(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110546304.8 (22)申请日 2021.05.19 (65)同一申请的已公布的文献号 申请公布号 CN 113255215 A (43)申请公布日 2021.08.13 (73)专利权人 四川大学 地址 610041 四川省成 都市武侯区一环路 南一段24号 (72)发明人 孟锦豪　黄焕炀　蔡磊　刘平　 刘天琪　 (74)专利代理 机构 北京正华智诚专利代理事务 所(普通合伙) 11870 代理人 何凡 (51)Int.Cl. G06F 30/27(2020.01) G01R 31/367(2019.01) G01R 31/392(2019.01) G06F 111/08(2020.01) G06F 119/04(2020.01) (56)对比文件 CN 109031153 A,2018.12.18 CN 112526354 A,2021.0 3.19 EP 3748380 A1,2020.12.09CN 110873841 A,2020.0 3.10 周雅夫等.面向全生命周期的锂电池健康状 态估计. 《哈尔滨工业大 学学报》 .2021,第5 3卷 (第1期), 姜媛媛等.基于凸优化-寿 命参数退化机理 模型的锂离 子电池剩余使用寿 命预测. 《电力系 统及其自动化学报》 .2019,第31卷(第3期), 刘健等.基于等压差充电时间的锂离 子电池 寿命预测. 《上海交通大 学学报》 .2019,第5 3卷 (第9期), 周頔等.基 于日常片段充电数据的锂电池健 康状态实时评估方法研究. 《中国电机 工程学 报》 .2019,第39卷(第1期), Chaochao Chen等.Progn ostics of Lithium-I on Batteries Usi ng Model-Based and Data-Driven Methods. 《Progn ostics & System Health Mana gement Co nference》 .2012, Charlie Hubbard等.Data-Driven Prognostics of L ithium-I on Rechargeable Battery usi ng Bilinear Kernel Regres sion. 《ANNUAL CONFERENC E OF THE PROGNOSTICS AND HEALTH MANAGE MENT SOCIETY》 .2016, 审查员 郭弘倩 (54)发明名称 一种基于电压片段的锂电池健康状态估计 方法 (57)摘要 本发明公开了一种基于电压片段的锂电池 健康状态估计方法， 可以准确的预测退役动力锂 电池的健康状态。 本发明结合了经验模型和数据 驱动模型的方法， 依托于锂电充放电循环次数实 现估计的经验模型转化为数据驱动模型核函数 的方式， 将经验模型具备的电池电化学特性融入 数据驱动模 型之中， 提升了锂电池健康状态估计 的精准度。 权利要求书3页 说明书6页 附图1页 CN 113255215 B 2022.02.01 CN 113255215 B 1.一种基于电压片段的锂电池健康状态估计方法， 其特 征在于， 包括以下步骤： S1、 从锂电池的充电 电压曲线中截取电压片段， 并根据电压片段获取锂电池老化特 征； S2、 基于锂电池充放电循环次数， 将经验 模型转换为核函数； S3、 采集锂电池老化特 征的健康状态数据作为训练数据； S4、 将核函数引入高斯过程回归模型中， 并采用锂电池老化特征及其对应的健康状态 数据对高斯过程回归 模型进行训练； S5、 将待估计寿命的锂电池老化特征输入训练后的高斯过程回归模型， 得到锂电池健 康状态估计结果； 所述步骤S2具体为： S2.1、 基于锂电池充放电循环次数， 构建锂电池健康状态与充放电循环次数的关系式 为： 其中， f(·)是带有两个独立变量的非线性方程， S表示锂电池的容量， C表示锂电池的 