首页 > 资讯 > 一种电池健康状态评估方法

一种电池健康状态评估方法

泰然健康网
2025-06-10 14:32

本发明涉及电池性能评估，尤其是涉及一种电池健康状态评估方法。

背景技术：

1、电池因具有成本低廉、性能稳定、没有记忆效应、大容量技术成熟、环境适应性强、再生利用价值高等优点，目前已被广泛应用于变电站和通讯基站的直流电源、低速电动汽车和电动自行车的动力电源。然而，频繁的深度充放电、充电次数多、使用年限长、不正确的充电习惯等因素将导致电池老化，进而影响电池的安全使用及剩余寿命。为了确保电池在使用环境中保持良好的工作运行状态，必须对电池的健康状态soh(state of health)进行快速准确评估。

2、现有技术中，专利cn118376943a公开了一种基于incremental capacity(ic)典型曲线特征值的锂离子电池健康状态(soh)估计方法，包括步骤：对于给定样品，在选定的工作温度、充放电倍率条件下开展电池循环老化测试，记录试验数据，并计算soh值；提取ic曲线的典型特征值，并确定最终特征值向量t；以最终特征值向量t，作为输入向量，以soh值作为输出参数，构建back propagation neural network(bp)神经网络模型，并进行训练，对非试验工况下的充放电数据进行电池的soh值评估。该方法依赖于在特定工作温度和充放电倍率下进行循环老化测试，这可能导致模型的适用性受到限制，因为实际使用中电池可能会在不同的环境和工况下运行，从而影响soh估计的准确性。此外，提取ic曲线的典型特征值可能需要较为复杂的算法和较高的专业知识，导致实现过程较为繁琐，这也可能影响到实时评估的效率，尤其是在大规模应用的场景下。

3、专利cn118311434a公开了一种基于电化学阻抗谱的锂离子电池soh估计方法及系统，通过改进的弛豫时间分布算法对电化学阻抗谱数据进行解释和特征提取，增强了对噪声的鲁棒性和异常数据的提出能力；构建的神经网络模型采用改进的联合损失卷积神经网络，使用电化学阻抗谱进行锂离子电池soh的端到端估计，神经网络模型将基于弛豫时间distribution of relaxation times(drt)计算得到的drt特征与神经网络模型自动提取的drt特征进行融合，避免了特征信息的丢失，能够有效神经网络模型的性能，提高神经网络模型的准确性，进而通过改神经网络模型能够快速、准确的估计的锂离子电池的soh。深度学习模型通常被视为“黑箱”，即虽然能够提供准确的预测，但其内部机制和特征的重要性可能不易解释。这可能使得用户在理解soh估计结果时面临挑战，特别是在需要进行决策时。模型在训练时使用的特定数据集可能影响其普适性。如果模型未能涵盖所有可能的电池类型或使用条件，可能导致在新的或不同条件下的soh估计失真。

4、cn107367692a则公开了一种动力电池健康状态的评估方法和装置，其方法包括：获取动力电池的历史数据；基于历史数据计算出动力电池的容量、内阻、充电截止单体压差，以及恒流充电截止单体压差；采用容量计算出动力电池的容量健康状态、采用内阻计算出动力电池的内阻健康状态、采用充电截止单体压差计算出动力电池的充电截止单体压差健康状态，以及采用恒流充电截止单体压差计算出动力电池的恒流充电截止单体压差健康状态；依据容量健康状态、内阻健康状态、充电截止单体压差健康状态，以及恒流充电截止单体压差健康状态来确定动力电池的健康状态。该方法依赖于动力电池的历史数据来进行健康状态评估，如果历史数据不完整或受到噪声影响，可能导致计算结果的不准确。此外，历史数据可能无法充分反映当前电池的实际状态，尤其是在使用环境和工作条件发生变化时。该方法通过多个指标(如容量、内阻、充电截止单体压差等)来综合评估电池健康状态。虽然这种多维度的评估方法可以提供更全面的信息，但在实际操作中，如何合理地权衡各个指标的影响和设定合适的权重可能会相对复杂。

