一种基于局部阶段充电数据的多工况SOH估计方法和系统与流程

一种基于局部阶段充电数据的多工况soh估计方法和系统
技术领域
1.本发明涉及电池技术领域，尤其涉及一种基于局部阶段充电数据的多工况soh估计方法和系统。


背景技术：

2.锂电池拥有能量密度大，使用寿命长等优点，现如今广泛应用于新能源汽车，大规模电网储能电站以及军工航天领域，是极为优秀的储能工具。由于锂电池本身由于温度、充放电循环以及老化等各种因素，会导致锂电池本身的性能发生衰减。而不准确的估计电池健康状态可能会导致电池过早故障，降低电池寿命，降低系统性能。从而导致维护成本增加，生产力下降，甚至在电动汽车和军工航天系统等关键应用中存在安全隐患。因此，准确可靠的锂电池健康状态估算对于大规模储能电站中的能量存储和电网稳定就显得尤为重要。
3.现阶段，锂电池健康状态的估计方法包括：1、安时积分法，通过累计充入或放出的电量估计健康状态，虽然可以得到准确的soh数值，但是需要电池进行全充全放的工况条件，实际中由于使用条件不同，难以满足这一要求。
4.2、电化学阻抗谱（electrochemical impedance spectroscopy, eis）测量电池的阻抗信息，建立与soh之间的映射关系，这种方法可以准确估计电池健康状态，但是测量条件苛刻，需要专业设备，难易实际应用。
5.3、基于模型的方法，通过使用电气模型，对多个模型参数进行辨识，进而估计soh，这种方法鲁棒性高，但对参数辨识的准确性敏感，在线应用较为困难。
6.4、基于数据驱动的方法，通过提取电流电压数据中的相关特征参数，建立与soh直接的映射关系，这种方法精度高，应用方便，但数据集的好坏会直接影响估计的效果，并且这类方法需要全soc范围内的充电或放电数据，但电池实际应用中大部分情况只能获得少部分片段，因此其适用范围仍待加强。


技术实现要素：

7.本发明目的在于提供一种基于局部阶段充电数据的多工况soh估计方法和系统，解决了现有方法中需要完整充电数据的局限，对于多工况的复杂情况均可实现多工况下soh的准确估计。
8.为实现上述目的，本发明提供一种基于局部阶段充电数据的多工况soh估计方法，包括：s1：在不同工况下，对锂电池进行循环充放电实验，获取不同工况下的电池老化循环数据库；s2：基于所述电池老化循环数据库提取健康因子，并获取健康因子与锂电池健康状态的映射参数库；
s3：基于神经网络建立锂电池的健康状态估计模型，根据不同工况下的所述健康状态估计模型和所述映射参数库，构建健康因子与锂电池健康状态的映射模型库；s4：根据锂电池实际工况，从所述映射模型库中选取相应的健康状态估计模型，利用相应的健康状态估计模型和对锂电池的健康状态进行估计。
9.进一步的，s1:在不同工况下，对锂电池进行循环充放电实验，获取不同工况下的电池老化循环数据库，包括：s101：在固定温度下，以预定充电倍率对锂电池采用先恒流再恒压充电方法进行充电实验，使锂电池电流至预定截止电流为止；将锂电池静置第一预定时间后，以预定放电倍率对锂电池采用恒流放电方法的放电实验，使锂电池电压至预定截止电压为止；其中，所述预定充电倍率和所述预定放电倍率一致；s102：在按照需求充电倍率对锂电池采用先恒流再恒压充电实验，即锂电池先进行恒流充电实验使电压至预定截止电压为止，再进行恒压充电实验使电流至预定截止电流为止；s103：在按照需求放电倍率对锂电池进行恒流放电实验，使锂电池的放电深度至需求放电深度为止；s104：重复步骤s102-s103直至锂电池的电池容量衰退至预定容量，且每重复第一预定次数时，执行一次s101步骤，并进行一次电池容量标定；s105：根据所述循环充放电实验的实验结果，建立固定温度下对应工况的电池老化循环数据库；其中，不同工况表示不同充放电深度和不同充放电倍率。
