CN107367698B - 电动汽车锂电池组的健康状态预测方法 - Google Patents

Abstract

本发明实施例提供了一种电动汽车锂电池组的健康状态预测方法。该方法主要包括：采用一种等效电路模型表征电动汽车锂电池组的结构特性，针对该等效电路模型建立电池组内阻的状态空间模型，基于状态空间模型提出一种并行粒子滤波方法对电池组的内阻进行动态跟踪预测，得到电池组内阻某一时刻下的状态估计值，将该状态估计值与电池组初始内阻值进行差值比较实现对电动汽车锂电池组健康状态的快速预测。本发明适于应用在电动汽车电池状态监测和预测系统中，在实现电动汽车锂电池组健康状态精确预测的同时，有效降低了计算复杂性，大大缩短了计算时间。

Description

电动汽车锂电池组的健康状态预测方法

技术领域

本发明涉及电动汽车电池组状态预测方法领域，尤其涉及一种电动汽车锂电池组的健康状态预测方法。

背景技术

能源危机和环境污染已经成为国内外关注的热点问题，以燃油汽车为主要发展对象的传统汽车工业是造成环境和能源问题的主要原因之一。面对环境和能源的双重压力，国内外汽车行业及政府将节能和减排作为汽车性能评价的主要指标，给予越来越多的重视。电动汽车以其较高的能源利用效率和良好的环境保护效应已经成为未来汽车发展的主流方向，也是当前交通运输领域主要推动的运输工具之一。

电动汽车是一种通过动力电池组产生运行动力的车辆类型，具有能源利用效率高和零尾气排放等优点。电动汽车通常以锂电池作为动力电池组，锂电池由于其输出功率大、充电效率高和自放电小等优点受到了广泛的关注。当前由于受电池技术的制约，相比于传统燃油汽车，电动汽车的续驶里程较短且近年来不断出现了大量的电池安全事故，这些问题制约着电动汽车市场化的脚步。为了有效缓解驾驶者的里程焦虑并且及时对电池进行维护和更换，需要对电动汽车动力电池组(主要是锂电池组)的健康状态进行监测和预测。

实现电动汽车锂电池组的精确预测具有如下重要意义：

(1)精确预测电池组的健康状态可以及时对电池组的荷电状态的估计进行修正，使得电池组荷电状态的预测更加接近实际情况。

(2)电池组健康状态的精确预测可以为其自身的检测与诊断提供依据，有助于及时了解电池组各单体电池的健康状态，及时更换老化的单体电池，提高电池组的整体寿命。

(3)电池组的健康状态关系到电动汽车的动力性能，因此预测电池组的健康状态对提高电动汽车的运行性能具有重要作用。

现有技术中的一种对电动汽车动力电池组健康状态进行预测的方法为：在实验室对锂电池组设计一组电池循环老化实验，主要研究在恒定温度下，电池放电电流和循环次数对电池老化的影响；通过对比不同循环次数、不同放电电流下的放电电压曲线的变化，分析不同循环次数下电池的放电特性，并从阴极和阳极的电化学反应机理入手，分析了SEI(Solid Electrolyte Interface，固体电解质界面膜)膜的增长，阴、阳极电极结构的变化和阴、阳极活性物质的降解对电池的老化的影响。通过该实验建立了用于SOH(State ofHealth，健康状态)估计和RUL(Remaining Useful Life，剩余可用寿命)预测的模型。

现有技术中对电动汽车动力电池组健康状态进行预测的方法主要存在两个不足之处：首先，电动汽车锂电池组是一个复杂的非线性系统，现有的大量预测方法没有考虑电池组系统的复杂性，所提出的方法主要是在实验室环境下产生，预测结果与实际情况差距较大；其次，现有的电池组健康状态预测方法的时间执行效率较低，无法适用于实际应用的计算性能较低的系统中，例如安装在电动汽车上的电池管理系统。电池管理系统是一种可以安装在电动汽车内以实现电池组实时监测和状态预测等功能的系统，由于受到硬件架构等方面的限制，电池管理系统内CPU(Central Processing Unit，中央处理器)硬件平台的计算性能较低。

