CN118376945A - 基于温度预测的锂电池soh估计方法及系统 - Google Patents

Abstract

本发明涉及电池SOH估计技术领域，公开了基于温度预测的锂电池SOH估计方法及系统，确定锂电池性能评价指标，确定每个温度区间影响程度最高的子参数，确定子参数制定优化策略；构建SOH估计模型；将锂电池参数、影响程度最高的子参数、子参数的优化策略作为SOH估计模型的训练集，对SOH估计模型进行训练，获得训练完毕的SOH估计模型；将待估计的锂电池参数输入至训练完毕的SOH估计模型对SOH进行估计；模型能够更全面地考虑锂电池在不同温度条件下的性能变化，从而提高SOH估计的准确性。

Description

基于温度预测的锂电池SOH估计方法及系统

技术领域

本发明涉及电池SOH估计技术领域，尤其涉及基于温度预测的锂电池SOH估计方法及系统。

背景技术

SOH作为电池寿命和健康预测的重要指标，其高精度的估计对于避免电池出现潜在故障，确保电池运行安全，以及延长电池寿命具有重要意义。

SOH估计是一个时间序列预测问题，常见的方法主要包括直接测量的方法、基于模型的方法和数据驱动的方法。直接测量的方法对操作条件要求严格，仅适用于实验室离线工作。基于模型的方法的准确性高度依赖于所建立的电池模型。然而，由于锂电池的非线性和时变特性，很难建立一个可靠的模型来全面描述各种任务中的老化动态行为。近年来，由于不需要考虑电池老化过程中复杂的物理化学反应，数据驱动的方法在SOH估算中受到了广泛的关注。但是传统的数据驱动的方法比如：高斯回归、支持向量机以及人工神经网络不能解决时序问题，因而催生了循环神经网络的产生和发展。GRU神经网络由于具有简单的结构和优秀的时间序列处理能力成为了解决时间序列问题的首选方法。

经检索，授权公告号为CN113820604B的专利，公开了一种基于温度预测的锂电池SOH估计方法，利用基于ELM的温度预测模型预测温度曲线，从温度曲线上提取相关的健康因子，利用健康因子训练SOH估计模型实现SOH估计，虽然能够很好的解决了传统方法中对于健康因子提取的不足，可见，温度是影响电池寿命和健康的主要因素，具体地，高温会使得电池容量暂时增加加速电池老化、电池内部不稳定反应导致充放电效率提高，加速电池老化，低温会降低锂离子活性容量减小、电池内部化学反应速率降低，充放电效率显著降低，加速电池老化；电池在不同温度下所受的影响程度不同，获取的参数并不是完全相同，若仍采用现有方式进行SOH估计，将所有参数对电池寿命和健康状态的影响视为一致的，这样无法分析出电池寿命或健康状态出现问题的主要原因所在，进而无法更加准确得到更加精准的估计结果。

因此，亟需基于温度预测的锂电池SOH估计方法及系统，以实现锂电池SOH值的精准估计。

发明内容

为了解决上述技术问题，本发明提供了基于温度预测的锂电池SOH估计方法及系统，以实现锂电池SOH值的精准估计。

本发明提供了基于温度预测的锂电池SOH估计方法，包括：

步骤S1，确定锂电池性能评价指标，并获取锂电池原始数据集；

步骤S2，根据锂电池原始数据集获取温度预测曲线，根据温度预测曲线提取健康因子；

步骤S3，对温度预测曲线的温度预测值进行梯度分组，得到若干个温度区间；

步骤S4，基于锂电池性能评价指标确定每个温度区间影响程度最高的子参数；

步骤S5，根据步骤S4确定的子参数制定优化策略；

步骤S6，构建SOH估计模型；

步骤S7，将温度预测曲线、健康因子、每个温度区间的锂电池参数、每个温度区间影响程度最高的子参数、每个温度区间子参数的优化策略作为SOH估计模型的训练集，对SOH估计模型进行训练，获得训练完毕的SOH估计模型；