10.进一步的，在步骤s102与s103中，锂电池在同一工况下的恒流充电或恒流放电阶段中的倍率一致，且不同循环中锂电池在恒压充电阶段的预定截止电流、以及恒流充电阶段的预定截止电压分别保持一致；在步骤s105中，对所述循环充放电实验的实验结果进行缺失值填补和错误值修正的数据预处理后，建立所述电池老化循环数据库；其中，所述实验结果为锂电池在循环充放电实验过程中的电流信息、电压信息、温度信息；所述缺失值为某时刻的电流值或电压值或温度值或容量值出现空缺的位置，所述错误值为某时刻的电流值或电压值或温度值或容量值与前后数据平均值对比超过其预定数量的位置；所述数据预处理包括：样条插值函数、平均值函数、对缺失值以及错误值进行修正平滑。
11.进一步的，s2：基于所述电池老化循环数据库提取健康因子，并获取健康因子与锂电池健康状态的映射参数库，包括：s201:基于所述电池老化循环数据库，在各个工况下拟合电池容量标定循环，获取各个循环的准确容量，并拟合各个阶段的容量增量曲线或电流曲线；s202:重复执行s201步骤，获取各个工况下所有循环的标准容量，并对各个阶段的容量增量曲线或电流曲线进行参数辨识，获得各个工况下的健康因子参数集，即健康因子与锂电池健康状态的映射参数库。
12.进一步的，s201:基于所述电池老化循环数据库，在各个工况下拟合容量标定循环获取各个循环的准确容量，并拟合各个阶段的容量增量曲线或电流曲线，包括：在所述电池老化循环数据库中选取相同工况的数据，并利用安时积分法提取各个循环中的充放电容量、恒流阶段充电容量以及恒压阶段充电容量；在所述电池老化循环数据库中挑选相同工况下的容量标定循环，获取容量标定循环容量；对所述容量标定循环容量采用三次样条插值，获取指定工况下所有循环的标准容量；利用gauss滤波函数，对所述电池老化循环数据库中完整恒流阶段和局部恒流阶段的充电数据进行处理，并构建对应的容量增量曲线；选取对应的容量增量曲线的峰值，将峰值位置和峰值宽度作为健康因子；基于所述电池老化循环数据库中的恒压阶段数据，利用sigmoid函数和最小二乘法，拟合高soc阶段的电流曲线；其中，所述完整恒流阶段表示锂电池为第一预定充放电深度的充放电循环过程，所述局部恒流阶段表示锂电池为第二预定充放电深度的充放电循环过程，且所述第一预定充放电深度大于所述第二预定充放电深度；所述高soc阶段表示锂电池为第三预定充放电深度的充放电循环过程，所述第三预定充放电深度不小于20％充放电深度。
13.进一步的，所述健康因子通过下式表示：；其中，表示电池容量，表示单个循环内的锂电池电压，表示单个循环内锂电池的电压序列；表示第个峰值，表示峰值个数；表示自然常数，表示第个峰值位置；表示第个峰值宽度。
14.进一步的，在拟合高soc阶段的电流曲线之前，对高soc阶段数据进行归一化处理，包括：当持续时间值大于第二预定时间的波动情况时，以高soc阶段的结束时间为标准；所述归一化的高soc阶段区间为：；其中，表示归一化的高soc阶段区间，表示高soc阶段的结束时间，表示第二预定时间；或，当持续时间值大于第二预定时间、以及持续时间值小于等于第二预定时间的波动情况时，以高soc阶段结束时间作为各工况下各个循环中高soc阶段的起点位置，并对原点位置进行归一化，获得归一化的高soc阶段区间为：；
其中，表示高soc阶段电流的开始时间，表示高soc阶段的持续时间。
15.进一步的，s3：基于神经网络建立锂电池的健康状态估计模型，根据不同工况下的所述健康状态估计模型和所述映射参数库，构建健康因子与锂电池健康状态的映射模型库，包括：s301：构建输入层、隐含层和输出层作为神经网络的拓扑结构；s302：利用神经网络进行锂电池健康状态的初始估计模型的学习，并根据误差调整各个节点的权重；s303：对所述初始估计模型进行训练，选取第二预定次数迭代中误差最小值的所述初始估计模型作为最终估计模型，即对应工况下锂电池的健康状态估计模型；s304：重复执行s301-s303步骤，获得不同工况下的所述健康状态估计模型；根据不同工况下的所述健康状态估计模型和所述映射参数库，构建健康因子与锂电池健康状态的映射模型库。
