CN111856307B - 估算电池SoH的方法、装置、存储介质及智能设备 - Google Patents

Abstract

本发明揭示了一种估算电池SoH的方法、装置、存储介质及智能设备；方法，包括如下步骤：获取电池的第一历史充电数据；根据第一历史充电数据与预设的基准曲线评估获取电池的第一偏差特征参数，基准曲线为容量与端电压的曲线；将第一偏差特征参数导入预设的SoH估计模型中，估算得到电池的SoH。本发明估算电池SoH的方法、装置、存储介质及智能设备，估算电池SoH的方法通过获取电池的充电数据；根据充电数据评估电池的偏差特征参数；将偏差特征参数导入预设的SoH估计模型中，得到电池的SoH估算值；进而在电池的正常运行过程中，可以较为便利的估算出电池的SoH值，解决现有的在电池正常运行过程中进行SoH获取较困难的问题。

Description

估算电池SoH的方法、装置、存储介质及智能设备

技术领域

本发明涉及到电池检测领域，特别是涉及到一种估算电池SoH的方法、装置、存储介质及智能设备。

背景技术

锂离子电池健康状态(SoH)是表征锂电池的老化衰退程度的重要评价指标，也是目前最为常见的定义方法，即电池最大可用容量与额定容量的比值。此外，基于内阻、模型或其他参数的电池健康状态定义方法也用于老化状态评估，但个别参数由于缺乏真实的物理意义和明确的对应关系无法普适于种类繁多的电池市场。最大可用容量作为基本性能参数能直观地表征当前的老化程度，但是通过X射线衍射、电化学分析等手段来获取电池的SoH和剖析老化的降解过程，虽然能更充分接近电池老化的机理层面，但严重妨碍了电池的正常使用，因此如何在电池正常运行过程中采用简单的计算量和参数进行SoH准确估计仍然是目前具有难度和挑战的工作。

发明内容

本发明的主要目的为提供一种估算电池SoH的方法、装置、存储介质及智能设备，可以解决现有在电池正常运行过程中进行SoH获取较困难的问题。

本发明提出一种估算电池SoH的方法，包括如下步骤：

获取电池的第一历史充电数据，第一历史充电数据为最接近当前时间的且健康状态的充电数据，健康状态的充电数据为由零开始进行正常充电的数据，第一历史充电数据包括第一容量序列和与第一容量序列对应的第一端电压序列；

根据第一历史充电数据与预设的基准曲线评估获取电池的第一偏差特征参数，第一偏差特征参数代表电池当前的端电压偏移特征，基准曲线为容量-端电压的曲线；

将第一偏差特征参数导入预设的SoH估计模型中，估算得到电池的SoH。

进一步地，获取电池的第一历史充电数据的步骤包括：

在电池的BMS寄存器中获得电池的第一历史充电数据。

进一步地，根据第一历史充电数据与预设的基准曲线评估获取电池的第一偏差特征参数的步骤包括：

根据第一容量序列和第一端电压序列构建第一容量-端电压曲线；

根据第一容量-端电压曲线与预设的基准曲线对比获得第一电压偏移量的数据；

根据第一电压偏移量的数据统计获得电池的第一偏差特征参数。

进一步地，

根据第一电压偏移量的数据统计获得电池的第一偏差特征参数的步骤包括：

根据第一电压偏移量的数据通过四分位数稳健统计法获得电池的第一偏差特征参数。

进一步地，SoH估计模型为：

SoH＝ζ₁Q₃+ζ₂

其中，ζ₁、ζ₂为SoH估计模型的参数，为预设的值，Q₃为电池的第一偏差特征参数。进一步地，将偏差特征参数导入预设的SoH估计模型中，估算得到电池的SoH的步骤之前包括：

测量新电池的容量与端电压，并初始化SoH值，使新电池的SoH值为1；以新电池的可充电容量为最大值，构建等分间距的容量-端电压曲线，并以其作为第二基准曲线；

分别获取多个样本电池的第二历史充电数据，第二历史充电数据设于样本电池的BMS寄存器中，样本电池为与新电池同类型的旧电池，第二历史充电数据为最接近当前时间且健康状态的充电数据，包括第二容量序列和与第二容量序列对应的第二端电压序列；

