CN114970376B - 锂电池的健康度和剩余寿命预测模型的构建方法及装置 - Google Patents

锂电池的健康度和剩余寿命预测模型的构建方法及装置 Download PDF

Info

Publication number
CN114970376B
CN114970376B CN202210902971.XA CN202210902971A CN114970376B CN 114970376 B CN114970376 B CN 114970376B CN 202210902971 A CN202210902971 A CN 202210902971A CN 114970376 B CN114970376 B CN 114970376B
Authority
CN
China
Prior art keywords
battery
model
characteristic data
electrochemical
indirect
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210902971.XA
Other languages
English (en)
Other versions
CN114970376A (zh
Inventor
于琦
赵珈卉
张小龙
程林
尹峥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
China Three Gorges Corp
Original Assignee
Tsinghua University
China Three Gorges Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University, China Three Gorges Corp filed Critical Tsinghua University
Priority to CN202210902971.XA priority Critical patent/CN114970376B/zh
Publication of CN114970376A publication Critical patent/CN114970376A/zh
Application granted granted Critical
Publication of CN114970376B publication Critical patent/CN114970376B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Secondary Cells (AREA)

Abstract

本发明实施例涉及锂电池的健康度和剩余寿命预测模型的构建方法及装置，包括：建立锂电池的电化学‑热耦合模型；获取电池容量数据、电池外特性数据和电池内特性数据，电池内特性数据通过电化学‑热耦合模型仿真获得；基于电池内特性数据和电池外特性数据，获取多个第一间接健康指标；将电池容量数据和多个第一间接健康指标进行灰度关联分析，获取多个第二间接健康指标；将多个第二间接健康指标输入到预设模型中进行训练，当第一输出结果达到第一预设标准时，确认预设模型为健康度预测模型；将多个第二间接健康指标和第一输出结果作为输入数据，输入到预设模型中进行训练，当第二输出结果达到第二预设标准时，确认预设模型为剩余寿命预测模型。

