CN108896926B - 一种锂电池健康状态的评估方法、评估系统及相关组件 - Google Patents

Abstract

本申请提供的一种锂电池健康状态的评估方法，包括：采集锂电池的电压数据和电流数据；利用安时积分法得到积分容量，并根据积分容量得到锂电池的第一健康状态值；利用小波分析和卡尔曼滤波法进行锂电池的健康状态评估，得到第二健康状态值；最后对两个健康状态值进行加权计算，确定最终健康状态值。通过安时积分法对实时评估结果进行综合校正，增加求算结果可信度。利用卡尔曼滤波算法从内阻定义得到锂电池健康状态值，并在此基础上利用小波理论滤波，降低噪声对卡尔曼滤波计算结果的影响，可实现实时准确评估锂电池的SOH。本申请还提供一种锂电池健康状态的评估系统、一种计算机可读存储介质和一种锂电池评估终端，具有上述有益效果。

Description

一种锂电池健康状态的评估方法、评估系统及相关组件

技术领域

本申请涉及电池领域，特别涉及一种锂电池健康状态的评估方法、评估系统、一种计算机可读存储介质和一种锂电池评估终端。

背景技术

节能环保的时代大背景下，新能源行业得到快速发展，锂电池因其具有高能量密度、高功率密度、自放电率低等优点，在新能源行业中占据重要地位。因而能准确的评估锂电池健康状态对估计电池现阶段性能、预测电池寿命、防止意外事故的发生具有重要意义。

近年，锂电池的广泛应用导致其面对的使用工况日趋复杂，故而对锂电池SOH(State-Of-Health，健康状态)准确评估的重要性逐渐凸显。然而，目前国内大多数电池管理系统生产商对锂电池SOH的评估大多仍是简单的基于安时积分法求算，然而单纯的安时积分法要求在满充或者满放条件下才能计算锂电池SOH，受充放电状态限制，无法实时求算锂电池SOH，求算结果具有滞后性。

部分生产商试图利用卡尔曼滤波法对锂电池SOH进行求算，但是卡尔曼滤波法受空间状态方程准确性影响，对噪声较为敏感，求算结果往往不够准确。更有部分厂商甚至未对电池健康状态进行评估。上述现状可能导致以下几个问题：