根据第二容量序列和第二端电压序列构建第二容量-端电压曲线；

基于第二基准曲线和第二容量-端电压曲线分别计算样本电池的第二电压偏移量，并测量得到样本电池的SoH值；

基于四分位数稳健统计法，根据第二电压偏移量的数据和第二基准曲线获得样本电池的第二偏差特征参数；

基于分位数线性回归方法，通过对样本电池的SoH值和第二偏差特征参数获得ζ₁、ζ₂；

以ζ₁、ζ₂作为参数，获得SoH估计模型，SoH估计模型为SoH＝ζ₁Q₃+ζ₂。

进一步地，以ζ₁、ζ₂作为参数，获得SoH估计模型的步骤之后，包括：

通过将多个验证电池SoH的实际测量值与验证电池的SoH估算值对比获得每个验证电池的相对误差值；

判断每个验证电池的相对误差值是否达到预设值；

若其中至少一个为是，则判定SoH估计模型不合格；

若都为否，则判定SoH估计模型合格，合格的SoH估计模型用于将偏差特征参数导入预设的SoH估计模型中，得到电池的SoH的步骤中。

本申请还提出一种估算电池SoH的装置，包括：

充电数据获取模块，用于获取电池的第一历史充电数据，第一历史充电数据为最接近当前时间的且健康状态的充电数据，健康状态的充电数据为由零开始进行正常充电的数据，第一历史充电数据包括第一容量序列和与第一容量序列对应的第一端电压序列；

偏差特征参数获取模块，用于根据历史充电数据与预设的基准曲线评估获取电池的第一偏差特征参数，第一偏差特征参数代表电池当前的端电压偏移特征，基准曲线为容量-端电压的曲线；

估算模块，用于将第一偏差特征参数导入预设的SoH估计模型中，估算得到电池的SoH。

本申请还提出一种存储介质，其为计算机可读的存储介质，其上存储有计算机程序，计算机程序被执行时实现如上述的估算电池SoH的方法。

本申请还提出一种智能设备，其特征在于，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述的估算电池SoH的方法。

本发明估算电池SoH的方法、装置、存储介质及智能设备，估算电池SoH的方法通过获取电池的第一历史充电数据；根据第一历史充电数据评估电池的第一偏差特征参数；将第一偏差特征参数导入预设的SoH估计模型中，得到电池的SoH；进而在电池的正常运行过程中，可以较为便利的估算出电池的SoH，解决现有的在电池正常运行过程中进行SoH获取较困难的问题。

附图说明

图1本发明估算电池SoH的方法一实施例中步骤结构示意图；

图2本发明估算电池SoH的装置一实施例结构示意图；

图3本发明估算电池SoH的方法中容量-端电压曲线图；

图4本发明估算电池SoH的方法中频率分布直方图；

图5本发明估算电池SoH的方法中电池样本的箱型图；

图6是本发明存储介质一实施例的结构示意图；

图7是本发明智能设备一实施例的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、健康状态地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

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”、“”“上述”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”是指存在特征、整数、步骤、操作、元件、单元、模块和/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、单元、模块、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无线耦接。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全部或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被特定定义，否则不会用理想化或过于正式的含义来解释。

参照图1，本发明估算电池SoH的方法一实施例，包括如下步骤：

S1、获取电池的第一历史充电数据，第一历史充电数据为最接近当前时间的且健康状态的充电数据，健康状态的充电数据为由零开始进行正常充电的数据，第一历史充电数据包括第一容量序列和与第一容量序列对应的第一端电压序列；