16.进一步的，s302：利用神经网络进行锂电池健康状态的初始估计模型的学习，并根据误差调整各个节点的权重，包括：在所述初始估计模型的学习过程中，通过修正神经网络的节点权重最小化输出整体误差,实现节点权重的调整；通过梯度下降，获取每个节点权重的修正量；其中，所述初始估计模型的学习过程中，输出节点的第个数据点的误差表示为：；式中，表示输出节点的第个数据点的误差，表示输出节点的第个数据点目标值，目标值即所述映射模型库中的锂电池健康状态，表示初始估计模型对锂电池健康状态的预测值；通过修正神经网络的节点权重最小化输出整体误差为：；式中，表示整体误差；所述每个节点权重的修正量为：；式中，表示第个层数中第个节点的权重的修正量，表示第个层数中第个节点的权重，表示第个层数中前一个神经元的输出，是学习率。
17.进一步的，s4：根据锂电池实际工况，从所述映射模型库中选取相应的健康状态估计模型，利用相应的健康状态估计模型和对锂电池的健康状态进行估计，包括：根据锂电池实际充放电过程中的充放电倍率和充放电深度，按照s2步骤进行健康因子的提取；
从所述映射模型库中选取相应的健康估计模型，利用所述相应的健康估计模型对锂电池的健康状态进行估计，获取锂电池的健康状态估计值；其中，所述锂电池的健康状态估计值为：；式中，表示锂电池的健康状态估计值，表示锂电池容量的估计值；表示锂电池的标定容量；其中，所述锂电池容量的估计值为：；式中，表示锂电池容量的估计值，表示倍率，表示时间常数，表示时间偏移量，表示常数。
18.基于同一发明构思，一种基于局部阶段充电数据的多工况soh估计系统，包括：获取单元、提取获取单元、构建单元和估计单元，所述获取单元，用于在不同工况下，对锂电池进行循环充放电实验，获取不同工况下的电池老化循环数据库；所述提取获取单元，用于基于所述电池老化循环数据库提取健康因子，并获取健康因子与锂电池健康状态的映射参数库；所述构建单元，用于基于神经网络建立锂电池的健康状态估计模型，根据不同工况下的所述健康状态估计模型和所述映射参数库，构建健康因子与锂电池健康状态的映射模型库；所述估计单元，用于根据锂电池实际工况，从所述映射模型库中选取相应的健康状态估计模型，利用相应的健康状态估计模型和对锂电池的健康状态进行估计。
19.基于同一发明构思，本发明实施例还提供一种电子设备，包括：存储器、处理器及存储于存储器上并在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前述的一种基于局部阶段充电数据的多工况soh估计方法。
20.基于同一发明构思，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令执行时实现前述的一种基于局部阶段充电数据的多工况soh估计方法。
21.本发明的技术效果和优点：本发明通过训练健康状态估计模型用于估计和预测锂电池的soh，依靠恒流阶段以及高soc阶段充电数据即可实现多个工况的电池健康状态的高精度估计，相较于传统只针对于单个工况的估计方法，本发明能有效利用各阶段的电池数据，不完全依托于完整充电数据的需求，无需使用复杂的等效模型进行参数辨识，也不需使用容量增量曲线以及差分电压曲线进行分析；且所述方法计算复杂度低，并且抗波动能力强，依托于多工况模型映射库即可完成各个工况下的电池soh高精度估计。
22.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
23.为了更清楚地说明本发明实施例中的技术方案，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。