1.增加了锂电池使用的潜在安全隐患；

2.导致锂电池剩余电量SOC求算不准确；

3.无法对电池组主动均衡提供依据。

因此如何更准确的对锂电池的健康状态进行评估是本领域技术人员亟需解决的问题。

申请内容

本申请的目的是提供一种锂电池健康状态的评估方法、评估系统、一种计算机可读存储介质和一种锂电池评估终端，解决现有的锂电池健康状态评估不准确的问题。

为解决上述技术问题，本申请提供一种锂电池健康状态的评估方法，具体技术方案如下：

采集所述锂电池的电压数据和电流数据；

利用安时积分法对所述电流数据进行计算，得到积分容量，并根据所述积分容量得到所述锂电池的第一健康状态值；

利用小波分析和卡尔曼滤波法对所述电压数据和所述电流数据进行所述锂电池的健康状态评估，得到第二健康状态值；

利用所述第一健康状态值和所述第二健康状态值进行加权计算，确定最终健康状态值，根据所述最终健康状态值进行所述锂电池健康状态的评估。

其中，利用小波分析和卡尔曼滤波法对所述电压数据和所述电流数据进行所述锂电池的健康状态评估，得到第二健康状态值，包括：

根据所述电压数据和所述电流数据建立锂电池二阶RC电池模型，并根据所述锂电池二阶RC电池模型得到满足卡尔曼滤波的第一状态估计方程和第一测量方程；

将所述第一状态估计方程转化成矩阵形式，并得到状态变量序列；

对所述状态变量序列进行小波分析，得到小波分解系数；

将所述小波分解系数代入所述第一状态估计方程和所述第一测量方程，得到第二状态估计方程和第二测量方程；

根据所述第二状态估计方程和所述第二测量方程，利用卡尔曼滤波公式进行小波系数的最优估计；其中，所述小波系数包括第一高频噪声分量和第一低频噪声分量；

对所述小波系数中的第一高频噪声分量进行滤波，得到第二高频噪声分量；

利用所述第一低频噪声分量和所述第二高频噪声分量进行小波重构得到所述锂电池当前的内阻值；

根据所述内阻值进行所述锂电池的健康状态评估，得到第二健康状态值。

其中，根据所述内阻值进行所述锂电池的健康状态评估，得到第二健康状态值包括：

利用内阻定义公式，并根据所述内阻值进行所述锂电池的健康状态评估，得到第二健康状态值；

其中，所述内阻定义公式具体为：

其中，SOH_R为所述第二健康状态值，R为所述内阻值，R_new为新锂电池内阻值，R_old为所述锂电池容量下降至标称容量80％时的内阻值。

其中，对所述小波系数中的第一高频噪声分量进行滤波包括：

利用硬阈值法或模极大值法或空域相关法对所述小波系数中的第一高频噪声分量进行滤波。

其中，利用安时积分法以及采集到的锂电池的电压数据、电流数据计算积分容量，并根据所述积分容量得到所述锂电池的第一健康状态值，包括：

判断所述锂电池是否处于满充状态或满放状态；

若是，则根据采集到的锂电池的电压数据、电流数据计算，得到积分容量，并记录所述积分容量对应的权值；

若否，则所述积分容量记为零，则所述权值记为零；

根据容量定义公式和所述积分容量计算锂电池的第一健康状态值。

其中，利用所述第一健康状态值和所述第二健康状态值进行加权计算，确定最终健康状态值，具体为：

利用SOH＝z×SOH_C+(1-z)×SOH_R确定最终健康状态值；

其中，SOH为所述最终健康状态值，SOH_C为所述第一健康状态值，SOH_R为所述第二健康状态值，z为权值。

本申请还提供一种锂电池健康状态的评估系统，包括：

数据采集模块，用于采集所述锂电池的电压数据和电流数据；

第一评估模块，用于利用安时积分法对所述电流数据进行计算，得到积分容量，并根据所述积分容量得到所述锂电池的第一健康状态值；

第二评估模块，用于利用小波分析和卡尔曼滤波法对所述电压数据和所述电流数据进行所述锂电池的健康状态评估，得到第二健康状态值；

加权评估模块，用于利用所述第一健康状态值和所述第二健康状态值进行加权计算，确定最终健康状态值，根据所述最终健康状态值进行所述锂电池健康状态的评估。

本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的评估方法的步骤。

本申请还提供一种锂电池评估终端，包括存储器和处理器，所述存储器中存有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如上所述的评估方法的步骤。

本申请所提供的一种锂电池健康状态的评估方法，包括：采集所述锂电池的电压数据和电流数据；利用安时积分法以及采集到的锂电池的电压数据和电流数据计算积分容量，并根据所述积分容量得到所述锂电池的第一健康状态值；利用小波分析和卡尔曼滤波法对所述电压数据和所述电流数据进行所述锂电池的健康状态评估，得到第二健康状态值；利用所述第一健康状态值和所述第二健康状态值进行加权计算，确定最终健康状态值，根据所述最终健康状态值进行所述锂电池健康状态的评估。

本申请先通过利用锂电池实时工作电流，通过安时积分法计算电池放电容量，当满足放电截止条件时，记录当前放电容量，并据此计算出电池的第一健康状态值；同时结合小波分析理论和卡尔曼滤波法，通过电池实时工作电流和电压评估当前电池欧姆内阻值，根据评估结果得到第二健康状态值；最后将二者加权计算，确定最终健康状态值并评估。利用小波理论滤波，降低噪声对卡尔曼滤波计算结果的影响，再通过安时积分法对实时评估结果进行综合校正，增加求算结果可信度。本申请还提供一种锂电池健康状态的评估系统、一种计算机可读存储介质和一种锂电池评估终端，具有上述有益效果，此处不再赘述。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本申请实施例所提供的一种锂电池健康状态的评估方法的流程图；