S2、根据第一历史充电数据与预设的基准曲线评估获取电池的第一偏差特征参数，第一偏差特征参数代表电池当前的端电压偏移特征，基准曲线为容量-端电压的曲线；

S3、将第一偏差特征参数导入预设的SoH估计模型中，估算得到电池的SoH。

在上述步骤S1中，通过提取BMS寄存器中电池的第一历史充电数据，充电数据包括电池的第一容量序列和容量对应的第一端电压序列，这里说的电池为锂电池。

在上述步骤S2中，根据第一容量序列和第一端电压序列构建第一容量-端电压曲线；根据第一容量-端电压曲线与预设的基准曲线对比获得第一电压偏移量的数据，基准曲线为预设的容量-端电压的曲线；根据第一电压偏移量的数据统计获得电池的第一偏差特征参数，第一偏差特征参数为SoH估计模型中的变量，通过将第一偏差特征参数带入SoH估计模型可以得到电池的SoH，SoH是表征锂电池的老化衰退程度的重要评价指标。

在上述步骤S3中，通过将第一偏差特征参数导入预设的SoH估计模型中，就可以直接得到电池的SoH，进而根据SoH就可以判断出电池的老化程度。

估算电池SoH的方法通过获取电池的第一历史充电数据；根据第一历史充电数据评估电池的第一偏差特征参数；将第一偏差特征参数导入预设的SoH估计模型中，得到电池的SoH；进而在电池的正常运行过程中，可以较为便利的估算出电池的SoH，解决现有的在电池正常运行过程中进行SoH获取较困难的问题；估算电池SoH的方法易于在线实现，适用于电动汽车动力电池管理系统的在线应用。

进一步地，获取电池的第一历史充电数据的步骤S1包括：

S11、在电池的BMS寄存器中获得电池的第一历史充电数据。

在上述步骤S11中，第一历史充电数据是电池在充电过程中自动检测并记录在BMS寄存器中的，其中包括由无到充满的健康状态的充电过程，也包括由无到未充满的部分充电过程，以及由已存在到充入部分电的补充充电过程，我们提取的充电数据为健康状态的充电过程的充电数据，通过最接近当前时间的充电数据可以获得最接近电池现实状态的第一历史充电数据，使评估更准确；历史充电数据包括根据测量电流进行累计安时数计算当前的充电容量，当前健康状态下基于0.1Ah等分的的容量序列AH_chg＝[0:0.1:Ah_max]^T、端电压序列U_t＝[U_t1,U_t2,…,U_tL]^T，其中L为容量序列的数据长度。

进一步地，根据第一历史充电数据与预设的基准曲线评估获取电池的第一偏差特征参数的步骤S2包括：

S21、根据第一容量序列和第一端电压序列构建第一容量-端电压曲线；

S22、根据第一容量-端电压曲线与预设的基准曲线对比获得第一电压偏移量的数据；

S23、根据第一电压偏移量的数据统计获得电池的第一偏差特征参数。

在上述步骤S21-S23中，容量序列AH_chg＝[0:0.1:Ah_max]^T，端电压序列U_t＝[U_t1,U_t2,…,U_tL]^T。

预设的基准曲线的容量序列AH₀＝[0:0.1:AH_max]^T、该序列所对应的充电端电压序列为U₀＝[U₀₁,U₀₂,…,U_0N]^T,其中N为容量序列的长度，构成基准曲线的数据是基于新电池的测量数据，容量序列以新电池的可充电量为最大值；将所得到的基准曲线的容量序列AH₀＝[0:0.1:AH_max]^T、该序列所对应的端电压序列为U₀＝[U₀₁,U₀₂,…,U_0N]^T作为基准序列，将获得的当前电池健康状态下的第一历史容量序列AH_chg＝[0:0.1:Ah_max]^T、第一端电压序列U_t＝[U_t1,U_t2,…,U_tL]^T与基准序列进行电压偏移量的计算，其中，不论是在实际的应用中有容量恢复现象还是正常的衰减状态下，当前状态与初始基准曲线的序列长度可能出现不一致，为了进行电压偏移量的计算，取len＝min(L,N)作为偏移序列的长度，计算公式如下：

