电池的SOH值的预估方法与预估装置与流程

电池的soh值的预估方法与预估装置
技术领域
1.本技术涉及电池分析技术领域，具体而言，涉及一种电池的soh值的预估方法与预估装置。


背景技术：

2.随着磷酸铁锂电池在新能源汽车和储能中的广泛应用，磷酸铁锂电池的相关算法和策略也越来越被关注。作为电池状态中的重要一环，对磷酸铁锂电池的健康状态(state of health，简称soh)的监测和预估变得愈来愈重要。
3.由于磷酸铁锂的电化学特性，导致磷酸铁锂电池在平台期内，随着荷电状态(state of charge，简称soc)的增加，其的电压变化非常平缓，从而导致无法准确地对其的健康状态进行监测和预估。但是，通过ica(incremental capacity analysis，增量容量分析，简称ica)算法可以消除平台期所带来的制约。对于通用的ica算法：不仅需要大量的数据，还需要在线使用神经网络算法进行实时分析，从而给bms(电池管理控制系统，battery management system)带来了极大的运算负担。
4.因此，亟需一种能够在准确对磷酸铁锂电池的健康状态进行监测和预估的情况下，还能保证bms的运算力较小的方法。


技术实现要素：

5.本技术的主要目的在于提供一种电池的soh值的预估方法与预估装置，以解决现有技术中对磷酸铁锂电池的健康状态进行监测和预估时，bms的运算力负担较大的问题。
6.根据本发明实施例的一个方面，提供了一种电池的soh值的预估方法，包括：接收目标电池在目标温度下的第一数量的qv数据和第二数量的目标soh值，每一组所述qv数据包括所述目标电池的当前可用容量数据和电压数据，所述电压数据包括放电截止电压和充电截止电压，所述第一数量大于所述第二数量，所述第一数量大于所述第二数量；至少对各所述qv数据进行微分处理，得到所述第二数量的ic曲线，并提取各所述ic曲线的ic特征数据，得到多组目标ic特征数据，一条所述ic曲线对应一组所述目标ic特征数据和一个所述目标soh值，所述ic特征数据包括iii峰高度值、所述iii峰高度值对应的第一电压值以及第二电压值，所述第二电压值是从所述第一电压值开始，对所述目标电池充入目标容量后得到的电压值，所述iii峰高度值为所述ic曲线的第iii峰的高度值；根据各所述目标ic特征数据和各所述目标soh值，确定目标映射关系，并将所述目标映射关系发送至电池管理系统，以使得所述电池管理系统基于所述目标映射关系和实车ic特征数据，预估实车的当前soh值，所述实车ic特征数据为所述实车充电时的所述ic特征数据。
7.可选地，所述目标映射关系包括第一映射关系，第二映射关系和第三映射关系，所述第一映射关系为所述iii峰高度值和所述目标soh值之间的关系，所述第二映射关系为所述第一电压值和所述目标soh值之间的关系，所述第三映射关系为所述第二电压值和所述目标soh值之间的关系，根据各所述目标ic特征数据和各所述目标soh值，确定目标映射关
系，包括：基于各所述目标ic特征数据中的所述iii峰高度值和各所述目标soh值，确定所述第一映射关系；基于各所述目标ic特征数据中的所述第一电压值和各所述目标soh值，确定所述第二映射关系；基于各所述目标ic特征数据中的所述第二电压值和各所述目标soh值，确定所述第三映射关系。
8.可选地，在所述第一映射关系为第一多项式公式，所述第二映射关系为第二多项式公式和第三映射关系为第三多项式公式的情况下，基于各所述目标ic特征数据中的所述iii峰高度值和各所述目标soh值，确定所述第一映射关系，包括：基于各所述目标ic特征数据中的所述iii峰高度值和各所述目标soh值进行曲线拟合，得到第一关系曲线，并根据所述第一关系曲线确定所述第一多项式公式；基于各所述目标ic特征数据中的所述第一电压值和各所述目标soh值，确定所述第二映射关系，包括：基于各所述目标ic特征数据中的所述第一电压值和各所述目标soh值进行曲线拟合，得到第二关系曲线，并根据所述第二关系曲线确定所述第二多项式公式；基于各所述目标ic特征数据中的所述第二电压值和各所述目标soh值，确定所述第三映射关系，包括：基于各所述目标ic特征数据中的所述第二电压值和各所述目标soh值进行曲线拟合，得到第三关系曲线，并根据所述第三关系曲线确定所述第三多项式公式。
9.可选地，所述电池管理系统基于所述目标映射关系和实车ic特征数据，预估实车的当前soh值的过程包括：所述电池管理系统基于所述实车ic特征数据中的所述iii峰高度值和所述第一映射关系，确定第一soh值；基于所述实车ic特征数据中的所述第一电压值和所述第二映射关系，确定第二soh值；以及基于所述实车ic特征数据中的所述第二电压值和所述第三映射关系，确定第三soh值；所述电池管理系统至少基于所述第一soh值、所述第二soh值和所述第三soh值，确定所述实车的所述当前soh值。
10.可选地，所述电池管理系统至少基于所述第一soh值、所述第二soh值和所述第三soh值，确定所述实车的所述当前soh值的过程包括：基于所述实车的前n组所述实车ic特征数据和对应的所述当前soh值进行关联度分析，得到所述第一soh值的第一权重、所述第二soh值的第二权重以及所述第三soh值的第三权重；计算所述第一soh值和所述第一权重的乘积，得到第一数值；计算所述第二soh值和所述第二权重的乘积，得到第二数值；计算所述第三soh值和所述第三权重的乘积，得到第三数值；计算所述第一数值、所述第二数值和所述第三数值的和，得到所述实车的所述当前soh值。
11.可选地，确定目标电池在目标温度下的第一数量的qv数据和第二数量的目标soh值的过程包括：第一获取步骤：以恒压和恒流的充电方式以及预定充电速率，将所述目标电池从初始荷电状态充电至目标荷电状态，从而得到所述当前可用容量数据；第二获取步骤：以预定放电速率将所述目标电池从所述目标荷电状态放电至所述初始荷电状态，从而得到所述电压数据；第一重复步骤：重复所述第一获取步骤和所述第二获取步骤直到达到第一循环次数，以得到所述目标soh值；第二重复步骤：重复所述第一获取步骤、所述第二获取步骤和所述第一重复步骤，直到所述目标soh值低于预定值时停止循环，从而得到所述第一数量的所述qv数据和所述第二数量的所述目标soh值。
12.可选地，至少对各所述qv数据进行微分处理，得到所述第二数量的ic曲线，包括：对各所述qv数据进行微分处理，得到多个ic数据，并对各ic数据进行平滑滤波处理，得到多个目标ic数据；对多个所述目标ic数据进行分组处理，得到所述第二数量的目标ic数据组；
对各所述目标ic数据组进行曲线拟合，得到所述第二数量的所述ic曲线。
13.可选地，在至少对各所述qv数据进行微分处理，得到所述第二数量的ic曲线之前，所述预估方法还包括：对各所述qv数据进行平滑滤波处理，得到处理后的多个所述qv数据。
14.可选地，所述目标电池为磷酸铁锂电池。
