预测锂电池阻抗模型的参数的方法、装置及可读存储介质与流程

本发明涉及锂电池技术领域，具体是预测锂电池阻抗模型的参数的方法、装置及可读存储介质。

背景技术：

随着社会的不断发展，我国在新能源及节能减排方面取得了快速发展，锂电池由于具有较高的能量及更具有环保性，已经开始取代传统的铅酸、镍氢和镍镉电池。锂电池应用于电动汽车时，电动汽车上需要装载的锂电池工作电压为12v或24v，但是单体锂电池的工作电压为3.7v，所以需要多个电池串联起来提高电压，然而电池很难进行完全均衡的充放电，难以保证电池的一致性，会出现充电不足及过放电的情况，直接导致电池性能的急剧恶化，极大折损电池的循环寿命和可靠性能。因此提高电池的一致性，就显得尤其重要。经过大量研究发现，锂电池的阻抗模型中的参数是评估电池动态性能一致性的根据。

现有技术中，采用人工神经网络法预测锂电池阻抗模型的参数。人工神经网络从仿生学角度对人脑的神经系统进行模拟，以实现人脑所具有的感知、学习和推理等功能，将人工神经网络引入到锂电池阻抗模型参数预测中，可以实现快速预测电池阻抗模型参数的目的。虽然人工神经网络取得了一定的成功，但因人工神经网络遵循经验风险最小化原则，建模过程需要大量的样本数据、泛化能力差、易于陷于局部最优等缺点，在实际应用时，预测效果有时不理想。

因此，如何更加准确地预测锂电池阻抗模型的参数，是本领域技术人员目前需要解决的问题。

技术实现要素：

本发明的实施例目的在于提供预测锂电池阻抗模型的参数的方法、装置及可读存储介质，以解决上述问题。

为实现上述目的，本发明提供如下技术方案：

一种预测锂电池阻抗模型的参数的方法，步骤如下：

s10：建立预测目标参数的最小二乘支持向量机模型；

s20：获取待测锂电池的电压响应值；

s30：根据所述最小二乘支持向量机模型和所述电压响应值，得到所述待测锂电池的所述目标参数。

在一种可选方案中：所述建立预测目标参数的最小二乘支持向量机模型，步骤包括：

获取多个样本锂电池的样本电压响应值；

获取所述多个样本锂电池阻抗模型的参考参数；

根据所述多个样本锂电池的样本电压响应值和所述参考参数建立所述最小二乘支持向量机模型。

在一种可选方案中：所述支持向量机的核函数为径向基核函数。

在一种可选方案中：根据所述多个样本锂电池的样本电压响应值和所述参考参数建立所述最小二乘支持向量机模型的步骤包括：

根据所述多个样本锂电池的样本电压响应值和所述参考参数，采用遗传退火算法确定所述最小二乘支持向量机模型。

在一种可选方案中：获取所述多个样本锂电池阻抗模型的参考参数的步骤包括：

采用电化学工作站测量所述多个样本锂电池阻抗模型的参考参数。

在一种可选方案中：所述获取待测锂电池的电压响应值包括：

获取所述待测锂电池以1c的电流分别放电10s、20s、40s、50s和100s时分别对应的电压响应值。

在一种可选方案中：所述目标参数包括：电感量、第一阻值、第二阻值、第三阻值、第四阻值、第一电容值、第二电容值、第三电容值和第四电容值。

一种预测锂电池阻抗模型的参数的装置，包括：

第一模型建立单元，用于建立预测目标参数的最小二乘支持向量机模型；

第一获取单元，用于获取所述锂电池的电压响应值；

计算单元，用于根据所述最小二乘支持向量机模型和所述电压响应值，得到所述参数；

一种预测锂电池阻抗模型的参数的装置，包括处理器，所述处理器用于执行存储器中存储的程序时实现上述任一种所述预测锂电池阻抗模型的参数的方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现如下步骤：

建立预测目标参数的最小二乘支持向量机模型；

获取待测锂电池的电压响应值；

根据所述最小二乘支持向量机模型和所述电压响应值，得到所述待测锂电池的所述目标参数。

相较于现有技术，本发明实施例的有益效果如下：

本发明通过建立预测目标参数的最小二乘支持向量机模型；获取待测锂电池的电压响应值；根据最小二乘支持向量机模型和电压响应值，得到待测锂电池的目标参数；可见，根据预先建立的最小二乘支持向量机模型，以及获取的电压响应值，可以得到目标参数。避免了运用人工神经网络预计锂电池的阻抗模型的参数，且最小二乘支持向量机采用结构风险最小化原则，运用于预测问题时，在最小化样本点误差的同时，缩小模型泛化误差的上界，提高了模型的泛化能力，因此可以更加准确地预测电池阻抗模型的参数。