图2为本申请实施例所提供的二阶RC电池模型示意图；

图3为本申请实施例所提供的另一种锂电池健康状态的评估方法的流程图；

图4为本申请实施例所提供的一种锂电池健康状态的评估系统的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

请参考图1，图1为本申请实施例所提供的一种锂电池健康状态的评估方法的流程图，该评估方法具体如下：

S101：采集所述锂电池的电压数据和电流数据；

本步骤旨在采集锂电池的电压数据和电流数据，可以包括电流、电压额定数据和实时电流、电压数据，或者其他有关数据。

S102：利用安时积分法以及采集到的锂电池的电压数据、电流数据计算积分容量，并根据积分容量得到锂电池的第一健康状态值；

本步骤旨在利用安时积分法计算锂电池的第一健康状态值，需要注意的且同样为本领域技术人员所公知的一点是，利用安时积分法评估锂电池SOH，仅在锂电池满充或满放条件下才能得到计算结果。即本步骤的具体过程可以如下：

S1021：判断锂电池是否处于满充状态或满放状态；若是，进入S1022，若否，进入S1023；

S1022：根据采集到的锂电池的电压数据、电流数据计算，得到积分容量，并记录积分容量对应的权值；

S1023：积分容量记为零，则权值记为零；

S1024：根据容量定义公式和积分容量计算锂电池的第一健康状态值。

具体的，根据容量定义公式和积分容量计算锂电池的第一健康状态值可以为：

其中，C_now表示锂电池的当前容量，通俗而言也即当前电量，C_std表示锂电池的标称容量。上式是从锂电池容量角度定义了锂电池SOH。

S103：利用小波分析和卡尔曼滤波法对电压数据、电流数据进行锂电池的健康状态评估，得到第二健康状态值；

本步骤旨在利用小波分析和卡尔曼滤波法从锂电池内阻的角度进行锂电池SOH的评估，区别于S102中的基于锂电池容量的角度定义锂电池SOH。

本步骤主要包括小波分析过程和卡尔曼滤波公式计算过程。考虑到安时积分法要求仅在锂电池满充或满放条件下才能得到计算结果，因此其仅适用于实验室测量评估。但实际应用中定期拆卸锂电池测量是不实际的，而利用电池使用过程中的数据，通过参数辨识实现电池SOH评估是比较实际的方法。因此本申请利用卡尔曼滤波法实现实时电池SOH评估。

需要说明的，本步骤中卡尔曼滤波法不仅指的是卡尔曼滤波法本身，还包括以卡尔曼滤波法为原型的相关衍生算法或改进算法，例如无迹卡尔曼滤波法、卡尔曼滤波法衍生算法等等，在此不一一举例，均应在本申请的保护范围内。

此外，特别要说明的是，本申请中，S102和S103之间并无既定的顺序关系，两个步骤可同时进行或存在一定的操作顺序。而S104只能在S102和S103均执行完毕后方可执行。

S104：利用第一健康状态值和第二健康状态值进行加权计算，确定最终健康状态值，根据最终健康状态值进行锂电池健康状态的评估。

在基于步骤S102和步骤S103分别得到第一健康状态值和第二健康状态值后，本步骤将对第一健康状态值和第二健康状态值进行加权计算。目的是实现准确评估电池SOH评估。

具体的，加权计算可以采用线性加权法，如：

SOH＝z×SOH_C+(1-z)×SOH_R；

其中，SOH为最终健康状态值，SOH_C为第一健康状态值，SOH_R为第二健康状态值，z为权值。

当然，也可以利用其他加权计算方法，甚至是非线性加权计算方法，具体计算方法和相应的权值设置均应由本领域技术人员根据实验或相关实际应用进行设置，在此不作具体限定。

本申请实施例提供了一种锂电池健康状态的评估方法，本申请先通过利用安时积分法对实时评估结果进行综合校正，增加求算结果可信度。再辅以卡尔曼滤波算法从内阻定义得到锂电池健康状态值，并在此基础上利用小波理论滤波，降低噪声对卡尔曼滤波计算结果的影响，可以实现实时在线准确的评估锂电池SOH。并且本申请无需大量先验数据进行训练或作为数据库，大大减少了线下实验成本。