15.根据本发明实施例的另一方面，还提供了一种电池的soh值的预估装置，包括：接收单元，用于接收目标电池在目标温度下的第一数量的qv数据和第二数量的目标soh值，每一组所述qv数据包括所述目标电池的当前可用容量数据和电压数据，所述电压数据包括放电截止电压和充电截止电压，所述第一数量大于所述第二数量，所述第一数量大于所述第二数量；处理单元，用于至少对各所述qv数据进行微分处理，得到所述第二数量的ic曲线，并提取各所述ic曲线的ic特征数据，得到多组目标ic特征数据，一条所述ic曲线对应一组所述目标ic特征数据和一个所述目标soh值，所述ic特征数据包括iii峰高度值、所述iii峰高度值对应的第一电压值以及第二电压值，所述第二电压值是从所述第一电压值开始，对所述目标电池充入目标容量后得到的电压值，所述iii峰高度值为所述ic曲线的第iii峰的高度值；确定单元，用于根据各所述目标ic特征数据和各所述目标soh值，确定目标映射关系，并将所述目标映射关系发送至电池管理系统，以使得所述电池管理系统基于所述目标映射关系和实车ic特征数据，预估实车的当前soh值，所述实车ic特征数据为所述实车充电时的所述ic特征数据。
16.在本发明实施例中，所述的电池的soh值的预估方法中，首先对接收到的第一数量的qv数据至少进行微分处理，得到第二数量的ic曲线，并提取各所述ic曲线的ic特征数据，得到第二数量的目标ic特征数据。再根据第二数量的目标ic特征数据和第二数量的目标soh值，确定目标映射关系。最后将确定出的目标映射关系发送至电池管理系统，以使得电池管理系统可以根据实车ic特征数据和目标映射关系，预估实车的当前soh值。与现有技术中通过ica结合神经网络的方法来对实车的soh值进行预估的方法相比，本方案中基于采集到的第一数量的qv数据，得到第二数量的目标ic特征数据，以及基于第二数量的目标ic特征数据和第二数量的目标soh值，确定目标映射关系。再将目标映射关系发送至电池管理系统(即将目标映射关系内置到电池管理系统)，这样电池管理系统可以根据目标映射关系和实车ic特征数据，预估实车的当前soh值。由于电池管理系统中无需使用神经网络算法进行在线分析，只需根据目标映射关系和实车ic特征数据，便可以预估实车的当前soh值，这样保证了电池管理系统中的计算量较少，从而解决了现有技术中对磷酸铁锂电池的健康状态进行监测和预估时，bms的运算力负担较大的问题。
附图说明
17.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
18.图1示出了本技术的一种实施例的电池的soh值的预估方法的流程图；
19.图2示出了现有技术中提取ic曲线的ic特征数据的示意图；
20.图3示出了本技术的一种实施例的提取ic曲线的ic特征数据的示意图；
21.图4示出了本技术的一种实施例的qv曲线的示意图；
22.图5示出了本技术的一种实施例的获取qv数据的流程图；
23.图6示出了本技术的一种实施例的时间与电流的变化关系示意图；
24.图7示出了本技术的一种实施例的时间与电压的变化关系示意图；
25.图8示出了本技术的一种实施例的电池的soh值的预估装置的结构示意图；
26.图9示出了本技术的一种实施例的电池的soh值的预估方案的流程图。
27.其中，上述附图包括以下附图标记：
28.100、第i峰；200、第ii峰；300、第iii峰；400、qv曲线。
具体实施方式
29.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
30.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
31.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
32.正如背景技术中所说的，现有技术中对磷酸铁锂电池的健康状态进行监测和预估时，bms的运算力负担较大，为了解决上述问题，本技术的一种典型的实施方式中，提供了一种电池的soh值的预估方法与预估装置。
33.根据本技术的实施例，提供了一种电池的soh值的预估方法。
34.图1是根据本技术实施例的电池的soh值的预估方法的流程图。如图1所示，该预估方法包括以下步骤：
35.步骤s101，接收目标电池在目标温度下的第一数量的qv数据和第二数量的目标soh值，每一组上述qv数据包括上述目标电池的当前可用容量数据和电压数据，上述电压数据包括放电截止电压和充电截止电压，上述第一数量大于上述第二数量；
36.步骤s102，至少对各上述qv数据进行微分处理，得到上述第二数量的ic曲线，并提取各上述ic曲线的ic特征数据，得到多组目标ic特征数据，一条上述ic曲线对应一组上述目标ic特征数据和一个上述目标soh值，上述ic特征数据包括iii峰高度值、上述iii峰高度值对应的第一电压值以及第二电压值，上述第二电压值是从上述第一电压值开始，对上述目标电池充入目标容量后得到的电压值，上述iii峰高度值为上述ic曲线的第iii峰的高度值；
37.步骤s103，根据各上述目标ic特征数据和各上述目标soh值，确定目标映射关系，并将上述目标映射关系发送至电池管理系统，以使得上述电池管理系统基于上述目标映射关系和实车ic特征数据，预估实车的当前soh值，上述实车ic特征数据为上述实车充电时的
上述ic特征数据。
38.上述的电池的soh值的预估方法中，首先对接收到的第一数量的qv数据至少进行微分处理，得到第二数量的ic曲线，并提取各上述ic曲线的ic特征数据，得到第二数量的目标ic特征数据。再根据第二数量的目标ic特征数据和第二数量的目标soh值，确定目标映射关系。最后将确定出的目标映射关系发送至电池管理系统，以使得电池管理系统可以根据实车ic特征数据和目标映射关系，预估实车的当前soh值。与现有技术中通过ica结合神经网络的方法来对实车的soh值进行预估的方法相比，本方案中基于采集到的第一数量的qv数据，得到第二数量的目标ic特征数据，以及基于第二数量的目标ic特征数据和第二数量的目标soh值，确定目标映射关系。再将目标映射关系发送至电池管理系统(即将目标映射关系内置到电池管理系统)，这样电池管理系统可以根据目标映射关系和实车ic特征数据，预估实车的当前soh值。由于电池管理系统中无需使用神经网络算法进行在线分析，只需根据目标映射关系和实车ic特征数据，便可以预估实车的当前soh值，这样保证了电池管理系统中的计算量较少，从而解决了现有技术中对磷酸铁锂电池的健康状态进行监测和预估时，bms的运算力负担较大的问题。
39.具体地，上述的实施例中，至少对各qv数据进行微分处理，得到第二数量的ic曲线的具体过程可以为：首先基于第一数量和第二数量，对获取的目标电池的qv数据进行分组，使得一组qv数据中包括n个qv数据，则有第二数量
×
n＝第一数量。再对一组qv数据进行微分处理，使得通过一组qv数据得到一条ic曲线，再对应提取ic曲线的ic特征数据，得到一条曲线的目标ic特征数据。由于可以得到第二数量的ic曲线，便也可以得到第二数量的目标ic特征数据。在实际的应用过程中，上述n的数量可以根据实际的采集qv数量的情况进行划分，在本技术中并不对n的大小进行限制。例如，上述n可以为100，也就是说，一组qv数据中包括100个qv数据。同时，在实验的过程中，可以在获取100个qv数据之后，计算一次当前目标电池的soh值，从而获取第二数量的目标电池的目标soh值。