为了实现电池组健康状态预测方法能够应用于实际系统中，例如电池管理系统，需要在设计方法时考虑预测过程的计算速度，以期能够在较低的计算性能环境下实现快速有效的预测。

发明内容

本发明实施例提供了一种电动汽车锂电池组的健康状态预测方法，以实现在较低的计算性能环境下对电动汽车锂电池组的健康状态进行快速有效的预测。

为了实现上述目的，本发明采取了如下技术方案。

本发明实施例提供了一种电动汽车锂电池组的健康状态预测方法，其特征在于，包括：

构建能够表征电动汽车锂电池组结构特性的二阶RC等效电路模型，针对所述二阶RC等效电路模型建立所述电动汽车锂电池组内阻的状态空间模型；

基于所述状态空间模型利用并行粒子滤波方法对所述电动汽车锂电池组的内阻进行动态跟踪，实现对所述电池组的内阻动态变化下的状态估计，得到所述电动汽车锂电池组的内阻某一时刻下的状态估计值；

将所述电动汽车锂电池组内阻的所述状态估计值与所述电动汽车锂电池组的初始内阻值进行差值比较，根据所述差值比较结果对所述电动汽车锂电池组的健康状态进行预测。

优选地，所述的二阶RC等效电路模型，包括：

两个电阻R₁、R₂分别与两个电容C₁、C₂并联，构成两个并联回路，再将一个内阻R₀与所述两个并联回路依次串联，构成串联线路，对所述串联线路接入电压V_OC。

优选地，所述的针对所述二阶RC等效电路模型建立所述电动汽车锂电池组内阻的状态空间模型，包括：

以所述内阻R₀为观测变量建立所述电动汽车锂电池组内阻的空间状态模型；

所述空间状态模型包括两个方程，一个方程用于描述所述内阻R₀的内阻值随时间变化的状态，称之为状态方程，公式为：

x_k+1＝x_k+g_k；

另一个方程用于描述某一时刻所述内阻R₀状态量和所述内阻R₀观测量之间的关系，称之为观测方程，公式为：

式中，x_k表示在时刻k的内阻值；y_k表示在时刻k的电压值；i_k表示在时刻k的系统输入电流值；g_k表示系统扰动，用于描述内阻在一个充电过程中的缓慢变化；h_k表示系统的量测噪声；R₁C₁并联回路和R₂C₂并联回路的方程式为：

式中，ω_k为的量测噪声，Δt为采样周期，τ₁为R₁C₁，τ₂为R₂C₂。

优选地，所述的并行粒子滤波方法，包括：初始化，状态预测，更新权值，并行组合随机重采样和状态估计五个步骤。

优选地，所述的初始化，包括：

由初始概率密度函数p(x)产生包含有N个粒子的粒子集所有粒子的初始权重为1/N。

优选地，所述的状态预测，包括：

计算在k时刻，利用状态方程预测的值，并用观测方程计算出对应的

优选地，其特征在于，所述的更新权值，包括：

在k时刻，更新粒子的权值，计算出每个粒子的新权值更新权值公式为：

式中，s表示量测方程中引入的噪声的标准差；

同时进行归一化：

优选地，所述的并行组合随机重采样，包括：

将包含N个粒子的整体空间分为两个独立的子空间，在每个子空间中并行同步进行重采样；

(1)排序：将N个粒子的权值按照从小到大的顺序进行排序存入到集合W中，即同时将按照其对应的权值进行排序，以使得对应的权值仍然是

(2)拆分：将W分为两个集合S₁、S₂，S₁∪S₂＝W；(i＝1,2,......,，并且2i-1≤N)，(i＝1,2,......,并且2i≤N)；其中，S₁含有k₁个元素，S₂含有k₂个元素；