附图说明

图1为本发明第一实施例提供的一种预测锂电池阻抗模型的参数的方法的流程图；

图2为本发明第二实施例提供的另一种预测锂电池阻抗模型的参数的方法的流程图；

图3为本发明第三实施例提供的一种锂电池阻抗模型图；

图4为本发明第四实施例提供的一种预测锂电池阻抗模型的参数的装置的结构图；

图5为本发明第五实施例提供的另一种预测锂电池阻抗模型的参数的装置的结构图。

具体实施方式

以下实施例会结合附图对本发明进行详述，在附图或说明中，相似或相同的部分使用相同的标号，并且在实际应用中，各部件的形状、厚度或高度可扩大或缩小。本发明所列举的各实施例仅用以说明本发明，并非用以限制本发明的范围。对本发明所作的任何显而易知的修饰或变更都不脱离本发明的精神与范围。

实施例1

请参阅图1，本发明实施例中，一种预测锂电池阻抗模型的参数的方法，步骤如下：

s10：建立预测目标参数的最小二乘支持向量机模型；

目标参数可以是最终要得到的参数或者参数值，目标参数的个数和类型可以是根据需要预先选择的；

先建立预测目标参数的最小二乘支持向量机模型，该最小二乘支持向量机模型具体可以是求得的一个具体的计算公式，也可以不直接以计算公式的方式体现，而是通过计算机程序实现该模型；

具体地，可以预先采集一定的样本数据，根据样本数据建立最小二乘支持向量机模型。

s11：获取待测锂电池的电压响应值；

电压响应值可以是一个量，也可以是多个，可以选用一定的电池性能检测仪器获取电压响应值，具体地，可以采用zm-7510系列电池性能检测仪获取电压响应值，该检测仪可以用于镍氢、镍镉、镍锌、锂等各类电池的性能检测，该检测仪在测量方面精确度高、检测速度快，可在测量过程中进行实时监控和操作，可存储、显示运行曲线及完整的测量数据，并能够将数据导出至excel、word、txt等格式下以便存档分析。

s12：根据最小二乘支持向量机模型和电压响应值，得到待测锂电池的目标参数；

可以根据步骤s10中建立的最小二乘支持向量机模型，以及步骤s11中获取的电压响应值，计算并得出锂电池阻抗模型的参数。具体地，可以将获取的电压响应值，输入到最小二乘支持向量机模型中，最小二乘支持向量机模型的输出可以为目标参数，计算并得到参数；

可选地，得到电压响应值后，可以先对电压响应值进行归一化处理，然后再输入到最小二乘支持向量机中，最小二乘支持向量机的输出再经过反归一化处理，得到参考参数。以便消除量纲间的差异，预测结果更加准确；

建立预测目标参数的最小二乘支持向量机模型，获取待测锂电池的电压响应值，根据最小二乘支持向量机模型和电压响应值，得到目标参数。可见，根据预先建立的最小二乘支持向量机模型，以及获取的电压响应值，可以得到目标参数。最小二乘支持向量机采用结构风险最小化原则，用于预测问题时，在最小化样本点误差的同时，缩小模型泛化误差的上界，提高了模型的泛化能力，因此可以更加准确地预测电池阻抗模型的参数。

实施例2

请参阅图2，本实施例与实施例1的不同之处在于，步骤s10中建立预测目标参数的最小二乘支持向量机模型的方法如下：

s20：获取多个样本锂电池的样本电压响应值；

可以选取多个锂电池作为样本，用于获取训练最小二乘支持向量机模型的样本数据，理论上样本锂电池的数量越多，得到的样本数据也可以越多，最终训练得到的最小二乘支持向量机模型更加准确，但是获取过多的样本有时可能消耗大量的时间，因此也需要结合实际工程情况综合考虑。例如，样本锂电池的个数可以10，当然，为了获取较多的样本数据，样本锂电池的个数也可以是50。电压响应值可以只包括一个物理量，也可以包括多个物理量。

可以设计一定的主控制电路和电池充放电控制电路自动获取锂电池的电压响应值，可选地，可以以msp430单片机为控制芯片，通过控制电池充放电控制电路对锂电池进行充放电操作，可以通过一定的检测仪器测量获取电池的电压信号并输入到单片机中，单片机可以通过以太网模块与上位机进行通讯，以便上位机控制充放电电路的工作以及将电压采样值实时传送给上位机。

