技术领域：
本发明涉及锂离子电池，进一步涉及一种锂离子电池寿命预测方法。
背景技术：
：
随着锂电池应用领域的越来越广泛，其设计容量逐渐加大，而电池单体的不一致以及运行工况的不同，使得电池的使用寿命差异较大，电池性能衰减的因素较多，电池内部化学反应机理较为复杂，使得电池寿命预测较难实现。
现有的电池寿命预测模型通常基于两种建模方法，一是经验模型。经验模型通常需要进行大量的测试，得到测试数据，通过获取参数值，取得容量衰减的经验数据，其需要的时间较长，要投入大量的资源进行测试以获取数据。二是物理或基于数据驱动模型。由于锂电池的失效机理较为复杂、物理模型难以建立，因此现有的大部分研究集中于建立数据驱动模型的方法，如自回归(ar)模型、卡尔曼滤波、神经网络等，但由于缺乏实验数据，导致电池运行后期误差较大。
随着大数据的发展应用，电池运行历史数据的上传及存储逐步完善，大量电池的运行及故障数据得以保存，实现对电池运行过程中的健康度、电池单体生命周期内的一致性变化规律、电池寿命影响因素等数据的分析，为电池在特定工况下的剩余寿命预测提供有力支撑。
技术实现要素：
：
为此，本发明所要解决的是锂电池在特定运行工况下寿命预测难度大的问题，基于大数据存储技术提供多方面的数据进行分析，进而提供一种电池寿命预测方法。为解决上述技术问题，本发明采用的技术方案如下：
在本发明中，电池寿命指的是电池100％dod下的总的相对循环次数。
方案一：一种锂离子电池寿命预测方法，所述方法包括如下过程：
对相同型号在役或退役电池运行数据进行收集，建立包括电池运行温度、电池放电倍率、电池内阻以及总使用寿命参数的数据库；
建立电池寿命预测线性回归函数模型：
h(x)＝hθ(x)＝θ0+θ1x1+θ2x2+θ3x3
其中，x＝{x1，x2，x3}为影响电池寿命参数，x1为电池运行温度，x2为电池放电倍率，x3为电池内阻，h(x)为电池总使用寿命，θ＝{θ1，θ2，θ3}为各参数对于寿命衰退的影响系数，θ0为噪声，服从均值为0，方差为σ的正态分布；
将特定型号电池运行温度、电池放电倍率、电池内阻代入上述回归模型，得到了电池的总使用寿命。
上述方案一的优选方案，可引入错误评估函数，评价电池寿命模型的误差；具体为将x(i)的估计值与真实值y(i)差的平方和作为错误估计函数：
方案二：一种锂离子电池寿命预测方法，所述方法包括如下过程：
对相同型号在役或退役电池运行数据进行收集，建立包括电池运行的温度、电池放电倍率、电池内阻、实时放电容量、已服役时间i以及总使用寿命参数的数据库；已服役时间i指的是电池100％dod下的相对循环次数；
建立电池寿命预测线性回归函数模型：
h(x)＝hθ(x)＝θ0+θ1x1+θ2x2+θ3x3
其中，x＝{x1，x2，x3}为影响电池寿命参数，x1为电池运行温度，x2为电池放电倍率，x3为电池内阻，h(x)为电池总使用寿命，θ＝{θ1，θ2，θ3}为各参数对于寿命衰退的影响系数，θ0为噪声，服从均值为0，方差为σ的正态分布；
引入寿命衰减因子δ进行修正：
y＝δh(x)＝δ(θ0+θ1x1+θ2x2+θ3x3)
δ为特定型号电池寿命衰减因子，通过所述数据库获取；所述电池寿命衰减因子δ的获取方法为：
在数据库中筛选相同型号的现役或退役电池数据，代入当前电池运行参数，得到所述电池在i时刻下电池放电容量的平均值
所述qn为待预测电池当前放电容量。
上述方案二的优选方案之一，所述的电池寿命衰减因子δ随着电池的运行进行更新优化。
上述方案二的优选方案之二，引入错误评估函数，评价电池寿命模型的误差；具体为将x(i)的估计值与真实值y(i)差的平方和作为错误估计函数。为：
本发明相对于现有技术的优点在于：
(一)由于电池在充放电循环过程中的容量损失影响较为复杂，包含运行温度，放电倍率以及内阻变化等影响因素；当电池运行温度超过适应的温度范围，电池将加速衰减；电池的放电倍率越高，活性材料相邻颗粒之间的电导率损失将增大，致使电流分配不均，进而影响电池的寿命；在电池组运行期间，电池内阻将在一定范围内变化，但随着电池的老化，电池内阻将显著增加，在电池运行末期，内阻增加成为电池可用容量衰减的主要原因；因此，电池运行温度、放电倍率以及内阻是影响电池寿命的关键因素，引入电池运行温度、放电倍率以及内阻作为电池寿命的影响参量进行建模预测是有效的。
(二)通过已有的电池运行数据，得到电池在预测点之前的容量参数，引入线性回归函数，建立电池寿命预测模型，将电池运行的环境温度、放电倍率以及内阻作为电池寿命模型参量，利用大数据监控平台，对相同型号在役或退役电池运行数据进行分析计算，进而实现电池的剩余循环寿命预测。
(三)第二技术方案中，引入衰减因子作为电池寿命衰退模型的修正系数，可提高方法的精确度。
(四)在实施例中，为了训练寿命预测模型的误差，引入错误评估函数对电池寿命线性回归函数进一步修正。
附图说明：
图1是实施例中寿命预测方法流程示意图。
具体实施方式：
实施例：
一种锂离子电池寿命预测方法，所述方法包括如下过程：
对相同型号在役或退役电池运行数据进行收集，建立包括电池运行的温度、电池放电倍率、电池内阻、实时放电容量、已服役时间i以及总使用寿命参数的数据库；
建立电池寿命预测线性回归函数模型：
h(x)＝hθ(x)＝θ0+θ1x1+θ2x2+θ3x3
其中，x＝{x1，x2，x3}为影响电池寿命参数，x1为电池运行温度，x2为电池放电倍率，x3为电池内阻，h(x)为电池总使用寿命，θ＝{θ1，θ2，θ3}为各参数对于寿命衰退的影响系数，θ0为噪声，服从均值为0，方差为σ的正态分布；
引入寿命衰减因子δ进行修正：
y＝δh(x)＝δ(θ0+θ1x1+θ2x2+θ3x3)
δ为特定型号电池寿命衰减因子，通过所述数据库获取；所述电池寿命衰减因子δ的计算方法为：
在数据库中筛选相同型号的现役或退役电池数据，代入当前电池运行参数，得到所述电池在i时刻下电池放电容量的平均值
所述qn为待预测电池当前放电容量；
上述的电池寿命衰减因子δ随着电池的运行进行更新优化；
引入错误评估函数，评价电池寿命模型的误差；具体为将x(i)的估计值与真实值y(i)差的平方和作为错误估计函数。为：
利用最小二乘法求解j(θ)最小值，将训练特征表示为x矩阵，结果表示成y向量，那么参数θ可由下面公式计算得出。
θ＝(xtx)-1xty。