(3)求和：分别计算S₁、S₂中权值的和：

并且，0＜c₁＜1，0＜c₂＜1，c₁+c₂＝1；

令t＝max(c₁,c₂)，d＝min(c₁,c₂)，a＝t/d；

通过上述计算，分别获取到权值和最小的集合，权值和最大的集合以及这两个集合的权值和的比值；

(4)取数：确定权值和最小的集合中要复制的粒子的数目：n₁＝int(N/(1+a))，其中，int表示取整；

权值和最大的集合中要复制的粒子的数目：n₂＝N-n₁；

其中，n₁，n₂都是整数；

(5)分布并行搜索：分别同时从所述S₁、S₂中进行搜索，确定要重新采样的粒子具体方法如下所示：

从所述S₁中进行搜索，根据随机搜索方法进行重采样；

从S₂中进行搜索，根据随机搜索方法进行重采样；

通过上述计算，获取到重采样的粒子集合。

优选地，所述的状态估计，包括：

根据重采样所得的粒子集合，计算所述电池组内阻的状态估计值为：

式中，表示第i个粒子。

优选地，所述的电池组内阻的所述状态估计值与所述电池组的初始内阻值进行差值比较，包括：

采用基于内阻的方法对所述电动汽车锂电池组的健康状态进行预测，所述电动汽车锂电池组的健康状态的计算公式为：

式中，R_now表示当前电池组的内阻值，R_now的值为计算所得的状态估计值x_k；R_new表示新出厂时电池组的内阻值，R_new的值通过选取同批次多组新出厂电池进行测试并选取平均值作为该批次锂电池的初始内阻值；

当电池内阻值增大25％左右时，即：

当SOH≥25％时，判断所述电动汽车锂电池组有潜在的故障；

当内阻值增大50％左右时，即：

当SOH≥50％时，判断所述电动汽车锂电池组有严重故障；

当内阻值增大100％及以上时，即：

当SOH≥100％时，判断所述电动汽车锂电池组失效。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例提出了一种能够表征电动汽车锂电池组结构特性的二阶RC等效电路模型，利用等效电路模型建立空间状态模型，基于该空间状态模型提出了一种并行粒子滤波方法对电池组的内阻进行动态跟踪预测，得到了电动汽车电池内阻的状态估计值，并将状态估计值用来判断电池的健康状态。该方法克服了现有电动汽车电池组健康状态预测方法存在的不足之处，考虑到了电动汽车锂电池组系统的复杂性并结合锂电池组的结构特征，在实现电动汽车锂电池组健康状态精确预测的同时，有效降低了计算复杂性，大大缩短了计算时间，适于应用在实际计算性能较低的电池状态监测和预测系统中。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种电动汽车锂电池组健康状态快速预测方法的方法实现流程框图；

图2为本发明实施例提供的一种电动汽车锂电池组的健康状态预测方法的方法实现流程图；

图3为本发明实施例提供的一种电动汽车锂电池组的健康状态预测方法的二阶RC电池组模型；

图4为本发明实施例提供的一种电动汽车锂电池组的健康状态预测方法的并行粒子滤波方法流程图；

图5为本发明实施例提供的一种电动汽车锂电池组的健康状态预测方法的电池管理系统硬件架构；

图6为本发明实施例提供的一种电动汽车锂电池组的健康状态预测方法的电池管理系统控制流程。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

实施例一

本发明实施例构建一种能够表征电动汽车锂电池组结构特性的等效电路模型，针对该等效电路模型建立电池组内阻的状态空间模型，基于状态空间模型提出一种并行粒子滤波方法对电池组的内阻进行动态跟踪预测，得到电池组内阻某一时刻下的状态估计值，将该状态估计值与电池组初始内阻值进行差值比较，从而实现对电动汽车锂电池组健康状态的快速预测。

本发明实施例提供的方法旨在通过将其应用于电动汽车电池状态监测和预测系统中，以实现电动汽车锂电池组健康状态的快速、精确的预测。

该实施例提供了一种电动汽车锂电池组的健康状态预测方法的方法处理流程图如图2所示，包括如下的处理步骤：

步骤S210：构建电动汽车锂电池组的二阶RC等效电路模型。

为了描述实际应用过程中电动汽车锂电池组的行为特征，本发明实施例基于对单体电池等效电路图的分析和改进，提出了一种如图3所示的能够表征电动汽车锂电池组结构特性的二阶RC等效电路模型，该等效电路模型包括两个电阻R₁、R₂分别与两个电容C₁、C₂并联，构成两个并联回路，再将一个内阻R₀与所述两个并联回路依次串联，构成串联线路，对所述串联线路接入电压V_OC。等效电路模型中的主要参数包括开路电压V_OC、电池的欧姆内阻R₀、电池动态特性中表现出的短时间常数(R₁和C₁)、电池动态特性中表现出的长时间常数(R₂和C₂)。