24.图1为本发明实施例一种基于局部阶段充电数据的多工况soh估计方法的流程图；图2为本发明实施例中插值函数拟合容量标定循环曲线的示意图；图3为本发明实施例中恒流阶段容量增量曲线健康因子的提取图；图4为本发明实施例中最小二乘法拟合高soc阶段电流曲线示意图；图5为本发明实施例中最小二乘法拟合高soc阶段电流曲线的误差示意图；图6为本发明实施例中健康状态估计模型的训练集估计结果误差示意图；图7为本发明实施例中健康状态估计模型的测试集估计结果误差示意图；图8为本发明实施例中健康状态估计模型的验证集估计结果误差示意图；图9为本发明实施例一种基于局部阶段充电数据的多工况soh估计系统的结构示意图；图10为本发明实施例中高soc阶段电流波动的示意图；图11为本发明实施例中高soc阶段电流波动情况下的健康状态估计模型的估计结果误差示意图。
具体实施方式
25.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，所描述的实施例仅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。
26.为解决现有技术的不足，本发明公开了一种基于局部阶段充电数据的多工况soh估计方法，如图1所示包括：步骤s1：在不同工况下，对锂电池进行循环充放电实验，获取不同工况下的电池老化循环数据库；具体包括：实验中环境温度波动幅度和电压、温度、电流和容量的采集精度的要求按照国标gb/t36276执行。将锂电池置于恒温箱内，使锂电池在固定温度（列如25℃）下，以预定充电倍率（列如1/3倍率）对锂电池采用先恒流再恒压充电方法进行充电实验，使锂电池电流至预定截止电流为止；将锂电池静置第一预定时间（30分钟）后，以预定放电倍率（列如1/3倍率）对锂电池采用恒流放电方法的放电实验，使锂电池电压至预定截止电压为止；其中，预定充电倍率和预定放电倍率一致，不同工况表示不同充放电深度和不同充放电倍率。
27.s102：在按照需求充电倍率对锂电池采用先恒流再恒压充电实验，即锂电池先进行恒流充电实验使电压至预定截止电压为止，再进行恒压充电实验使电流至预定截止电流为止。
28.s103：在按照需求放电倍率对锂电池进行恒流放电实验，使锂电池的放电深度至需求放电深度为止。
29.s104：重复步骤s102-s103直至锂电池的电池容量衰退至预定容量，且每重复第一预定次数时，执行一次s101步骤，并进行一次电池容量标定。
30.s105：对循环充放电实验的实验结果进行缺失值填补和错误值修正的数据预处理；根据处理后的循环充放电实验的实验结果，建立固定温度下对应工况（即对应充放电倍率和对应充放电深度）的电池老化循环数据库；其中，循环充放电实验的实验结果包括：电流、电压、温度等信息；缺失值为某时刻的电流值或电压值或温度值或容量值出现空缺的位置；错误值为某时刻的电流值或电压值或温度值或容量值与前后数据平均值对比超过其预定数量（列如50%）的位置；数据预处理包括：样条插值函数、平均值函数、对缺失值以及错误值进行修正平滑。
31.s2：基于所述电池老化循环数据库提取健康因子，并获取健康因子与锂电池健康状态的映射参数库；具体包括：s201:基于所述电池老化循环数据库，在各个工况下拟合电池容量标定循环，获取各个循环的准确容量，并拟合各个阶段的容量增量曲线或电流曲线；具体为：在所述电池老化循环数据库中选取相同工况（相同充放电倍率和相同充放电深度）的数据，并利用安时积分法提取各个循环中的充放电容量、恒流阶段充电容量以及恒压阶段充电容量；各个容量的计算公式如下所示：，，；其中，表示cccv工况充电至充电截止电流时刻，表示cccv工况充电至充电截止电压时刻，表示第时刻的电流值，表示负载电流采样时间间隔。
32.在所述电池老化循环数据库中挑选相同工况下的容量标定循环，获取容量标定循环容量；如图2所示，对所述容量标定循环容量采用三次样条插值，获取指定工况下所有循环的标准容量。
