本发明涉及锂电池放电电压的测量方法，特别是一种锂电池放电电压的函数拟合预测方法。
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，提供一种锂电池放电电压的函数拟合预测方法。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：一种锂电池放电电压的函数拟合预测方法，包括下述步骤：a.数据采集：对完全充电后的锂电池进行放电，采集放电中的电压数据；b.根据采集数据构建锂电池的放电时间与放电电压的函数模型；c.使用步骤b构建的函数模型对同类型锂电池放电中的电压进行预测。前述的锂电池放电电压的函数拟合预测方法所述的步骤a中，锂电池放电的时间截止点，为放电电压每分钟降低值大于20mv时的时间点。前述的锂电池放电电压的函数拟合预测方法所述的步骤b中，所述的函数模型为放电过程中时间关于电压的反余弦函数。前述的锂电池放电电压的函数拟合预测方法所述的步骤b中，所述的函数模型具有收敛性和最小方差。前述的锂电池放电电压的函数拟合预测方法所述的步骤b中，所述的函数模型为：y＝b1*acos(xtime/b2-1)其中，y为放电电压；b1、b2均为由最小二乘法函数进行拟合回归计算产生的量纲参数；xtime为放电时间坐标。前述的锂电池放电电压的函数拟合预测方法中，所述的b1、b2的初始值分别为1318和17584。前述的锂电池放电电压的函数拟合预测方法所述的步骤b中，函数模型使用步骤a采集的数据中整个放电阶段65％时间段内的数据即能完成构建。有益效果：与现有技术相比，本发明根据实际锂电池放电过程的电压检测数据，构建了一个能够精确拟合该电压值的曲线函数(即放电电压的时间函数模型)，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放电的电压预估，由于放电过程为恒流放电，所以对电压的成功预估既是对总放电电量的预估。具体地，本发明通过对锂电池放电的电压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，由于构建了放电电压的时间的函数模型，可通过短时间的放电电压检测实现对电池电压(总放电量)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：构建放电电压时间函数模型实验方法步骤1：对完全充电后进行恒流放电阶段的锂电池样本1的放电数据进行了采集，获得了多组数据，用于建模分析。采集部分数据如表1所示，放电趋势参见图1。表1步骤2：对表1的数据进行分析，分析得出：①锂电池在恒流放电时，在初始放电时有一个快速压降过程，随后逐渐放缓，在接近横流放电结束前，又有一个电压快速下降过程。这样针对该曲线进行一个基于电压和时间的函数设计，该设计是一个具有参数系数的反余弦函数。②锂电池在恒流放电初始4分钟和结束放电前4分钟内，由于电池的内部材料机理原因，有一个快速电压压降变化的阶段，因此，在进行函数回归时对前后4分钟的数据不进行函数数据回归。步骤3：基于上述分析，放电电压的时间函数模型为：y＝b1*acos(xtime/b2-1)其中，y为放电电压，单位mv毫伏；b1、b2为量纲参数，由最小二乘法函数进行拟合回归计算产生；xtime为放电时间坐标，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-drop01.txt",header＝true)attach(dcell)fit＝nls(y～b1*acos(x/b2-1),start＝list(b1＝1318,b2＝17584))summary(fit)plot(x,y)；detach(dcell)程序说明如下：data-drop01.txt为带字段名称的放电数据变量文件；dcell为放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＝1318,b2＝17584。②在第一次回归后，将得到的b1＝1318,b2＝17584,代入程序，如下，进行第二次回归：(注：其它程序同)fit＝nls(y～b1*acos(x/b2-1),start＝list(b1＝1318,b2＝17584))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：y＝1318*acos(xtime/17584-1)④经过多次迭代后，得到的最终的优化回归函数模型(放电电压时间函数模型)。y＝1322*acos(xtime/17449-1)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：>summary(fit)formula:y～b1*acos(x/b2-1)parameters:estimatestd.errortvaluepr(>|t|)b11323.3801.444916.8<2e-16***b217527.163196.49489.2<2e-16***---signif.codes:0‘***’0.001‘**’0.01‘*’0.05‘.’0.1‘’1residualstandarderror:10.88on63degreesoffreedomnumberofiterationstoconvergence:2achievedconvergencetolerance:6.013e-08②通过数据计算其变差比例，模型精度在0.5以内，见表2：锂电池样本1的回归误差。表2实验二：利用放电时间函数模型预测锂电池电压试验方法：步骤：对完全充电后的锂电池样本进行恒流放电，对电压数据进行采集，数据趋势参见图2，按照回归函数y＝b1*acos(xtime/b2-1)，使用锂电池样本表2的数据对剩余35％时间的电压进行预测及误差计算，见数据见表3。表3由表3可知：预测精度在1.0％以内，因而可以较准确对锂电池放电电压进行预测，即也可以对锂电池电量进行预测。附图说明图1是锂电池样本全时放电曲线实际数据；图2是锂电池样本电压数据，利用该样本数据训练模型进行后续电压预测。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。一种锂电池放电电压的函数拟合预测方法，包括下述步骤：a.数据采集：对完全充电后的锂电池进行放电，采集放电中的电压数据；b.根据采集数据构建锂电池的放电时间与放电电压的函数模型；c.使用步骤b构建的函数模型对同类型锂电池放电中的电压进行预测。前述的步骤a中，锂电池放电的时间截止点，为放电电压每分钟降低值大于20mv时的时间点。前述的步骤b中，所述的函数模型为放电过程中时间关于电压的反余弦函数。前述的步骤b中，所述的函数模型具有收敛性和最小方差。前述的步骤b中，所述的函数模型为：y＝b1*acos(xtime/b2-1)其中，y为放电电压，单位：mv毫伏；b1、b2均为由最小二乘法函数进行拟合回归计算产生的量纲参数；xtime为放电时间坐标，单位：s秒。前述的b1、b2的初始值分别为1318和17584。经过第1，2次试算，即得到初步的拟合参数值。前述的步骤b中，函数模型使用步骤a采集的数据中整个放电阶段65％时间段内的数据即能完成构建。当前第1页12当前第1页12