测量多个锂电池的电压响应值。可以选用一定的电池性能检测仪器获取电压响应值。具体地，可以采用zm-7510系列电池性能检测仪作为充放电控制电路，并获取电压响应值。该检测仪可以用于镍氢、镍镉、镍锌、锂等各类电池的性能检测，该检测仪在测量方面精确度高、检测速度快，可在测量过程中进行实时监控和操作，可存储、显示运行曲线及完整的测量数据，并能够将数据导出至excel、word、txt等格式下以便存档分析。可选地，可以将锂电池样本连接到检测仪器上，每次接一个锂电池，可以用阶跃脉冲电流先后激励锂电池两端，获取电压采样值，然后换下一个锂电池，依次进行下去，直到获取各样本锂电池的样本电压响应值。

s21：获取多个样本锂电池阻抗模型的参考参数。

参考参数可以认为是标准的较为准确的参数值。可以采用一定的测量仪器获取锂电池阻抗模型的参考参数。依次测量每个样本锂电池阻抗模型的参考参数。

s22：根据多个样本锂电池的样本电压响应值和参考参数建立最小二乘支持向量机模型。

最小二乘支持向量机模型可以表示为：

其中k(x,xi)为核函数，n为样本锂电池的个数，核函数的类型可以根据需求进行选择，最小二乘支持向量机用于预测锂电池阻抗模型时，x为输入，可以为待测锂电池的电压响应值，f(x)为待测锂电池的阻抗模型的参数，xi为第i个样本电压响应值，建立及训练最小二乘支持向量机模型的过程可以是通过样本电压响应值、参考参数确定上述表达式中核函数中的参数、ai、b。这样就可以确定出阻抗模型的参数的计算公式。

具体地，建立最小二乘支持向量机模型时，可以将样本电压响应值作为最小二乘支持向量机的输入，将参考参数作为最小二乘支持向量机模型的期望输出，对最小二乘支持向量机模型进行训练，可以在每次训练中计算实际输出与期望输出之间的差，当差值达到预定的范围后，认为当前选取的参数满足要求，从而确定出核函数中的参数、ai、b。优选地，可以先将样本电压响应值、参考参数以及期望输出分别进行归一化处理，然后再作为最小二乘支持向量机的输入和期望输出，相对应地，最小二乘支持向量机的实际输出进行反归一化的变换。这样可以消除量纲间的差别，使建立的最小二乘支持向量机的模型更加准确。

获取多个样本锂电池的样本电压响应值，获取多个样本锂电池阻抗模型的参考参数，根据多个样本锂电池的样本电压响应值和参考参数建立最小二乘支持向量机模型，获取待测锂电池的电压响应值，根据最小二乘支持向量机模型和电压响应值，得到目标参数。可见，根据预先建立的最小二乘支持向量机模型，以及获取的电压响应值，可以得到目标参数。可以更加准确地预测电池阻抗模型的参数；

为了更快且更准确地确定最小二乘支持向量机模型中的参数，作为优选地实施方式，根据多个样本锂电池的样本电压响应值和参考参数建立最小二乘支持向量机模型包括：根据多个样本锂电池的样本电压响应值和参考参数，采用遗传退火算法确定最小二乘支持向量机模型；

在建立最小二乘支持向量机模型中，需要确定出模型中的参数值。例如，若最小二乘支持向量机中的核函数为径向基核函数，最小二乘支持向量机模型的表达式就为：

需要确定的参数包括σ、ai和b，若采用人工试凑的方法确定出最终的参数值，效率极低。因此，常常采用计算机算法确定参数值。例如，遗传退火算法。遗传退火算法的具体步骤可以包括：首先进行编码工作，产生初始种群。初始种群可以为最小二乘支持向量机模型中待求取的参数；设计个体适应度评价方法，对种群适应度进行评价。可选地，可以将输出值的误差作为适应度，输出值的误差可以是输出的阻抗模型的参数的值与阻抗模型的参考参数间的误差；设计常规遗传算子；选择下一代种群，保留其中部分优秀个体，进行交叉和变异，产生交叉后代和变异后代；将上一步生成的交叉后代和变异后代个体进行模拟退火操作，产生新的个体，并与保留的优秀个体一起组成新的种群，然后继续设计个体适应度评价方法，对种群适应度进行评价，直到适应度满足要求为止，此时设置的种群的参数可以作为最小二乘支持向量机模型的参数。示例性地，当适应度代表误差时，也就是误差满足最终的要求值即可；