33.其中，指定工况下所有循环的标准容量为：；式中，表示指定工况下所有循环的标准容量，表示第个区间的三次多项式，表示容量标定循环的个数；表示容量标定循环的总个数，表示容量标定循环在整个充放电循环中的循环数。
34.所述标准容量计算过程中的边界条件如下所示：；
式中，表示容量标定循环容量，表示对应容量标定循环数下的多项式数值，表示容量标定循环在整个充放电循环中的循环数，表示容量标定循环的个数，表示容量标定循环的总个数。
35.利用gauss滤波函数，对所述电池老化循环数据库中完整恒流阶段和局部恒流阶段的充电数据进行处理，并构建对应的容量增量曲线；并选取对应的容量增量曲线的峰值，将峰值位置和峰值宽度作为健康因子。
36.健康因子通过下式表示：；式中，表示电池容量，表示单个循环内的锂电池电压，表示单个循环内锂电池的电压序列；表示第个峰值，表示峰值个数；表示自然常数，表示第个峰值位置，表示峰值位置；表示第个峰值宽度。
37.其中，完整恒流阶段表示锂电池为第一预定充放电深度（例如100%充放电深度）的充放电循环过程，局部恒流阶段表示锂电池为第二预定充放电深度（例如60%充放电深度）的充放电循环过程，且第一预定充放电深度大于所述第二预定充放电深度。
38.定义峰值概念为：如果存在一个大于0的值，使得所有，都存在，那么可以称其为该曲线的一个局部极值点。
39.取容量增量曲线的最大极值点为准，定义最小峰值距离为：；式中，表示容量增量曲线的最小峰值距离，dod表示放电深度。
40.根据工况不同，其定义最小峰值距离存在差异，以2c100dod工况下的lib#0611第75次循环为例，辨识结果如图3所示，辨识参数为：峰值：，峰值位置：，峰值宽度：。
41.基于所述电池老化循环数据库中的恒压阶段数据，利用sigmoid函数和最小二乘法，拟合高soc阶段的电流曲线。其中，高soc阶段表示锂电池为第三预定充放电深度的充放电循环过程，所述第三预定充放电深度不小于20％充放电深度。
42.在拟合高soc阶段的电流曲线之前，对高soc阶段数据进行归一化处理，包括：当持续时间值大于第二预定时间的波动情况时，以高soc阶段的结束时间为标准；所述归一化的高soc阶段区间为：；式中，表示归一化的高soc阶段区间，表示高soc阶段的结束时间，表示第二预定时间；或，当持续时间值大于第二预定时间、以及持续时间值小于等于第二预定时间的
波动情况时，以高soc阶段结束时间作为各工况下各个循环中高soc阶段的起点位置，并对原点位置进行归一化，获得归一化的高soc阶段区间为：；式中，表示高soc阶段电流的开始时间，表示高soc阶段的持续时间。
43.高soc阶段的电流曲线通过下式表示：；式中，表示高soc阶段的电流曲线，表示倍率，表示常数，表示时间常数，表示时间偏移量，表示自然常数。
44.其中，拟合高soc阶段的电流曲线的具体步骤包括：寻找对应的参数以求最小化平方和：；式中，表示最小化平方和，表示高soc阶段中的电流序列；为一个确定的数值，代指电流时间的结束；表示残差，定义为：，表示第时刻的电流值，表示高soc阶段中时刻的电流数值。
45.当取最小值时梯度为零，共有四个数值需要辨识，因此可以得到4个梯度方程：；式中，表示需要辨识拟合的四个参数，表示残差，表示高soc阶段中的电流序列，表示参数的数量，表示第个参数。
46.而非线性系统中，偏导数同时是自变量时间与参数的函数，因此这些梯度方程一般没有封闭解，而后采用初始值迭代法求解，具体为：；式中，表示迭代次数，表示偏移向量，表示下次迭代的参数数值，表示对应参数变化量；而后采用关于其的一阶泰勒展开以线性化模型：；式中，表示最小二乘法拟合参数得到的电流曲线，雅可比矩阵是常