基于上述实施例，作为优选的实施例，本实施例在此对于上一实施例中的步骤S103进行限定，本实施例中S1032(包括S1032)以后的步骤均基于上一步骤中所描述内容进行描述，且本实施例以二阶RC电池模型为例对步骤S103进行描述，当然还可以使用一阶或者高阶(大于等于三阶)RC电池模型。同样的，本实施例以常规的卡尔曼滤波方法进行描述，其他以卡尔曼滤波法为原型的相关衍生算法或改进算法均可参考本实施例中描述的过程，也可以在本实施例的基础上作相应的改进或优化。

具体的，S103可以由如下步骤组成：

S1031：根据电压数据、电流数据建立锂电池二阶RC电池模型，并根据锂电池二阶RC电池模型得到满足卡尔曼滤波的第一状态估计方程和第一测量方程；

参考图2，图2为本申请实施例所提供的二阶RC电池模型示意图。

图2中，图中i_k为电流，R_k为电池欧姆内阻，U_ocv为电池开路电压，C₁、C₂为电池极化电容，R₁、R₂为电池极化内阻，U_k为电池端电压。

然后，根据图2所示锂电池二阶RC电池模型建立满足卡尔曼滤波的第一状态估计方程(1)和第一测量方程(2)：

R_k+1＝R_k+r_k； (1)

U_k＝U_ocv-i_kR_k-U_p1-U_p2+η_k； (2)

其中U_p1和U_p2为锂电池内部极化电压，r_k和η_k为零均值高斯白噪声。

S1032：将第一状态估计方程转化成矩阵形式，并得到状态变量序列；

具体的，转化过程如下：

根据S1031中的第一状态估计方程(1)，可得下式(3)：

取式(3)中4个式子的和的平均可得：

其中，

同理，将连续计算所得的4个内阻R为一组，在k时刻，有：

R(4)＝[R_k-3 R_k-2 R_k-1 R_k]^T

所有过程都采用上述相同方法，最后可得到下面一个矩阵形式的状态估计方程(5)：

其中，

将R(4)视为状态变量序列R_k的最高分辨率层(N层)，结合上述计算，显然它符合下式，则第一状态估计方程可变为式(6)：

其中，

简单推导易得与式(6)相关的第一测量方程为：

其中，

S1033：对状态变量序列进行小波分析，得到小波分解系数；

本步骤开始进行小波分析，具体的：

对状态变量序列R_k ^N采用Haar小波进行2层小波分解变换求小波系数。已知对于Haar小波，有低通滤波器

高通滤波器

利用离散小波的Mallat算法公式：

其中，j表示分解的第j层，k表示第j层的第k个系数值，m表示上一层信号的第m个值。

可得基于原始信号c₂(4)的第1层小波分解系数d₁(k)，第0层小波分解系数c₀(0)和d₀(0)，计算过程最后可简化为下面一个矩阵形式的表达式(8)：

其中c₂(4)即为式(6)中所述的状态变量序列R_k ^N，从而式(8)可以改写为式(9)：

其中，

S1034：将小波分解系数代入第一状态估计方程和第一测量方程，得到第二状态估计方程和第二测量方程；

将式(9)代入第一状态估计方程(6)及第一测量方程(7)，就得到经Haar小波基2层分解得到的第二状态估计方程(10)和第二测量方程(11)：

S1035：根据第二状态估计方程和第二测量方程，利用卡尔曼滤波公式进行小波系数的最优估计；其中，小波系数包括第一高频噪声分量和第一低频噪声分量；

根据步骤三中所求基于电池二阶RC模型的锂电池内阻的第二状态空间方程(10)、第二测量方程(11)，利用锂电池使用中采集的端电压U_k、电流i_k数据，就可以结合卡尔曼滤波公式对分解系数进行计算，过程如下：