为了更加方便快捷且准确地测得待测锂电池阻抗模型的目标参数，作为优选地实施方式，获取多个样本锂电池阻抗模型的参考参数包括：采用电化学工作站测量多个样本锂电池阻抗模型的参考参数；

可选地，可以先采用电化学工作站测量出锂电池的阻抗谱，然后可以利用电化学阻抗软件zsimpwin对实验数据进行拟合分析，该软件在测量前可以人为指定具体的电池阻抗模型；

示例性地，用电化学工作站测量时，可以将锂电池正极接在电化学工作站的工作电极和感受电极的测量表笔上，将锂电池负极接在辅助电极和参考电极的两只表笔上；

示例性地，用软件zsimpwin对测量出的阻抗谱进行拟合时，可以先将测量出的阻抗谱储存并转化为数据文件，然后将数据导入到zsimpwin软件中，对之进行拟合，并选择要拟合的阻抗模型电路，即可获得拟合结果，同时得到锂电池阻抗模型的参数；

为了能够更加准确地建立最小二乘支持向量机的模型，作为优选地实施方式，获取待测锂电池的电压响应值可以包括，获取待测锂电池以1c的电流分别放电10s、20s、40s、50s和100s时分别对应的电压值；

通常情况下，随着电流倍率的增大，锂电池充放电响应的差异也增大，为了使不同单体电池间的差异更为明显，放电激励电流的大小选定为电池的最大工作电流1c；

关于获取待测锂电池的电压响应值，下面以一个具体的例子进行说明：可以先将锂电池连接在分选设备上，以0.5c充电速率进行恒流充电，截止电压4.2v，接下来电压保持在4.2v进行恒压充电，截止电流为50ma。然后以大小1c的电流分别放电10s、20s、40s、50s和100s，每次不同周期脉冲放电后可以暂停5min。最后可以用检测设备将数据导出到excel格式下进行存档；

为了能够更加准确地预测锂电池阻抗模型的参数，作为优选地实施方式，待测锂电池阻抗模型的目标参数包括：电感量、第一阻值、第二阻值、第三阻值、第四阻值、第一电容值、第二电容值、第三电容值和第四电容值；

实施例3

请参阅图3，本发明实施例中，一种锂电池阻抗模型图，可选地，电池的阻抗模型可以如图3所示，包括，电感l、第一电阻rl、第二电阻r1、第三电阻rs、第四电阻r2、第一电双层电容q1、第二电双层电容q2。电感l的第一端和第二端分别与第一电阻rl的第一端和第二端连接，第一电阻rl的第二端同时与第一电双层电容q1和第二电阻r1的第一端连接，第二电阻r1的第二端与第一电双层电容q1的第二端和第三电阻rs的第一端连接，第三电阻rs的第二端同时与第二电双层电容q2的第一端和第四电阻r2的第一端连接，第二电双层电容q2的第二端与第四电阻r2的第二端连接，该模型可以作为筛选电池一致性的有效依据。其中，第一电双层电容q1和第二电双层电容q2包括均包括两个参数，第一电双层电容q1的这两个参数为第一电容值和第二电容值，第二电双层电容q2的两个参数值为第三电容值和第四电容值。相对应地，电池阻抗模型的参数可以为电感l的电感量、第一电阻rl的第一阻值、第二电阻r1的第二阻值、第三电阻rs的第三阻值、第四电阻r2的第四阻值，第一电双层电容q1的第一电容值和第二电容值，第二电双层电容q2的第三电容值和第四电容值；

上文中对于预测锂电池阻抗模型的方法的实施例进行了详细描述，基于上述实施例描述的预测锂电池阻抗模型的参数的方法，本发明实施例提供一种与该方法对应的预测锂电池阻抗模型的装置。由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参照方法部分的实施例描述，这里不再详细赘述。

实施例4

请参阅图4，上文中对于预测锂电池阻抗模型的方法的实施例进行了详细描述，基于上述实施例描述的预测锂电池阻抗模型的方法，本发明实施例提供一种与该方法对应的预测锂电池阻抗模型的装置。由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参照方法部分的实施例描述，这里不再详细赘述。

