本发明涉及锂电池电量测量预测方法，特别是一种锂电池充电电量的函数拟合和电量预测方法。
背景技术：
：：随着新能源技术的发展，新能源汽车、日常生活中对锂电池的消费增长迅速扩大，锂电池的生产产能不断提升，我国也成为锂电池生产大国。在电池生产过程中，原有对电池电量的检测是通过全冲、全放的过程评价锂电池的电量，并进行分级。该方法电池充放电检测消耗时间比较长，生产线效率得不到明显提升。因此，寻找到能够准确、快速评价锂电池电量的方法，对电池生产线效率的效提升有重要意义。然而目前还未存在一种电池总电量预测的阈值评价方法。技术实现要素：本发明的目的在于，提供一种锂电池充电电量的函数拟合和电量预测方法。本发明具有减少电池生产检测的时间，提升生产效率的特点。本发明的技术方案：一种锂电池充电电量的函数拟合和电量预测方法包括下述步骤：a.数据采集：对完全放电后的锂电池充电，采集充电中恒压充电阶段的数据；b.根据采集数据构建锂电池的充电总电量函数模型；c.使用充电总电量函数模型对同类型锂电池总电量进行预测。前述的锂电池充电电量的函数拟合和电量预测方法所述的步骤a中，锂电池充电的时间截止点为恒压充电阶段电流每分钟降低值小于5ma时的时间点。前述的锂电池充电电量的函数拟合和电量预测方法所述的步骤b中，充电总电量函数模型为充电过程中关于总电量的极限值逼近函数。前述的锂电池充电电量的函数拟合和电量预测方法所述的步骤b中，充电总电量函数模型具有收敛性和最小方差。前述的锂电池充电电量的函数拟合和电量预测方法所述的步骤b中，充电总电量函数模型为：qt＝q1+b1(xtime+b2)/(xtime+b3)；其中，qt为累积总充电量，单位mah；q1为恒流充电阶段到恒压充电阶段的切换点处已经充电的总电量；b1、b2、b3为无量纲参数，由最小二乘法函数进行拟合回归计算产生；xtime为充电时间坐标，单位：秒。前述的锂电池充电电量的函数拟合和电量预测方法所述的步骤b中，所述的b1、b2、b3的初始值为确保计算不发生溢出的值。前述的锂电池充电电量的函数拟合和电量预测方法所述的步骤b中，所述的采集数据中，整个恒压充电阶段65％的时间段内的数据用于构建充电总电量函数模型。有益效果：与现有技术相比，本发明根据实际锂电池充电过程的电量检测数据，构建了一个能够精确拟合该电量值的曲线函数(即充电总电量函数模型)，该函数模型具有较好的收敛性和较低的数据方差，能够比较精确地将该函数应用于对锂电池充电的电量预估。具体地，本发明通过对锂电池充电的电量数据进行分析的基础上，应用最小二乘法的曲线拟合回归，对锂电池电量数据进行了有效分析和函数构建，对锂电池生产厂家来说，由于构建了充电电量的函数模型，可通过短时间的充电电量检测实现对电池电量的准确预估和分级，将大大减少电池生产检测的时间，有效提升生产效率，具有很好的市场应用前景。为了证明本发明的有益效果，申请进行了如下实验：实验一：构建充电总电量函数模型实验方法步骤1：对完全放电后的恒流恒压充电的恒压充电阶段的锂电池样本1的充电数据进行了采集，获得了多组数据，用于建模分析。采集部分数据如表1所示。表1步骤2：对表1的数据进行分析，分析得出：①锂电池总电量在接近充满时，在恒压充电情况下电流不断减小，即饱和情况下电量有极限值，针对过程总电量的函数设计应是一个极限值逼近函数，参见图1。②锂电池在恒流充电时，电压升到充电方式切换的电压阈值，由于每个电池的内部材料机理原因，达到恒压充电的时间和充入的总电量均不一样。因此，恒流充电阶段到恒压充电阶段的切换点的总电量数据需作为函数设计的引入变量。步骤3：基于上述分析，将充电总电量函数模型构建如下：qt＝q1+b1(xtime+b2)/(xtime+b3)；其中，qt为累积总充电量，单位mah；q1为恒流充电阶段到恒压充电阶段的切换点处已经充电的总电量，在每个锂电池公式回归时代入；b1、b2、b3为无量纲参数，由最小二乘法函数进行拟合回归计算产生；xtime为充电时间坐标，单位：秒。基于上述构建的函数模型，在r数据分析软件的环境下编制计算程序，并计算相关的参数，主要计算程序如下：①第一次回归计算setwd("d:/temp/prog")dcell＝read.table("data-cell04.txt",header＝true)attach(dcell)fit＝nls(yeq～(2100+b1*(xtime+b2)/(xtime+b3)),start＝list(b1＝100,b2＝10,b3＝100))summary(fit)plot(xtime,yeq)；detach(dcell)程序说明如下：data-cell04.txt为带字段名称的充电数据变量文件；dcell为充电数据文件多维数组；在r中采用nls最小二乘法函数进行拟合回归计算。程序变量中，由于b1、b2、b3未知，是需要回归的参数，因而先给出初步预设值进行计算：b1＝100,b2＝10,b3＝100。②在第一次回归后，将得到的b1＝421,b2＝18,b3＝948代入程序，如下，进行第二次回归：(注：其它程序同)fit＝nls(yeq～(2100+b1*(xtime+b2)/(xtime+b3)),start＝list(b1＝421,b2＝18,b3＝948))③对得到的函数模型在数据表中进行检验。针对锂电池样本1的状态空间回归函数：qt＝2100+421(xtime+18)/(xtime+948)④经过多次迭代后，得到的最终的优化回归函数模型(充电总电量函数模型)。qt＝2100+472(xtime+3.7)/(xtime+1152.75).步骤4：函数模型的优化和数据回归精度:①对拟合的函数进行检验，证明模型收敛，并且具有较小的方差，r语言计算结果：②通过数据计算期变差比例，模型精度在0.2以内，见表2：锂电池样本1的回归误差。表2实验二：利用充电总电量函数模型预测锂电池容量试验方法：步骤1：对完全放电后的恒流恒压充电的恒压充电阶段的锂电池样本2的充电数据进行了采集，获得了多组数据，用于建模分析。采集部分数据如表3所示。表3步骤2：按实验一的方法构建充电总电量函数模型：qt＝q1+b1(xtime+b2)/(xtime+b3)；步骤3：使用锂电池样本2的整个恒压充电阶段65％的时间段内的数据训练上述步骤2的模型，具体模型训练数据见表4。表4最终训练得锂电池样本2的充电总电量函数模型为(函数模型曲线参见图2)：qt＝2178+358(xtime-1.7)/(xtime+1007).步骤4：利用步骤3的模型对剩余35％时间的电量进行预测及检验，见数据见表5。表5由表5可知：预测精度在0.4％以内，因而可以准确对锂电池总电量进行预测。附图说明图1是锂电池样本1随横坐标时间的充电数据；图2是锂电池样本2随横坐标时间的充电数据。具体实施方式下面结合附图和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。实施例1。一种锂电池充电电量的函数拟合和电量预测方法，包括下述步骤：包括下述步骤：a.数据采集：对完全放电后的锂电池充电，采集充电中恒压充电阶段的数据；b.根据采集数据构建锂电池的充电总电量函数模型；c.使用充电总电量函数模型对同类型锂电池总电量进行预测。前述的步骤a中，锂电池充电的时间截止点为恒压充电阶段电流每分钟降低值小于5ma时的时间点。前述的步骤b中，充电总电量函数模型为充电过程中关于总电量的极限值逼近函数。前述的步骤b中，充电总电量函数模型具有收敛性和最小方差。前述的步骤b中，充电总电量函数模型为：qt＝q1+b1(xtime+b2)/(xtime+b3)；其中，qt为累积总充电量，单位mah毫安时；q1为恒流充电阶段到恒压充电阶段的切换点处已经充电的总电量；b1、b2、b3为无量纲参数，由最小二乘法函数进行拟合回归计算产生；xtime为充电时间坐标，单位：秒。所述的充电总电量函数模型可在r中采用nls最小二乘法函数进行拟合回归。前述的步骤b中，所述的b1、b2、b3的初始值分别为确保计算不发生溢出的值，如上述实验中使用的b1、b2、b3的初始值分别为100,10,100。该数值作为回归运算的初始值。前述的步骤b中，所述的采集数据中，整个恒压充电阶段65％的时间段内的数据用于构建充电总电量函数模型。当前第1页12当前第1页12