本领域技术人员应能理解上述等效电路模型采用的二阶RC等效电路仅为举例，其他现有的或今后可能出现的等效电路模型如可适用于本发明实施例，也应包含在本发明保护范围以内，并在此以引用方式包含于此。

步骤S220：针对等效电路模型建立电池组内阻的状态空间模型。

利用有关系统状态的一系列观测量来对随时间变化的系统状态进行估计时，可用一个数学模型来描述这类动态系统，本发明实施例采用状态空间模型来描述电池组内阻的阻值随时间变化的状态。

内阻R₀作为表征电池健康状态的评价指标，内阻R₀的变化和电池的健康状态相对应，因此，可将内阻R₀作为观测变量建立空间状态模型动态跟踪预测电池组的健康状态。由于电池内阻本身变化比较缓慢，因此在一个充电过程或放电过程中几乎可以看作是常量，所以在建立内阻的状态方程时可以引入一个小的噪声扰动来表示内阻在一个充电过程中的变化情况。

状态空间模型包括两个方程，一个方程用于描述内阻R₀的阻值随时间变化的状态，称之为状态方程，另一个方程用于描述某一时刻内阻R₀状态量和内阻R₀观测量之间的关系，称之为观测方程；这两个方程分别为：

状态方程：x_k+1＝x_k+g_k (1)

观测方程：

式中，x_k表示在时刻k的内阻值；y_k表示在时刻k的电压值；i_k表示在时刻k的系统输入电流值；g_k表示系统扰动，用于描述内阻在一个充电过程中的缓慢变化；h_k表示系统的量测噪声；R₁C₁并联回路和R₂C₂并联回路的方程式为：

式中，ω_k为的量测噪声，Δt为采样周期，τ₁为R₁C₁，τ₂为R₂C₂。

步骤S230：基于状态空间模型提出一种并行粒子滤波方法对电池组的内阻进行动态跟踪预测，得到电池组内阻的状态估计值。

粒子滤波方法是一种通过随机抽样得到的粒子和粒子的权值来描述随机变量的后验概率密度函数，有效粒子的数目越多就越能逼近真实的后验概率密度函数，该方法不需要对系统的过程噪声和量测噪声做线性高斯假设，因此在处理非线性问题时有很好的效果。进一步地，本发明在原有方法的基础上对其进行改进，在方法中加入了并行处理技术，使得算法的运行速度显著提升，降低了方法对执行环境的硬件要求。该方法的具体执行流程图如图4所示，包括如下步骤：

步骤1，初始化，设置由初始概率密度函数p(x)产生包含有N个粒子的粒子集所有粒子的初始权重为1/N。

步骤2，状态预测，计算在k时刻，利用状态方程(1)预测的值，并用观测方程式(2)计算出对应的

步骤3，更新权值，在k时刻，根据公式(5)更新粒子的权值，计算出每个粒子的新权值更新权值公式为：

式中，s表示量测方程中引入的噪声的标准差；

同时进行归一化：

步骤4，并行组合随机重采样，将包含N个粒子的整体空间分为两个独立的子空间，在每个子空间中并行进行重采样，包括如下步骤：

(1)排序：将N个粒子的权值按照从小到大的顺序进行排序存入到集合W中，即同时将按照其对应的权值进行排序，以使得对应的权值仍然是

(2)拆分：将W拆分为两个集合S₁和S₂，它们之间关系：S₁∪S₂＝W；(i＝1,2,......,，并且2i-1≤N)，(i＝1,2,......,并且2i≤N)；其中，S₁含有k₁个元素，S₂含有k₂个元素。