数，自变量以及参数的函数，因此每次迭代时不是一个固定值，对线性化模型而言：；故残差表达式可以改写为：，；式中，表示对应时刻的电流变化量，表示第时刻的电流值，表示最小二乘法拟合参数得到的电流曲线，表示残差，表示高soc阶段中的电流序列，表示参数的数量，为一个确定的数值，代指电流时间的结束；表示最小二乘法拟合参数得到的电流曲线，表示对应参数变化量；表示参数的数量，其中：。
47.将上述表达式带入梯度方程，可以得到：；以上可以简化为多个线性方程，采用矩阵表示法可以改写为：；式中，表示偏移向量，表示高soc阶段中的电流序列，表示参数的数量，表示电流变化量，雅可比矩阵是常数。
48.以本实施例中2c20%dod充放电循环工况情况下第1667次循环为例，辨识结果为：，，，。辨识结果如图4所示，辨识误差如图5所示。
49.s202:重复执行s201步骤，获取各个工况下所有循环的标准容量，并对各个阶段的容量增量曲线或电流曲线进行参数辨识，获得各个工况下的健康因子参数集，即健康因子与锂电池健康状态的映射参数库。
50.s3：基于神经网络建立锂电池的健康状态估计模型，根据不同工况下的所述健康状态估计模型和所述映射参数库，构建健康因子与锂电池健康状态的映射模型库；具体包括：s301：构建输入层、隐含层和输出层作为神经网络的拓扑结构，定义为:。
51.s302：利用神经网络进行锂电池健康状态的初始估计模型的学习，并根据误差调整各个节点的权重；包括：在所述初始估计模型的学习过程中，通过修正神经网络的节点权重最小化输出整
体误差（即每个节点的每个数据的误差的平方和）,实现节点权重的调整；通过梯度下降，获取每个节点权重的修正量。
52.其中，初始估计模型的学习过程中，输出节点的第个数据点的误差表示为：；式中，表示输出节点的第个数据点的误差，表示输出节点的第个数据点目标值，目标值即所述映射模型库中的锂电池健康状态，电池健康状态为电池当前容量/电池最大容量；表示初始估计模型对锂电池健康状态的预测值。
53.通过修正神经网络的节点权重最小化输出整体误差为：；式中，表示整体误差，表示输出节点的第个数据点的误差；每个节点权重的修正量为：；式中，表示第个层数中第个节点的权重的修正量，表示第个层数中第个节点的权重，表示第个层数中前一个神经元的输出，是学习率，学习率的设定需要保证权重可以快速收敛而不发生震荡，这里选取学习率。
54.s303：对所述初始估计模型进行训练，选取第二预定次数迭代中误差最小值的所述初始估计模型作为最终估计模型，即对应工况下锂电池的健康状态估计模型；以0.3c充放电倍率和20%放电深度的工况下的锂电池#0422为例，如图6和图7所示，训练集训练均方根误差rmse=0.8645，如图8所示，验证集均方根误差rmse=1.0664。
55.s304：重复执行s301-s303步骤，获得不同工况下的所述健康状态估计模型；根据不同工况下的所述健康状态估计模型和所述映射参数库，构建健康因子与锂电池健康状态的映射模型库。
56.s4：根据锂电池实际工况，从所述映射模型库中选取相应的健康状态估计模型，利用相应的健康状态估计模型和对锂电池的健康状态进行估计；具体包括：根据锂电池实际充放电过程中的充放电倍率和充放电深度，按照s2步骤进行健康因子的提取；从所述映射模型库中选取相应的健康估计模型，利用所述相应的健康估计模型对锂电池的健康状态进行估计，获取锂电池的健康状态估计值。
57.其中，所述锂电池的健康状态估计值为：；式中，表示锂电池的健康状态估计值，表示锂电池容量的估计值；表示锂电池的标定容量；其中，所述锂电池容量的估计值为：
；式中，表示锂电池容量的估计值，表示倍率，表示时间常数，表示时间偏移量，表示常数。
58.按照上述步骤，基于不同工况下的映射模型库数据，构建对应的健康状态估计模型，从而获得实时的电池健康状态，并与预设的寿命截止点进行对比，可以有效判断多工况下仅有局部阶段充电数据情况下的电池健康状态是否符合安全标准。