步骤S8，将待估计的锂电池参数输入至训练完毕的SOH估计模型对SOH进行估计。

进一步地，所述若干个温度区间包括低温区间、中等温度区间和高温区间。

进一步地，所述基于锂电池性能评价指标确定每个温度区间影响程度最高的子参数，具体包括以下步骤：

步骤S41，获取每个温度区间的锂电池参数以及实时数据；

步骤S42，根据每个温度区间的锂电池参数以及实时数据，获取每个温度区间的温度变化量以及每个锂电池参数的实时数据变化量；

步骤S43，根据每个温度区间的温度变化量以及每个锂电池参数的实时数据变化量，确定每个锂电池参数对锂电池性能评价指标的影响指数，根据影响指数确定关键参数；

步骤S44，根据每个锂电池参数对锂电池性能评价指标的影响指数，确定每个锂电池参数的权重值；

步骤S45，根据每个锂电池参数的权重值以及实时数据确定综合影响指数；

步骤S46，将每个温度区间的锂电池参数按照综合影响指数由大到小进行排列，确定综合影响指数最大的锂电池参数为当前温度区间影响程度最高的子参数。

进一步地，低温区间、中等温度区间和高温区间的所述关键参数是不同的。

进一步地，所述每个锂电池参数对锂电池性能评价指标的影响指数的计算公式为：

；

式中，代表第j个锂电池参数对锂电池性能评价指标的影响指数，代表第j个锂电池参数的实时数据变化量，代表锂电池参数对应的温度变化量。

进一步地，所述每个锂电池参数的权重值的计算公式为：

；

式中，代表第j个锂电池参数的权重值，代表第j个锂电池参数对锂电池性能评价指标的影响指数，代表从第一个锂电池参数对锂电池性能评价指标的影响指数到第n个锂电池参数对锂电池性能评价指标的影响指数。

进一步地，所述综合影响指数的计算公式为：

；

式中，代表第j个锂电池参数的综合影响指数，代表第j个锂电池参数对锂电池性能评价指标的影响指数，代表第j个锂电池参数的权重值。

本发明还公开了基于温度预测的锂电池SOH估计系统，用于执行上述所述的基于温度预测的锂电池SOH估计方法，包括以下模块：

获取模块：用于确定锂电池性能评价指标，并获取锂电池原始数据集；

温度预测曲线以及健康因子获取模块：与获取模块连接，用于根据锂电池原始数据集获取温度预测曲线，根据温度预测曲线提取健康因子；

梯度分组模块：与温度预测曲线以及健康因子获取模块连接，用于对温度预测曲线的温度预测值进行梯度分组，得到若干个温度区间；

子参数获取模块：与梯度分组模块连接，用于基于锂电池性能评价指标确定每个温度区间影响程度最高的子参数；

优化策略制定模块：与子参数获取模块连接，用于为子参数制定优化策略；

SOH估计模型：用于对锂电池的SOH进行估计；

训练模块：与SOH估计模型连接，用于对SOH估计模型进行训练，获得训练完毕的SOH估计模型；

SOH估计模块：与训练模块连接，用于将待估计的锂电池参数输入至训练完毕的SOH估计模型对SOH进行估计。

本发明具有以下有益效果：

1、本发明在获取温度预测曲线和健康因子的基础上，对温度进行梯度分组并获取影响程度最高的子参数，针对子参数制定优化策略，将温度预测曲线、健康因子、每个温度区间的锂电池参数、每个温度区间影响程度最高的子参数、每个温度区间子参数的优化策略作为SOH估计模型的训练集，对SOH估计模型进行训练，模型能够更全面地考虑锂电池在不同温度条件下的性能变化，从而提高SOH估计的准确性。

2、本发明基于电池性能评价指标确定关键参数，并为关键参数赋予权重值，根据参数的影响程度进行量化评估，根据权重值计算参数的综合影响指数找到影响程度最高的子参数，能够准确的找出对电池性能评价指标最显著的子参数，从而分析出SOH出现问题的原因，避免主观判断带来的误差，同时提高子参数选取精度。

3、本发明的模型能优先关注子参数，并基于子参数制定优化策略，将有限的资源投入到提升延长电池使用寿命的方面，使得子参数能够得到有效控制，应用优化策略并运用在SOH估计过程，提高SOH估计精度，从而延长电池的使用寿命。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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它的附图。

图1是本发明实施例提供的基于温度预测的锂电池SOH估计方法的流程图；

图2是本发明实施例提供的基于温度预测的锂电池SOH估计方法与现有技术SOH估计的对比图；

图3是本发明实施例提供的基于温度预测的锂电池SOH估计系统的结构图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例仅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的前提下所得到的所有其它实施例，都属于本发明所保护的范围。

