1.一种基于局部容量增量特征的锂电池健康状态估计方法,其特征在于,具体包括以下步骤:S1、获取锂电池从出厂到退役过程中每轮充放电循环的充电数据,以充放电循环中第一次充电为准,评估20%至80%荷电状态对应的电压范围,保留充电数据中所有在所述电压范围的充电数据;
S2、将每一轮保留的充电数据中的电压范围以间隔ΔU1划分为N1个电压区间,并对N1个电压区间进行电压修复;
S3、将电压修复的每个电压区间按照间隔ΔU2划分为N2个电压子区间,计算每个子区间对应的局部电压容量增量;
S4、将每个子区间对应的局部电压容量增量输入支持向量回归模型中训练,直至均方根误差损失函数收敛,得到N1个锂离子电池健康状态估计模型;
S5、实时采集当前充放电循环次数下的锂电池充电片段,根据充电片段选择对应的锂离子电池健康状态估计模型,得到多模型联合估计值,并通过卡尔曼滤波算法得出当前锂电池健康状态估计的最优估计;包括如下子步骤:S5.1、实时采集当前充放电循环次数下的锂电池充电片段,根据充电片段选择对应的锂离子电池健康状态估计模型,计算每个锂离子电池健康状态估计模型的均方根误差,根据均方根误差设置每个锂离子电池健康状态估计模型的权重wj:其中,J为充电片段对应的锂离子电池健康状态估计模型的数量,j表示J的索引,δj为第j个锂离子电池健康状态估计模型与实时锂电池的充电片段之间的均方根误差;
S5.2、通过对应的锂离子电池健康状态估计模型估计出锂电池健康状态结合每个锂离子电池健康状态估计模型的权重,得到多模型联合估计值其中,为由每个锂离子电池健康状态估计模型估计出的锂电池健康状态组成的矩阵集合,W为锂离子电池健康状态估计模型的权重集合;
S5.3、将多模型联合估计值进一步采用卡尔曼滤波进行修正,得出当前锂电池健康状态估计的最优估计其中,为当前充放电循环次数k的先验估计,K(k)为当前充放电循环次数k的卡尔曼增益,P-(k)为当前充放电循环次数k的先验估计方差,P-(k)=P(k-1)+Q,P(k-1)为k-1充放电循环次数下的最优估计方差,Q为过程方差,R(k)为当前充放电循环次数k的估计方差。
2.根据权利要求1所述的一种基于局部容量增量特征的锂电池健康状态估计方法,其特征在于,所述间隔ΔU1为50mV-200mV。
3.根据权利要求1所述的一种基于局部容量增量特征的锂电池健康状态估计方法,其特征在于,所述间隔ΔU2为3mV-10mV。
4.根据权利要求1所述的一种基于局部容量增量特征的锂电池健康状态估计方法,其特征在于,对N1个电压区间进行电压修复的过程为:充电电压曲线随荷电状态单调递增,若充电时任意时刻的电压值应低于前面所有时刻,则该时刻的电压值异常,寻找该时刻的电压值左右相邻两个时刻的正常电压,采用线性插值的方式对异常的电压值进行替换:其中,tabnormal为异常电压出现的时刻,为异常电压左相邻时刻,为异常电压右相邻时刻,为对应的正常电压值,为对应的正常电压值,Vrenew为对异常电压的修复值。
5.根据权利要求1所述的一种基于局部容量增量特征的锂电池健康状态估计方法,其特征在于,所述子区间对应的局部容量增量Δq为:其中,i(t)为锂电池在充电过程中t时刻所对应的电流,tst为子区间的起始时刻,ted为子区间的终止时刻。
6.根据权利要求1所述的一种基于局部容量增量特征的锂电池健康状态估计方法,其特征在于,所述均方根误差损失函数δa为:其中,Mval为第a个电压区间的充电数据样本数,u为Mval的索引,yval(u)表示第u个充电数据样本的电池健康状态的真实值,表示第a个电压区间关于第u个充电数据样本的电池健康状态的估计值。