Description

锂电池的健康度和剩余寿命预测模型的构建方法及装置
技术领域
本发明实施例涉及电池管理技术领域，尤其涉及一种锂电池的健康度和剩余寿命预测模的构建方法及装置。
背景技术
锂电池因具有能量转换效率高、经济性强等优点在分布式储能中的应用日渐广泛。锂电池的可靠性和安全性是实际应用过程中的关键问题。随着使用寿命的增加，电池的性能逐渐恶化，这不仅可能影响电气设备的正常运行，还会带来严重后果。为了避免事故的发生，锂电池的健康度（
Figure 47390DEST_PATH_IMAGE002
）和剩余寿命（
Figure 100002_DEST_PATH_IMAGE004
）预测已成为电池管理领域的一个热点。
现有的锂电池的
Figure 698951DEST_PATH_IMAGE002
和
Figure 947530DEST_PATH_IMAGE004
预测方法大致可分为两大类：基于模型的方法和数据驱动的方法。电化学模型和等效电路模型是两种常见的模型。虽然电化学模型具有较高的仿真精度，但在线应用中的仿真非常复杂。因此，使用模型降阶方法来降阶这些模型。然而简化模型是在特定条件下获得的，牺牲了建模精度。等效电路模型较为简单，并且易于实现中精度的实时应用，但很容易忽略电池内部状态变量之间的隐式关系，很难确定影响电池容量衰减的主要因素。
随着机器学习和人工智能的快速发展，数据驱动方法受到了越来越多的关注。然而，锂电池的性能可以从实际应用中获得。与基于模型的方法相比，数据驱动方法是非参数的，在一定程度上不考虑电化学原理，没有使用更具实际意义的间接健康指标（
Figure 100002_DEST_PATH_IMAGE006
）进行预测。一般来说，上述一些方法使用电池容量衰减序列或阻抗来预测
Figure 686947DEST_PATH_IMAGE002
和
Figure 235740DEST_PATH_IMAGE004
。然而，由于测量阻抗和电阻非常耗时，因此很难使用电池容量衰减数据进行在线测量，以估计
Figure 651678DEST_PATH_IMAGE002
和
Figure 918711DEST_PATH_IMAGE004
。因此，需要应用间接特征来替代容量数据。这些参数可以方便地实时在线测量，包括电流、电压和温度等。但通常一些参数与电池容量的相关性较低，导致预测精度降低。
发明内容
为了克服电池
Figure 852032DEST_PATH_IMAGE006
与电池容量相关性较低的问题，本发明提供了锂电池的健康度和剩余寿命预测模型的构建方法及装置，通过建立电池电化学-热耦合模型，丰富与电池容量衰减高度相关的可测量退化指标，联合进
Figure 255332DEST_PATH_IMAGE006
行电池
Figure 978523DEST_PATH_IMAGE002
和
Figure 936115DEST_PATH_IMAGE004
预测模型的构建。
第一方面，本发明提供了锂电池的健康度和剩余寿命预测模型的构建方法，该方法包括：
建立锂电池的电化学-热耦合模型；
获取电池容量数据、电池外特性数据和电池内特性数据，电池内特性数据通过电化学-热耦合模型仿真获得；
基于电池内特性数据和电池外特性数据，获取多个第一间接健康指标；
将电池容量数据和多个第一间接健康指标进行灰度关联分析，获取多个第二间接健康指标；
将多个第二间接健康指标输入到预设模型中进行训练，当第一输出结果达到第一预设标准时，确认预设模型为健康度预测模型；
将多个第二间接健康指标和第一输出结果作为输入数据，输入到预设模型中进行训练，当第二输出结果达到第二预设标准时，确认预设模型为剩余寿命预测模型。
在一个可能实现的方式中，该方法还包括：
将电池外特性数据与电池内特性数据进行对比，当误差超过阈值时，根据电池外特性数据对电池内特性数据进行修正。
在一个可能实现的方式中，将电池容量数据和多个第一间接健康指标进行灰度关联分析，获取多个第二间接健康指标，具体为：
将电池容量数据和多个第一间接健康指标进行灰度关联分析，获得各个第一间接健康指标和电池容量数据之间的相关系数，当相关系数大于阈值时，确定第一间接健康指标为第二间接健康指标。
在一个可能实现的方式中，方法还包括：
对多个第二间接健康指标进行归一化处理。
第二方面，本发明提供了锂电池的健康度和剩余寿命预测模型的构建装置，该装置包括：
构建模块，用于建立锂电池的电化学-热耦合模型；
第一获取模块，用于获取电池容量数据、电池外特性数据和电池内特性数据，电池内特性数据通过电化学-热耦合模型仿真获得；
第二获取模块，用于基于电池内特性数据和电池外特性数据，获取多个第一间接健康指标；
第三获取模块，用于将电池容量数据和多个第一间接健康指标进行灰度关联分析，获取多个第二间接健康指标；
健康度模块，用于将多个第二间接健康指标输入到预设模型中进行训练，当第一输出结果达到第一预设标准时，确认预设模型为健康度预测模型；
剩余寿命模块，用于将多个第二间接健康指标和第一输出结果作为输入数据，输入到预设模型中进行训练，当第二输出结果达到第二预设标准时，确认预设模型为剩余寿命预测模型。
在一个可能实现的方式中，该装置还包括：
修正模块，用于将电池外特性数据与电池内特性数据进行对比，当误差超过阈值时，根据电池外特性数据对电池内特性数据进行修正。
在一个可能实现的方式中，第三获取模块具体用于：
将电池容量数据和多个第一间接健康指标进行灰度关联分析，获得各个第一间接健康指标和电池容量数据之间的相关系数，当相关系数大于阈值时，确定第一间接健康指标为第二间接健康指标。
在一个可能实现的方式中，该装置还包括：
归一化模块，用于对多个第二间接健康指标进行归一化处理。
第三方面，本发明提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现如第一方面任一项实施例的锂电池的健康度和剩余寿命预测模型的构建方法的步骤。
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如第一方面任一项实施例的锂电池的健康度和剩余寿命预测模型的构建方法的步骤。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点：
本申请实施例提供的该方法，建立锂电池的电化学-热耦合模型。获取电池容量数据、电池外特性数据和电池内特性数据，电池内特性数据通过电化学-热耦合模型仿真获得。基于电池内特性数据和电池外特性数据，获取多个第一间接健康指标。将电池容量数据和多个第一间接健康指标进行灰度关联分析，获取多个第二间接健康指标。将多个第二间接健康指标输入到预设模型中进行训练，当第一输出结果达到第一预设标准时，确认预设模型为健康度预测模型。将多个第二间接健康指标和第一输出结果作为输入数据，输入到预设模型中进行训练，当第二输出结果达到第二预设标准时，确认预设模型为剩余寿命预测模型。本发明提供的技术方案克服了电池间接健康指标与电池容量相关性较低的问题。
附图说明
图1为本发明实施例提供的一种锂电池的
Figure 266602DEST_PATH_IMAGE002
和
Figure 524408DEST_PATH_IMAGE004
预测模型构建整体策略架构示意图；
图2为锂电池的
Figure 688673DEST_PATH_IMAGE002
和
Figure 38621DEST_PATH_IMAGE004
的预测模型构建流程框架图；
图3为本发明提供的锂电池的
Figure 48165DEST_PATH_IMAGE002
和
Figure 426057DEST_PATH_IMAGE004
预测模型构建方法流程示意图；
图4为电径向集中质量热模型示意图；
图5为电化学模型与热模型耦合机理示意图；
图6为本发明实施例提供的一种锂电池的
Figure 495644DEST_PATH_IMAGE002
和
Figure 224566DEST_PATH_IMAGE004
预测模型构建装置结构示意图；
图7为本发明实施例提供的另一种锂电池的
Figure 162435DEST_PATH_IMAGE002
和
Figure 394833DEST_PATH_IMAGE004
预测模型构建装置结构示意图；
图8为本发明实施例提供的又一种锂电池的
Figure 900901DEST_PATH_IMAGE002
和
Figure 585960DEST_PATH_IMAGE004
的预测装置结构示意图；
图9为本发明实施例提供的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整地描述，显然，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。
为便于对本发明实施例的理解，下面将结合附图以具体实施例做进一步的解释说明，实施例并不构成对本发明实施例的限定。
需要说明的是，在本文中，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，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
针对背景技术中所提及的技术问题，本申请提供了一种应用数字孪生技术的锂电池的电化学-热耦合模型与外特性数据联合的电池的健康度和剩余寿命预测模型构建方法，图1为本发明实施例提供的一种锂电池的
Figure 468465DEST_PATH_IMAGE002
和
Figure 430736DEST_PATH_IMAGE004
预测模型构建整体策略架构示意图，图2为锂电池的
Figure 107705DEST_PATH_IMAGE002
和
Figure 545640DEST_PATH_IMAGE004
的预测模型构建流程框架图，如图1和图2所示，获取电池运行数据（外特性数据），根据外特性数据对锂电池的电化学-热耦合模型数据（内特征数据）进行修正，然后，通过灰度关联分析内特征数据以及外特性数据中的