充放电循环次数， d表示 微分； S2.2、 对步骤S2.1中关系式 中两个独立变量进行泰勒展开， 具体为： 其中， a1和a2分别表示衰减因子和疲劳损伤累计因子； S2.3、 根据锂电池未使用时C＝0且S＝10 0％， 对步骤S2.2求 解得到经验 模型为： S＝k1C+k2eα C+1‑k2 其中， k1表示第一未知变量， k2表示第二未知变量， α 表示第三未知变量； S2.4、 采用低维空间中欧几里得距 离的平方|| ·||2代替充放电循环次数C， 将经验模型 转换为核函数， 具体为： 其中， k(·)表示核函数， 即高维空间中两组特征的距离； || ·||表示两个观测点之间 的欧几里得距离， x和x'分别表示两组不同的特征， θ1表示第一超参数， θ2表示第二超参数， θ3表示第三超参数； S2.5、 采集锂电池的循环次数与健康状态值， 并导入经验模型中， 采用最小二乘拟合方 法获取经验模型的参数值， 具体为： 其中， δ(·)表示在对应参数下预测值与真实值的平方误差之和， Si'表示第i'次循环中 锂电池健康状态的真实值， 表示对应参数 下第i'次循环中锂电池健康状态的预测值； S2.6、 根据经验模型的参数值以及经验模型与核函数之间的关系， 获取核函数中超参 数的初始值。权　利　要　求　书 1/3 页 2 CN 113255215 B 22.根据权利要求1所述的基于电压片段的锂电池健康状态估计方法， 其特征在于， 具体 包括如下步骤： S1.1、 给定电压起始点Ustart和片段时间长度l， 在恒流充电过程的电压曲线上截取起点 为Ustart且长度为 l的电压片段u； 其中， u＝[u1,u2,...,ul]， u1,u2,...,ul均表示电压片段中的电压点， u1＝Ustart； S1.2、 给定主成分数目， 对电压片段u 进行主成分 分析， 得到锂电池老化特 征； S1.3、 根据步骤S1.1 ‑S1.2所述方法， 采集若干锂电池的老化特 征； S1.4、 采集每个老化特征对应的锂电池健康状态值， 并取出一组数据作为测试样本， 其 他为训练样本； S1.5、 根据训练样本， 采用梯度下降法训练高斯过程回归 模型； S1.6、 将测试样本的老化特 征输入高斯过程回归 模型中， 得到锂电池健康状态估计值； S1.7、 将锂电池健康状态估计值与测试样本的锂电池健康状态值进行对比， 获取预测 精度； S1.8、 根据步骤S1.4 ‑S1.7所述方法， 使每组数据均作为一次测试样本， 获取若干预测 精度， 并取平均值作为 最终预测精度； S1.9、 重新给定电压起始点Ustart和片段时间长度l， 并按步骤S1.1 ‑S1.8所述方法获取 最终预测精度； S1.10、 判断后一次得到的最终预测精度是否大于前一次， 若是， 则将此刻高斯过程回 归模型的参数作为初始参数， 保存此次的电池老化特征及其对应的锂电池健康状态值， 否 则， 返回步骤S1.9。 3.根据权利要求2所述的基于电压片段的锂电池健康状态估计方法， 其特征在于， 所述 步骤S1.2具体为： S1.21、 给定主成分数目N， 对电压片段u 进行N维的线性变换， 具体为： 其中， xi表示第i个降维后的主成分， 即第i个老化特征， T表示转置， i和j表示不同的老 化特征， i＝1,2,...,N， j＝1,2,...,N， 表示将电压片段u＝[u1, u2,...,ul]降维成第i个主成分xi对应的权 重向量； S1.22、 根据步骤S1.21所述方法， 获取N个电池老化特征， 得到老化特征为x＝[x1, x2,...,xN]。 4.根据权利要求3所述的基于电压片段的锂电池健康状态估计方法， 其特征在于， 所述 步骤S4具体为： S4.1、 将核函数引入高斯过程回归 模型中； S4.2、 根据锂电池老化特征及其对应的健康状态数据， 并采用负对数最大似然估计函 数对核函数的超参数进行优化， 获取优化后的高斯过程回归 模型。权　利　要　求　书 2/3 页 3 CN 113255215 B 3