CN112379295A - 预测动力电池健康状态的方法、***及存储介质 - Google Patents

Abstract

本发明实施方式提供一种预测动力电池健康状态的方法、***及存储介质，属于动力电池的维护技术领域。所述方法包括：基于所述动力电池的工况搭建一阶Thevenin模型；对所述一阶Thevenin模型的内阻进行参数识别；采用卡尔曼滤波算法根据参数识别的结果估计所述动力电池的内阻；根据所述内阻确定所述动力电池的第一SOH；获取所述动力电池的充电电压数据；将所述充电电压数据输入训练好的随机森林算法模型以得到所述动力电池的第二SOH；对所述第一SOH和第二SOH进行加权以得到所述动力电池的SOH。该方法、***及存储介质能够准确地估计动力电池的健康状态。

Description

预测动力电池健康状态的方法、***及存储介质

技术领域

本发明涉及动力电池的维护技术领域，具体地涉及一种预测动力电池健 康状态的方法、***及存储介质。

背景技术

不断持续的能源危机和环境保护问题促使着电动汽车技术的更新迭代 锂离子电池以其高能量密度、低自放电率和循环寿命长等优点作为动力电池 为电动汽车提供动力。电池健康度(State of Health)，SOH这一指标来表示 锂电池的老化程度，通过对SOH的实时估计和预测，可以保障整体电池包 的充、放电性能以及安全性。

目前对电池健康状态(SOH)估算方法主要有两大类。一种是直接获取 法，通过对电池参数的直接测量来进行处理得到的SOH的方法，具体有阻 抗法、开路电压法等；第二种是数据驱动法，其不依赖于电池的模型，通过 动力电池的测量数据来构造模型，具体有支持向量机，BP神经网络等。

发明内容

本发明实施方式的目的是提供一种预测动力电池健康状态的方法、*** 及存储介质，该方法、***及存储介质能够准确地估计动力电池的健康状态。

为了实现上述目的，本发明实施方式提供一种预测动力电池健康状态的 方法，所述方法包括：

基于所述动力电池的工况搭建一阶Thevenin模型；

对所述一阶Thevenin模型的内阻进行参数识别；

采用卡尔曼滤波算法根据参数识别的结果估计所述动力电池的内阻；

根据所述内阻确定所述动力电池的第一SOH；

获取所述动力电池的充电电压数据；

将所述充电电压数据输入训练好的随机森林算法模型以得到所述动力 电池的第二SOH；

对所述第一SOH和第二SOH进行加权以得到所述动力电池的SOH。

可选地，所述一阶Thevenin模型包括：

电压源，所述电压源的负极用于输出所述动力电池的输出电压的负极；

第一电阻，所述第一电阻的一端与所述电压源的正极连接；

电容，所述电容的一端与所述第一电阻的一端连接，所述电容的另一端 与所述第一电阻的另一端连接；以及

第二电阻，所述第二电阻的一端与所述第一电阻的另一端连接，所述第 二电阻的另一端用于输出所述动力电池的输出电压的正极；

所述基于所述动力电池的工况搭建一阶Thevenin模型具体包括：

根据所述一阶Thevenin模型建立方程(1)，

U_t＝U_OC-I_PR_P-I₀R₀， (1)

其中，U_t为所述输出电压，U_OC为所述电压源，I_P为通过第一电阻R_P的 电流，I₀为通过第二电阻R₀的电流。

可选地，所述对所述一阶Thevenin模型的内阻进行参数识别包括：

采用直流放电法利用所述动力电池两端脉冲放电得到的电压特性曲线 进行参数辨识。

可选地，所述采用卡尔曼滤波算法根据参数识别的结果估计所述动力电 池的内阻具体包括：

根据公式(2)对初始化所述卡尔曼滤波算法，

其中，

为状态变量估计值的初值，x₀为状态变量，D₀为状态误差协方 差的初值，E为期望的计算算子；

根据公式(3)和公式(4)进行时间更新操作，

其中，

为第k轮的状态预测值，A_k为第k轮的状态转移矩阵，

为第k-1轮的状态变量估计值，B_k为第k轮的输入矩阵，u_k-1为第k-1轮的 输入变量；

其中，P_k|k-1为第k轮的误差协方差的预测值，A_k-1为第k-1轮的状态 转移矩阵，P_k-1为第k-1轮的状态误差协方差，

为状态转移矩阵A_k-1的 转置，Q为过程噪声的协方差；

根据公式(5)至公式(7)进行量测更新，

P_k＝(I-K_kC_k)P_k|k-1， (7)

