| 主权项 |
1.一种基于动态贝叶斯网络的锂电池健康状况估计方法，其特征在于该方法的具体步骤是：步骤一：训练数据的获得，具体包括以下过程：（1）对B只同类型的具有不同使用时长和新旧程度的电池进行容量测试：对第<i>i</i>只电池，首先以0.4C的恒定电流对其进行充电至截止电压<img file="2013101972792100001DEST_PATH_IMAGE002.GIF" wi="30" he="25" />后，进行恒压充电，待充电电流降至0.01C以下，便认为该电池已充满电，此时以1C的电流将该电池放电至其截止电压<img file="2013101972792100001DEST_PATH_IMAGE004.GIF" wi="29" he="24" />，记录放电时间<img file="2013101972792100001DEST_PATH_IMAGE006.GIF" wi="25" he="25" />，计算该电池的实际容量为<img file="2013101972792100001DEST_PATH_IMAGE008.GIF" wi="85" he="25" />，并计算实际容量Q与标称容量Q<sub>n</sub>的比率<img file="2013101972792100001DEST_PATH_IMAGE010.GIF" wi="76" he="25" />，其中<i>i</i>=1,2，……，B；（2）将上述步骤（1）中的第<i>i</i>只电池静置一个半小时，待电池稳定后，对电池以0.4C的电流进行恒流充电至其充电截止电压<img file="804415DEST_PATH_IMAGE002.GIF" wi="30" he="25" />，每隔1分钟记录一次电池，其中第<i>k</i>次的电压为<img file="2013101972792100001DEST_PATH_IMAGE012.GIF" wi="18" he="25" />；记录总的充电时间为<img file="2013101972792100001DEST_PATH_IMAGE014.GIF" wi="24" he="25" />小时，计算第<i>k</i>次记录时电池的荷电状态为<img file="2013101972792100001DEST_PATH_IMAGE016.GIF" wi="97" he="46" />，其中<i>k</i>=1,2，…，<img file="2013101972792100001DEST_PATH_IMAGE018.GIF" wi="40" he="25" />；（3）对<img file="DEST_PATH_IMAGE020.GIF" wi="42" he="25" />和<img file="593511DEST_PATH_IMAGE012.GIF" wi="18" he="25" />分别进行离散化归档处理：将电池荷电状态从0%～100%分成<i>M</i>档，第<i>m</i>档的范围为<img file="DEST_PATH_IMAGE022.GIF" wi="201" he="46" />,其中<i>m</i>=1,2,…,<i>M</i>，并根据<img file="68967DEST_PATH_IMAGE020.GIF" wi="42" he="25" />的值将其归入相应的分档；将电池电压从<img file="712438DEST_PATH_IMAGE004.GIF" wi="29" he="24" />到<img file="985287DEST_PATH_IMAGE002.GIF" wi="30" he="25" />分成<img file="DEST_PATH_IMAGE024.GIF" wi="20" he="20" />档，第<i>n</i>档的范围为<img file="DEST_PATH_IMAGE026.GIF" wi="325" he="46" />，其中<i>n</i>=1,2,…，<i>N</i>，根据<img file="651892DEST_PATH_IMAGE012.GIF" wi="18" he="25" />的值将其归入相应的分档；（4）根据<img file="DEST_PATH_IMAGE028.GIF" wi="17" he="25" />的值对上述步骤（1）中的电池进行<i>C</i>类分类，当<img file="DEST_PATH_IMAGE030.GIF" wi="62" he="25" />时归为第0类，<img file="DEST_PATH_IMAGE032.GIF" wi="64" he="25" />时，归入第<img file="DEST_PATH_IMAGE034.GIF" wi="174" he="46" />类，定义电池的健康状况为<img file="DEST_PATH_IMAGE036.GIF" wi="162" he="22" />，其中<img file="DEST_PATH_IMAGE038.GIF" wi="118" he="22" />；并将其相应的<img file="543756DEST_PATH_IMAGE020.GIF" wi="42" he="25" />和<img file="979416DEST_PATH_IMAGE012.GIF" wi="18" he="25" />分档结果归入该类电池的训练数据；（5）重复上述充放电过程至所有电池的实际容量均小于标称容量的80%，记录并归档所有的测量数据；步骤二：依据上述每一类电池<i>c</i>的训练数据，构建该类健康状况的动态贝叶斯网络模型，具体过程如下：（1）构建初始SOC概率分布向量，以均匀分布对任意电池的初始SOC进行建模，即认为电池的初始SOC<sub>0</sub>在<i>M</i>档分档中均匀分布，<img