40.具体地，在本技术中可以采用现有技术中任何合适的微分处理的方法，对qv数据进行微分处理。本技术的一种具体的实施例中，可以采用对qv数据进行微分处理，其中，1≤k≤n-1，n为一组qv数据中的qv数据的总数量。
41.具体地，如图2和图3所示，得到的ic曲线均具有第i峰100、第ii峰200和第iii峰300。在得到第二数量的ic曲线之后，分别提取各ic曲线的ic特征数据。现有技术中，如图2所示，在提取ic曲线的ic特征数据时，通常是提取ic曲线的第iii峰300的峰值高值h(即iii峰高度值)、第iii峰300的峰值对应的第一电压值v1以及第ⅲ峰对应的峰谷v3和v4之间的充电电量q1。上述的提取ic特征数据的过程中，第iii峰300的峰值高值h和第iii峰300的峰值对应的第一电压值v1较为容易从实车的数据中获取。而第ⅲ峰对应的峰谷v3和v4在实车数据中较为容易地受到充电速率、充电温度以及放电深度的影响导致较难获取，从而导致获取q1的算法复杂度较大。而在本技术中，如图3所示，在提取ic曲线的ic特征数据时，提取ic曲线的第iii峰300的峰值高度h(即iii峰高度值)、第iii峰300对应的第一电压值v1以及自第一电压值v1起充入目标容量q之后的第二电压值v2。由于获取的第二电压值v2是充入目标容量q之后的，且目标容量q是一个可以标定的数值，故这样可以较为容易和较为简单地得到第二电压值v2，保证了本技术的预估方法的计算量较小，从而解决了现有技术中对
磷酸铁锂电池的健康状态进行监测和预估时，bms的运算力负担较大的问题。
42.在实际的应用过程中，如图4所示，为在25摄氏度下，0循环周期的目标电池的qv曲线400。从图4可以看出，由于目标电池(即磷酸铁锂电池)具有较大平台期，在较大的可用容量变化过程中，电压变化幅度较小，从而给soh的估算和校正带来较大的困难，而通过将qv曲线转化为ic曲线，可将平滑的曲线转换为易于提取的特征曲线，这样可以进一步地较为容易地预估目标电池的当前soh值。
43.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
44.本技术的一种实施例中，上述目标映射关系包括第一映射关系，第二映射关系和第三映射关系，上述第一映射关系为上述iii峰高度值和上述目标soh值之间的关系，上述第二映射关系为上述第一电压值和上述目标soh值之间的关系，上述第三映射关系为上述第二电压值和上述目标soh值之间的关系，根据各上述目标ic特征数据和各上述目标soh值，确定目标映射关系，包括：基于各上述目标ic特征数据中的上述iii峰高度值和各上述目标soh值，确定上述第一映射关系；基于各上述目标ic特征数据中的上述第一电压值和各上述目标soh值，确定上述第二映射关系；基于各上述目标ic特征数据中的上述第二电压值和各上述目标soh值，确定上述第三映射关系。在该实施例中，分别确定出了iii峰高度值和目标soh值之间的第一映射关系、第一电压值和目标soh值之间的第二映射关系以及第二电压值和目标soh之间的第三映射关系，这样可以较为简单地确定出第一映射关系、第二映射关系和第三映射关系，后续再电池管理系统基于第一映射关系、第二映射关系和第三映射关系以及实车的实车ic特征数据，这样可以进一步较为准确和简单地确定出实车的当前soh值。
45.为了进一步地使得目标映射关系较为简单，以及进一步地保证电池管理系统的计算量较小，本技术的另一种实施例中，在上述第一映射关系为第一多项式公式，上述第二映射关系为第二多项式公式和第三映射关系为第三多项式公式的情况下，基于各上述目标ic特征数据中的上述iii峰高度值和各上述目标soh值，确定上述第一映射关系，包括：基于各上述目标ic特征数据中的上述iii峰高度值和各上述目标soh值进行曲线拟合，得到第一关系曲线，并根据上述第一关系曲线确定上述第一多项式公式；基于各上述目标ic特征数据中的上述第一电压值和各上述目标soh值，确定上述第二映射关系，包括：基于各上述目标ic特征数据中的上述第一电压值和各上述目标soh值进行曲线拟合，得到第二关系曲线，并根据上述第二关系曲线确定上述第二多项式公式；基于各上述目标ic特征数据中的上述第二电压值和各上述目标soh值，确定上述第三映射关系，包括：基于各上述目标ic特征数据中的上述第二电压值和各上述目标soh值进行曲线拟合，得到第三关系曲线，并根据上述第三关系曲线确定上述第三多项式公式。
46.具体地，上述实施例中，可以采用现有技术中任何可行的曲线拟合方法，对iii峰高度值和目标soh值、第一电压值和目标soh值以及第二电压值和目标soh值进行曲线拟合，即在本技术中并不对上述曲线拟合的方法进行限制。本技术的一种具体的实施例中，可以采用matlab中的polyfit进行曲线拟合。
47.具体地，在本技术中，通过离线的方式得到第一多项式公式、第二多项式公式以及
第三多项式公式，后续再将第一多项式公式、第二多项式公式以及第三多项式公式内置到电池管理系统中。虽然与现有技术中通过神经网络相比，本技术的精确度会有些降低，但是在损失一部分算法精度的情况下达到精简算法，这样可以减少算法中实时监测分析的部分，从而达到减少电池管理系统中的运算负荷的目的。
48.在实际的应用过程中，上述第一多项式公式、第二多项式公式以及第三多项式公式可以为三次多项式。
49.本技术的又一种实施例中，上述电池管理系统基于上述目标映射关系和实车ic特征数据，预估实车的当前soh值的过程包括：上述电池管理系统基于上述实车ic特征数据中的上述iii峰高度值和上述第一映射关系，确定第一soh值；基于上述实车ic特征数据中的上述第一电压值和上述第二映射关系，确定第二soh值；以及基于上述实车ic特征数据中的上述第二电压值和上述第三映射关系，确定第三soh值；上述电池管理系统至少基于上述第一soh值、上述第二soh值和上述第三soh值，确定上述实车的上述当前soh值。在该实施例中，电池管理系统基于第一映射关系确定实车的第一soh值、基于第二映射关系确定实车的第二soh值以及基于第三映射关系确定实车的第三soh值，再基于第一soh值、第二soh值以及第三soh值，确定实车的当前soh值，这样保证了可以较为准确地确定出实车的当前soh值。
50.为了保证确定出的实车的当前soh值更加准确，本技术的再一种实施例中，上述电池管理系统至少基于上述第一soh值、上述第二soh值和上述第三soh值，确定上述实车的上述当前soh值的过程包括：基于上述实车的前n组上述实车ic特征数据和对应的上述当前soh值进行关联度分析，得到上述第一soh值的第一权重、上述第二soh值的第二权重以及上述第三soh值的第三权重；计算上述第一soh值和上述第一权重的乘积，得到第一数值；计算上述第二soh值和上述第二权重的乘积，得到第二数值；计算上述第三soh值和上述第三权重的乘积，得到第三数值；计算上述第一数值、上述第二数值和上述第三数值的和，得到上述实车的上述当前soh值。
51.具体地，在上述的实施例中，可以采用现有技术中任何可行的关联度分析方法，对实车的前n组实车ic特征数据和对应的当前soh值进行关联度分析。在本技术中，并不对上述关联度分析的具体方法进行限制。