其中，K_k为第k轮的增益，C_k为第k轮的观测矩阵，

为观测矩阵C_k的转 置，R为量测噪声的协方差，

为第k轮的状态变量估计值，y_k为第k轮的观 测变量，D_k为前馈矩阵，u_k为第k轮的输入变量，P_k为第k轮的状态误差协方 差，I为单位矩阵；

根据方程(8)确定所述卡尔曼滤波算法的状态方程，

其中，R₀(k)、R₀(k-1)分别为第k轮、第k-1轮的第二电阻R₀的值， R_p(k)、R_p(k-1)分别为第k轮、第k-1轮的第一电阻R_p的值，τ_p(k)为第k 轮、第k-1轮的τ_p的值，C_p＝τ_p/R_p，C_p为所述电容的电容值，ω(k)为过程 噪声；

将方程(8)输入卡尔曼滤波算法中以得到所述动力电池的内阻。

可选的，所述根据所述内阻确定所述动力电池的第一SOH包括：

根据公式(9)估计所述第一SOH，

其中，SOH₁为所述第一SOH，R_EOL为所述动力电池的寿命截止的欧姆 内阻值，R_now为当前的所述动力电池的内阻，R_new为所述动力电池出厂时的 欧姆内阻值。

可选地，所述方法包括：

获取所述动力电池的循环充电电压数据；

将所述循环充电电压数据中每个循环电压区间分成多个电压值；

分别针对每个所述电压值获取对应的所述动力电池的容量值；

针对每个循环，将多个容量值和对应的最大容量组合以构成单个数据样 本；

组合多个所述单个数据样本以构成用于训练所述随机森林算法模型的 数据集。

可选地，所述方法包括：

以预设的概率值划分所述数据集以构成训练集和测试集；

采用所述训练集训练所述随机森林算法模型；

采用所述测试集测试所述随机森林算法模型；

采用均方根误差的方法计算所述随机森林算法模型的精确度。

可选地，所述对所述第一SOH和第二SOH进行加权以得到所述动力电 池的SOH具体包括：

根据公式(10)计算动力电池的SOH，

SOH_实＝x₁SOH₁+x₂SOH₂， (10)

其中，SOH_实为动力电池的SOH(真实值)，SOH₁为第一SOH，SOH₂为 第二SOH，x₁、x₂分别为对应的加权系数且x₁+x₂＝1。

另一方面，本发明还提供一种预测动力电池健康状态的***，所述*** 包括处理器，所述处理器用于执行如上述任一所述的方法。

再一方面，本发明还提供一种存储介质，所述存储介质存储有指令， 所述指令用于被机器读取以使得所述机器执行如上述任一所述的方法。

通过上述技术方案，本发明提供的预测动力电池健康状态的方法、*** 及存储介质一方面通过建立一阶Thevenin模型，采用改进的卡尔曼滤波方 法估算动力电池的第一SOH；另一方面采用随机森林算法模型对基于动力电 池充电电压变化情况估算动力电池的第二SOH；最后以对第一SOH和第二 SOH加权的方法来估算出动力电池的SOH的真实值。克服了现有技术中两 种方法在单独估计时容易受到测试条件的影响的缺陷，提高了SOH的估计精度。

本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以 详细说明。

附图说明

附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一 部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对 本发明实施方式的限制。在附图中：

图1是根据本发明的一个实施方式的预测动力电池的方法的流程图；

图2是根据本发明的一个实施方式的一阶Thevenin模型的电路图；

图3是根据本发明的一个实施方式的基于一阶Thevenin模型的两端电 压的曲线图；

图4是根据本发明的一个实施方式的基于卡尔曼滤波算法计算内阻的 方法的流程图；

图5是根据本发明的一个实施方式的生成数据集的流程图；

图6是根据本发明的一个实施方式的随机森林算法模型的工作流程的 示意图；以及

图7是根据本发明的一个实施方式的确定x₁、x₂的方法的流程图。

具体实施方式

以下结合附图对本发明实施方式的具体实施方式进行详细说明。应当理 解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施方式，并 不用于限制本发明实施方式。

在本发明实施方式中，在未作相反说明的情况下，使用的方位词如“上、 下、顶、底”通常是针对附图所示的方向而言的或者是针对竖直、垂直或重 力方向上而言的各部件相互位置关系描述用词。

另外，若本发明实施方式中有涉及“第一”、“第二”等的描述，则该“第 一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重 要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二” 的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施方式之间 的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基 础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的 结合不存在，也不在本发明要求的保护范围之内。