a、初始化：R^N(0|0)、P(0|0)；

R^N(0|0)意为对状态变量序列R_k ^N经两层小波分解所得的4个系数取适当的初值，该初值大小的选取没有定例，可随意选取，本申请在此不作限定。

P(0|0)意为协方差阵，见过程“b、c、e”中，是卡尔曼滤波中用到的一个变量，引入该变量并取初值是为了在接下来的卡尔曼滤波中使用，其初值大小选取规范同样不作限定。

b、一步预测协方差阵：

c、滤波增益矩阵：K(k+1)＝P(k+1|k)×H^T×[H×P(k+1|k)×H^T+R]^-1；

d、状态更新：ε(k+1)＝U_k-H×R^N(k+1|k)；

R^N(k+1|k+1)＝R^N(k+1|k)+K(k+1)×ε(k+1)；

e、协方差阵更新：P(k+1|k+1)＝[I_n→K(k+1)×H]×P(k+1|k)；

其中，

Φ＝A×Ω×A^-1；

表示A×W_k的方差；根据上述a、b、c、d、e计算步骤，实现对状态变量序列R_k ^N经两层小波分解所得的4个系数做最优估计。

S1036：对所述小波系数中的第一高频噪声分量进行滤波，得到第二高频噪声分量；

可以利用硬阈值法对所述小波系数中的第一高频噪声分量进行滤波，当然也可以使用其他方法，例如模极大值法或空域相关法等等，在此不作具体限定。

第一高频噪声分量包括

即设置阈值λ，使

和

中小于λ的值等于0。

S1037：利用第一低频噪声分量和第二高频噪声分量进行小波重构得到锂电池当前的内阻值；

具体的，利用第二高频噪声分量中的

和滤波后的

根据式(12)进行小波重构得到当前锂电池欧姆内阻R的准确值：

S1038：根据内阻值进行锂电池的健康状态评估，得到第二健康状态值。

其中，根据内阻值进行锂电池的健康状态评估，得到第二健康状态值包括：

其中，SOH_R为第二健康状态值，R为内阻值，R_new为新锂电池内阻值，R_old为锂电池容量下降至标称容量80％时的内阻值。

基于本实施例和上一实施例，当满足本实施例的前述条件时，本申请所提供的一种锂电池健康状态的评估方法具体可参见图3，图3为本申请实施例所提供的另一种锂电池健康状态的评估方法的流程图。图3中流程均基于上述实施例，提供了一种更详细的锂电池健康状态的评估方法，其中的代数式或字母的含义均可参见上文注释说明，图3中各步骤均已在上文说明，此处不再赘述。

下面对本申请实施例提供的一种锂电池健康状态的评估系统进行介绍，下文描述的评估系统与上文描述的评估方法可相互对应参照。

具体的，图4为本申请实施例所提供的一种锂电池健康状态的评估系统的结构示意图，该评估系统可以包括：

数据采集模块100，用于采集所述锂电池的电压数据和电流数据；

第一评估模块200，用于利用安时积分法对所述电流数据进行计算，得到积分容量，并根据所述积分容量得到所述锂电池的第一健康状态值；

第二评估模块300，用于利用小波分析和卡尔曼滤波法对所述电压数据和所述电流数据进行所述锂电池的健康状态评估，得到第二健康状态值；

加权评估模块400，用于利用所述第一健康状态值和所述第二健康状态值进行加权计算，确定最终健康状态值，根据所述最终健康状态值进行所述锂电池健康状态的评估。

当然，第二评估模块300中还可以包括相应的小波分析单元、卡尔曼滤波单元等等，具体可参考相应的评估方法中内容进行相关模块或单元的设定。

本申请还提供了一种计算机可读存储介质，其上存有计算机程序，该计算机程序被处理器执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本申请还提供了一种锂电池评估终端，可以包括存储器和处理器，存储器中存有计算机程序，处理器调用存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然锂电池评估终端还可以包括各种网络接口，电源等组件。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例提供的系统而言，由于其与实施例提供的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (8)