Figure 100002_DEST_PATH_IMAGE008
与电池容量的相关性，选择与电池容量衰减高度相关
Figure 435098DEST_PATH_IMAGE008
的作为高斯过程回归（
Figure 100002_DEST_PATH_IMAGE010
）模型的输入，进行模型训练，建立
Figure 501143DEST_PATH_IMAGE002
预测模型。最后考虑
Figure 614593DEST_PATH_IMAGE002
和
Figure 274244DEST_PATH_IMAGE004
之间存在一定的映射关系，利用选取的和上述模型训练时的输出结果，建立
Figure 232973DEST_PATH_IMAGE004
预测模型。
具体的执行过程，还需要参见图3所示的方法流程示意图，图3为本发明提供的锂电池的
Figure 294470DEST_PATH_IMAGE002
和
Figure 687143DEST_PATH_IMAGE004
预测模型构建方法流程示意图，本发明实施例提供了一种锂电池的
Figure 834091DEST_PATH_IMAGE002
和
Figure 596510DEST_PATH_IMAGE004
预测模型构建方法，包括以下步骤：
步骤110，建立锂电池的电化学-热耦合模型。
首先是建立锂电池的电化学模型和锂电池的热模型，然后将电化学模型和热模型耦合获得电化学-热耦合模型。具体包括步骤1101-步骤1103：
步骤1101，建立锂电池的电化学模型。
采用锂电池准二维模型（seudo-two-dimensions，P2D）对锂电池进行建模。P2D模型主要包含6个方程组：（1）锂离子在液相中的扩散方程，包括正负极与隔膜；（2）锂离子在固相中的扩散方程，包括正负极；（3）液相欧姆定律方程，描述区域包括正负极与隔膜；（4）固相欧姆定律方程，包括正负极；（5）电荷守恒方程，包括正负极与隔膜；（6）Butler-Volmer动力学方程，包括固相-液相交界面处。锂电池内部正极、负极与隔膜分别用下标
Figure 100002_DEST_PATH_IMAGE012
，
Figure 100002_DEST_PATH_IMAGE014
与
Figure 100002_DEST_PATH_IMAGE016
表示。电池工作过程中的端电压为开路电压曲线与电池工作过程中极化过电势的差
Figure 100002_DEST_PATH_IMAGE018
，其中
Figure 100002_DEST_PATH_IMAGE020
为开路电压，
Figure 100002_DEST_PATH_IMAGE022
为双电层电压，
Figure 100002_DEST_PATH_IMAGE024
为液相电压，
Figure 100002_DEST_PATH_IMAGE026
为欧姆电压。
（1）液相中的扩散方程
锂离子在电解液中的扩散行为可以用Fick第二定律描述，控制方程如下：
Figure 100002_DEST_PATH_IMAGE028
（1）
Figure 100002_DEST_PATH_IMAGE030
（2）
式中，
Figure 100002_DEST_PATH_IMAGE032
为正负极和隔膜区域的液相体积分数，
Figure 100002_DEST_PATH_IMAGE034
；
Figure 100002_DEST_PATH_IMAGE036
为正负极和隔膜区域的液相锂离子浓度（
Figure 100002_DEST_PATH_IMAGE038
），
Figure 824098DEST_PATH_IMAGE034
；
Figure 100002_DEST_PATH_IMAGE040
为液相有效扩散系数（
Figure 100002_DEST_PATH_IMAGE042
），
Figure 92399DEST_PATH_IMAGE034
；
Figure 100002_DEST_PATH_IMAGE044
为锂离子在正负极区域的迁移系数；
Figure 100002_DEST_PATH_IMAGE046
为正负极活性颗粒的表面积（
Figure 100002_DEST_PATH_IMAGE048
），
Figure 320118DEST_PATH_IMAGE034
；
Figure 100002_DEST_PATH_IMAGE050
为正负极锂离子通量（
Figure 100002_DEST_PATH_IMAGE052
），
Figure 463393DEST_PATH_IMAGE034
。
式（1）描述了正负极区域内液相锂离子浓度分布，式（2）描述了隔膜区域内锂离子液相浓度分布。液相扩散求解的边界条件如下：
Figure 100002_DEST_PATH_IMAGE054
（3）
Figure 100002_DEST_PATH_IMAGE056
（4）
Figure 100002_DEST_PATH_IMAGE058
（5）
式中，
Figure 100002_DEST_PATH_IMAGE060
，
Figure 100002_DEST_PATH_IMAGE062
，
Figure 100002_DEST_PATH_IMAGE064
分别为负极、正极、隔膜的长度；
Figure 100002_DEST_PATH_IMAGE066
与
Figure 100002_DEST_PATH_IMAGE068
分别表示
Figure 100002_DEST_PATH_IMAGE070
前后的位置；
Figure 100002_DEST_PATH_IMAGE072
与
Figure 100002_DEST_PATH_IMAGE074
分别表示
Figure 100002_DEST_PATH_IMAGE076
前后的位置。
（2）固相中的扩散方程
固相扩散的控制方程及边界条件如下：
Figure 100002_DEST_PATH_IMAGE078
（6）
Figure 100002_DEST_PATH_IMAGE080
（7）
Figure 100002_DEST_PATH_IMAGE082
（8）
其中，
Figure 100002_DEST_PATH_IMAGE084
为正负极活性颗粒内的固相锂离子浓度（
Figure 100002_DEST_PATH_IMAGE086
）；
Figure 100002_DEST_PATH_IMAGE088
为正负极活性颗粒的锂离子固相扩散系数（
Figure 100002_DEST_PATH_IMAGE090
）；
Figure 100002_DEST_PATH_IMAGE092
为正负极活性颗粒半径方向（
Figure 100002_DEST_PATH_IMAGE094
）；
Figure 100002_DEST_PATH_IMAGE096
表示沿半径方向的位置。
式（2）在球坐标系下描述了固相锂离子浓度随位置和时间的变化规律；式（3）的意义是在正负极活性颗粒的中心处，固相锂离子浓度在半径方向上的变化为0；式（4）的物理意义是活性颗粒表面处的锂离子流量与参加电化学反应的锂离子流量相同。
正负极活性颗粒的初始嵌锂率
Figure 100002_DEST_PATH_IMAGE098
，平均嵌锂率
Figure DEST_PATH_IMAGE100
，表面嵌锂率
Figure DEST_PATH_IMAGE102
定义如下：
Figure DEST_PATH_IMAGE104
（9）
式中，下标
Figure DEST_PATH_IMAGE106
表示初始值，上划线表示平均值，上标
Figure DEST_PATH_IMAGE108
表示最大值，
Figure DEST_PATH_IMAGE110
表示表面，
Figure DEST_PATH_IMAGE112
表示正极，
Figure DEST_PATH_IMAGE114
表示负极。
（3）液相欧姆定律
假设正负极的锂离子通量在垂直于电极厚度的方向均匀分布，可得到正负极的平均锂离子通量如下：
Figure DEST_PATH_IMAGE116
（10）
Figure DEST_PATH_IMAGE118
（11）
其中，
Figure DEST_PATH_IMAGE120
与
Figure DEST_PATH_IMAGE122
分别正负极活性颗粒比表面积（
Figure DEST_PATH_IMAGE124
），
Figure DEST_PATH_IMAGE126
为外电路电流，
Figure DEST_PATH_IMAGE128
为法拉第常数，
Figure DEST_PATH_IMAGE130
与
Figure DEST_PATH_IMAGE132
分别为正负极的极板厚度，
Figure DEST_PATH_IMAGE134
与
Figure DEST_PATH_IMAGE136
分别为正负极极板面积（
Figure DEST_PATH_IMAGE138
）。
浓差极化过电势由锂电池内部的液相欧姆定律求解。液相欧姆定律及其约束边界条件表示如下：
Figure DEST_PATH_IMAGE140
（12）
Figure DEST_PATH_IMAGE142
（13）
Figure DEST_PATH_IMAGE144
（14）
其中，
Figure DEST_PATH_IMAGE146
是液相有效电导率（
Figure DEST_PATH_IMAGE148
），
Figure DEST_PATH_IMAGE150
；
Figure DEST_PATH_IMAGE152
为液相电势（
Figure DEST_PATH_IMAGE154
）；
Figure DEST_PATH_IMAGE156
为摩尔气体常数（
Figure DEST_PATH_IMAGE158
）；
Figure DEST_PATH_IMAGE160
为法拉第常数（
Figure DEST_PATH_IMAGE162
）；
