范围内，则svr模型符合精度要求，反之则重复步骤s4对模型进行重新训练。与现有技术相比，本发明技术方案的有益效果是：

30、本发明提出一种基于恒压充电时间占比的锂电池soh估计方法，只需要恒压充电时间和总充电时间即可估计锂电池的soh，大幅降低了soh估计的计算量，有利于实时应用，同时使soh估计精度不受电压和电流测量误差影响。

1.一种基于恒压充电时间占比的锂电池soh估计方法，其特征在于，具体步骤如下：

2.根据权利要求1所述的一种基于恒压充电时间占比的锂电池soh估计方法，其特征在于，步骤s1所述的充电全过程的总时间t和恒压充电时间占比tper的构建方法如下：

3.根据权利要求1所述的一种基于恒压充电时间占比的锂电池soh估计方法，其特征在于，s3所得的数据集划分以及svr模型的训练与估计，具体步骤如下：