52.本技术的一种具体的实施例中，基于实车的前n组实车ic特征数据和对应的当前soh值进行关联度分析，得到第一soh值的第一权重、第二soh值的第二权重以及第三soh值的第三权重的过程为：
53.第一步：获取实车最近的五个充电循环周期的soh(即当前soh值)，soh1(第一soh值)，soh2(第二soh值)以及soh3(第三soh值)分别得到四个序列数组，即当前soh值序列组、第一soh值序列组、第二soh值序列组以及第三soh值序列组，则可以表示为：
54.soh＝[soh(1),soh(2),soh(3),soh(4),soh(5)]；
[0055]
soh1＝[soh1(1),soh1(2),soh1(3),soh1(4),soh1(5)]；
[0056]
soh2＝[soh2(1),soh2(2),soh2(3),soh2(4),soh2(5)]；
[0057]
soh3＝[soh3(1),soh3(2),soh3(3),soh3(4),soh3(5)]。
[0058]
第二步：分别计算当前soh值序列组、第一soh值序列组、第二soh值序列组以及第三soh值序列组的平均值，得到当前soh值平均值(soh
mean
)、第一soh值平均值(soh1
mean
)、第
二soh值平均值(soh2
mean
)以及第三soh值平均值(soh3
mean
)。
[0059][0060][0061][0062][0063]
第三步：采用当前soh值平均值(soh
mean
)对当前soh值序列组中的每一个当前soh值进行均值化，得到当前soh值均值序列组(soh
ave
)；采用第一soh值平均值(soh1
mean
)对第一soh值序列组中的每一个第一soh值进行均值化，得到第一soh值均值序列组(soh1
ave
)；采用第二soh值平均值(soh2
mean
)对第二soh值序列组中的每一个第二soh值进行均值化，得到第二soh值均值序列组(soh2
ave
)以及采用第三soh值平均值(soh3
mean
)对第三soh值序列组中的每一个第三soh值进行均值化，得到第三soh值均值序列组(soh3
ave
)。
[0064][0065][0066][0067][0068]
第四步：由第一soh值均值序列组(soh1
ave
)、第二soh值均值序列组(soh2
ave
)以及第三soh值均值序列组(soh3
ave
)，得到拼接的矩阵a，
[0069][0070]
第五步：由当前soh值均值序列组(soh
ave
)，得到拼接的矩阵b，
[0071][0072]
第六步：计算矩阵a与矩阵b的差值，得到矩阵c。并基于矩阵c，确定全局最大值max以及全局最小值min，即有
[0073]
min＝min(min(a-b))
[0074]
max＝max(max(a-b))。
[0075]
第七步：确定第一关联度矩阵z1、第二关联度矩阵z2以及第三关联度矩阵z3，
[0076][0077][0078][0079]
第八步：对第一关联度矩阵z1求平均值，得到z1
mean
；对第二关联度矩阵z2求平均值，得到z2
mean
以及对第三关联度矩阵z3求平均值，得到z3
mean
。
[0080]
第九步：基于到z1
mean
、z2
mean
以及z3
mean
，确定第一权重、第二权重和第三权重。
[0081][0082][0083][0084]
在实际的应用过程中，为了使得后续根据第一数量的qv数量，能够较为准确地得到目标映射关系，本技术的一种实施例中，确定目标电池在目标温度下的第一数量的qv数据和第二数量的目标soh值的过程包括：第一获取步骤：以恒压和恒流的充电方式以及预定充电速率，将上述目标电池从初始荷电状态充电至目标荷电状态，从而得到上述当前可用容量数据；第二获取步骤：以预定放电速率将上述目标电池从上述目标荷电状态放电至上述初始荷电状态，从而得到上述电压数据；第一重复步骤：重复上述第一获取步骤和上述第二获取步骤直到达到第一循环次数，以得到上述目标soh值；第二重复步骤：重复上述第一获取步骤、上述第二获取步骤和上述第一重复步骤，直到上述目标soh值低于预定值时停止循环，从而得到上述第一数量的上述qv数据和上述第二数量的上述目标soh值。
[0085]
具体地，在确定目标电池的qv数据的过程中，可以分别在不同的目标温度下获取第一数量的qv数据，这样可以得到目标电池在不同目标温度下的目标映射关系，进一步地保证了后续实车基于目标映射关系和实车ic特征数据，较为准确地预估实车的当前soh值。
[0086]
具体地，在实际的应用过程中，上述目标温度可以分别为-20℃，0℃，25℃，50℃等等。当然，上述的目标温度并不限于上述所列举的-20℃，0℃，25℃，50℃等等，还可以为其他的目标温度值。即在本技术中，并不对上述目标温度的具体进行限制，其可以基于目标电池的实际类别以及实际使用情况进行灵活的调整。
[0087]
本技术的一种具体的实施例中，如图5所示，为在一个目标温度下获取磷酸铁锂电池的第一数量的qv数据的过程，具体步骤如下：
[0088]
第一步：在取到磷酸铁锂电池之后，将磷酸铁锂电池静置5min，这样可以避免磷酸铁锂电池的电化学性质导致的获取的qv数据准确的问题。
[0089]
第二步：在对磷酸铁锂电池静置5min之后，再对磷酸铁锂电池进行通过0.3c(即预定充电速率)的充电速率进行cccv(恒压和恒流的充电方式)充电，使得磷酸铁锂电池从初始荷电状态(即此时磷酸铁锂电池的荷电状态为0％)充电至目标荷电状态(即此时磷酸铁
锂电池的荷电状态为100％)，从而得到目标电池的当前可用容量数据和充电截止电压。其中，如图6所示，为磷酸铁锂电池在充电的过程中，时间与电流的变化关系示意图。如图7所示，为磷酸铁锂电池在充电的过程中，时间与电压的变化关系示意图。
[0090]
第三步：在对磷酸铁锂电池充满之后，将磷酸铁锂电池静置5min。由于磷酸铁锂电池充满之后，存在着电化学性质不稳定的问题，故将磷酸铁锂电池静置5min，这样可以进一步地避免磷酸铁锂电池的电化学性质导致的获取的qv数据准确的问题。
[0091]
第四步：在对磷酸铁锂电池静置5min之后，再以1c(预定放电速率)的放电速率恒流放电，将磷酸铁锂电池从目标荷电状态放电开始放电，直到达到放电截止电压(即初始荷电状态可以为目标电池的放电截止电压所对应的状态)。
[0092]
第五步：判断充放电的循环次数是否到达100次。如果达到100次，则进行容量测试，以得到获取当前磷酸铁锂电池的容量数据，并计算磷酸铁锂电池的当前soh值(即目标soh值)。如果未达到100次，则重复第一步、第二步、第三步和第四步。
[0093]
第六步：判断磷酸铁锂电池的soh是否小于80％，如果小于80％，结束测试。如果不满足，则重复第一步、第二步、第三步、第四步和第五步。
[0094]
为了较为简单和准确地得到ic曲线，本技术的另一种实施例中，至少对各上述qv数据进行微分处理，得到上述第二数量的ic曲线，包括：对各上述qv数据进行微分处理，得到多个ic数据，并对各ic数据进行平滑滤波处理，得到多个目标ic数据；对多个上述目标ic数据进行分组处理，得到上述第二数量的目标ic数据组；对各上述目标ic数据组进行曲线拟合，得到上述第二数量的上述ic曲线。
[0095]