Figure DEST_PATH_IMAGE164
为电池温度（
Figure DEST_PATH_IMAGE166
）；
Figure DEST_PATH_IMAGE168
为液相电流密度（
Figure DEST_PATH_IMAGE170
）；
Figure DEST_PATH_IMAGE172
为沿电极厚度方向的距离（
Figure DEST_PATH_IMAGE174
）；
Figure DEST_PATH_IMAGE176
为锂离子液相转移系数。
（4）固相欧姆定律
锂电池内部固相电势的变化采用欧姆定律描述：
Figure DEST_PATH_IMAGE178
（15）
Figure DEST_PATH_IMAGE180
（16）
Figure DEST_PATH_IMAGE182
（17）
式中，
Figure DEST_PATH_IMAGE184
为固相有效扩散电导率；
Figure DEST_PATH_IMAGE186
为固相势能；
Figure DEST_PATH_IMAGE188
为固相电流密度；
Figure DEST_PATH_IMAGE190
为锂电池工作时的充放电电流密度。
（5）电荷守恒方程
根据电荷守恒定律，在电池内部的任意位置处的液相电流密度与固相电流密度之和为电池的充放电电池密度，即：
Figure DEST_PATH_IMAGE192
（18）
式中，
Figure DEST_PATH_IMAGE194
与
Figure DEST_PATH_IMAGE196
分别为液相电流密度与固相电流密度。
Figure DEST_PATH_IMAGE198
可由下式得到：
Figure DEST_PATH_IMAGE200
（19）
式中，
Figure DEST_PATH_IMAGE202
为外部电流大小；
Figure DEST_PATH_IMAGE204
为电极有效面积。活性颗粒表面锂离子流量与固相电流密度的之间关系可用法拉第定律描述：
Figure DEST_PATH_IMAGE206
（20）
式中，
Figure DEST_PATH_IMAGE208
，为锂离子电荷数；
Figure DEST_PATH_IMAGE210
为法拉第常数；
Figure DEST_PATH_IMAGE212
为
Figure DEST_PATH_IMAGE214
处的锂离子通量。
步骤1102，建立锂电池的热模型。
电池的产热率
Figure DEST_PATH_IMAGE216
（
Figure DEST_PATH_IMAGE218
）可分为极化热、欧姆热和反应热。其中反应热指的是熵变热，称为可逆热
Figure DEST_PATH_IMAGE220
（
Figure 862931DEST_PATH_IMAGE218
），在充电和放电过程中体现为吸热或放热；而极化热和欧姆热统称为不可逆热
Figure DEST_PATH_IMAGE222
（
Figure 285822DEST_PATH_IMAGE218
），在充电和放电过程中均体现为放热，满足如下关系式：
Figure DEST_PATH_IMAGE224
（21）
可逆热的计算公式为：
Figure DEST_PATH_IMAGE226
（22）
式中，
Figure DEST_PATH_IMAGE228
为熵系数（
Figure DEST_PATH_IMAGE230
）。
不可逆热的计算公式为：
Figure DEST_PATH_IMAGE232
（23）
图4为电径向集中质量热模型示意图，其中电极缠绕体产生热源
Figure 245512DEST_PATH_IMAGE216
（
Figure 208789DEST_PATH_IMAGE218
），在电池充放电过程中，电极缠绕体产生的热量可以扩散到外壳，通过热阻
Figure DEST_PATH_IMAGE234
（
Figure DEST_PATH_IMAGE236
）和电池外壳相连接彼此间进行热传递，电池外壳和环境之间通过热对流和热辐射两种方式也可以进行热传递。如图4所示，图中
Figure DEST_PATH_IMAGE238
位电极缠绕体的比热容（
Figure DEST_PATH_IMAGE240
），
Figure DEST_PATH_IMAGE242
位电池外壳的比热容（
Figure DEST_PATH_IMAGE244
），
Figure DEST_PATH_IMAGE246
为电池内部温度（
Figure DEST_PATH_IMAGE248
），
Figure DEST_PATH_IMAGE250
为电池表面温度（
Figure 597919DEST_PATH_IMAGE248
），
Figure DEST_PATH_IMAGE252
为环境温度（
Figure 863816DEST_PATH_IMAGE248
）。
由能量守恒定律可得电极缠绕体和电池外壳之间的导热微分方程：
Figure DEST_PATH_IMAGE254
（24）
Figure DEST_PATH_IMAGE256
（25）
式中，
Figure DEST_PATH_IMAGE258
为电极缠绕体向电池外壳的传热率（
Figure DEST_PATH_IMAGE260
）；
Figure DEST_PATH_IMAGE262
为电极缠绕体质量（
Figure DEST_PATH_IMAGE264
）。
电池外壳与环境之间的导热微分方程为：
Figure DEST_PATH_IMAGE266
（26）
Figure DEST_PATH_IMAGE268
（27）
式中，
Figure DEST_PATH_IMAGE270
为电池外壳质量（
Figure 137233DEST_PATH_IMAGE264
）；
Figure DEST_PATH_IMAGE272
为电池外壳向环境的传热率（
Figure DEST_PATH_IMAGE274
）；
Figure DEST_PATH_IMAGE276
为电池外壳与环境的换热系数（
Figure DEST_PATH_IMAGE278
）；
Figure DEST_PATH_IMAGE280
为电池外壳与环境的换热面积（
Figure DEST_PATH_IMAGE282
）；
Figure DEST_PATH_IMAGE284
为黑度；
Figure DEST_PATH_IMAGE286
为黑体辐射常数（
Figure DEST_PATH_IMAGE288
）。
对两个导热微分方程分别进行离散化，可得：
Figure DEST_PATH_IMAGE290
（28）
Figure DEST_PATH_IMAGE292
（29）
式中，下标
Figure DEST_PATH_IMAGE294
为时刻，
Figure DEST_PATH_IMAGE296
为相应两时刻间的时间间隔。
步骤1103，建立锂电池的电化学-热耦合模型。
图5为电化学模型与热模型耦合机理示意图，电化学模型与热模型的耦合方式如图5所示。将简化模型计算出电池产热率输入到热模型中。热模型则根据不同时刻的产热率及其产热、散热方式计算出相应时刻的电池的内部温度
Figure DEST_PATH_IMAGE298
和表面温度
Figure DEST_PATH_IMAGE300
。热模型将计算出的电池内部温度输入到电化学模型中，热耦合模型将按照各个电化学参数的更新方程，不断根据电池内部温度更新相应的电化学参数。
用热模型计算出来的温度更新充放电欧姆内阻、固相扩散系数、液相扩散系数、正负极电化学反应速率常数。 对开路电压
Figure DEST_PATH_IMAGE302
，采用能斯特方程的形式通过熵系数对
Figure 589686DEST_PATH_IMAGE302
进行随温度的实时更新，更新形式如下：
Figure DEST_PATH_IMAGE304
（30）
式中，
Figure DEST_PATH_IMAGE306
为参考温度下的开路电压（
Figure DEST_PATH_IMAGE308
）；
Figure DEST_PATH_IMAGE310
为参考温度（
Figure DEST_PATH_IMAGE312
）。对充电欧姆内阻
Figure DEST_PATH_IMAGE314
与放电欧姆内阻
Figure DEST_PATH_IMAGE316
，更新如下：
Figure DEST_PATH_IMAGE318
（31）
Figure DEST_PATH_IMAGE320
（32）
式中，
Figure DEST_PATH_IMAGE322
为充电内阻温度系数（
Figure DEST_PATH_IMAGE324
）；
Figure DEST_PATH_IMAGE326
为放电内阻温度系数（
Figure 380794DEST_PATH_IMAGE324
）；
Figure DEST_PATH_IMAGE328
为温度参考标准；
Figure DEST_PATH_IMAGE330
与
Figure DEST_PATH_IMAGE332
分别为参考温度下的充放电欧姆内阻。其他参数采用阿伦尼乌斯公式的形式随温度实时更新，形式如下：
Figure DEST_PATH_IMAGE334
（33）
式中，
Figure DEST_PATH_IMAGE336
为
Figure DEST_PATH_IMAGE338
温度下参数
Figure DEST_PATH_IMAGE340
的值；
Figure DEST_PATH_IMAGE342
为参考温度下参数
Figure 224116DEST_PATH_IMAGE340
的值；
Figure DEST_PATH_IMAGE344
为参数
Figure 789090DEST_PATH_IMAGE340
的指前因子。
步骤120，获取电池容量数据、电池外特性数据和电池内特性数据，电池内特性数据通过电化学-热耦合模型仿真获得。