如图1所示是根据本发明的一个实施方式的预测动力电池健康状态的 方法的流程图。在图1中，该方法可以包括：

在步骤S10中，基于动力电池的工况搭建一阶Thevenin模型。在设计 该一阶Thevenin模型时，发明人发现动力电池随着工作时间的增长，其内阻 会逐渐增大，原本近似于0内阻的电压源会逐渐演变成电压源串联一个电阻 的电路结构，而由于动力电池内部的极化特性，在该串联的电阻和电压源之 间，等效于连接有一个RC并联电路。据此，发明人设计了如图2中所示出 的电路结构。在图2中，该一阶Thevenin模型可以包括电压源U_OC、第一电 阻R_p、第二电阻R₀以及电容C_p。其中，电压源U_OC的负极可以用于输出动力 电池的输出电压的负极。第一电阻R_p的一端可以与电压源U_OC的正极连接。 电容C_p的一端可以与第一电阻R_p的一端连接，电容C_p的另一端可以与第一电 阻R_p的另一端连接。第二电阻R₀的一端可以与第一电阻R_p的另一端连接，第 二电阻R₀的另一端可以用于输出动力电池的输出电压的正极。那么，基于该 图2中的电路，在搭建该一阶Thevenin模型时，可以基于该模型建立方程 (1)，

U_t＝U_oc-I_pR_p-I₀R₀， (1)

其中，U_t为输出电压，U_OC为电压源，I_p为通过第一电阻R_p的电流，I₀为 通过第二电阻R₀的电流。

在步骤S11中，对一阶Thevenin模型的内阻进行参数识别。在该实施方 式中，该参数识别的方式可以是本领域人员所知的多种形式。在本发明的一 个优选示例中，考虑到操作的简便性，可以采用直流放电法，利用动力电池 两端脉冲放电得到的电压特性曲线进行参数辨识。具体地，可以是先对该动 力电池进行放电，并在放电的过程中实时记录该动力电池两端的电压特性曲 线，该电压特性曲线如图3所示。

进一步地，基于该如图3所示出的电压特性曲线，可以选取ab段建立 方程(2)，

其中，ΔU为ab段的电压差；再选取bc段通过最小二乘法求得τ_p和R_p， 即方程(3)，

其中，C_p＝τ_p/R_p。C_p为极化电容，即图2中的电容。R_p为极化电阻， 即图2中的第一电阻。

在步骤S12中，采用卡尔曼滤波算法根据参数识别的结果估计动力电池 的内阻。具体地，估计该动力电池的内阻的过程可以包括如图4中示出的步 骤。在图4中，该过程可以包括：

在步骤S20中，根据公式(2)对初始化卡尔曼滤波算法，

其中，

为状态变量估计值的初值，x₀为状态变量，D₀为状态误差协方 差的初值，E为期望的计算算子。

在步骤S21中，根据公式(3)和公式(4)进行时间更新操作，

其中，

为第k轮的状态预测值，A_k为第k轮的状态转移矩阵，

为第k-1轮的状态变量估计值，B_k为第k轮的输入矩阵，u_k-1为第k-1轮的 输入变量；

其中，P_k|k-1为第k轮的误差协方差的预测值，A_k-1为第k-1轮的状态 转移矩阵，P_k-1为第k-1轮的状态误差协方差，

为状态转移矩阵A_k-1的 转置，Q为过程噪声的协方差；

在步骤S22中，根据公式(5)至公式(7)进行量测更新，

P_k＝(I-K_kC_k)P_k|k-1， (7)

其中，K_k为第k轮的增益，C_k为第k轮的观测矩阵，

为观测矩阵C_k的转 置，R为量测噪声的协方差，

为第k轮的状态变量估计值，y_k为第k轮的观 测变量，D_k为前馈矩阵，u_k为第k轮的输入变量，P_k为第k轮的状态误差协方 差，I为单位矩阵。

在步骤S23中，根据方程(8)确定卡尔曼滤波算法的状态方程，

其中，R₀(k)、R₀(k-1)分别为第k轮、第k-1轮的第二电阻R₀的值， R_p(k)、R_p(k-1)分别为第k轮、第k-1轮的第一电阻R_p的值，τ_p(k)为第k 轮、第k-1轮的τ_p的值，C_p＝τ_p/R_p，C_p为电容的电容值，ω(k)为过程噪声。