本技术的一种具体的实施例中，上述平滑滤波处理可以划分为滤波处理和平滑处理。其中，上述滤波处理用于对得到的ic数据的异常值进行处理；上述平滑处理用于保证后续得到的ic曲线较为平滑。在本技术中，并不对上述异常值处理和平滑处理的具体方法进行限制，其可以通过相应的算法进行处理，当然，也可以通过人工进行处理。
[0096]
本技术的又一种实施例中，在至少对各上述qv数据进行微分处理，得到上述第二数量的ic曲线之前，上述预估方法还包括：对各上述qv数据进行平滑滤波处理，得到处理后的多个上述qv数据。在该实施例中，对获取到的qv数据进行平滑滤波处理，得到处理后的多个qv数据，后续再至少对qv数据进行微分处理，得到ic曲线，进一步地保证了得到的ic曲线较为准确，进一步地保证了基于ic曲线提取ic特征数据，得到的目标ic特征数据较为准确。
[0097]
本技术的一种具体的实施例中，上述平滑滤波处理可以划分为滤波处理和平滑处理。其中，上述滤波处理包括对qv数据进行异常值处理；上述平滑处理用于保证后续得到的ic曲线较为平滑。在本技术中，并不对上述异常值处理和平滑处理的具体方法进行限制，其可以通过相应的算法进行处理，当然，也可以通过人工进行处理。
[0098]
本技术实施例还提供了一种电池的soh值的预估装置，需要说明的是，本技术实施例的电池的soh值的预估装置可以用于执行本技术实施例所提供的用于电池的soh值的预估方法。以下对本技术实施例提供的电池的soh值的预估装置进行介绍。
[0099]
图8是根据本技术实施例的电池的soh值的预估装置的结构示意图。如图8所示，该预估装置包括：
[0100]
接收单元10，用于接收目标电池在目标温度下的第一数量的qv数据和第二数量的目标soh值，每一组上述qv数据包括上述目标电池的当前可用容量数据和电压数据，上述电
压数据包括放电截止电压和充电截止电压，上述第一数量大于上述第二数量；
[0101]
处理单元20，用于至少对各上述qv数据进行微分处理，得到上述第二数量的ic曲线，并提取各上述ic曲线的ic特征数据，得到多组目标ic特征数据，一条上述ic曲线对应一组上述目标ic特征数据和一个上述目标soh值，上述ic特征数据包括iii峰高度值、上述iii峰高度值对应的第一电压值以及从第二电压值，上述第二电压值是从上述第一电压值开始，对上述目标电池充入目标容量后得到的电压值，上述iii峰高度值为上述ic曲线的第iii峰的高度值；
[0102]
确定单元30，用于根据各上述目标ic特征数据和各上述目标soh值，确定目标映射关系，并将上述目标映射关系发送至电池管理系统，以使得上述电池管理系统基于上述目标映射关系和实车ic特征数据，预估实车的当前soh值，上述实车ic特征数据为上述实车充电时的上述ic特征数据。
[0103]
上述的电池的soh值的预估装置中，处理单元用于对接收单元接收到的第一数量的qv数据至少进行微分处理，得到第二数量的ic曲线，并提取各上述ic曲线的ic特征数据，得到第二数量的目标ic特征数据。确定单元用于根据第二数量的目标ic特征数据和第二数量的目标soh值，确定目标映射关系以及将确定出的目标映射关系发送至电池管理系统，以使得电池管理系统可以根据实车ic特征数据和目标映射关系，预估实车的当前soh值。与现有技术中通过ica结合神经网络的方法来对实车的soh值进行预估的方法相比，本方案中基于采集到的第一数量的qv数据，得到第二数量的目标ic特征数据，以及基于第二数量的目标ic特征数据和第二数量的目标soh值，确定目标映射关系。再将目标映射关系发送至电池管理系统(即将目标映射关系内置到电池管理系统)，这样电池管理系统可以根据目标映射关系和实车ic特征数据，预估实车的当前soh值。由于电池管理系统中无需使用神经网络算法进行在线分析，只需根据目标映射关系和实车ic特征数据，便可以预估实车的当前soh值，这样保证了电池管理系统中的计算量较少，从而解决了现有技术中对磷酸铁锂电池的健康状态进行监测和预估时，bms的运算力负担较大的问题。
[0104]
具体地，上述的实施例中，至少对各qv数据进行微分处理，得到第二数量的ic曲线的具体过程可以为：首先基于第一数量和第二数量，对获取的目标电池的qv数据进行分组，使得一组qv数据中包括n个qv数据，则有第二数量
×
n＝第一数量。再对一组qv数据进行微分处理，使得通过一组qv数据得到一条ic曲线，再对应提取ic曲线的ic特征数据，得到一条曲线的目标ic特征数据。由于可以得到第二数量的ic曲线，便也可以得到第二数量的目标ic特征数据。在实际的应用过程中，上述n的数量可以根据实际的采集qv数量的情况进行划分，在本技术中并不对n的大小进行限制。例如，上述n可以为100，也就是说，一组qv数据中包括100个qv数据。同时，在实验的过程中，可以在获取100个qv数据之后，计算一次当前目标电池的soh值，从而获取第二数量的目标电池的目标soh值。
[0105]
具体地，在本技术中可以采用现有技术中任何合适的微分处理的方法，对qv数据进行微分处理。本技术的一种具体的实施例中，可以采用对qv数据进行微分处理，其中，1≤k≤n-1，n为一组qv数据中的qv数据的总数量。
[0106]
具体地，如图2和图3所示，得到的ic曲线均具有第i峰100、第ii峰200和第iii峰300。在得到第二数量的ic曲线之后，分别提取各ic曲线的ic特征数据。现有技术中，如图2
所示，在提取ic曲线的ic特征数据时，通常是提取ic曲线的第iii峰300的峰值高值h(即iii峰高度值)、第iii峰300的峰值对应的第一电压值v1以及第ⅲ峰对应的峰谷v3和v4之间的充电电量q1。上述的提取ic特征数据的过程中，第iii峰300的峰值高值h和第iii峰300的峰值对应的第一电压值v1较为容易从实车的数据中获取。而第ⅲ峰对应的峰谷v3和v4在实车数据中较为容易地受到充电速率、充电温度以及放电深度的影响导致较难获取，从而导致获取q1的算法复杂度较大。而在本技术中，如图3所示，在提取ic曲线的ic特征数据时，提取ic曲线的第iii峰300的峰值高度h(即iii峰高度值)、第iii峰300对应的第一电压值v1以及自第一电压值v1起充入目标容量q之后的第二电压值v2。由于获取的第二电压值v2是充入目标容量q之后的，且目标容量q是一个可以标定的数值，故这样可以较为容易和较为简单地得到第二电压值v2，保证了本技术的预估方法的计算量较小，从而解决了现有技术中对磷酸铁锂电池的健康状态进行监测和预估时，bms的运算力负担较大的问题。
[0107]
在实际的应用过程中，如图4所示，为在25摄氏度下，0循环周期的目标电池的qv曲线400。从图4可以看出，由于目标电池(即磷酸铁锂电池)具有较大平台期，在较大的可用容量变化过程中，电压变化幅度较小，从而给soh的估算和校正带来较大的困难，而通过将qv曲线转化为ic曲线，可将平滑的曲线转换为易于提取的特征曲线，这样可以进一步地较为容易地预估目标电池的当前soh值。
[0108]
本技术的一种实施例中，上述目标映射关系包括第一映射关系，第二映射关系和第三映射关系，上述第一映射关系为上述iii峰高度值和上述目标soh值之间的关系，上述第二映射关系为上述第一电压值和上述目标soh值之间的关系，上述第三映射关系为上述第二电压值和上述目标soh值之间的关系，确定单元包括第一确定模块、第二确定模块和第三确定模块，其中，上述第一确定模块用于基于各上述目标ic特征数据中的上述iii峰高度值和各上述目标soh值，确定上述第一映射关系；上述第二确定模块用于基于各上述目标ic特征数据中的上述第一电压值和各上述目标soh值，确定上述第二映射关系；上述第三确定模块用于基于各上述目标ic特征数据中的上述第二电压值和各上述目标soh值，确定上述第三映射关系。在该实施例中，分别确定出了iii峰高度值和目标soh值之间的第一映射关系、第一电压值和目标soh值之间的第二映射关系以及第二电压值和目标soh之间的第三映射关系，这样可以较为简单地确定出第一映射关系、第二映射关系和第三映射关系，后续再电池管理系统基于第一映射关系、第二映射关系和第三映射关系以及实车的实车ic特征数据，这样可以进一步较为准确和简单地确定出实车的当前soh值。
[0109]
为了进一步地使得目标映射关系较为简单，以及进一步地保证电池管理系统的计算量较小，本技术的另一种实施例中，在上述第一映射关系为第一多项式公式，上述第二映射关系为第二多项式公式和第三映射关系为第三多项式公式的情况下，上述第一确定模块包括第一确定子模块，用于基于各上述目标ic特征数据中的上述iii峰高度值和各上述目标soh值进行曲线拟合，得到第一关系曲线，并根据上述第一关系曲线确定上述第一多项式公式；上述第二确定模块包括第二确定子模块，用于基于各上述目标ic特征数据中的上述第一电压值和各上述目标soh值进行曲线拟合，得到第二关系曲线，并根据上述第二关系曲线确定上述第二多项式公式；上述第三确定模块包括第三确定子模块，用于基于各上述目标ic特征数据中的上述第二电压值和各上述目标soh值进行曲线拟合，得到第三关系曲线，并根据上述第三关系曲线确定上述第三多项式公式。
[0110]
具体地，上述实施例中，可以采用现有技术中任何可行的曲线拟合方法，对iii峰高度值和目标soh值、第一电压值和目标soh值以及第二电压值和目标soh值进行曲线拟合，即在本技术中并不对上述曲线拟合的方法进行限制。本技术的一种具体的实施例中，可以采用matlab中的polyfit进行曲线拟合。
[0111]
具体地，在本技术中，通过离线的方式得到第一多项式公式、第二多项式公式以及第三多项式公式，后续再将第一多项式公式、第二多项式公式以及第三多项式公式内置到电池管理系统中。虽然与现有技术中通过神经网络相比，本技术的精确度会有些降低，但是在损失一部分算法精度的情况下达到精简算法，这样可以减少算法中实时监测分析的部分，从而达到减少电池管理系统中的运算负荷的目的。
[0112]
在实际的应用过程中，上述第一多项式公式、第二多项式公式以及第三多项式公式可以为三次多项式。
[0113]
本技术的又一种实施例中，上述电池管理系统基于上述目标映射关系和实车ic特征数据，预估实车的当前soh值的过程包括：上述电池管理系统基于上述实车ic特征数据中的上述iii峰高度值和上述第一映射关系，确定第一soh值；基于上述实车ic特征数据中的上述第一电压值和上述第二映射关系，确定第二soh值；以及基于上述实车ic特征数据中的上述第二电压值和上述第三映射关系，确定第三soh值；上述电池管理系统至少基于上述第一soh值、上述第二soh值和上述第三soh值，确定上述实车的上述当前soh值。在该实施例中，电池管理系统基于第一映射关系确定实车的第一soh值、基于第二映射关系确定实车的第二soh值以及基于第三映射关系确定实车的第三soh值，再基于第一soh值、第二soh值以及第三soh值，确定实车的当前soh值，这样保证了可以较为准确地确定出实车的当前soh值。
[0114]
为了保证确定出的实车的当前soh值更加准确，本技术的再一种实施例中，上述电池管理系统至少基于上述第一soh值、上述第二soh值和上述第三soh值，确定上述实车的上述当前soh值的过程包括：基于上述实车的前n组上述实车ic特征数据和对应的上述当前soh值进行关联度分析，得到上述第一soh值的第一权重、上述第二soh值的第二权重以及上述第三soh值的第三权重；计算上述第一soh值和上述第一权重的乘积，得到第一数值；计算上述第二soh值和上述第二权重的乘积，得到第二数值；计算上述第三soh值和上述第三权重的乘积，得到第三数值；计算上述第一数值、上述第二数值和上述第三数值的和，得到上述实车的上述当前soh值。
[0115]
具体地，在上述的实施例中，可以采用现有技术中任何可行的关联度分析方法，对实车的前n组实车ic特征数据和对应的当前soh值进行关联度分析。在本技术中，并不对上述关联度分析的具体方法进行限制。
[0116]
本技术的一种具体的实施例中，基于实车的前n组实车ic特征数据和对应的当前soh值进行关联度分析，得到第一soh值的第一权重、第二soh值的第二权重以及第三soh值的第三权重的过程为：
[0117]
第一步：获取实车最近的五个充电循环周期的soh(即当前soh值)，soh1(第一soh值)，soh2(第二soh值)以及soh3(第三soh值)分别得到四个序列数组，即当前soh值序列组、第一soh值序列组、第二soh值序列组以及第三soh值序列组，则可以表示为：
[0118]
soh＝[soh(1),soh(2),soh(3),soh(4),soh(5)]；
[0119]
soh1＝[soh1(1),soh1(2),soh1(3),soh1(4),soh1(5)]；
[0120]
soh2＝[soh2(1),soh2(2),soh2(3),soh2(4),soh2(5)]；
[0121]
soh3＝[soh3(1),soh3(2),soh3(3),soh3(4),soh3(5)]。
[0122]
第二步：分别计算当前soh值序列组、第一soh值序列组、第二soh值序列组以及第三soh值序列组的平均值，得到当前soh值平均值(soh
mean
)、第一soh值平均值(soh1
mean
)、第二soh值平均值(soh2
mean
)以及第三soh值平均值(soh3
mean
)。
[0123][0124][0125][0126][0127]
第三步：采用当前soh值平均值(soh
mean
)对当前soh值序列组中的每一个当前soh值进行均值化，得到当前soh值均值序列组(soh
ave
)；采用第一soh值平均值(soh1
mean
)对第一soh值序列组中的每一个第一soh值进行均值化，得到第一soh值均值序列组(soh1
ave
)；采用第二soh值平均值(soh2
mean
)对第二soh值序列组中的每一个第二soh值进行均值化，得到第二soh值均值序列组(soh2
ave
)以及采用第三soh值平均值(soh3
mean
)对第三soh值序列组中的每一个第三soh值进行均值化，得到第三soh值均值序列组(soh3
ave
)。
[0128][0129][0130][0131][0132]
第四步：由第一soh值均值序列组(soh1
ave
)、第二soh值均值序列组(soh2
ave
)以及第三soh值均值序列组(soh3
ave
)，得到拼接的矩阵a，
[0133][0134]
第五步：由当前soh值均值序列组(soh
ave
)，得到拼接的矩阵b，
[0135]
[0136]
第六步：计算矩阵a与矩阵b的差值，得到矩阵c。并基于矩阵c，确定全局最大值max以及全局最小值min，即有
[0137]
min＝min(min(a-b))
[0138]
max＝max(max(a-b))。
[0139]
第七步：确定第一关联度矩阵z1、第二关联度矩阵z2以及第三关联度矩阵z3，
[0140][0141][0142][0143]
第八步：对第一关联度矩阵z1求平均值，得到z1
mean
；对第二关联度矩阵z2求平均值，得到z2
mean
以及对第三关联度矩阵z3求平均值，得到z3
mean
。
[0144]
第九步：基于到z1
mean
、z2
mean
以及z3
mean
，确定第一权重、第二权重和第三权重。
[0145][0146][0147][0148]
在实际的应用过程中，为了使得后续根据第一数量的qv数量，能够较为准确地得到目标映射关系，本技术的一种实施例中，确定目标电池在目标温度下的第一数量的qv数据和第二数量的目标soh值的过程包括：第一获取步骤：以恒压和恒流的充电方式以及预定充电速率，将上述目标电池从初始荷电状态充电至目标荷电状态，从而得到上述当前可用容量数据；第二获取步骤：以预定放电速率将上述目标电池从上述目标荷电状态放电至上述初始荷电状态，从而得到上述电压数据；第一重复步骤：重复上述第一获取步骤和上述第二获取步骤直到达到第一循环次数，以得到上述目标soh值；第二重复步骤：重复上述第一获取步骤、上述第二获取步骤和上述第一重复步骤，直到上述目标soh值低于预定值时停止循环，从而得到上述第一数量的上述qv数据和上述第二数量的上述目标soh值。
[0149]
具体地，在确定目标电池的qv数据的过程中，可以分别在不同的目标温度下获取第一数量的qv数据，这样可以得到目标电池在不同目标温度下的目标映射关系，进一步地保证了后续实车基于目标映射关系和实车ic特征数据，较为准确地预估实车的当前soh值。
[0150]
具体地，在实际的应用过程中，上述目标温度可以分别为-20℃，0℃，25℃，50℃等等。当然，上述的目标温度并不限于上述所列举的-20℃，0℃，25℃，50℃等等，还可以为其他的目标温度值。即在本技术中，并不对上述目标温度的具体进行限制，其可以基于目标电池的实际类别以及实际使用情况进行灵活的调整。
[0151]
本技术的一种具体的实施例中，如图5所示，为在一个目标温度下获取磷酸铁锂电池的第一数量的qv数据的过程，具体步骤如下：
[0152]
第一步：在取到磷酸铁锂电池之后，将磷酸铁锂电池静置5min，这样可以避免磷酸铁锂电池的电化学性质导致的获取的qv数据准确的问题。
[0153]
第二步：在对磷酸铁锂电池静置5min之后，再对磷酸铁锂电池进行通过0.3c(即预定充电速率)的充电速率进行cccv(恒压和恒流的充电方式)充电，使得磷酸铁锂电池从初始荷电状态(即此时磷酸铁锂电池的荷电状态为0％)充电至目标荷电状态(即此时磷酸铁锂电池的荷电状态为100％)，从而得到目标电池的当前可用容量数据和充电截止电压。其中，如图6所示，为磷酸铁锂电池在充电的过程中，时间与电流的变化关系示意图。如图7所示，为磷酸铁锂电池在充电的过程中，时间与电压的变化关系示意图。
[0154]
第三步：在对磷酸铁锂电池充满之后，将磷酸铁锂电池静置5min。由于磷酸铁锂电池充满之后，存在着电化学性质不稳定的问题，故将磷酸铁锂电池静置5min，这样可以进一步地避免磷酸铁锂电池的电化学性质导致的获取的qv数据准确的问题。
[0155]
第四步：在对磷酸铁锂电池静置5min之后，再以1c(预定放电速率)的放电速率恒流放电，将磷酸铁锂电池从目标荷电状态开始放电，直到放电截止电压(即初始荷电状态可以为目标电池的放电截止电压所对应的状态)。
[0156]
第五步：判断充放电的循环次数是否到达100次。如果达到100次，则进行容量测试，以得到获取当前磷酸铁锂电池的容量数据，并计算磷酸铁锂电池的当前soh值(即目标soh值)。如果未达到100次，则重复第一步、第二步、第三步和第四步。
[0157]
第六步：判断磷酸铁锂电池的soh是否小于80％，如果小于80％，结束测试。如果不满足，则重复第一步、第二步、第三步、第四步和第五步。
[0158]
为了较为简单和准确地得到ic曲线，本技术的另一种实施例中，上述处理单元包括处理模块、分组模块和拟合模块，其中，上述处理模块用于对各上述qv数据进行微分处理，得到多个ic数据，并对各ic数据进行平滑滤波处理，得到多个目标ic数据；上述分组模块用于对多个上述目标ic数据进行分组处理，得到上述第二数量的目标ic数据组；上述拟合模块用于对各上述目标ic数据组进行曲线拟合，得到上述第二数量的上述ic曲线。
[0159]
本技术的一种具体的实施例中，上述平滑滤波处理可以划分为滤波处理和平滑处理。其中，上述滤波处理用于对得到的ic数据的异常值进行处理；上述平滑处理用于保证后续得到的ic曲线较为平滑。在本技术中，并不对上述异常值处理和平滑处理的具体方法进行限制，其可以通过相应的算法进行处理，当然，也可以通过人工进行处理。
[0160]
本技术的又一种实施例中，上述预估装置还包括平滑滤波模块，用于在至少对各上述qv数据进行微分处理，得到上述第二数量的ic曲线之前，对各上述qv数据进行平滑滤波处理，得到处理后的多个上述qv数据。在该实施例中，对获取到的qv数据进行平滑滤波处理，得到处理后的多个qv数据，后续再至少对qv数据进行微分处理，得到ic曲线，进一步地保证了得到的ic曲线较为准确，进一步地保证了基于ic曲线提取ic特征数据，得到的目标ic特征数据较为准确。
[0161]
本技术的一种具体的实施例中，上述平滑滤波处理可以划分为滤波处理和平滑处理。其中，上述滤波处理包括对qv数据进行异常值处理；上述平滑处理用于保证后续得到的ic曲线较为平滑。在本技术中，并不对上述异常值处理和平滑处理的具体方法进行限制，其可以通过相应的算法进行处理，当然，也可以通过人工进行处理。
[0162]
上述电池的soh值的预估装置包括处理器和存储器，上述接收单元、处理单元和确
定单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
[0163]
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决现有技术中对磷酸铁锂电池的健康状态进行监测和预估时，bms的运算力负担较大的问题。
[0164]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
[0165]
本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述电池的soh值的预估方法。
[0166]
本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述电池的soh值的预估方法。
[0167]
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：
[0168]