该步骤主要是数据获取，具体的，获取电池内特征数据，以及电池外特性数据，比如电流、电压、温度等时序数据，在一个示例中，如图1所示，对电池内特征数据进行修正，具体为：将电池外特性数据与电池内特性数据进行对比，当误差超过阈值时，根据电池外特性数据对电池内特征数据进行修正。比如，当误差超过10%时。修正方法包括但不限于最小二乘法、粒子群法、遗传算法等参数辨识方法。此外，还需要在特定条件下，对电池进行充放电实验，获取电池容量数据，该电池容量数据实际为电池容量衰减曲线。
步骤130，基于电池内特性数据和电池外特性数据，获取多个第一间接健康指标。
该步骤也主要是数据获取，具体的，基于电池内特性数据和电池外特性数据，获取多个第一
Figure DEST_PATH_IMAGE346
，具体的，基于步骤110中建立的电化学-热耦合模型选择正负极液相扩散系数、正负极固相扩散系数、正负极嵌入/脱嵌反应速率等参数，并选取电池外特性参数如恒压充电过程中电流曲线的初始最大曲率、恒流充电过程中的最大温度、恒流充电过程中上升至最大温度的时间等参数作为
Figure 94169DEST_PATH_IMAGE346
。
步骤140，将电池容量数据和多个第一间接健康指标进行灰度关联分析，获取多个第二间接健康指标。
该步骤也主要数据后去，具体的，在一个示例中，在步骤130中共获取了
Figure DEST_PATH_IMAGE348
个第一
Figure 428198DEST_PATH_IMAGE346
，将该
Figure 301476DEST_PATH_IMAGE348
个第一
Figure 993227DEST_PATH_IMAGE346
作为比较序列，一条电池容量衰减曲线作为参考序列。
（1）将每个比较序列数据整理成为下面的矩阵形式：
Figure DEST_PATH_IMAGE350
（34）
其中，
Figure DEST_PATH_IMAGE352
为比较序列数组，
Figure DEST_PATH_IMAGE354
为比较序列数组每个等效循环次数下的对应元素，
Figure 39680DEST_PATH_IMAGE348
是比较序列的序号，
Figure DEST_PATH_IMAGE356
是每个比较序列中数据的序号；
（2）决定参考数据序列
Figure DEST_PATH_IMAGE358
：
Figure DEST_PATH_IMAGE360
（35）
（3）计算每个比较序列与参考序列的距离：
Figure DEST_PATH_IMAGE362
，其中
Figure DEST_PATH_IMAGE364
；
Figure DEST_PATH_IMAGE366
；
（4）决定最小误差与最大误差并分别记为
Figure DEST_PATH_IMAGE368
与
Figure DEST_PATH_IMAGE370
；
（5）计算相关系数：
Figure DEST_PATH_IMAGE372
（36）
其中，
Figure DEST_PATH_IMAGE374
；
Figure DEST_PATH_IMAGE376
为分辨系数，且通常取值为0.5；
（6）计算相关程度：
对于每个比较序列来说，对应参考序列的相关系数平均值计算如下式：
Figure DEST_PATH_IMAGE378
（37）
此结果反映了比较序列与参考序列的关联度。其值越接近1，相关性越强；
通过对
Figure 369161DEST_PATH_IMAGE348
个第一
Figure DEST_PATH_IMAGE380
的灰度关联分析，获得每个
Figure 787242DEST_PATH_IMAGE380
和电池容量数据之间的相关系数，即获得每个和电池容量衰减曲线之间的相关系数。若
Figure 592387DEST_PATH_IMAGE380
的相关系数大于阈值，表明它们与电池容量间有很强的相关性，可以用于预测电池的
Figure DEST_PATH_IMAGE382
与
Figure DEST_PATH_IMAGE384
。即，经过灰度关联分析后，将相关系数大于阈值的第一
Figure 114635DEST_PATH_IMAGE380
，作为第二
Figure 813470DEST_PATH_IMAGE380
，用于预测电池的
Figure 28551DEST_PATH_IMAGE382
与
Figure 55412DEST_PATH_IMAGE384
。优选地，阈值为0.9。
步骤150，将多个第二间接健康指标输入到预设模型中进行训练，当第一输出结果达到第一预设标准时，确认预设模型为健康度预测模型。
步骤160，将多个第二间接健康指标和第一输出结果作为输入数据，输入到预设模型中进行训练，当第二输出结果达到第二预设标准时，确认预设模型为剩余寿命预测模型。
步骤150和步骤160中的预设模型为高斯过程回归（
Figure DEST_PATH_IMAGE386
）模型。
下面，我们首先来介绍
Figure 646931DEST_PATH_IMAGE386
模型：
Figure 951004DEST_PATH_IMAGE386
模型是基于贝叶斯理论的无参数模型，其输出参量是不确定的。
Figure 336986DEST_PATH_IMAGE386
的核心是将多个随机变量组成的随机过程转换为高维度的联合正态分布。
典型的
Figure 382303DEST_PATH_IMAGE386
通常近似处理目标输出
Figure DEST_PATH_IMAGE388
，
Figure DEST_PATH_IMAGE390
是
Figure DEST_PATH_IMAGE392
维输入向量，输出方程
Figure DEST_PATH_IMAGE394
是概率分布：
Figure DEST_PATH_IMAGE396
（38）
其中，
Figure DEST_PATH_IMAGE398
为
Figure DEST_PATH_IMAGE400
的转置，
Figure DEST_PATH_IMAGE402
，
Figure DEST_PATH_IMAGE404
分别是均值方程与协方差方程。考虑在高斯预测模型中电池容量呈线性衰退，均值方程采用如式（39）所示线性方程。同时，选择如式（40）所示的平方指数协方差方程：
Figure DEST_PATH_IMAGE406
（39）
Figure DEST_PATH_IMAGE408
（40）
Figure DEST_PATH_IMAGE410
，
Figure DEST_PATH_IMAGE412
，
Figure DEST_PATH_IMAGE414
，
Figure DEST_PATH_IMAGE416
均为待拟合参数。
在许多实际场景中，观测输出可以表示为一个如式（41）的隐函数：
Figure DEST_PATH_IMAGE418
（41）
其中，
Figure DEST_PATH_IMAGE420
是观测向量
Figure DEST_PATH_IMAGE422
，
Figure DEST_PATH_IMAGE424
是高斯噪声。因此，观测的先验分布可以表示为：
Figure DEST_PATH_IMAGE426
（42）
其中，
Figure DEST_PATH_IMAGE428
是n维单位矩阵，
Figure DEST_PATH_IMAGE430
是噪声协方差矩阵，
Figure DEST_PATH_IMAGE432
是对称正定矩阵，表示为式（43）：
Figure DEST_PATH_IMAGE434
（43）
式中，
Figure DEST_PATH_IMAGE436
为矩阵
Figure DEST_PATH_IMAGE438
第
Figure DEST_PATH_IMAGE440
行
Figure DEST_PATH_IMAGE442
列的元素，两个变量
Figure DEST_PATH_IMAGE444
与
Figure DEST_PATH_IMAGE446
的相似性可以由式（43）确定。两个变量的相似性越高，
Figure DEST_PATH_IMAGE448
的值越大。根据推导过程，相应的值
Figure DEST_PATH_IMAGE450
可以通过负对数似然
Figure DEST_PATH_IMAGE452
优化得到：
Figure DEST_PATH_IMAGE454
（44）
式中，
Figure DEST_PATH_IMAGE456
为经过负对数似然
Figure 740296DEST_PATH_IMAGE452
优化得到的。
Figure 289089DEST_PATH_IMAGE452
可以表示如式（45）：
Figure DEST_PATH_IMAGE458
（45）
其中，
Figure DEST_PATH_IMAGE460
是矩阵转置，
Figure DEST_PATH_IMAGE462
是矩阵求逆，式（45）可以通过梯度下降法解得。梯度下降法的基本思想是通过计算对数似然方程的导数获得目标方程的最大值：
Figure DEST_PATH_IMAGE464
（46）
其中，
Figure DEST_PATH_IMAGE466
是设置超参数的元素。通过上述计算过程即可建立起
Figure DEST_PATH_IMAGE468
模型。接着，通过后验分布使用
Figure 659021DEST_PATH_IMAGE468
模型预测。由于高斯过程是随机过程，新输入数据集
Figure DEST_PATH_IMAGE470
符合训练集
Figure DEST_PATH_IMAGE472
的高斯分布。因此，观测值
Figure DEST_PATH_IMAGE474
与预测值
Figure DEST_PATH_IMAGE476
在预测点
Figure 253951DEST_PATH_IMAGE470
的联合先验分布可表示为：
Figure DEST_PATH_IMAGE478
（47）
考虑到
Figure DEST_PATH_IMAGE480
为高斯先验分布，后验分布可表示为式（48）：