1.一种锂电池健康状态的评估方法，其特征在于，包括：

采集所述锂电池的电压数据和电流数据；

利用安时积分法对所述电流数据进行计算，得到积分容量，并根据所述积分容量得到所述锂电池的第一健康状态值；

利用小波分析和卡尔曼滤波法对所述电压数据和所述电流数据进行所述锂电池的健康状态评估，得到第二健康状态值；

利用所述第一健康状态值和所述第二健康状态值进行加权计算，确定最终健康状态值，根据所述最终健康状态值进行所述锂电池健康状态的评估；

其中，利用小波分析和卡尔曼滤波法对所述电压数据和所述电流数据进行所述锂电池的健康状态评估，得到第二健康状态值，包括：

根据所述电压数据和所述电流数据建立锂电池二阶RC电池模型，并根据所述锂电池二阶RC电池模型得到满足卡尔曼滤波的第一状态估计方程和第一测量方程；

将所述第一状态估计方程转化成矩阵形式，并得到状态变量序列；

对所述状态变量序列进行小波分析，得到小波分解系数；

将所述小波分解系数代入所述第一状态估计方程和所述第一测量方程，得到第二状态估计方程和第二测量方程；

根据所述第二状态估计方程和所述第二测量方程，利用卡尔曼滤波公式进行小波系数的最优估计；其中，所述小波系数包括第一高频噪声分量和第一低频噪声分量；

对所述小波系数中的第一高频噪声分量进行滤波，得到第二高频噪声分量；

利用所述第一低频噪声分量和所述第二高频噪声分量进行小波重构得到所述锂电池当前的内阻值；

根据所述内阻值进行所述锂电池的健康状态评估，得到第二健康状态值。

2.根据权利要求1所述的评估方法，其特征在于，根据所述内阻值进行所述锂电池的健康状态评估，得到第二健康状态值包括：

利用内阻定义公式，并根据所述内阻值进行所述锂电池的健康状态评估，得到第二健康状态值；

其中，所述内阻定义公式具体为：

其中，SOH_R为所述第二健康状态值，R为所述内阻值，R_new为新锂电池内阻值，R_old为所述锂电池容量下降至标称容量80％时的内阻值。

3.根据权利要求2所述的评估方法，其特征在于，对所述小波系数中的第一高频噪声分量进行滤波包括：

利用硬阈值法或模极大值法或空域相关法对所述小波系数中的第一高频噪声分量进行滤波。

4.根据权利要求1所述的评估方法，其特征在于，利用安时积分法对所述电流数据进行计算，得到积分容量，并根据所述积分容量得到所述锂电池的第一健康状态值，包括：

判断所述锂电池是否处于满充状态或满放状态；

若是，则根据采集到的锂电池的电压数据、电流数据计算，得到积分容量，并记录所述积分容量对应的权值；

若否，则所述积分容量记为零，则所述权值记为零；

根据容量定义公式和所述积分容量计算锂电池的第一健康状态值。

5.根据权利要求4所述的评估方法，其特征在于，利用所述第一健康状态值和所述第二健康状态值进行加权计算，确定最终健康状态值，具体为：

利用SOH＝z×SOH_C+(1-z)×SOH_R确定最终健康状态值；

其中，SOH为所述最终健康状态值，SOH_C为所述第一健康状态值，SOH_R为所述第二健康状态值，z为权值。

6.一种锂电池健康状态的评估系统，基于权利要求1所述的评估方法，其特征在于，包括：

数据采集模块，用于采集所述锂电池的电压数据和电流数据；

第一评估模块，用于利用安时积分法对所述电流数据进行计算，得到积分容量，并根据所述积分容量得到所述锂电池的第一健康状态值；

第二评估模块，用于利用小波分析和卡尔曼滤波法对所述电压数据和所述电流数据进行所述锂电池的健康状态评估，得到第二健康状态值；

加权评估模块，用于利用所述第一健康状态值和所述第二健康状态值进行加权计算，确定最终健康状态值，根据所述最终健康状态值进行所述锂电池健康状态的评估。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的评估方法的步骤。

8.一种锂电池评估终端，其特征在于，包括存储器和处理器，所述存储器中存有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如权利要求1-5任一项所述的评估方法的步骤。

Images