(3)求和：分别计算S₁、S₂两个集合中权值的和：

并且，0<c₁<1，0<c₂<1，c₁+c₂＝1；

令t＝max(c₁,c₂)，d＝min(c₁,c₂)，a＝t/d；

通过上述计算，分别获取到权值和最小的集合，权值和最大的集合以及这两个集合的权值和的比值。

(4)取数：确定权值和最小的集合中要复制的粒子的数目：

n₁＝int(N/(1+a))，其中，int表示取整；

权值和最大的集合中要复制的粒子的数目：

n₂＝N-n₁；其中，n₁，n₂都是整数。

(5)分布并行搜索：分别同时从S₁、S₂中进行搜索，确定要重新采样的粒子具体方法如下所示：

从S₁中进行搜索，根据随机搜索方法进行重采样；

从S₂中进行搜索，根据随机搜索方法进行重采样；

通过上述计算，获取到重采样的粒子集合。

步骤5，状态估计，根据重采样所得的粒子集合，计算电池组内阻的状态估计值为：

式中，表示第i个粒子；

判断估计算法是否结束，若是则退出算法，否则令k＝k+1，回到步骤2。

步骤S240：状态估计值与电池组初始内阻值进行比较反映出电动汽车锂电池组的健康状态。

对电动汽车锂电池组的健康状态的预测采用基于内阻的方法，电动汽车锂电池组的健康状态的计算公式可表述为：

式中，R_now表示当前电池组的内阻值，R_now的值即为步骤S230中计算所得的状态估计值；R_new表示新出厂时电池组的内阻值，R_new的值通过选取同批次多组新出厂电池进行测试并选取平均值作为该批次锂电池的初始内阻值。

以大量的试验结果为依据，关于电池内阻和电池故障有这样的经验结论：

当电池内阻值增大25％左右时，即：

当SOH≥25％时，判断所述电动汽车锂电池组有潜在的故障；

当内阻值增大50％左右时，即：

当SOH≥50％时，判断所述电动汽车锂电池组已有严重故障；

当内阻值增大100％及以上时，即：

当SOH≥100％时，判断所述电动汽车锂电池组失效。

本领域技术人员应能理解上述电池组健康状态与内阻间的关系计算式仅为举例，其他现有的或今后可能出现的利用电池组内阻值变化来反映电池组健康状态的计算式如可适用于本发明实施例，也应包含在本发明保护范围以内，并在此以引用方式包含于此。

实施例二

该实施例提供了一种电动汽车锂电池组的健康状态预测方法，并将其应用于电动汽车电池管理系统中。

目前常见的电动汽车主要以锂电池组作为动力电池组，锂电池组在车辆被使用的过程会对电池的健康状态产生一定的影响，电动汽车驾驶者需要实时了解电动汽车锂电池组的健康状态以及时对车辆电池组进行相应的维护或者更换，避免发生安全事故。

电动汽车电池管理系统是一种通常被安装在车内，用来实现对电动汽车动力电池组运行状态的监测和预测。电池管理系统作为一种可以安装在电动汽车内的电池监测和预测系统，其硬件系统的计算性能较低。本发明提供的方法适用于诸如电池管理系统的低成本、低计算性能的实用性系统。

将本发明实施例提供的电动汽车锂电池组的健康状态预测方法应用于电池管理系统中，电池管理系统的硬件架构参见附图5。如图5所示，1套电池管理系统通常包括1块系统主控板、8块数据采集板和1块绝缘检测板；8块数据采集板和8个电池包相连，数据采集板采集电池电压、电流及温度状态。采集的数据通过CAN总线传给系统总控，系统总控板对每块电池包的采集数据进行计算，根据计算结果完成相应的控制。

在本实施例中，电池管理系统包括相连的8块数据采集板和8个电池包，其中每个电池包分别包含24节动力电池，每个数据采集板具有24路高精度ADC采集器。因此，本系统最多支持8个电池包，共192单节电池。系统主控、数据采集板、绝缘控制板、LCD液晶显示模块只通过CAN总线相连，模块间的耦合小，有利于系统的稳定性和可靠性。电池管理系统对外设有充电桩(充电机)接口，整车控制器接口等。在充电过程中，系统主控检测电池管理系统和充电机的连接状态、检测充电机的接口电压、根据充电算法控制充电机对电池包的充电。充电完成或发现充电机接口异常，及时断开充电机和电池管理系统之间的继电器，有效保护电池。在电池管理系统中，系统主控是系统的主控元素，选择的主控MCU要求具有实时性、高速度、低功耗等特点，支持CAN总线、多路串口、SD或USB接口、多路定时器、看门狗和多路外部中断等功能。

本发明实施例中，电池管理系统的系统主控MCU采用成熟度高的Freescale车用MCU，满足上述系统主控MCU要求；数据采集板是实现所采集电池数据准确、让软件有效评价电池状态、完成锂电池组健康状态预测的关键元素。数据采集板MCU要求具有24bit ADC数据采集器，并具有多路CAN总线接口，MCU高速度、实时响应快。本实施例中，电池管理系统的数据采集板MCU选用高可靠高精度的车用Linar芯片，满足上述数据采集板MCU要求；控制机制是电池管理系统采用的控制策略，使用定时器产生定时中断，每个控制周期内，主控程序检查命令队列是否空闲，命令队列不空，完成相应的命令子程序，如充电控制子程序、参数配置子程序等。处理完命令队列，主控程序接收采集板传送过来的数据，检测电池状态、输出log日志，并在空闲时进行电池组健康状态预测等操作。电池管理系统的控制流程参见附图6。

基于上述电池管理系统的硬件构架，采用本发明提供的电动汽车锂电池组的健康状态预测方法对电池组健康状态进行快速精确地预测，应用并行粒子滤波方法计算电池组的健康状态，并行粒子滤波方法的执行流程参见附图4。电池管理系统和整车控制器接口把本发明提供的电动汽车锂电池组的健康状态预测方法所获得的结果传给整车控制台，让驾驶者了解电动汽车动力电池组的健康状况信息，为驾驶者维护车辆电池组提供决策支持。

综上所述，本发明实施例通过采用并行粒子滤波法快速计算得到电池组内阻的状态估计值；可以在计算性能较低的硬件系统环境中实现电动汽车锂电池组健康状态精确快速的预测，为电动汽车驾驶者准确了解车辆电池组健康状态和及时更换电池提供有效的信息。本发明实施例所提出的并行粒子滤波方法具有较高的执行效率，其优势主要体现如下：

(1)所提出的方法采用并行搜索技术，在同一时间内同时执行两项粒子重采样任务，大大缩短了方法搜索时间；

(2)方法执行过程中将粒子群空间进行划分和重新组合，使得整个粒子空间由两个独立的集合空间构成，重采样在每个集合中并行进行，每项重采样任务具有较小的搜索空间；

(3)方法较好地体现了权值高的粒子繁殖数量也较多的重采样思想，具有较高的滤波估计性能；

(4)方法实现环境要求较低，采用多线程技术很容易实现并行重采样，并且算法能适用于低性能、低成本的CPU硬件平台。

因此，本发明提供的方法不仅能够实现电动汽车锂电池组健康状态的精确预测，而且具有较好的实用性。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种电动汽车锂电池组的健康状态预测方法，其特征在于，包括：

构建能够表征电动汽车锂电池组结构特性的二阶RC等效电路模型，针对所述二阶RC等效电路模型建立所述电动汽车锂电池组内阻的状态空间模型；

基于所述状态空间模型利用并行粒子滤波方法对所述电动汽车锂电池组的内阻进行动态跟踪，实现对所述电池组的内阻动态变化下的状态估计，得到所述电动汽车锂电池组的内阻某一时刻下的状态估计值；