Figure DEST_PATH_IMAGE482
（48）
其中，预测平均值
Figure DEST_PATH_IMAGE484
与预测协方差
Figure DEST_PATH_IMAGE486
为：
Figure DEST_PATH_IMAGE488
（49）
Figure DEST_PATH_IMAGE490
（50）
在此预测值取为测试集的预测值，协方差预测值反映
Figure DEST_PATH_IMAGE492
模型的不确定性。
结合图2，下面介绍预测模型训练过程：
基于
Figure 92331DEST_PATH_IMAGE492
，通过
Figure DEST_PATH_IMAGE494
预测
Figure DEST_PATH_IMAGE496
与
Figure DEST_PATH_IMAGE498
的过程分为以下7步：
（1）提取数据：提取电池容量数据集，提取所选取的
Figure DEST_PATH_IMAGE500
个
Figure DEST_PATH_IMAGE502
，并整理成
Figure DEST_PATH_IMAGE504
：
Figure DEST_PATH_IMAGE506
（51）
Figure DEST_PATH_IMAGE508
（52）
其中，
Figure DEST_PATH_IMAGE510
是对应等效循环次数
Figure DEST_PATH_IMAGE512
的容量值，
Figure DEST_PATH_IMAGE514
是第
Figure DEST_PATH_IMAGE516
个
Figure 105418DEST_PATH_IMAGE502
对应的第
Figure 98782DEST_PATH_IMAGE512
次等效循环次数的值，
Figure DEST_PATH_IMAGE518
；
（2）通过灰度关联分析选取关联度高的
Figure DEST_PATH_IMAGE520
个
Figure DEST_PATH_IMAGE522
并记为
Figure DEST_PATH_IMAGE524
；
（3）数据预处理，将电池容量数据转换为电池健康度数据，即转换为
Figure DEST_PATH_IMAGE526
形式：
Figure DEST_PATH_IMAGE528
（53）
对选择的
Figure 899116DEST_PATH_IMAGE520
个
Figure 495183DEST_PATH_IMAGE522
归一化处理：
Figure DEST_PATH_IMAGE530
（54）
（4）构建
Figure DEST_PATH_IMAGE532
预测模型的测试集与训练集
训练集表示为
Figure DEST_PATH_IMAGE534
，测试集表示为
Figure DEST_PATH_IMAGE536
，从预测开始位置的等效循环次数编号为
Figure DEST_PATH_IMAGE538
。
Figure DEST_PATH_IMAGE540
（55）
Figure DEST_PATH_IMAGE542
（56）
Figure DEST_PATH_IMAGE544
（57）
Figure DEST_PATH_IMAGE546
（58）
（5）对
Figure DEST_PATH_IMAGE548
模型进行训练，获得
Figure DEST_PATH_IMAGE550
预测模型
将训练集
Figure DEST_PATH_IMAGE552
放入
Figure 362776DEST_PATH_IMAGE548
模型训练，预测出的
Figure DEST_PATH_IMAGE554
可得到预测值
Figure DEST_PATH_IMAGE556
：
Figure DEST_PATH_IMAGE558
（59）
Figure DEST_PATH_IMAGE560
（60）
其中，
Figure DEST_PATH_IMAGE562
是
Figure 104205DEST_PATH_IMAGE550
预测的置信区间。
当输出结果处于
Figure 814672DEST_PATH_IMAGE550
预测的置信度区间时，训练结束，获
Figure 355374DEST_PATH_IMAGE550
得预测模型。
（6）构建
Figure DEST_PATH_IMAGE564
预测模型的训练集和测试集
训练集表示为
Figure DEST_PATH_IMAGE566
，测试集表示为
Figure DEST_PATH_IMAGE568
，从预测开始位置的等效循环次数编号为
Figure DEST_PATH_IMAGE570
。
Figure DEST_PATH_IMAGE572
（61）
Figure DEST_PATH_IMAGE574
（62）
Figure DEST_PATH_IMAGE576
（63）
Figure DEST_PATH_IMAGE578
（64）
其中，
Figure DEST_PATH_IMAGE580
是电池达到寿命阈值时的等效循环次数。
（7）对
Figure DEST_PATH_IMAGE582
模型进行训练，获得
Figure DEST_PATH_IMAGE584
预测模型
将训练集
Figure DEST_PATH_IMAGE586
放入
Figure 467687DEST_PATH_IMAGE582
模型训练，预测出的
Figure DEST_PATH_IMAGE588
可得到预测值
Figure DEST_PATH_IMAGE590
：
Figure DEST_PATH_IMAGE592
（65）
Figure DEST_PATH_IMAGE594
（66）
其中，
Figure DEST_PATH_IMAGE596
是
Figure DEST_PATH_IMAGE598
预测的置信区间。
当输出结果处于
Figure 848858DEST_PATH_IMAGE598
预测的置信度区间时，训练结束，获得
Figure 312201DEST_PATH_IMAGE598
预测模型。
本发明实施例提供的一种锂电池的健康度和剩余寿命预测模型的构建方法，建立锂电池的电化学-热耦合模型。获取电池容量数据、电池外特性数据和电池内特性数据，电池内特性数据通过电化学-热耦合模型仿真获得。基于电池内特性数据和电池外特性数据，获取多个第一间接健康指标。将电池容量数据和多个第一间接健康指标进行灰度关联分析，获取多个第二间接健康指标。将多个第二间接健康指标输入到预设模型中进行训练，当第一输出结果达到第一预设标准时，确认预设模型为健康度预测模型。将多个第二间接健康指标和第一输出结果作为输入数据，输入到预设模型中进行训练，当第二输出结果达到第二预设标准时，确认预设模型为剩余寿命预测模型。本发明提供的技术方案克服了电池间接健康指标与电池容量相关性较低的问题。
以上，为本发明提供的一种锂电池的健康度和剩余寿命预测模型构建方法实施例，下文中则介绍说明本发明提供的一种锂电池的健康度和剩余寿命预测模型的构建装置的实施例，具体参见如下。
图6为本发明实施例提供的一种锂电池的健康度和剩余寿命预测模型的构建装置结构示意图，该装置包括：构建模块1、第一获取模块2、第二获取模块3、第三获取模块4、健康度模块5和剩余寿命模块6。
构建模块1，用于建立锂电池的电化学-热耦合模型。
第一获取模块2，用于获取电池容量数据、电池外特性数据和电池内特性数据，电池内特性数据通过电化学-热耦合模型仿真获得。
第二获取模块3，用于基于电池内特性数据和电池外特性数据，获取多个第一间接健康指标。
第三获取模块4，用于将电池容量数据和多个第一间接健康指标进行灰度关联分析，获取多个第二间接健康指标。
健康度模块5，用于将多个第二间接健康指标输入到预设模型中进行训练，当第一输出结果达到第一预设标准时，确认预设模型为健康度预测模型；
剩余寿命模块6，用于将多个第二间接健康指标和第一输出结果作为输入数据，输入到预设模型中进行训练，当第二输出结果达到第二预设标准时，确认预设模型为剩余寿命预测模型。
在一个示例中，图7为本发明实施例提供的另一种锂电池的SOH和RUL预测模型的构建装置结构示意图，如图7所示，该装置还包括修正模块7，用于将电池外特性数据与电池内特性数据进行对比，当误差超过阈值时，根据电池外特性数据对电池内特性数据进行修正。
在另一个示例中，第三获取模块4，具体用于将电池容量数据和多个第一间接健康指标进行灰度关联分析，获得各个第一间接健康指标和电池容量数据之间的相关系数，当相关系数大于阈值时，确定第一间接健康指标为第二间接健康指标。
在又一个示例中图8为本发明实施例提供的又一种锂电池的SOH和RUL预测模型的构建装置结构示意图，该装置还包括归一化模块8，用于对多个第二间接健康指标进行归一化处理。
本发明实施例提供的一种锂电池的健康度和剩余寿命预测模型的构建装置中各部件所执行的功能均已在上述任一方法实施例中做了详细的描述，因此在此不再赘述。
本发明实施例提供的一种锂电池的健康度和剩余寿命预测模型构建装置，建立锂电池的电化学-热耦合模型。获取电池容量数据、电池外特性数据和电池内特性数据，电池内特性数据通过电化学-热耦合模型仿真获得。基于电池内特性数据和电池外特性数据，获取多个第一间接健康指标。将电池容量数据和多个第一间接健康指标进行灰度关联分析，获取多个第二间接健康指标。将多个第二间接健康指标输入到预设模型中进行训练，当第一输出结果达到第一预设标准时，确认预设模型为健康度预测模型。将多个第二间接健康指标和第一输出结果作为输入数据，输入到预设模型中进行训练，当第二输出结果达到第二预设标准时，确认预设模型为剩余寿命预测模型。通过该方式，克服了电池间接健康指标与电池容量相关性较低的问题。
如图9所示，本申请实施例提供了一种电子设备，包括处理器111、通信接口112、存储器113和通信总线114，其中，处理器111，通信接口112，存储器113通过通信总线114完成相互间的通信。
存储器113，用于存放计算机程序；
