电池电化学阻抗谱在线估计方法及装置

技术特征：
1.一种电池电化学阻抗谱在线估计方法，其特征在于，包括步骤：调用训练好的机器学习模型；所述机器学习模型基于电池离线测试获得的离线弛豫电压曲线数据及对应的离线电化学阻抗谱数据训练得到；在线获取待估计电池的在线监测弛豫电压曲线数据；根据所述在线监测弛豫电压曲线数据，通过所述机器学习模型对所述待估计电池进行eis数据在线估计，得到所述待估计电池的在线eis数据。2.根据权利要求1所述的电池电化学阻抗谱在线估计方法，其特征在于，在线监测弛豫电压曲线数据的获取过程，包括：在所述待估计电池开始卸载电流后，采用变频采样法对所述待估计电池的在线弛豫电压信号进行采样，得到所述待估计电池的在线弛豫电压变频采样数据；根据所述在线弛豫电压变频采样数据、所述待估计电池开始卸载电流前的电池电压和电池电流进行数据预处理，得到所述在线监测弛豫电压曲线数据。3.根据权利要求2所述的电池电化学阻抗谱在线估计方法，其特征在于，所述在线弛豫电压变频采样数据包括第一在线弛豫电压采样数据和第二在线弛豫电压采样数据；所述采用变频采样法对所述待估计电池的在线弛豫电压信号进行采样的过程，包括：在所述待估计电池开始卸载电流时刻至卸载电流后的第一设定时间之内，采用第一设定频率采样所述待估计电池的弛豫电压信号，得到所述第一在线弛豫电压采样数据；所述第一在线弛豫电压采样数据用于反映所述待估计电池的中高频段阻抗特征；在所述第一设定时间之后，采用第二设定频率采样所述待估计电池的弛豫电压信号，得到所述第二在线弛豫电压采样数据；所述第一设定频率高于所述第二设定频率，所述第二在线弛豫电压采样数据用于反映所述待估计电池的低频段阻抗特征。4.根据权利要求3所述的电池电化学阻抗谱在线估计方法，其特征在于，所述待估计电池为锂离子电池，所述第一设定时间为0s-1s之间的任意时长，所述第一设定频率为10khz，所述第二设定频率为1hz。5.根据权利要求1至4任一项所述的电池电化学阻抗谱在线估计方法，其特征在于，所述离线弛豫电压曲线数据的获取过程为：在离线测量条件下，对所述待估计电池的同型号电池在卸载充电或放电电流后的极化消退过程，采用变频采样法对所述同型号电池的弛豫电压信号进行采样，得到所述离线弛豫电压曲线数据。6.根据权利要求5所述的电池电化学阻抗谱在线估计方法，其特征在于，所述离线弛豫电压曲线数据对应的所述离线电化学阻抗谱数据的频段范围为千赫兹至毫赫兹，所述离线电化学阻抗谱数据在所述频段范围内的测量频点采用等对数间隔选择。7.根据权利要求5所述的电池电化学阻抗谱在线估计方法，其特征在于，所述机器学习模型为卷积神经网络，所述卷积神经网络在训练过程中采用准确度指标作为模型参数优化的目标函数。8.一种电池电化学阻抗谱在线估计装置，其特征在于，包括：模型调用模块，用于调用训练好的机器学习模型；所述机器学习模型基于电池离线测试获得的离线弛豫电压曲线数据及对应的离线电化学阻抗谱数据训练得到；在线数据模块，用于在线获取待估计电池的在线监测弛豫电压曲线数据；
在线估计模块，用于根据所述在线监测弛豫电压曲线数据，通过所述机器学习模型对所述待估计电池进行eis数据在线估计，得到所述待估计电池的在线eis数据。9.根据权利要求8所述的电池电化学阻抗谱在线估计装置，其特征在于，所述在线数据模块包括：电压采样子模块，用于在所述待估计电池开始卸载电流后，采用变频采样法对所述待估计电池的在线弛豫电压信号进行采样，得到所述待估计电池的在线弛豫电压变频采样数据；预处理子模块，用于根据所述在线弛豫电压变频采样数据、所述待估计电池开始卸载电流前的电池电压和电池电流进行数据预处理，得到所述在线监测弛豫电压曲线数据。10.根据权利要求8所述的电池电化学阻抗谱在线估计装置，其特征在于，所述机器学习模型为卷积神经网络，所述卷积神经网络在训练过程中采用准确度指标作为模型参数优化的目标函数。

技术总结
本申请涉及电池电化学阻抗谱在线估计方法及装置，方法包括：调用训练好的机器学习模型；机器学习模型基于电池离线测试获得的离线弛豫电压曲线数据及对应的离线电化学阻抗谱数据训练得到；获取待估计电池的在线监测弛豫电压曲线数据；根据在线监测弛豫电压曲线数据，通过机器学习模型对待估计电池进行EIS数据在线估计，得到待估计电池的在线EIS数据。相较传统在线测量法，本发明无需集成专用测量电路，具有低成本、易使用的优势；而相较传统在线估计法，本发明的方法排除了SOC变化所带来的干扰，估计精度得到大幅提高，对于发展基于EIS的电池先进诊断技术具有重要意义。的电池先进诊断技术具有重要意义。的电池先进诊断技术具有重要意义。


技术研发人员：周星 张涛 刘亚杰 刘天宇 张然 朱文凯
受保护的技术使用者：中国人民解放军国防科技大学
技术研发日：2022.01.14
技术公布日：2022/5/17