5、综上可知，现有研究针对电池soh在线评估普遍存在精度不高且分析处理过程繁琐的问题。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种电池健康状态评估方法，能够针对电池健康状态进行精细化的在线快速评估。

2、本发明的目的可以通过以下技术方案来实现：一种电池健康状态评估方法，包括以下步骤：

3、s1、针对电池进行充放电测试，得到设定时间段内的弛豫电压数据；

4、s2、将设定时间段内的弛豫电压数据进行拟合，得到弛豫电压变化曲线；

5、s3、基于弛豫电压变化曲线的拟合参数，求解得到角平分线；

6、s4、根据弛豫电压数据和角平分线，求解得到拐点电压；

7、s5、重复执行步骤s1～s4，得到多块电池对应的拐点电压；

8、s6、将各电池的拐点电压及相应的电池soh值进行线性拟合，得到拐点电压与soh的线性关系；

9、s7、针对待检测电池，执行步骤s1～s4，得到待检测电池的拐点电压，之后结合拐点电压与soh的线性关系，查找确定出待检测电池的soh值。

10、进一步地，所述步骤s1的具体过程为：

11、对电池以设定倍率进行放电测试；

12、当电池放电至截止电压，则静置设定时间，并记录该设定时间段内的弛豫电压数据；

13、放电静置完成后，以设定充电倍率为电池充电至截止电压；

14、以截止电压进行恒压充电，充电至截止条件则停止充电，静置设定时间，并记录该设定时间段内的弛豫电压数据。

15、进一步地，所述静置设定时间具体为30分钟。

16、进一步地，所述截止条件具体为当前充电电流小于或等于截止电流。

17、进一步地，所述步骤s2具体是采用最小二乘法拟合弛豫电压早期以及晚期的数据，以得到弛豫电压变化曲线。

18、进一步地，所述步骤s2种弛豫电压变化曲线的拟合公式为：

19、

20、其中，z是代表残差的正态分布且以零为中心的随机变量，α0是最左侧线段截距，k1为直线l1的斜率，k2为直线l2的斜率，l1和l2是线性拟合弛豫电压曲线早期和末期的变化直线，vk为电压拐点，γ为拐点过渡突变控制量。

21、进一步地，所述步骤s3包括以下过程：

22、以残差平方和最小作为优化目标，求解得到最优拟合参数α0、k1、k2；

23、基于最优拟合参数α0、k1、k2，求解得到角平分线为：y＝k×x+b，k为角平分线的斜率，b为角平分线的截距。

24、进一步地，所述残差平方和具体为：

25、f＝∑(yi-ki×xi-α0)2

26、所述最优拟合参数具体为：

27、

28、其中，n为弛豫电压采样点的个数，yi为时间xi采集的弛豫电压。

29、进一步地，所述步骤s4具体是将弛豫电压数据和求解的角平分线输入matlab，运用matlab中的fzero函数求解直线与曲线的交点，即求解出拐点电压值。

30、进一步地，所述步骤s6具体是将拐点电压值与对应soh数值分别作为变量x与y输入origin软件中，通过两个变量的线性拟合得到拐点电压与soh的线性关系。

31、与现有技术相比，本发明具有以下优点：

32、本发明通过bacon-watts确定弛豫电压曲线的拐点：首先对电池进行充放电测试，通过采集设定时间段内的弛豫电压数据并拟合得到弛豫电压变化曲线，再通过求解角平分线得到拐点电压；将各电池的拐点电压及相应的电池soh值进行线性拟合，以得到拐点电压与soh的线性关系。由此针对待测电池，只要采集到该电池在同一充放电倍率下的弛豫电压数据，通过bacon-watts法建立的模型得到拐点电压大小，再依据拐点电压与soh的线性关系，即可查找拐点电压所对应的电池soh值，从而实现电池健康状态soh的在线精细化评估。