在本申请一个实施例中，处理器111，用于执行存储器113上所存放的程序时，实现前述任意一个方法实施例提供的一种锂电池的健康度和剩余寿命预测模型的构建方法的步骤。
本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如前述任意一个方法实施例提供的一种锂电池的健康度和剩余寿命预测模型的构建方法的步骤。
本发明提供的技术方案采用了数字孪生技术，具有计算能力强、适应度高的特点，实现电池的电化学-热耦合模型实时更新，以及基于构建的预测模型和预测模型在数据驱动下的与在线预测。利用本发明构建的预测模型和预测模型，可有效评价电池健康度与剩余寿命，为系统运维、充放电策略制定提供支持与参考，提升电池系统的可靠性、安全性与经济性。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.锂电池的健康度和剩余寿命预测模型的构建方法，其特征在于，所述方法包括：
建立锂电池的电化学-热耦合模型；
获取电池容量数据、电池外特性数据和电池内特性数据，所述电池内特性数据通过所述电化学-热耦合模型仿真获得；
基于所述电池内特性数据和所述电池外特性数据，获取多个第一间接健康指标；
将所述电池容量数据和多个所述第一间接健康指标进行灰度关联分析，获取多个第二间接健康指标；
将多个所述第二间接健康指标输入到预设模型中进行训练，当第一输出结果达到第一预设标准时，确认所述预设模型为健康度预测模型；
将多个所述第二间接健康指标和所述第一输出结果作为输入数据，输入到预设模型中进行训练，当第二输出结果达到第二预设标准时，确认所述预设模型为剩余寿命预测模型；
所述建立锂电池的电化学-热耦合模型包括：
建立锂电池的电化学模型和锂电池的热模型；
所述电化学模型和所述热模型，通过如下方式进行耦合：
所述热模型将电池内部温度输入到所述电化学模型中，用以更新相应的电化学参数：
开路电压
Figure DEST_PATH_IMAGE002
，通过如下公式进行更新：
Figure DEST_PATH_IMAGE004
其中，
Figure DEST_PATH_IMAGE006
为参考温度下的开路电压
Figure DEST_PATH_IMAGE008
；
Figure DEST_PATH_IMAGE010
为参考温度
Figure DEST_PATH_IMAGE012
，
Figure DEST_PATH_IMAGE014
为电池的内部温度，
Figure DEST_PATH_IMAGE016
为电池的表面温度；
对充电欧姆内阻
Figure DEST_PATH_IMAGE018
与放电欧姆内阻
Figure DEST_PATH_IMAGE020
，通过如下公式进行更新：
Figure DEST_PATH_IMAGE022
Figure DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE026
为充电内阻温度系数
Figure DEST_PATH_IMAGE028
；
Figure DEST_PATH_IMAGE030
为放电内阻温度系数
Figure DEST_PATH_IMAGE032
；
Figure DEST_PATH_IMAGE034
为温度参考标准；
Figure DEST_PATH_IMAGE036
与
Figure DEST_PATH_IMAGE038
分别为参考温度下的充放电欧姆内阻；
其他电化学参数通过如下方式进行更新：
Figure DEST_PATH_IMAGE040
其中，
Figure DEST_PATH_IMAGE042
为
Figure DEST_PATH_IMAGE044
温度下参数
Figure DEST_PATH_IMAGE046
的值，
Figure DEST_PATH_IMAGE048
为参考温度下参数
Figure 439190DEST_PATH_IMAGE046
的值；为参数
Figure 153068DEST_PATH_IMAGE046
的指前因子；
所述将所述电池容量数据和多个所述第一间接健康指标进行灰度关联分析，获取多个第二间接健康指标，具体为：
将所述电池容量数据和多个所述第一间接健康指标进行灰度关联分析，获得各个所述第一间接健康指标和所述电池容量数据之间的相关系数，当相关系数大于阈值时，确定所述第一间接健康指标为第二间接健康指标。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述电池外特性数据与所述电池内特性数据进行对比，当误差超过阈值时，根据所述电池外特性数据对所述电池内特性数据进行修正。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对多个所述第二间接健康指标进行归一化处理。
4.锂电池的健康度和剩余寿命预测模型的构建装置，其特征在于，所述装置包括：
构建模块，用于建立锂电池的电化学-热耦合模型；
第一获取模块，用于获取电池容量数据、电池外特性数据和电池内特性数据，所述电池内特性数据通过所述电化学-热耦合模型仿真获得；
第二获取模块，用于基于所述电池内特性数据和所述电池外特性数据，获取多个第一间接健康指标；
第三获取模块，用于将所述电池容量数据和多个所述第一间接健康指标进行灰度关联分析，获取多个第二间接健康指标；
健康度模块，用于将多个所述第二间接健康指标输入到预设模型中进行训练，当第一输出结果达到第一预设标准时，确认所述预设模型为健康度预测模型；
剩余寿命模块，用于将多个所述第二间接健康指标和所述第一输出结果作为输入数据，输入到预设模型中进行训练，当第二输出结果达到第二预设标准时，确认所述预设模型为剩余寿命预测模型；
所述构建模块具体用于：
建立锂电池的电化学模型和锂电池的热模型；
所述电化学模型和所述热模型，通过如下方式进行耦合：
所述热模型将电池内部温度输入到所述电化学模型中，用以更新相应的电化学参数：
开路电压
Figure DEST_PATH_IMAGE050
，通过如下公式进行更新
Figure DEST_PATH_IMAGE052
其中，
Figure DEST_PATH_IMAGE054
为参考温度下的开路电压
Figure DEST_PATH_IMAGE056
；
Figure DEST_PATH_IMAGE058
为参考温度
Figure DEST_PATH_IMAGE060
，
Figure DEST_PATH_IMAGE062
为电池的内部温度，
Figure DEST_PATH_IMAGE064
为电池的表面温度；
对充电欧姆内阻
Figure DEST_PATH_IMAGE066
与放电欧姆内阻
Figure DEST_PATH_IMAGE068
，通过如下公式进行更新：
Figure DEST_PATH_IMAGE070
Figure DEST_PATH_IMAGE072
其中，
Figure DEST_PATH_IMAGE074
为充电内阻温度系数
Figure DEST_PATH_IMAGE076
；
Figure DEST_PATH_IMAGE078
为放电内阻温度系数
Figure DEST_PATH_IMAGE080
；
Figure DEST_PATH_IMAGE082
为温度参考标准；
Figure DEST_PATH_IMAGE084
与
Figure DEST_PATH_IMAGE086
分别为参考温度下的充放电欧姆内阻；
其他电化学通过如下方式进行更新：
Figure DEST_PATH_IMAGE088
其中，
Figure DEST_PATH_IMAGE090
为
Figure DEST_PATH_IMAGE092
温度下参数
Figure DEST_PATH_IMAGE094
的值，
Figure DEST_PATH_IMAGE096
为参考温度下参数
Figure 493657DEST_PATH_IMAGE094
的值；
Figure DEST_PATH_IMAGE098
为参数
Figure 29812DEST_PATH_IMAGE094
的指前因子；
所述第三获取模块具体用于：
将所述电池容量数据和多个所述第一间接健康指标进行灰度关联分析，获得各个所述第一间接健康指标和所述电池容量数据之间的相关系数，当相关系数大于阈值时，确定所述第一间接健康指标为第二间接健康指标。
5.根据权利要求4所述的装置，其特征在于，所述装置还包括：
修正模块，用于将所述电池外特性数据与所述电池内特性数据进行对比，当误差超过阈值时，根据所述电池外特性数据对所述电池内特性数据进行修正。
6.根据权利要求4所述的装置，其特征在于，所述装置还包括：
归一化模块，用于对多个所述第二间接健康指标进行归一化处理。
7.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现如权利要求1-3任一项所述的锂电池的健康度和剩余寿命预测模型的构建方法的步骤。
8.一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1-3任一项所述的锂电池的健康度和剩余寿命预测模型的构建方法的步骤。
CN202210902971.XA 2022-07-29 2022-07-29 锂电池的健康度和剩余寿命预测模型的构建方法及装置 Active CN114970376B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210902971.XA CN114970376B (zh) 2022-07-29 2022-07-29 锂电池的健康度和剩余寿命预测模型的构建方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210902971.XA CN114970376B (zh) 2022-07-29 2022-07-29 锂电池的健康度和剩余寿命预测模型的构建方法及装置