将所述电动汽车锂电池组内阻的所述状态估计值与所述电动汽车锂电池组的初始内阻值进行差值比较，根据所述差值比较结果对所述电动汽车锂电池组的健康状态进行预测；

所述的并行粒子滤波方法包括：初始化，状态预测，更新权值，并行组合随机重采样和状态估计五个步骤；

所述的并行组合随机重采样，包括：

将包含N个粒子的整体空间分为两个独立的子空间，在每个子空间中并行同步进行重采样；

(1)排序：将N个粒子的权值按照从小到大的顺序进行排序存入到集合W中，即同时将按照其对应的权值进行排序，以使得对应的权值仍然是

(2)拆分：将W分为两个集合S₁、S₂，S₁∪S₂＝W； 并且2i-1≤N，S₁含有k₁个元素，S₂含有k₂个元素；

(3)求和：分别计算S₁、S₂中权值的和：

并且，0＜c₁＜1，0＜c₂＜1，c₁+c₂＝1；

令t＝max(c₁,c₂)，d＝min(c₁,c₂)，a＝t/d；

通过上述计算，分别获取到权值和最小的集合，权值和最大的集合以及这两个集合的权值和的比值；

(4)取数：确定权值和最小的集合中要复制的粒子的数目：

n₁＝int(N/(1+a))，其中，int表示取整；

权值和最大的集合中要复制的粒子的数目：n₂＝N-n₁；

其中，n₁，n₂都是整数；

(5)分布并行搜索：分别同时从所述S₁、S₂中进行搜索，确定要重新采样的粒子具体方法如下所示：

从所述S₁中进行搜索，根据随机搜索方法进行重采样；

FOR i＝1:n₁

产生服从均匀分布的随机数u_i～U(0,c₁]，

变量j＝1

WHILE j≤k₁

{若

{则重采样第m个粒子：

退出WHILE循环

}

否则，j＝j+1

}

END WHILE

END FOR

从S₂中进行搜索，根据随机搜索方法进行重采样；

FOR i＝1:n₂

产生服从均匀分布的随机数u_i～U(0,c₂]，

变量j＝1

WHILE j≤k₂

{若

{则重采样第m个粒子：

i＝i+n₁，

退出WHILE循环

}

否则，j＝j+1

}

END WHILE

END FOR

通过上述计算，获取到重采样的粒子集合。

2.根据权利要求1所述的电动汽车锂电池组的健康状态预测方法，其特征在于，所述的二阶RC等效电路模型，包括：

两个电阻R₁、R₂分别与两个电容C₁、C₂并联，构成两个并联回路，再将一个内阻R₀与所述两个并联回路依次串联，构成串联线路，对所述串联线路接入电压V_OC。

3.根据权利要求2所述的电动汽车锂电池组的健康状态预测方法，其特征在于，所述的针对所述二阶RC等效电路模型建立所述电动汽车锂电池组内阻的状态空间模型，包括：

以所述内阻R₀为观测变量建立所述电动汽车锂电池组内阻的空间状态模型；

所述空间状态模型包括两个方程，一个方程用于描述所述内阻R₀的内阻值随时间变化的状态，称之为状态方程，公式为：

x_k+1＝x_k+g_k；

另一个方程用于描述某一时刻所述内阻R₀状态量和所述内阻R₀观测量之间的关系，称之为观测方程，公式为：

式中，x_k表示在时刻k的内阻值；y_k表示在时刻k的电压值；i_k表示在时刻k的系统输入电流值；g_k表示系统扰动，用于描述内阻在一个充电过程中的缓慢变化；h_k表示系统的量测噪声；R₁C₁并联回路和R₂C₂并联回路的方程式为：

式中，ω_k为的量测噪声，Δt为采样周期，τ₁为R₁C₁，τ₂为R₂C₂。

4.根据权利要求1所述的电动汽车锂电池组的健康状态预测方法，其特征在于，所述的初始化，包括：

由初始概率密度函数p(x)产生包含有N个粒子的粒子集所有粒子的初始权重为1/N。

5.根据权利要求1所述的电动汽车锂电池组的健康状态预测方法，其特征在于，所述的状态预测，包括：

计算在k时刻，利用状态方程预测的值，并用观测方程计算出对应的

6.根据权利要求1所述的电动汽车锂电池组的健康状态预测方法，其特征在于，所述的更新权值，包括：

在k时刻，更新粒子的权值，计算出每个粒子的新权值更新权值公式为：

式中，s表示量测方程中引入的噪声的标准差；

同时进行归一化：

7.根据权利要求1所述的电动汽车锂电池组的健康状态预测方法，其特征在于，所述的状态估计，包括：

根据重采样所得的粒子集合，计算所述电池组内阻的状态估计值为：

式中，表示第i个粒子。

8.根据权利要求7所述的电动汽车锂电池组的健康状态预测方法，其特征在于，所述的电池组内阻的所述状态估计值与所述电池组的初始内阻值进行差值比较，包括：

采用基于内阻的方法对所述电动汽车锂电池组的健康状态进行预测，所述电动汽车锂电池组的健康状态的计算公式为：

式中，R_now表示当前电池组的内阻值，R_now的值为权利要求7中计算所得的状态估计值x_k；R_new表示新出厂时电池组的内阻值，R_new的值通过选取同批次多组新出厂电池进行测试并选取平均值作为该批次锂电池的初始内阻值；

当电池内阻值增大25％左右时，即：

当SOH≥25％时，判断所述电动汽车锂电池组有潜在的故障；

当内阻值增大50％左右时，即：

当SOH≥50％时，判断所述电动汽车锂电池组有严重故障；

当内阻值增大100％及以上时，即：

当SOH≥100％时，判断所述电动汽车锂电池组失效。