图1是本发明实施例提供的基于温度预测的锂电池SOH估计方法的流程图。具体包括：

步骤S1，确定锂电池性能评价指标，并获取锂电池原始数据集；

由于本实施例最终获取SOH值，SOH作为电池寿命和健康状态的重要指标，对此，本实施例将锂电池性能评价指标确定为电池使用寿命。

本实施例采用8个额定容量为740mAh的电池作为测试的锂电池。对锂电池循环充放电测试，直到锂电池的放电容量低于标称容量的80%，并实时记录锂电池充放电过程中的充放电数据，从充放电数据中提取锂电池的充放电数据构成原始数据集，其中，充放电数据包括时间、电流、电压和温度数据。

步骤S2，根据锂电池原始数据集获取温度预测曲线，根据温度预测曲线提取健康因子；

温度预测曲线是通过ELM温度预测模型进行预测得到的，ELM温度预测模型通过锂电池原始数据集训练得到的。利用算法对温度预测曲线进行平滑处理后，从平滑后的温度预测曲线上提取健康因子，健康因子包括温差曲线波峰波谷的高度、电压、时间。

步骤S3，对温度预测曲线的温度预测值进行梯度分组，得到若干个温度区间；

在电池完全充放电工况下，影响电池使用寿命的因素主要为电池容量损失速率，主要包括电池的工作温度与充放电速率这两方面，锂电池的正常工作温度一般会控制在-10℃-50℃之间，过低或过高的使用温度都有可能造成锂电池的非正常损坏，即使在正常工作温度范围内，工作温度的变化也会对电池的容量损失速率造成较大的影响，为此，本实施例对温度预测曲线的温度预测值进行梯度分组，分别对每个分组的锂电池参数进行分析，力求找出对锂电池使用寿命具有直接影响的参数。

进一步地，将-10℃-50℃的温度区间划分为低温区间、中等温度区间和高温区间，所述低温区间的温度范围为-10℃-0℃，所述中等温度区间的温度范围为0℃-40℃，所述高温区间的温度范围为40℃-50℃。

本实施例温度区间的划分准则是基于锂电池的物理特性和实际工作环境考虑的，有助于精确评估温度对电池性能和使用寿命的影响。

步骤S4，基于锂电池性能评价指标确定每个温度区间影响程度最高的子参数；

不同温度区间内所获取的参数存在相同、相近、不同的现象，但参数对电池使用寿命的影响程度会因温度的变化而有所不同，主要由于电池性能随着温度变化而发生显著变化。具体地，每个参数在某个温度范围内对电池的运行、性能或稳定性具有不同的影响。在某些温度区间内，某些参数起着决定性的作用，而在其他温度区间内，这些参数会变得相对次要，而另一些原本次要的参数就会变得尤为重要。

示例性地，锂电池中的电化学反应速率受温度影响很大；在较高或较低的温度下，电池的充放电性能会发生变化，影响SOH的估计；温度会影响电池内部的化学反应和物理结构，从而改变电池的内阻。在不同温度下，内阻的变化对SOH的影响程度不同；锂电池的老化机制，如电极材料的退化、电解液的分解等，在不同温度下表现出不同的特点，导致某些参数在某些温度区间内更重要。以上示例只是对“电池性能随着温度变化而发生显著变化”进行举例，而并非上述参数为影响程度最大的参数。

因此，在不同的温度区间下，本实施例需要根据电池的实际表现和需求来评估和调整参数的重要程度，从而确保电池能够在各种温度条件下都能保持最佳的运行状态，以准确估计出SOH，子参数的具体选取过程为：

步骤S41，获取每个温度区间的锂电池参数以及实时数据；

每个温度区间的锂电池参数包括充放电电流、开路电压、温度、电解液电导率、内阻、电解液粘度、电池容量、功率、自放电率，并采集每个温度区间的上述参数的实时数据。

步骤S42，根据每个温度区间的锂电池参数以及实时数据，获取每个温度区间的温度变化量以及每个锂电池参数的实时数据变化量；

步骤S43，根据每个温度区间的温度变化量以及每个锂电池参数的实时数据变化量，确定每个锂电池参数对锂电池性能评价指标的影响指数，根据影响指数确定关键参数；低温区间、中等温度区间和高温区间的所述关键参数是不同的。

将每个温度区间的每个锂电池参数对锂电池使用寿命的影响程度进行分析，进而能够确定哪些锂电池参数对锂电池使用寿命的影响程度或重要性高，从而确定影响锂电池使用寿命的关键参数。

每个锂电池参数对锂电池性能评价指标的影响指数，采用以下公式计算得到：

；

式中，代表第j个锂电池参数对锂电池性能评价指标的影响指数，代表第j个锂电池参数的实时数据变化量，代表锂电池参数对应的温度变化量。

本实施例中每个温度区间的锂电池参数均通过上述公式计算得到影响指数数值，并将所有影响指数数值由大到小排列，将影响指数数值最大的锂电池参数作为影响锂电池使用寿命的关键参数。

示例性地，低温区间，可以获取到的锂电池参数有：温度、内阻、电解液粘液、开路电压、充放电效率，本实施例低温区间的锂电池参数通过公式计算，得到关键参数为内阻和电解液粘度，低温条件下，电解液粘度增加变得粘稠，离子迁移速率降低，直接导致电池电阻增加，在充放电过程中有更大的能力损失，电池的输出电压降低，从而影响电池的性能和续航里程，由此可以判断，内阻和电解液粘度对于锂电池使用寿命是重要程度最高的参数，内阻和电解液粘度的改变会直接影响锂电池使用寿命，如果内阻和电解液粘度得不到有效管理，它们的变化将直接缩短锂电池的使用寿命。因此，控制这两个参数在低温条件下的性能对于延长电池寿命至关重要。

示例性地，中等温度区间，可以获取到的锂电池参数有：开路电压、充放电电流、内阻、电解液电导率、温度、自放电率，本实施例中等温度区间的锂电池参数通过公式计算，得到关键参数为充放电电流，较大的充放电电流使得电池内部产生更多的焦耳热，电池温度升高，加速电池老化，同时，电池内部的电化学反应必需要在更短的时间内完成，导致电极表面的电化学反应速率跟不上电流的需求，从而产生电池极化，持续的电池极化会加速电池老化过程，缩短电池使用寿命；由此可以判断，充放电电流对于锂电池使用寿命是重要程度最高的参数，过高的充放电电流会直接影响锂电池使用寿命，如果过高的充放电电流得不到有效管理，它们的变化将直接缩短锂电池的使用寿命。因此，控制充放电电流在合理条件下的性能对于延长电池寿命至关重要。

示例性地，高温区间，可以获取到的锂电池参数有：温度、内阻、开路电压、充放电电流、电解液电导率、自放电率、本实施例高温区间的锂电池参数通过公式计算，得到关键参数为温度，其中0℃-20℃之间的温度属于电池正常工作温度范围，当锂电池温度超出正常工作温度范围时，过高的温度不仅会加速电池内部的化学反应速率，加速充放电过程的电化学反应，从而加速老化，而且高温也是热失控风险的主要因素，温度升高引起连锁反应，引发危险事故，由此可以判断，温度对于锂电池使用寿命是最重要的参数，过高的温度会缩短电池的使用寿命，如果温度得不到有效管理，将直接缩短电池的使用寿命。因此，将温度控制在合适范围内对延长电池寿命至关重要。

电池性能和衰退机制在不同温度下差异显著，因此，通过针对每个温度区间提取关键参数，能够更精准反映锂电池在所属温度区间下的实际性能状态，能够捕捉到不同温度下电池衰退的细微差别，从而提高SOH估计的精度。

优选地，本实施例的三个温度区间所选的关键参数均是不同的，能够精准识别出导致电池使用寿命缩短的参数，更准确地估计电池的健康状态（SOH）。这种精确性对于预测电池剩余寿命、评估电池性能衰减程度至关重要。由于温度区间的温度是可知的，针对三个不同的温度区间选择了各自独特的关键参数，温度区间的设置是可调的，更精确地监测和分析电池在不同温度下的性能状态和衰退情况，为后SOH估计做好预防工作，以提高估计精度。

步骤S44，根据每个锂电池参数对锂电池性能评价指标的影响指数，确定每个锂电池参数的权重值；

虽然已经确定出每个温度区间的关键参数，电池使用寿命受到三个温度区间的多个参数的共同影响，且实验数据会存在不确定性或变异性。对此，本实施例为参数赋予权重值，权重值反映了当前参数对电池使用寿命的相对影响程度，估计电池使用寿命过程中纳入权重值，提高了估计精度。

每个锂电池参数的权重值的计算公式为：

；

式中，代表第j个锂电池参数的权重值，代表第j个锂电池参数对锂电池性能评价指标的影响指数，代表从第一个锂电池参数对锂电池性能评价指标的影响指数到第n个锂电池参数对锂电池性能评价指标的影响指数。

本实施例通过上述公式计算每个参数的权重值，其中关键参数被赋予较大的权重值，其他参数被赋予较小的权重值，增大关键参数对电池使用寿命的影响程度，缩小其他参数对电池使用寿命的影响程度，能够快速捕捉到电池性能衰退的主要影响，减少其他参数对SOH估计结果的干扰。

步骤S45，根据每个锂电池参数的权重值以及实时数据确定综合影响指数；

所述综合影响指数的计算公式为：

；

式中，代表第j个锂电池参数的综合影响指数，代表第j个锂电池参数的权重值，代表第j个锂电池参数对锂电池性能评价指标的影响指数。

步骤S46，将每个温度区间的锂电池参数按照综合影响指数由大到小进行排列，确定综合影响指数最大的锂电池参数为当前温度区间影响程度最高的子参数。

通过精确计算每个参数的影响指数，并结合权重值进行综合考虑，能够准确识别出对电池使用寿命影响最大的参数。

影响程度最高的子参数通过最大综合影响指数来确定，具体地，，n个锂电池参数中第j个参数的最大，则参数j为影响程度最高的子参数。

步骤S5，根据步骤S4确定的子参数制定优化策略；

通过确定影响程度最大的子参数，优先关注这些参数，为子参数制定优化策略，将有限的资源投入到提升延长电池使用寿命的方面，使得子参数能够得到有效控制，应用优化策略并运用在SOH估计过程，提高SOH估计精度，从而延长电池的使用寿命。

低温区间，内阻和电解液粘度对于锂电池使用寿命是重要程度最高的参数，本实施例通过增加充电电流和使用外部加热器来提高电池温度，从而改进电池性能；中等温度区间，充放电电流对于锂电池使用寿命是重要程度最高的参数，通过恒流充电和恒压充电策略、动态电流调整策略、结合有效热管理措施进行优化；高温区间，温度对于锂电池使用寿命是最重要的参数，通过增强热管理、根据温度阈值减少充放电电流、热失控预防等策略进行优化。

步骤S6，构建SOH估计模型；

SOH估计模型可以是基于GRU神经网络的SOH估计模型，建立的基于GRU神经网络的SOH估计模型的超参数包括隐藏层数、隐藏层节点数、批处理个数、丢失率、训练代数epoch，且所述的隐藏层数、隐藏层节点数、批处理个数、丢失率、训练代数epoch的确定值分别为2，60，32，0.4，100。

SOH估计模型实质上是对锂电池的健康状态或使用寿命进行预测。

步骤S7，将温度预测曲线、健康因子、每个温度区间的锂电池参数、每个温度区间影响程度最高的子参数、每个温度区间子参数的优化策略作为SOH估计模型的训练集，对SOH估计模型进行训练，获得训练完毕的SOH估计模型；

本实施例将优化策略作为训练数据之一，训练过程中，模型除了学习如何根据子参数来预测电池使用寿命之外，模型还会考虑到采用优化策略时子参数如何变化，以及子参数变化后如何对SOH影响；具体地，模型不仅学习没有采取任何优化措施的情况下，电池子参数与SOH之间的关系，还学习在应用了特定的优化策略后，电池子参数与SOH之间的关系如何改变；这样，模型能够预测在实际使用中，通过实施这些优化策略，能够预测到未来电池使用寿命。

示例性地，低温区间电池的优化策略为：通过增加充电电流和使用外部加热器来提高电池温度，模型需要学习在这种优化策略下电池性能的变化，并将这种变化纳入SOH的预测中，模型能理解并预测优化策略对SOH的积极影响。

本实施例的改进通过增加每个温度区间的锂电池参数、每个温度区间影响程度最高的子参数以及每个温度区间子参数的优化策略进行训练，不仅可以提高模型的精度和性能，还能够优化锂电池的管理和使用方式。

步骤S8，将待估计的锂电池参数输入至训练完毕的SOH估计模型对SOH进行估计。

模型接收到输入数据后，根据自身算法和参数设置，计算出对应的SOH值，SOH值代表了锂电池当前的健康状态（剩余使用寿命），是一个介于0（完全损坏）和1（全新状态）之间的数值。通过比较不同时间点的SOH值，了解锂电池的性能衰减情况，从而做出相应的管理和维护决策；

SOH估计模型的输出结果可以通过多种方式呈现和应用。例如，可以将SOH值以图表或报告的形式展示给用户或管理人员，帮助他们了解锂电池的健康状况。同时，根据SOH值的变化趋势，可以预测锂电池的剩余寿命，为设备的维护和更换提供科学依据。此外，SOH值还可以作为优化充放电策略、提高能量利用效率等方面的参考依据。

进一步地，图2是是本发明实施例提供的基于温度预测的锂电池SOH估计方法与现有技术SOH估计的对比图。参照图2，本实施例分别选取每个温度区间的端点温度值以及中等温度区间的20℃作为对比点，并以估计误差的形式对估计精准性进行对比，横坐标代表时间，具体是指电池的使用时间，纵坐标为SOH估计误差，估计误差分为正值和负值，正值表示估计的SOH值高于实际SOH值，使得电池的健康状态被高估，负值代表估计的SOH值低于实际SOH值，使得电池的健康状态被低估了，经过本实施例估计后，从图中可以看出，本实施例的估计误差趋近于0.2%，相较于现有技术的估计值，本实施例将估计误差缩小了0.5%-0.7%左右，估计精度方面得到较大提升，本实施例能够精准分析到SOH的主要影响因素，并制定优化策略加以弥补，减少估计误差，使得估计值更接近于实际值，提高了准确性。

图3是本发明实施例提供的基于温度预测的锂电池SOH估计系统的结构图。参照图3，用于执行上述所述的基于温度预测的锂电池SOH估计方法，包括以下模块：

获取模块：用于确定锂电池性能评价指标，并获取锂电池原始数据集；

温度预测曲线以及健康因子获取模块：与获取模块连接，用于根据锂电池原始数据集获取温度预测曲线，根据温度预测曲线提取健康因子；

梯度分组模块：与温度预测曲线以及健康因子获取模块连接，用于对温度预测曲线的温度预测值进行梯度分组，得到若干个温度区间；

子参数获取模块：与梯度分组模块连接，用于基于锂电池性能评价指标确定每个温度区间影响程度最高的子参数；

优化策略制定模块：与子参数获取模块连接，用于为子参数制定优化策略；

SOH估计模型：用于对锂电池的SOH进行估计；

训练模块：与SOH估计模型连接，用于对SOH估计模型进行训练，获得训练完毕的SOH估计模型；

SOH估计模块：与训练模块连接，用于将待估计的锂电池参数输入至训练完毕的SOH估计模型对SOH进行估计。

本实施还公开了一种电子设备，电子设备包括一个或多个处理器和存储器。

处理器可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。

存储器可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器可以运行所述程序指令，以实现上文所说明的本申请任意实施例的一种基于温度预测的锂电池SOH估计方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如初始外参、阈值等各种内容。

在一个示例中，电子设备还可以包括：输入装置和输出装置，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。该输入装置可以包括例如键盘、鼠标等等。该输出装置可以向外部输出各种信息，包括预警提示信息、制动力度等。该输出装置可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本申请任意实施例所提供的一种基于温度预测的锂电池SOH估计方法的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本申请任意实施例所提供的一种基于温度预测的锂电池SOH估计方法的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。

需要说明的是，本发明所用术语仅为了描述特定实施例，而非限制本申请范围。如本发明说明书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。术语“包括”、“包含”或者其任何其它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它要素，或者是还包括为这种过程、方法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、方法或者设备中还存在另外的相同要素。

还需说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”等应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案。

Claims (8)

1.基于温度预测的锂电池SOH估计方法，其特征在于，包括：

步骤S1，确定锂电池性能评价指标，并获取锂电池原始数据集；

步骤S2，根据锂电池原始数据集获取温度预测曲线，根据温度预测曲线提取健康因子；

步骤S3，对温度预测曲线的温度预测值进行梯度分组，得到若干个温度区间；

步骤S4，基于锂电池性能评价指标确定每个温度区间影响程度最高的子参数；

步骤S5，根据步骤S4确定的子参数制定优化策略；

步骤S6，构建SOH估计模型；

步骤S7，将温度预测曲线、健康因子、每个温度区间的锂电池参数、每个温度区间影响程度最高的子参数、每个温度区间子参数的优化策略作为SOH估计模型的训练集，对SOH估计模型进行训练，获得训练完毕的SOH估计模型；

步骤S8，将待估计的锂电池参数输入至训练完毕的SOH估计模型对SOH进行估计。

2.根据权利要求1所述的基于温度预测的锂电池SOH估计方法，其特征在于，所述若干个温度区间包括低温区间、中等温度区间和高温区间。

3.根据权利要求2所述的基于温度预测的锂电池SOH估计方法，其特征在于，所述基于锂电池性能评价指标确定每个温度区间影响程度最高的子参数，具体包括以下步骤：

步骤S41，获取每个温度区间的锂电池参数以及实时数据；

步骤S42，根据每个温度区间的锂电池参数以及实时数据，获取每个温度区间的温度变化量以及每个锂电池参数的实时数据变化量；

步骤S43，根据每个温度区间的温度变化量以及每个锂电池参数的实时数据变化量，确定每个锂电池参数对锂电池性能评价指标的影响指数，根据影响指数确定关键参数；

步骤S44，根据每个锂电池参数对锂电池性能评价指标的影响指数，确定每个锂电池参数的权重值；

步骤S45，根据每个锂电池参数的权重值以及实时数据确定综合影响指数；

步骤S46，将每个温度区间的锂电池参数按照综合影响指数由大到小进行排列，确定综合影响指数最大的锂电池参数为当前温度区间影响程度最高的子参数。

4.根据权利要求3所述的基于温度预测的锂电池SOH估计方法，其特征在于，低温区间、中等温度区间和高温区间的所述关键参数是不同的。

5.根据权利要求3所述的基于温度预测的锂电池SOH估计方法，其特征在于，所述每个锂电池参数对锂电池性能评价指标的影响指数的计算公式为：

；

式中，代表第j个锂电池参数对锂电池性能评价指标的影响指数，代表第j个锂电池参数的实时数据变化量，代表锂电池参数对应的温度变化量。

6.根据权利要求3所述的基于温度预测的锂电池SOH估计方法，其特征在于，所述每个锂电池参数的权重值的计算公式为：

；

式中，代表第j个锂电池参数的权重值，代表第j个锂电池参数对锂电池性能评价指标的影响指数，代表从第一个锂电池参数对锂电池性能评价指标的影响指数到第n个锂电池参数对锂电池性能评价指标的影响指数。

7.根据权利要求3所述的基于温度预测的锂电池SOH估计方法，其特征在于，所述综合影响指数的计算公式为：

；

式中，代表第j个锂电池参数的综合影响指数，代表第j个锂电池参数对锂电池性能评价指标的影响指数，代表第j个锂电池参数的权重值。

8.基于温度预测的锂电池SOH估计系统，用于执行权利要求1-7任一项所述的基于温度预测的锂电池SOH估计方法，其特征在于，包括以下模块：

获取模块：用于确定锂电池性能评价指标，并获取锂电池原始数据集；

温度预测曲线以及健康因子获取模块：与获取模块连接，用于根据锂电池原始数据集获取温度预测曲线，根据温度预测曲线提取健康因子；

梯度分组模块：与温度预测曲线以及健康因子获取模块连接，用于对温度预测曲线的温度预测值进行梯度分组，得到若干个温度区间；

子参数获取模块：与梯度分组模块连接，用于基于锂电池性能评价指标确定每个温度区间影响程度最高的子参数；

优化策略制定模块：与子参数获取模块连接，用于为子参数制定优化策略；

SOH估计模型：用于对锂电池的SOH进行估计；

训练模块：与SOH估计模型连接，用于对SOH估计模型进行训练，获得训练完毕的SOH估计模型；

SOH估计模块：与训练模块连接，用于将待估计的锂电池参数输入至训练完毕的SOH估计模型对SOH进行估计。