Publications (2)

Publication Number Publication Date
CN114970376A CN114970376A (zh) 2022-08-30
CN114970376B true CN114970376B (zh) 2022-10-25

Family

ID=82969543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210902971.XA Active CN114970376B (zh) 2022-07-29 2022-07-29 锂电池的健康度和剩余寿命预测模型的构建方法及装置

Country Status (1)

Country Link
CN (1) CN114970376B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116027199B (zh) * 2022-12-08 2023-09-29 帕诺(常熟)新能源科技有限公司 基于电化学模型参数辨识检测电芯全寿命内短路的方法
CN116298930B (zh) * 2023-05-11 2023-09-05 苏州清研精准汽车科技有限公司 电池包健康度的测量方法、装置及服务器
CN116736142B (zh) * 2023-08-14 2023-10-24 新誉集团有限公司 一种电池组健康状况预警的方法、系统及装置
CN116990692B (zh) * 2023-09-28 2023-12-08 深圳康普盾科技股份有限公司 一种锂电池的健康状况评估与剩余寿命预测方法及系统
CN117150275B (zh) * 2023-11-01 2024-04-09 宁德时代新能源科技股份有限公司 机器学习模型构建方法、电池健康度预测方法以及装置
CN117805656B (zh) * 2024-01-08 2024-08-06 杭州科工电子科技股份有限公司 电池包健康度的测量方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110568374A (zh) * 2019-09-02 2019-12-13 东北电力大学 基于考虑内外特性的锂离子电池剩余使用寿命预测方法
CN114545275A (zh) * 2022-01-27 2022-05-27 湖州学院 一种锂离子电池剩余使用寿命间接预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220187798A1 (en) * 2020-12-15 2022-06-16 University Of Cincinnati Monitoring system for estimating useful life of a machine component

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110568374A (zh) * 2019-09-02 2019-12-13 东北电力大学 基于考虑内外特性的锂离子电池剩余使用寿命预测方法
CN114545275A (zh) * 2022-01-27 2022-05-27 湖州学院 一种锂离子电池剩余使用寿命间接预测方法

Also Published As

Publication number Publication date
CN114970376A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN114970376B (zh) 锂电池的健康度和剩余寿命预测模型的构建方法及装置
CN107066722B (zh) 一种基于电化学模型的动力电池系统荷电状态和健康状态的联合估计方法
Zhang et al. Multi-objective optimization of lithium-ion battery model using genetic algorithm approach
CN113009349B (zh) 一种基于深度学习模型的锂离子电池健康状态诊断方法
CN115632179B (zh) 一种锂离子电池智能快速充电方法及系统
KR20180057266A (ko) 배터리 상태 추정 방법 및 장치
CN109946622B (zh) 一种锂离子电池的锂沉积预测方法和装置
CN109738806B (zh) 模拟电池产热率的方法、装置、介质
CN116609686B (zh) 一种基于云平台大数据的电芯一致性评估方法
CN114280490B (zh) 一种锂离子电池荷电状态估计方法及系统
Chen et al. State of health estimation of lithium-ion batteries based on equivalent circuit model and data-driven method
CN116577686B (zh) 一种基于局部阶段充电数据的多工况soh估计方法和系统
Wang et al. System identification and state estimation of a reduced-order electrochemical model for lithium-ion batteries
CN113962154A (zh) 一种基于迁移学习的锂电池核温评估方法及系统
Meng et al. A power model considering initial battery state for remaining useful life prediction of lithium-ion batteries
Cui et al. Order reduction electrochemical mechanism model of lithium-ion battery based on variable parameters
Bobobee et al. Improved particle swarm optimization–long short-term memory model with temperature compensation ability for the accurate state of charge estimation of lithium-ion batteries
Xu et al. Temperature field prediction of lithium-ion batteries using improved local tangent space alignment
Feng et al. High precision state of health estimation of lithium-ion batteries based on strong correlation aging feature extraction and improved hybrid kernel function least squares support vector regression machine model
Jokar et al. An on-line electrochemical parameter estimation study of lithium-ion batteries using neural networks
Zhang et al. Capacity fading knee-point recognition method and life prediction for lithium-ion batteries using segmented capacity degradation model
Lv et al. Analysis of strategies to maximize the cycle life of lithium-ion batteries based on aging trajectory prediction
Li et al. Battery remaining useful life prediction using improved mutated particle filter
CN116774045A (zh) 一种基于hho-svr的锂电池健康状态预测方法
CN116679208A (zh) 一种锂电池剩余寿命估算方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant