一种基于多倍率放电数据的锂离子电池健康状态SOH估计方法

本发明涉及锂离子电池状态估计与健康管理，尤其涉及一种基于多倍率放电数据的锂离子电池健康状态soh估计方法。

背景技术：

1、锂离子电池因具有较高能量密度、较长循环寿命和较低自放电率，被广泛应用于电动汽车、便携式电子设备以及储能系统。随着循环次数增加，电池会出现容量衰减、内阻增长以及动力性能下降等退化现象，因此准确估计健康状态soh是电池管理系统实现安全控制、寿命预测和维护决策的重要前提。

2、现有soh估计方法主要包括基于容量测试的方法、基于等效电路与参数辨识的方法以及基于数据驱动的方法。直接容量测试虽然具有较强物理意义，但往往需要完整充放电过程，难以满足在线应用需求；单纯基于模型的方法在复杂工况和多倍率条件下容易出现模型失配；传统数据驱动方法虽然具有一定非线性拟合能力，但在倍率变化明显时，容易将倍率差异误识别为退化差异，从而导致跨倍率外推能力不足。

3、尤其是在多倍率放电场景下，同一衰退水平的电池在不同倍率下会呈现不同的端电压响应、极化行为与容量可利用性，进而表现为不同的表观soh。若将不同倍率下的样本直接混合而不显式引入倍率条件，模型容易产生系统性偏差。此外，多倍率工况下高频噪声经求导放大后会干扰容量增量曲线形态，使特征提取与建模稳定性进一步下降。因此，有必要提出一种能够面向多倍率放电条件、兼顾物理可解释性与跨电池泛化能力的锂离子电池soh估计方法，以解决传统方法在工况迁移、噪声抑制和长期趋势保持方面存在的问题。

技术实现思路

1、为了解决现有soh估计方法在多倍率条件下易出现样本错配、工况耦合不清、跨电池泛化能力不足和预测结果缺乏物理一致性的问题。本发明的目的在于提供一种基于多倍率放电数据的锂离子电池健康状态soh估计方法，包括以下步骤：

2、步骤1、在设定好的环境温度下，对目标锂离子电池执行多倍率循环放电试验，获取多个循环阶段的电压数据、电流数据和放电容量数据。

3、步骤2、根据各循环在对应倍率条件下的放电容量与对应初始容量，构建倍率相关真实健康状态soh标签。

4、步骤3、对每个循环的容量-电压数据进行统一电压网格重采样与平滑预处理，得到容量增量曲线。

5、步骤4、基于所述的容量增量曲线提取表征电池退化相关特征，并通过相关性分析筛选用于soh估计的关键特征集。

6、步骤5、将关键特征集、循环次数、倍率条件和温度条件样本对齐，构造监督学习样本并进行一致性约束。

7、步骤6、建立物理引导残差网络，以物理退化先验输出趋势基线，以神经网络输出残差补偿，并联合物理一致性约束与条件化残差学习。

8、步骤7、将待估计样本输入训练完成的模型，输出对应倍率条件下的soh估计值。

9、有益成果：

10、1. 本发明将不同倍率下的soh分别定义为倍率相关的真实soh，避免了倍率换算过程中的额外误差，能够保留不同倍率工况下容量可利用性的真实差异；更符合实际工程应用中的容量利用规律。

11、2. 本发明通过统一电压网格重采样、差分求导与savitzky-golay滤波平滑，提高容量增量曲线在多循环样本之间的可比性，能够更加敏感地表征电池平台变化、峰形演化和极化增强过程，同时还能降低噪声放大对特征质量的影响。

12、3. 本发明通过引入放电倍率作为条件变量，解决了多倍率条件下特征与soh映射关系随工况变化而漂移的问题，能够增强模型对跨倍率的统一学习能力，显著提升跨倍率条件下的预测能力。