e＝U′_t-U′₀

其中U′_t＝U_t[U_t1,U_t2,…,U_tlen]，U′₀＝U₀[U₀₁,U₀₂,…,U_0len]。

在上述步骤S23中，通过四分位数稳健统计法获得电池的第一偏差特征参数。

进一步地，根据第一电压偏移量的数据统计获得电池的第一偏差特征参数的步骤S23包括：

S231、根据第一电压偏移量的数据通过四分位数稳健统计法获得电池的第一偏差特征参数。

在上述步骤S231中，四分位数稳健统计法中分位数指的就是随机变量在连续分布函数中的一个点，这个点对应概率p，若概率0<p<1，随机变量X或它的概率分布的分位数pi，是指满足条件p(X≤pi)＝α的实数，pi分别取25％、50％、75％对应着1/4分位数Q₁、中位数Q₂、3/4分位数Q₃，其中分位数可由核心平滑密度估计函数(ksdensity)获得随机变量分布的概率密度函数f并在f＝pi处的插值获得，其中Q₃为第一偏差特征参数。

进一步地，在本实施例中，SoH估计模型为：

SoH＝ζ₁Q₃+ζ₂

其中，ζ₁、ζ₂为SoH估计模型的参数，为预设的值，Q₃为电池的第一偏差特征参数。

SoH估计模型为预先在实验室中实验获得，在估算电池SoH的方法中，对其直接应用。

进一步地，将第一偏差特征参数导入预设的SoH估计模型中，估算得到电池的SoH的步骤S3之前包括：

S10、测量新电池的容量与端电压，并初始化SoH值，使新电池的SoH值为1；

S20、以新电池的可充电容量为最大值，构建等分间距的容量-端电压曲线，并以其作为第二基准曲线；

S30、分别获取多个样本电池的第二历史充电数据，第二历史充电数据设于样本电池的BMS寄存器中，样本电池为与新电池同类型的旧电池，第二历史充电数据为最接近当前时间且健康状态的充电数据，包括第二容量序列和与第二容量序列对应的第二端电压序列；

S40、根据第二容量序列和第二端电压序列构建第二容量-端电压曲线；

S50、基于第二基准曲线和第二端电压序列分别计算样本电池的第二电压偏移量，并测量得到样本电池的SoH值；

S60、基于四分位数稳健统计法，根据第二电压偏移量的数据和第二基准曲线获得样本电池的第二偏差特征参数；

S70、基于分位数线性回归方法，通过对样本电池的SoH值和第二偏差特征参数获得ζ₁、ζ₂；

S80、以ζ₁、ζ₂作为参数，获得SoH估计模型，SoH估计模型为SoH＝ζ₁Q₃+ζ₂。

上述步骤S10-S80为获取SoH估计模型的方法。

在上述步骤S10中，初始化原始SoH值设置为100％，提取容量-端电压曲线如图3黑色实线所示，提取的容量-端电压曲线为针对一个新电池；根据充电容量AH_max构建0.1Ah等分的容量序列AH₀＝[0:0.1:AH_max]^T、该序列所对应的充电电压序列为U₀＝[U₀₁,U₀₂,…,U_0N]^T,其中N为容量序列的长度。以AH₀－U₀为初始状态下的基准曲线。

在上述步骤S20中，等分间距为电容量的等分间距，例如0.1Ah。

在上述步骤S30中，在本实施例中，采用7个样本电池，根据初始SoH状态下的基准曲线，并提取BMS寄存器中被测电池的充电历史数据，包括当前健康状态下的第二容量序列AH_chg＝[0:0.1:Ah_max]^T、第二端电压序列U_t＝[U_t1,U_t2,…,U_tL]^T，其中L为容量序列的数据长度。