在该步骤S23中，由于流过第一电阻R_p的电流I_p可以采用公式(9)来 表示，

其中，U_p为第一电阻R_p两端的电压；

将该公式(9)代入方程(1)中，可以得到如下所示的方程(10)，

其中，SOC为动力电池的SOC值，t表示当前的时间；

对该公式(9)进行离散化处理，从而得到方程(11)，

其中，U_t(k)、U_t(k-1)分别为第k轮、第k-1轮的输出电压U_t的值， U_oc(k)、U_oc(k-1)分别为第k轮、第k-1轮的电压源U_oc的值，I₀(k)、I₀(k- 1)分别为第k轮、第k-1轮的电流I₀的值，T为采样时间(周期)，v(k)为测 量噪声；

另外，发明人考虑到该动力电池的模型参数(SOC、最大容量等)在短 时间内可以认为是不变的，因此可以得到方程(8)。

在步骤S24中，将方程(8)输入卡尔曼滤波算法中以得到动力电池的 内阻。

在步骤S13中，根据内阻确定动力电池的第一SOH。具体地，可以是根 据公式(12)估计该第一SOH，

其中，SOH₁为第一SOH，R_EOL为动力电池的寿命截止的欧姆内阻值， R_now为当前的动力电池的内阻，R_new为动力电池出厂时的欧姆内阻值。

在步骤S14中，获取动力电池的充电电压数据。

在步骤S15中，将充电电压数据输入训练好的随机森林算法模型以得到 动力电池的第二SOH。在该实施方式中，该随机森林算法模型可以是由预设 的数据集进行训练得到，而该训练过程可以具体包括如图5中所示出的步骤。 在图5中，该过程可以包括：

在步骤S30中，获取动力电池的循环充电电压数据。

在步骤S31中，将循环充电电压数据中每个循环电压区间分成多个电压 值。

在步骤S32中，分别针对每个电压值获取对应的动力电池的容量值。

在步骤S33中，针对每个循环，将多个容量值和对应的最大容量组合以 构成单个数据样本。

在步骤S34中，组合多个单个数据样本以构成用于训练随机森林算法模 型的数据集。

在步骤S30至步骤S34中，该循环充电电压数据可以是不同最大容量的 动力电池在充电过程中两端电压的变化曲线。而循环电压区间可以是能够反 映该动力电池在充电过程中，两端电压变化特征的区间。在该实施方式中， 可以先将该循环电压区间划分成多个电压值ΔV。其中，该电压值ΔV可以是 点值，也可以是由两个点值确定的子区间。然后针对每个电压值ΔV，分别确 定其对应的动力电池当前的容量，可以记为Q₁、Q₂……Q_m。再将该当前的 容量和动力电池的最大容量进行组合，从而构成该数据集，记为S_n＝{(X₁， Y₁)，(X₂,Y₂)，……，(X_n,Y_n)}。其中，X₁、X₂…X_n中的任意者均表示一个动 力电池的Q₁、Q₂……Q_m，Y₁、Y₂…Y_n表示对应的最大容量。

在确定完数据集，可以以预设的概率值(例如7:3)划分该数据集以构 成训练集和测试集，然后采用训练集训练随机森林算法模型，再采用测试集 测试随机森林算法模型。最后采用均方根误差的方法计算随机森林算法模型 的精确度。在其精确度达到预设条件的情况下，确定该随机森林算法模型的 训练完成。

另外，在该随机森林算法的过程中，首先从S_n中随机选取n个观测值， 并替换得到Bootstrap样本，其中每个观测值有1/n被选择的概率，并构造q 棵决策树，Bootstrap样本为

在训练过程中，该算法在每 个节点上对输入数据进行分割，同时要使得所有变量都能进行最佳分割，这 个分割过程从根节点开始，每个节点对新的输入X应用对应的分割函数。这 个过程会递归重复，直到最后一个节点不能再分割。当达到最大节点深度时； 或当节点包含的观测值少于预定数量时，树就会停止生长。在这个训练过程的最后，在S_n上构造一个预测函数

每棵树对应的输出值分别为

最后通过平均所有树的输出， 即：

其中

是对应的第i棵树的输出值，i＝1,2,……,q。相应的流程图如图6 所示。

在步骤S16中，对第一SOH和第二SOH进行加权以得到动力电池的 SOH。具体地，可以是根据公式(13)执行该加权操作，

SOH_实＝x₁SOH₁+x₂SOH₂， (13)

其中，SOH_实为动力电池的SOH(真实值)，SOH₁为第一SOH，SOH₂为 第二SOH，x₁、x₂分别为对应的加权系数且x₁+x₂＝1。

另外，对于该x₁、x₂具体数值的确定，可以是本领域人员所知的多种方 法。但是，考虑到如果对x₁、x₂数值的确定不恰当，会导致对第一SOH和第 二SOH确定的不准确，进而导致SOH_实的准确度降低。因此，在本发明的一 个实施方式中，发明人设计了如图7所示的方法。在图7中，确定x₁、x₂数 值的具体过程可以包括：

在步骤S40中，定义x₁、x₂的初始数值；

在步骤S41中，将x₁、x₂代入公式(13)中以得到SOH_实的值；

在步骤S42中，以动力电池容量老化曲线和内阻老化曲线为基准，计算 SOH_实分别与动力电池容量老化曲线和内阻老化曲线的平均误差；

在步骤S43中，计算两个平均误差的总和；

在步骤S44中，判断该总和是否小于或等于预设的阈值；

在步骤S45中，在判断该总和大于该阈值的情况下，根据公式(14)和 公式(15)更新x₁和x₂，并返回执行步骤S41，

x₁ ¹＝x₁+Δt， (14)

x₂ ¹＝x₂-Δt， (15)

其中，x₁ ¹、x₂ ¹为更新后的x₁、x₂的值，Δt为预设的递推因子；

在步骤S46中，在判断该总和小于或等于阈值的情况下，确定当前的x₁和x₂为最优解。

通过如图7所示出的步骤，针对x₁、x₂进行分别地进行增量和减量，并 在增量和减量的过程中，实时地计算与动力电池容量老化曲线和内阻老化曲 线的平均误差的总和，使得基于x₁、x₂所得到的SOH_实更加准确。

此外，值得注意的是，就实际的工况而言，该平均误差的总和表示为 SOH_实与该动力电池的其他的任意曲线。但是，在本发明的实施方式中，发 明人考虑到动力电池的SOH值主要受动力电池的最大容量和内阻的影响， 因此，以该动力电池的动力电池容量老化曲线和内阻老化曲线作为评价基准 能够更加准确地确定出合理的x₁、x₂的值，从而最终得到更加准确地SOH的 真实值。

另一方面，本发明还提供一种预测动力电池健康状态的***，该***可 以包括处理器，该处理器用于执行如上述任一所述的方法。

再一方面，本发明还提供一种存储介质，该存储介质可以存储有指 令，该指令可以用于被机器读取以使得该机器执行如上述任一所述的方 法。

通过上述技术方案，本发明提供的预测动力电池健康状态的方法、*** 及存储介质一方面通过建立一阶Thevenin模型，采用改进的卡尔曼滤波方 法估算动力电池的第一SOH；另一方面采用随机森林算法模型对基于动力电 池充电电压变化情况估算动力电池的第二SOH；最后以对第一SOH和第二 SOH加权的方法来估算出动力电池的SOH的真实值。克服了现有技术中两 种方法在单独估计时容易受到测试条件的影响的缺陷，提高了SOH的估计精度。

以上结合附图详细描述了本发明例的可选实施方式，但是，本发明实施 方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范 围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型 均属于本发明实施方式的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征， 在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的 重复，本发明实施方式对各种可能的组合方式不再另行说明。

本领域技术人员可以理解实现上述实施方式方法中的全部或部分步骤 是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中， 包括若干指令用以使得一个(可以是单片机，芯片等)或处理器(processor) 执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包 括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取 存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程 序代码的介质。

此外，本发明实施方式的各种不同的实施方式之间也可以进行任意组合， 只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公 开的内容。

Claims (10)

1.一种预测动力电池健康状态的方法，其特征在于，所述方法包括：

基于所述动力电池的工况搭建一阶Thevenin模型；

对所述一阶Thevenin模型的内阻进行参数识别；

采用卡尔曼滤波算法根据参数识别的结果估计所述动力电池的内阻；

根据所述内阻确定所述动力电池的第一SOH；

获取所述动力电池的充电电压数据；

将所述充电电压数据输入训练好的随机森林算法模型以得到所述动力电池的第二SOH；

对所述第一SOH和第二SOH进行加权以得到所述动力电池的SOH。

2.根据权利要求1所述的方法，其特征在于，所述一阶Thevenin模型包括：

电压源，所述电压源的负极用于输出所述动力电池的输出电压的负极；

第一电阻，所述第一电阻的一端与所述电压源的正极连接；

电容，所述电容的一端与所述第一电阻的一端连接，所述电容的另一端与所述第一电阻的另一端连接；以及

第二电阻，所述第二电阻的一端与所述第一电阻的另一端连接，所述第二电阻的另一端用于输出所述动力电池的输出电压的正极；

所述基于所述动力电池的工况搭建一阶Thevenin模型具体包括：

根据所述一阶Thevenin模型建立方程(1)，

U_t＝U_OC-I_PR_P-I₀R₀，(1)

其中，U_t为所述输出电压，U_OC为所述电压源，I_P为通过第一电阻R_P的电流，I₀为通过第二电阻R₀的电流。

3.根据权利要求1所述的方法，其特征在于，所述对所述一阶Thevenin模型的内阻进行参数识别包括：

采用直流放电法利用所述动力电池两端脉冲放电得到的电压特性曲线进行参数辨识。

4.根据权利要求2所述的方法，其特征在于，所述采用卡尔曼滤波算法根据参数识别的结果估计所述动力电池的内阻具体包括：

根据公式(2)对初始化所述卡尔曼滤波算法，

其中，

为状态变量估计值的初值，x₀为状态变量，D₀为状态误差协方差的初值，E为期望的计算算子；

根据公式(3)和公式(4)进行时间更新操作，

其中，

为第k轮的状态预测值，A_k为第k轮的状态转移矩阵，

为第k-1轮的状态变量估计值，B_k为第k轮的输入矩阵，u_k-1为第k-1轮的输入变量；

其中，P_k|k-1为第k轮的误差协方差的预测值，A_k-1为第k-1轮的状态转移矩阵，P_k-1为第k-1轮的状态误差协方差，

为状态转移矩阵A_k-1的转置，Q为过程噪声的协方差；

根据公式(5)至公式(7)进行量测更新，

P_k＝(I-K_kC_k)P_k|k-1，(7)

其中，K_k为第k轮的增益，C_k为第k轮的观测矩阵，

为观测矩阵C_k的转置，R为量测噪声的协方差，

为第k轮的状态变量估计值，y_k为第k轮的观测变量，D_k为前馈矩阵，u_k为第k轮的输入变量，P_k为第k轮的状态误差协方差，I为单位矩阵；

根据方程(8)确定所述卡尔曼滤波算法的状态方程，

其中，R₀(k)、R₀(k-1)分别为第k轮、第k-1轮的第二电阻R₀的值，R_p(k)、R_p(k-1)分别为第k轮、第k-1轮的第一电阻R_p的值，τ_p(k)为第k轮、第k-1轮的τ_p的值，C_p＝τ_p/R_p，C_p为所述电容的电容值，ω(k)为过程噪声；

将方程(8)输入卡尔曼滤波算法中以得到所述动力电池的内阻。

5.根据权利要求1所述的方法，其特征在于，所述根据所述内阻确定所述动力电池的第一SOH包括：

根据公式(9)估计所述第一SOH，

其中，SOH₁为所述第一SOH，R_EOL为所述动力电池的寿命截止的欧姆内阻值，R_now为当前的所述动力电池的内阻，R_new为所述动力电池出厂时的欧姆内阻值。

6.根据权利要求1所述的方法，其特征在于，所述方法包括：

获取所述动力电池的循环充电电压数据；

将所述循环充电电压数据中每个循环电压区间分成多个电压值；

分别针对每个所述电压值获取对应的所述动力电池的容量值；

针对每个循环，将多个容量值和对应的最大容量组合以构成单个数据样本；

组合多个所述单个数据样本以构成用于训练所述随机森林算法模型的数据集。

7.根据权利要求6所述的方法，其特征在于，所述方法包括：

以预设的概率值划分所述数据集以构成训练集和测试集；

采用所述训练集训练所述随机森林算法模型；

采用所述测试集测试所述随机森林算法模型；

采用均方根误差的方法计算所述随机森林算法模型的精确度。

8.根据权利要求1所述的方法，其特征在于，所述对所述第一SOH和第二SOH进行加权以得到所述动力电池的SOH具体包括：

根据公式(10)计算动力电池的SOH，

SOH_实＝x₁SOH₁+x₂SOH₂，(10)

其中，SOH_实为动力电池的SOH(真实值)，SOH₁为第一SOH，SOH₂为第二SOH，x₁、x₂分别为对应的加权系数且x₁+x₂＝1。

9.一种预测动力电池健康状态的***，其特征在于，所述***包括处理器，所述处理器用于执行如权利要求1至8任一所述的方法。

10.一种存储介质，其特征在于，所述存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如权利要求1至8任一所述的方法。

Images