59.基于同一发明构思，本技术还提供一种基于局部阶段充电数据的多工况soh估计系统，如图9所示，包括：获取单元、提取获取单元、构建单元和估计单元，获取单元，用于在不同工况下，对锂电池进行循环充放电实验，获取不同工况下的电池老化循环数据库；提取获取单元，用于基于所述电池老化循环数据库提取健康因子，并获取健康因子与锂电池健康状态的映射参数库；构建单元，用于基于神经网络建立锂电池的健康状态估计模型，根据不同工况下的所述健康状态估计模型和所述映射参数库，构建健康因子与锂电池健康状态的映射模型库；估计单元，用于根据锂电池实际工况，从所述映射模型库中选取相应的健康状态估计模型，利用相应的健康状态估计模型和对锂电池的健康状态进行估计。
60.关于上述实施例中的系统，其中各个单元模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
61.基于同一发明构思，本发明实施例还提供一种电子设备，包括：存储器、处理器及存储于存储器上并在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前述的一种基于局部阶段充电数据的多工况soh估计方法。
62.基于同一发明构思，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令执行时实现前述的一种基于局部阶段充电数据的多工况soh估计方法。
63.实施例：以标称容量为40ah的磷酸铁锂电池（lifepo4，lfp）为实验对象，在固定温度条件下进行本发明所述方法步骤s1，建立不同充放电倍率与放电深度下的电池老化循环数据库。
64.其次，采用样条插值函数拟合容量标定循环曲线，以获取不同充放电深度情况下的标准容量，随后采用非线性最小二乘法，以sigmoid函数拟合高soc阶段电流曲线以及各个恒流阶段的ic曲线，获得对应的工况下电池的健康因子，构成健康因子与锂电池健康状态的映射参数库。
65.然后依照所述映射参数库，建立对应工况的基于神经网络的健康状态估计模型；利用健康状态估计模型对指定待测电池进行健康状态估计，待测电池的恒流阶段的充电上限截止电压为3.65v，恒压阶段的充电下限截止电流为2.0a，放电试验恒流阶段放电电流为指定放电倍率，放电阶段截止电压为2.0v。如恒流阶段数据正常时，可以采用该方法对cc阶段进行分析，估计电池soh。若恒流阶段数据缺失，且当待测电池高soc阶段存在较大波动时，例如高soc阶段恒流时间过长时，也可以根据末位段高soc电流变化获取健康因子，随后
进行健康状态估计。
66.实施例中高soc阶段充电电流不正常变化如图10所示，此情况下的健康状态估计精度如图11所示，根据健康状态估计模型估计的对应工况下的健康状态均方根误差rmse=0.8513，即估计值与真实值的均方根误差在1%以内。因此本发明可以基于多工况下的高soc充电数据，估计锂电池的监控状态，并且可以较好的应对特殊情况，在满足精度要求的情况下，计算复杂度低，数据需求少，应用面广，抗波动能力强。
67.本发明通过建立不同倍率以及不同放电深度工况下的充放电试验数据库，建立不同工况下的恒流阶段以及高soc工况的数据模型，针对具备完整充电阶段，具备部分恒流阶段，以及仅存在高soc工况下的数据情况下，采用gauss滤波对cc阶段数据进行容量增量分析，采用sigmoid滤波函数对高soc工况的电流变化进行分析，提取对应的健康因子，而后通过神经网络算法建立健康因子与soh的直接映射关系估计soh；本发明提出的方法算法易于实现，解决了先前方法需要完整充电数据的局限，对于多工况的复杂情况均可实现多工况下soh的准确估计，并具备较强的抗波动能力。
68.最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。