file="DEST_PATH_IMAGE040.GIF" wi="164" he="42" />,<img file="DEST_PATH_IMAGE042.GIF" wi="82" he="22" />；由此形成<img file="DEST_PATH_IMAGE044.GIF" wi="22" he="18" />个初始概率，组成初始概率向量<img file="DEST_PATH_IMAGE046.GIF" wi="60" he="25" />；（2）计算SOC状态转移概率<img file="DEST_PATH_IMAGE048.GIF" wi="20" he="26" />：<img file="DEST_PATH_IMAGE050.GIF" wi="465" he="70" />其中<img file="DEST_PATH_IMAGE052.GIF" wi="214" he="26" />表示任意前后两个采样时刻电池SOC分别处于第<i>j</i>档和第<i>i</i>档的概率，<img file="DEST_PATH_IMAGE054.GIF" wi="14" he="18" />表示满足条件的所有样本个数；由此形成<img file="DEST_PATH_IMAGE056.GIF" wi="28" he="21" />个状态转移概率，组成状态转移矩阵<img file="DEST_PATH_IMAGE058.GIF" wi="60" he="26" />，其中<img file="176829DEST_PATH_IMAGE042.GIF" wi="82" he="22" />；（3）计算混淆概率<img file="DEST_PATH_IMAGE060.GIF" wi="18" he="26" />：<img file="DEST_PATH_IMAGE062.GIF" wi="401" he="70" />其中<img file="DEST_PATH_IMAGE064.GIF" wi="182" he="26" />表示在任意采样时刻SOC处于第<i>j</i>档而电压处于第<i>i</i>档的概率；由此形成<img file="DEST_PATH_IMAGE066.GIF" wi="48" he="20" />个状态转移概率，组成混淆概率矩阵<img file="DEST_PATH_IMAGE068.GIF" wi="58" he="26" />；（4）重复上述模型构建过程，直至所有<i>C</i>类模型全部构建完毕；步骤三：实时估算同类型电池的健康状况，具体过程如下：(1) 在电池恒流充电的过程中，每隔一分钟测量一次电池电压,这样<img file="DEST_PATH_IMAGE070.GIF" wi="16" he="18" />时刻后便可以得到一长度为<img file="143779DEST_PATH_IMAGE070.GIF" wi="16" he="18" />的电压观察序列<img file="DEST_PATH_IMAGE072.GIF" wi="106" he="25" />，其对应的电压分档为<img file="DEST_PATH_IMAGE074.GIF" wi="125" he="26" />(2)对第<img file="DEST_PATH_IMAGE076.GIF" wi="13" he="16" />类动态贝叶斯网络模型，利用前向算法，计算上述观察序列在该模型下的概率<img file="DEST_PATH_IMAGE078.GIF" wi="134" he="25" />：(a)递归计算局部概率<img file="DEST_PATH_IMAGE080.GIF" wi="41" he="25" />，其中<img file="836404DEST_PATH_IMAGE080.GIF" wi="41" he="25" />表示<img file="DEST_PATH_IMAGE082.GIF" wi="14" he="20" />时刻电池SOC处于第s档的概率；<img file="DEST_PATH_IMAGE084.GIF" wi="35" he="19" />时，利用初始概率向量和混淆概率矩阵计算局部概率:<img file="DEST_PATH_IMAGE086.GIF" wi="88" he="26" /><img file="DEST_PATH_IMAGE088.GIF" wi="35" he="19" />时，利用<img file="DEST_PATH_IMAGE090.GIF" wi="33" he="19" />时刻的局部概率递推计算<img file="DEST_PATH_IMAGE092.GIF" wi="14" he="19" />时刻的局部概率：<img file="DEST_PATH_IMAGE094.GIF" wi="164" he="46" />(b)观察序列的概率等于<i>T</i>时刻所有局部概率之和：<img file="DEST_PATH_IMAGE096.GIF" wi="206" he="48" />(3)选取上述步骤中<img file="877304DEST_PATH_IMAGE078.GIF" wi="134" he="25" />最大的类别<img file="DEST_PATH_IMAGE098.GIF" wi="25" he="26" />作为最终的健康状况类别，即<img file="DEST_PATH_IMAGE100.GIF" wi="224" he="33" />，给出对应的健康状况：<img file="DEST_PATH_IMAGE102.GIF" wi="176" he="26" />。 |