一种预测锂电池阻抗模型的参数的装置，包括第一模型建立单元40、第一获取单元41和计算单元42；

第一模型建立单元40，用于建立预测目标参数的最小二乘支持向量机模型；

第一获取单元41，用于获取待测锂电池的电压响应值；

第一获取单元41具体可以是采集装置或者采集仪器；

计算单元42，用于根据最小二乘支持向量机模型和电压响应值，得到待测锂电池的目标参数。

第一模型建立单元建立预测目标参数的最小二乘支持向量机模型，第一获取单元获取待测锂电池的电压响应值，计算单元根据最小二乘支持向量机模型和电压响应值，得到待测锂电池的目标参数。可见，根据预先建立的最小二乘支持向量机模型，以及获取的电压响应值，可以得到目标参数。最小二乘支持向量机采用结构风险最小化原则，运用于预测问题时，在最小化样本点误差的同时，缩小模型泛化误差的上界，提高了模型的泛化能力，因此可以更加准确地预测电池阻抗模型的参数。

其中，第一模型建立单元40包括第二获取单元、第三获取单元和第二模型建立单元。其中，第二获取单元可以用于获取多个样本锂电池的样本电压响应值；第三获取单元可以用于获取多个样本锂电池阻抗模型的参考参数；第二模型建立单元用于根据多个锂电池的样本电压响应值和参考参数建立最小二乘支持向量机模型；

第一模型建立单元建立的最小二乘支持向量机模型的核函数可以为径向基核函数；

第二模型建立单元具体可以用于根据多个样本锂电池的样本电压响应值和参考参数，采用模拟退火算法确定最小二乘支持向量机模型；

第三获取单元具体可以用于采用电化学工作站测量多个样本锂电池阻抗模型的参考参数；

第一获取单元具体可以用于获取待测锂电池以1c的电流分别放电10s、20s、40s、50s和100s时分别对应的电压值；

实施例5

请参阅图5，一种预测锂电池阻抗模型的参数的装置，包括：

存储器50和处理器51；

存储器50，用于存储计算机程序；

处理器51，用于执行存储器50中存储的计算机程序时，可以实现如下步骤：

建立预测目标参数的最小二乘支持向量机模型；

获取待测锂电池的电压响应值；

根据最小二乘支持向量机模型和电压响应值，得到待测锂电池的目标参数。

在本发明的一些实施例中，上述处理器51，还可以用于执行存储器50中的计算机程序实现如下步骤：

获取多个样本锂电池的样本电压响应值；

获取多个样本锂电池阻抗模型的参考参数；

根据多个样本锂电池的样本电压响应值和参考参数建立最小二乘支持向量机模型。

上述处理器51，还可以用于执行存储器50中的计算机程序实现如下步骤：

根据多个样本锂电池的样本电压响应值和参考参数，采用遗传退火算法确定最小二乘支持向量机模型。

上述处理器51，还可以用于执行存储器50中的计算机程序实现如下步骤：

获取待测锂电池以1c的电流分别放电10s、20s、40s、50s和100s时分别对应的电压响应值。

本实施例提供的预测锂电池阻抗模型的装置，处理器在执行存储器中的计算机程序时，建立预测目标参数的最小二乘支持向量机模型，获取待测锂电池的电压响应值，根据最小二乘支持向量机模型和电压响应值，得到目标参数。可见，根据预先建立的最小二乘支持向量机模型，以及获取的电压响应值，可以得到目标参数。最小二乘支持向量机采用结构风险最小化原则，运用于预测问题时，在最小化样本点误差的同时，缩小模型泛化误差的上界，提高了模型的泛化能力，因此可以更加准确地预测电池阻抗模型的参数。

实施例6

本实施例提供了一种与上述预测锂电池阻抗模型的参数的方法实施例对应的计算机可读存储介质，由于计算机可读存储介质部分的实施例与方法部分的实施例相互对应，因此计算机可读存储介质部分的实施例请参照方法部分的实施例描述，在此不再详细赘述；

一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行以实现如下步骤：

建立预测目标参数的最小二乘支持向量机模型；

获取待测锂电池的电压响应值；

根据最小二乘支持向量机模型和电压响应值，得到待测锂电池的目标参数。

需要说明的是，本发明中的计算机可读存储介质可以为u盘或光盘等介质，具体不作限定；

本发明提供的计算机可读存储介质中的计算机程序被处理器执行时，建立预测参数的最小二乘支持向量机模型，获取锂电池的电压响应值，根据最小二乘支持向量机模型和电压响应值，得到参数。可见，根据预先建立的最小二乘支持向量机模型，以及获取的电压响应值，可以得到参数。最小二乘支持向量机采用结构风险最小化原则，运用于预测问题时，在最小化样本点误差的同时，缩小模型泛化误差的上界，提高了模型的泛化能力，因此可以更加准确地预测电池阻抗模型的参数；

以上对本发明所提供的预测锂电池阻抗模型的参数的方法、装置及计算机可读存储介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明都是与其它实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。