[0005] 本发明的目的就是克服现有技术的不足,提出一种基于动态贝叶斯网络的电池SOH估计方法,估计准确,并且可以实现在线估计。
[0006] 本发明的电池健康状况估计方法,具体步骤是:
[0007] 步骤一:训练数据的获得,具体包括以下过程:
[0008] (1)对B只同类型的具有不同使用时长和新旧程度的电池进行容量测试:对第i(i=1,2,……,B)只电池,首先以0.4C的恒定电流对其进行充电至截止电压 后,进行恒压充电,待充电电流降至0.01C以下,便认为该电池已充满电,此时以1C的电流将该电池放电至其截止电压 ,记录放电时间 ,计算该电池的实际容量为 ,并计算实际容量Q与标称容量Qn的比率 ;
[0009] (2)将上述步骤(1)中的第i只电池静置一个半小时,待电池稳定后,对电池以0.4C的电流进行恒流充电至其充电截止电压 ,每隔1分钟记录一次电池,其中第k次的电压为 ;记录总的充电时间为 小时,计算第k次记录时电池的荷电状态(SOC)为,其中k=1,2,…, ;
[0010] (3)对 和 分别进行离散化归档处理:将电池SOC从0%~100%分成M档,第 m档的范围为 ,其中m=1,2,…,M,并根据的值将其归入相应的分档;将电池电压从 到 分成 档,第n档的范围为
,其中n=1,2,…,N,根据 的值将其归入相
应的分档;
[0011] (4)根据 的值对上述步骤(1)中的电池进行C类分类,当 时归为第0类,时,归入第 类,定义电池的SOH为,其中 ;并将其相应的 和 分档结果归入该类电池的训练数据;
[0012] (5)重复上述充放电过程至所有电池的实际容量均小于标称容量的80%,记录并归档所有的测量数据。
[0013] 步骤二:依据上述每一类电池c( )的训练数据,构建该类SOH的动态贝叶斯网络模型,具体过程如下:
[0014] (1)构建初始SOC概率分布向量,以均匀分布对任意电池的初始SOC进行建模,即认为电池的初始SOC0在 M档分档中均匀分布, , 。由此形成 个初始概率,组成初始概率向量 。
[0015] (2)计算SOC状态转移概率 :
[0016]
[0017] 其中 表示任意前后两个采样时刻电池SOC分别处于第j档和第 i档( )的概率,表示满足条件的所有样本个数。由此形成个状态转移概率,组成状态转移矩阵 。
[0018] (3)计算混淆概率 :
[0019]
[0020] 其中 表示在任意采样时刻SOC处于第j档而电压处于第i档的概率。由此形成 个状态转移概率,组成混淆概率矩阵 。
[0021] (4)重复上述模型构建过程,直至所有C类模型全部构建完毕。
[0022] 步骤三:实时估算同类型电池的SOH,具体过程如下:
[0023] (1) 在电池恒流充电的过程中,每隔一分钟测量一次电池电压,这样 时刻后便可以得到一长度为 的电压观察序列 ,其对应的电压分档为
[0024] (2)对第 类动态贝叶斯网络模型,利用前向算法,计算上述观察序列在该模型下的概率 :
[0025] (a)递归计算局部概率 ,其中 表示 时刻电池SOC处于第s档的概率。
[0026] 时,利用初始概率向量和混淆概率矩阵计算局部概率:
[0027]
[0028] 时,利用 时刻的局部概率递推计算 时刻的局部概率:
[0029]
[0030] (b)观察序列的概率等于T时刻所有局部概率之和:
[0031]
[0032] (3)选取上述步骤中 最大的类别 作为最终的SOH类别,即,给出对应的SOH: 。
[0033] 本发明可以方便地进行电池SOH的估计,具有计算量小,可实时在线估算,并且估算准确可靠的优点。