在上述步骤S40中，根据第二容量序列和第二端电压序列构建第二容量-端电压曲线，第二容量-端电压曲线为样本电池的；

在上述步骤S50中，将步骤S10所得到的基准曲线的第一容量序列AH0＝[0:0.1:AHmax]^T、该序列所对应的第一端电压序列为U₀＝[U₀₁,U₀₂,…,U_0N]^T作为初始序列，第二容量-端电压曲线的当前健康状态下的第二容量序列AH_chgj＝[0:0.1:Ahmax]^T、第二端电压序列U_tj＝[U_t1,U_t2,…,U_tL]^T与第一容量序列和第一端电压序列进行电压偏移量的计算，其中j的测量电池的编号，取len＝min(Lj,N)作为偏移序列的长度，计算公式如下：

e_j＝U′_tj-U′_0j

其中j的测量电池的编号。

在上述步骤S60中，基于步骤S50得到的ej，进而统计分析，进而计算偏差e的统计特征，均值的计算公式如下：

其中，e_mean为误差均值。

分位数指的就是随机变量在连续分布函数中的一点，这个点对应概率p，若概率0<p<1，随机变量X或它的概率分布的分位数个pi，是指满足条件p(X≤pi)＝α的实数，pi分别取25％、50％、75％对应着1/4分位数Q₁、中位数Q₂、3/4分位数Q₃，其中分位数可由核心平滑密度估计函数(ksdensity)获得随机变量分布的概率密度函数f并在f＝pi处的插值获得，其为现有技术在此就不一一赘述。

而四分之间距Q用以表征分布的离散程度，反应各数据原理其中心值的趋势，其计算公式如下：

Q＝Q₃-Q₁

上下限边界的计算公式：

Ub＝Q₁+1.5(Q₃-Q₁)

Lb＝Q₁-1.5(Q₃-Q₁)

其中，Ub为上边界，Lb为下边界。

评估各特征与SoH的相关性，并选取相关性最大的作为SoH估计模型的输入量，即偏差特征参数。

其频率分布直方图如图4所示，可以看出其具有三个峰值，不能采用传统的均匀、正态分布特征进行分析，因此计算偏差ej的基本统计特征，根据上述的基于特征变量和SoH相关系数之间的相关系数及偏差分布离散程度的特征表达，选取四分之三分位数Q₃作为第二偏差特征参数。

本实施例采用了8个不同SoH水平下的电池(包括新电池)作为SoH估计模型的拟合样本，首先对7个电池样本分别进行充电测试，图5为电池样本的箱型图，图中电池样本的箱型由上到下依次为Ub、Q₁、Q₂、Q₃和Lb，可以看出来分位数特征变化明显，评估上述各特征与SoH的相关性，计算结果见表1。

表1 相关系数计算结果

从而获得电池SoH与分位数之间的散点关系，选取四分之三分位数Q₃作为第二偏差特征参数。

在上述步骤S70中，ζ₁、ζ₂为电池SoH估计模型的参数，可通过拟合电池老化实验数据求得分别为ζ₁＝92.4551,ζ₂＝-0.1207，通过对样本电池的实验数据进行分位数线性回归获得ζ₁、ζ₂，其为现有技术在此就不一一赘述，样本电池的实验数据包括样本电池的SoH值和偏差特征参数进一步地，以ζ₁、ζ₂作为参数。

在上述步骤S80中，以步骤S70中获得的ζ₁、ζ₂作为参数带入，获得SoH估计模型，SoH估计模型为SoH＝ζ₁Q₃+ζ₂。

获得SoH估计模型的步骤S80之后，包括：

S90、通过将多个验证电池SoH的实际测量值与验证电池的SoH估算值对比获得每个验证电池的相对误差值；

S100、判断每个验证电池的相对误差值是否达到预设值；

S110、若其中至少一个为是，则判定SoH估计模型不合格；

S120、若都为否，则判定SoH估计模型合格，合格的SoH估计模型用于将偏差特征参数导入预设的SoH估计模型中，得到电池的SoH的步骤中。

在上述步骤S90-S120中，为验证SoH估计模型是否合格的步骤，验证电池No.1、No.2、No.3、No.4的SoH估计结果见表2。

从表2结果可见，所提方法的SoH估计误差低于0.5％，具有良好的估计性能。

表2 验证电池的计算结果

参照图2，本申请还提出一种估算电池SoH的装置，包括：

充电数据获取模块1，用于获取电池的第一历史充电数据，第一历史充电数据为最接近当前时间的且健康状态的充电数据，健康状态的充电数据为由零开始进行正常充电的数据，第一历史充电数据包括第一容量序列和与第一容量序列对应的第一端电压序列；

偏差特征参数获取模块2，用于根据历史充电数据与预设的基准曲线评估获取电池的第一偏差特征参数，第一偏差特征参数代表电池当前的端电压偏移特征，基准曲线为容量-端电压的曲线；

估算模块3，用于将第一偏差特征参数导入预设的SoH估计模型中，估算得到电池的SoH。

在上述充电数据获取模块1中，通过提取BMS寄存器中电池的第一历史充电数据，充电数据包括电池的第一容量序列和容量对应的第一端电压序列，这里说的电池为锂电池。

在上述偏差特征参数获取模块2中，根据第一容量序列和第一端电压序列构建第一容量-端电压曲线；根据第一容量-端电压曲线与预设的基准曲线对比获得第一电压偏移量的数据，基准曲线为预设的容量-端电压的曲线；根据第一电压偏移量的数据统计获得电池的第一偏差特征参数，第一偏差特征参数为SoH估计模型中的变量，通过将第一偏差特征参数带入SoH估计模型可以得到电池的SoH，SoH是表征锂电池的老化衰退程度的重要评价指标。

在上述估算模块3中，

通过将第一偏差特征参数导入预设的SoH估计模型中，就可以直接得到电池的SoH，进而根据SoH就可以判断出电池的老化程度。

通过获取电池的第一历史充电数据；根据第一历史充电数据评估电池的第一偏差特征参数；将第一偏差特征参数导入预设的SoH估计模型中，得到电池的SoH；进而在电池的正常运行过程中，可以较为便利的估算出电池的SoH，解决现有的在电池正常运行过程中进行SoH获取较困难的问题，估算电池SoH的方法易于在线实现，适用于电动汽车动力电池管理系统的在线应用。

参照图6，本申请实施例还提出一种存储介质100，其为计算机可读的存储介质，其上存储有计算机程序200，计算机程序200被执行时实现上述任一实施例中的估算电池SoH的方法。

参照图7，本申请实施例还提出一种智能设备300，包括存储器400、处理器500以及存储在存储器400上并可在处理器500上运行的计算机程序200，处理器500执行计算机程序200时实现上述任一实施例中的估算电池SoH的方法。

本领域技术人员可以理解，本申请实施例的智能设备300为上述所涉及用于执行本申请中方法中的一项或多项的设备。这些设备可以为所需的目的而专门设计和制造，或者也可以包括通用计算机中的已知设备。这些设备具有存储在其内的计算机程序200或应用程序，这些计算机程序200选择性地激活或重构。这样的计算机程序200可以被存储在设备(例如，计算机)可读介质中或者存储在适于存储电子指令并分别耦联到总线的任何类型的介质中，计算机可读介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory，只读存储器)、RAM(Random Access Memory，随机存储器)、EPROM(Erasable Programmable Read-Only Memory，可擦写可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read-Only Memory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是，可读介质包括由设备(例如，计算机)以能够读的形式存储或传输信息的任何介质。

本发明估算电池SoH的方法、装置、存储介质及智能设备，估算电池SoH的方法估算电池SoH的方法通过获取电池的第一历史充电数据；根据第一历史充电数据评估电池的第一偏差特征参数；将第一偏差特征参数导入预设的SoH估计模型中，得到电池的SoH；进而在电池的正常运行过程中，可以较为便利的估算出电池的SoH，解决现有的在电池正常运行过程中进行SoH获取较困难的问题。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种估算电池SoH的方法，其特征在于，包括如下步骤：

获取电池的BMS寄存器中的第一历史充电数据，所述第一历史充电数据为最接近当前时间的且健康状态的充电数据，所述健康状态的充电数据为由零开始进行正常充电的数据，所述第一历史充电数据包括第一容量序列和与所述第一容量序列对应的第一端电压序列；