13、4. 本发明采用区间面积、峰形和质心等具有物理含义的组合特征，可同时表征容量衰减、极化增强和反应重分配等退化机制。

14、5. 本发明通过物理引导残差网络将电池退化物理先验与数据驱动补偿相结合，提高soh估计结果的物理合理性、稳定性和泛化能力。

15、6. 本发明适用于跨倍率、跨电池乃至跨温度条件下的soh估计，可为动力电池管理系统中的健康评估、寿命预测和维护决策提供有效支持。

1.一种基于多倍率放电数据的锂离子电池健康状态soh估计方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于多倍率放电数据的锂离子电池健康状态soh估计方法，其特征在于所述步骤1中具体包括，多倍率循环放电实验采用周期性参考循环策略，在若干次加速倍率放电循环后插入一次低倍率参考放电循环。所述周期性参考循环策略为，进行9次加速倍率放电循环后插入1次低倍率放电循环，所述低倍率放电循环采用1/6c放电倍率。不同倍率条件下的初始容量分倍率而确定：其中1/6c低倍率的初始容量为三次1/6c放电的完整循环放电容量的平均值，其它加速倍率的初始容量为实验开始阶段该倍率下三次完整放电循环容量的平均值，每次不同倍率当前完整放电数据的容量作为该倍率的真实值。

3.如权利要求1所述的基于多倍率放电数据的锂离子电池健康状态soh估计方法，其特征在于所述步骤2中具体包括：在倍率r条件下第c次循环的soh定义为该循环放电容量与该倍率额定初始容量的比值；由该循环在对应倍率条件下通过对放电电流进行积分计算或直接采用测试设备记录的放电容量读数。其中不同倍率下的soh不被强制换算到统一参考倍率，而是作为倍率相关真实soh参与建模。

4.如权利要求1所述的基于多倍率放电数据的锂离子电池健康状态soh估计方法，其特征在于所述步骤3中具体包括：统一电压网格的电压步长设定为5mv，在各循环有效电压范围内构造电压网络，并通过插值将容量映射到统一电压网格上得到。采用有限差分近似计算离散ic值，并采用中心差分计算内部网格点处的容量增量值，边界点采用前向差分或后向差分补齐。将原始离散的q−v记录转换为在统一电压网格上的ic曲线序列。平滑预处理采用savitzky-golay滤波，在全体循环样本上保持同一组平滑参数，以抑制求导放大的高频噪声并保持主峰峰位、峰高和峰宽等形态信息。

5.如权利要求1所述的基于多倍率放电数据的锂离子电池健康状态soh估计方法，其特征在于所述步骤4中具体包括：在每一循环的ic曲线基础上构建一组统计与形态特征，主要包括电压区间面积特征、主峰相关特征以及质心电压等指标。所有特征均在同一电压网格与一致的预处理流程下计算。然后对提取得到的健康特征参数采用pearson相关分析和评分排序方法进行筛选，以获得与soh变化相关性更高且冗余度更低的关键特征集。

6.如权利要求1所述的基于多倍率放电数据的锂离子电池健康状态soh估计方法，其特征在于所述步骤5中具体包括：以循环为基本样本单元，即每一条样本对应一个循环下的ic特征向量及其soh标签。对第c次循环，构造样本组：，其中为由该循环ic曲线提取的特征集合，为该循环对应的温度条件变量,为该循环对应的倍率条件变量，为对应倍率下计算得到的soh标签。保证soh标签与特征向量、循环编号、温度条件和倍率条件一一对应，同时对异常样本进行整体剔除，所述异常样本至少包括soh异常样本、容量记录异常样本以及增量容量曲线质量不满足要求的样本，且异常样本剔除时对应的特征、倍率、循环编号和标签同步删除。

7.如权利要求1所述的基于多倍率放电数据的锂离子电池健康状态soh估计方法，其特征在于步骤6中的物理引导残差网络包括物理先验分支和残差学习分支；物理先验分支采用包含arrhenius温度因子与指数-线性混合退化形式的函数输出soh趋势基线，残差学习分支根据关键特征集、循环次数、倍率条件和温度条件输出补偿量，模型最终输出为趋势基线与补偿量之和。

8.如权利要求1所述的基于多倍率放电数据的锂离子电池健康状态soh估计方法，其特征在于步骤6中的物理一致性约束包括soh随循环次数增加整体下降的约束、soh输出边界约束以及残差补偿幅值约束中的至少一种，以降低模型训练过程中出现不合理漂移和过拟合的风险。

9.如权利要求1所述的基于多倍率放电数据的锂离子电池健康状态soh估计方法，其特征在于：步骤6和步骤7中采用同温度组内的留一电池交叉验证方式对模型进行训练与验证，最终得到soh的估计值，确定所述物理引导残差网络在跨倍率、跨电池soh估计中的泛化性能。