根据所述第一容量序列和所述第一端电压序列构建第一容量-端电压曲线；

根据所述第一容量-端电压曲线与预设的基准曲线对比获得第一电压偏移量的数据，所述基准曲线为容量-端电压的曲线；

根据所述第一电压偏移量的数据选取四分位数稳健统计法求出的四分之三分位数Q₃作为所述电池的第一偏差特征参数；所述第一偏差特征参数代表所述电池当前的端电压偏移特征；

将所述第一偏差特征参数导入预设的SoH估计模型中，估算得到所述电池的SoH；其中，所述SoH估计模型为：

SoH＝ζ₁Q₃+ζ₂；

其中，ζ₁、ζ₂为所述SoH估计模型的参数，为预设的值，Q₃为所述电池的第一偏差特征参数。

2.根据权利要求1所述的估算电池SoH的方法，其特征在于，所述将所述偏差特征参数导入预设的SoH估计模型中，估算得到电池的SoH的步骤之前包括：

测量新电池的容量与端电压，并初始化新电池的SoH值，使所述新电池的SoH值为1；

以新电池的可充电容量为最大值，构建等分间距的容量-端电压曲线，并以其作为所述基准曲线；

分别获取多个样本电池的第二历史充电数据，所述第二历史充电数据设于所述样本电池的BMS寄存器中，所述样本电池为与所述新电池同类型的旧电池，所述第二历史充电数据为最接近当前时间且健康状态的充电数据，包括第二容量序列和与所述第二容量序列对应的第二端电压序列；

根据所述第二容量序列和所述第二端电压序列构建第二容量-端电压曲线；

基于所述基准曲线和所述第二容量-端电压曲线分别计算所述样本电池的第二电压偏移量，并测量得到所述样本电池的SoH值；

基于四分位数稳健统计法，根据所述第二电压偏移量的数据和所述基准曲线选取四分位稳健统计法求出的四分之三分位数Q₃作为所述样本电池的第二偏差特征参数；

基于分位数线性回归方法，通过对所述样本电池的SoH值和所述第二偏差特征参数获得ζ₁、ζ₂；

以所述ζ₁、ζ₂作为参数，获得所述SoH估计模型，所述SoH估计模型为SoH＝ζ₁Q₃+ζ₂。

3.根据权利要求2所述的估算电池SoH的方法，其特征在于，所述以所述ζ₁、ζ₂作为参数，获得SoH估计模型的步骤之后，包括：

通过将多个验证电池SoH的实际测量值与所述验证电池的SoH估算值对比获得每个所述验证电池的相对误差值；

判断每个所述验证电池的所述相对误差值是否达到预设值；

若其中至少一个为是，则判定所述SoH估计模型不合格；

若都为否，则判定所述SoH估计模型合格，合格的所述SoH估计模型用于所述将所述第一偏差特征参数导入预设的SoH估计模型中，得到电池的估算SoH的步骤中。

4.一种估算电池SoH的装置，其特征在于，包括：

充电数据获取模块，用于获取电池的BMS寄存器中的第一历史充电数据，所述第一历史充电数据为最接近当前时间的且健康状态的充电数据，所述健康状态的充电数据为由零开始进行正常充电的数据，所述第一历史充电数据包括第一容量序列和与所述第一容量序列对应的第一端电压序列；

偏差特征参数获取模块，用于根据所述第一容量序列和所述第一端电压序列构建第一容量-端电压曲线；

根据所述第一容量-端电压曲线与预设的基准曲线对比获得第一电压偏移量的数据，所述基准曲线为容量-端电压的曲线；

根据所述第一电压偏移量的数据选取四分位数稳健统计法求出的四分之三分位数Q₃作为所述电池的第一偏差特征参数；所述第一偏差特征参数代表所述电池当前的端电压偏移特征；

估算模块，用于将所述第一偏差特征参数导入预设的SoH估计模型中，估算得到所述电池的SoH；其中，所述SoH估计模型为：

SoH＝ζ₁Q₃+ζ₂；

其中，ζ₁、ζ₂为所述SoH估计模型的参数，为预设的值，Q₃为所述电池的第一偏差特征参数。

5.一种存储介质，其特征在于，其为计算机可读的存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如权利要求1所述的估算电池SoH的方法。

6.一种智能设备，其特征在于，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1所述的估算电池SoH的方法。