步骤s101，接收目标电池在目标温度下的第一数量的qv数据和第二数量的目标soh值，每一组上述qv数据包括上述目标电池的当前可用容量数据和电压数据，上述电压数据包括放电截止电压和充电截止电压，上述第一数量大于上述第二数量；
[0169]
步骤s102，至少对各上述qv数据进行微分处理，得到上述第二数量的ic曲线，并提取各上述ic曲线的ic特征数据，得到多组目标ic特征数据，一条上述ic曲线对应一组上述目标ic特征数据和一个上述目标soh值，上述ic特征数据包括iii峰高度值、上述iii峰高度值对应的第一电压值以及从第二电压值，上述第二电压值是从上述第一电压值开始，对上述目标电池充入目标容量后得到的电压值，上述iii峰高度值为上述ic曲线的第iii峰的高度值；
[0170]
步骤s103，根据各上述目标ic特征数据和各上述目标soh值，确定目标映射关系，并将上述目标映射关系发送至电池管理系统，以使得上述电池管理系统基于上述目标映射关系和实车ic特征数据，预估实车的当前soh值，上述实车ic特征数据为上述实车充电时的上述ic特征数据。
[0171]
本文中的设备可以是服务器、pc、pad、手机等。
[0172]
本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：
[0173]
步骤s101，接收目标电池在目标温度下的第一数量的qv数据和第二数量的目标soh值，每一组上述qv数据包括上述目标电池的当前可用容量数据和电压数据，上述电压数据包括放电截止电压和充电截止电压，上述第一数量大于上述第二数量；
[0174]
步骤s102，至少对各上述qv数据进行微分处理，得到上述第二数量的ic曲线，并提取各上述ic曲线的ic特征数据，得到多组目标ic特征数据，一条上述ic曲线对应一组上述目标ic特征数据和一个上述目标soh值，上述ic特征数据包括iii峰高度值、上述iii峰高度值对应的第一电压值以及从第二电压值，上述第二电压值是从上述第一电压值开始，对上述目标电池充入目标容量后得到的电压值，上述iii峰高度值为上述ic曲线的第iii峰的高度值；
[0175]
步骤s103，根据各上述目标ic特征数据和各上述目标soh值，确定目标映射关系，并将上述目标映射关系发送至电池管理系统，以使得上述电池管理系统基于上述目标映射关系和实车ic特征数据，预估实车的当前soh值，上述实车ic特征数据为上述实车充电时的上述ic特征数据。
[0176]
为了本领域技术人员能够更加清楚地了解本技术的技术方案，以下将结合具体的实施例来说明本技术的技术方案和技术效果。
[0177]
实施例
[0178]
本实施例涉及一种电池的soh值的预估方法，如图9所示。具体步骤如下：
[0179]
第一步：获取目标电池在目标温度下的第一数量的qv数据和第二数量的目标soh值；
[0180]
第二步：对第一数量的qv数据进行平滑滤波处理，得到处理后的qv数据；
[0181]
第三步：对第一数量的qv数据进行微分处理，得到第一数量的ic数据；
[0182]
第四步：对第一数量的ic数据进行平滑滤波处理和分组处理，得到第二数量的ic曲线；
[0183]
第五步：提取各ic曲线的ic特征数据，得到第二数量的目标ic特征数据，其中，目标ic特征数据包括iii峰高度值、iii峰高度值对应的第一电压值以及第二电压值，第二电压值是从第一电压值开始，对目标电池充入目标容量后的得到的电压值，iii峰高度值为ic曲线的第iii峰的高度值。由于获取的第二电压值v2是充入目标容量q之后的，且目标容量q是一个可以标定的数值，故这样可以较为容易和较为简单地得到第二电压值v2，保证了本技术的预估方法的计算量较小，从而解决了现有技术中对磷酸铁锂电池的健康状态进行监测和预估时，bms的运算力负担较大的问题；
[0184]
第六步：根据第二数量的目标ic特征数据和第二数量的目标soh值，得到目标映射关系；
[0185]
第七步：根据目标映射关系和实车ic特征数据，预估实车的当前soh值。
[0186]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0187]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0188]
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0189]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0190]
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用
时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0191]
从以上的描述中，可以看出，本技术上述的实施例实现了如下技术效果：
[0192]
1)、本技术的电池的soh值的预估方法中，首先对接收到的第一数量的qv数据至少进行微分处理，得到第二数量的ic曲线，并提取各上述ic曲线的ic特征数据，得到第二数量的目标ic特征数据。再根据第二数量的目标ic特征数据和第二数量的目标soh值，确定目标映射关系。最后将确定出的目标映射关系发送至电池管理系统，以使得电池管理系统可以根据实车ic特征数据和目标映射关系，预估实车的当前soh值。与现有技术中通过ica结合神经网络的方法来对实车的soh值进行预估的方法相比，本方案中基于采集到的第一数量的qv数据，得到第二数量的目标ic特征数据，以及基于第二数量的目标ic特征数据和第二数量的目标soh值，确定目标映射关系。再将目标映射关系发送至电池管理系统(即将目标映射关系内置到电池管理系统)，这样电池管理系统可以根据目标映射关系和实车ic特征数据，预估实车的当前soh值。由于电池管理系统中无需使用神经网络算法进行在线分析，只需根据目标映射关系和实车ic特征数据，便可以预估实车的当前soh值，这样保证了电池管理系统中的计算量较少，从而解决了现有技术中对磷酸铁锂电池的健康状态进行监测和预估时，bms的运算力负担较大的问题。
[0193]
2)、本技术的电池的soh值的预估装置中，处理单元用于对接收单元接收到的第一数量的qv数据至少进行微分处理，得到第二数量的ic曲线，并提取各上述ic曲线的ic特征数据，得到第二数量的目标ic特征数据。确定单元用于根据第二数量的目标ic特征数据和第二数量的目标soh值，确定目标映射关系以及将确定出的目标映射关系发送至电池管理系统，以使得电池管理系统可以根据实车ic特征数据和目标映射关系，预估实车的当前soh值。与现有技术中通过ica结合神经网络的方法来对实车的soh值进行预估的方法相比，本方案中基于采集到的第一数量的qv数据，得到第二数量的目标ic特征数据，以及基于第二数量的目标ic特征数据和第二数量的目标soh值，确定目标映射关系。再将目标映射关系发送至电池管理系统(即将目标映射关系内置到电池管理系统)，这样电池管理系统可以根据目标映射关系和实车ic特征数据，预估实车的当前soh值。由于电池管理系统中无需使用神经网络算法进行在线分析，只需根据目标映射关系和实车ic特征数据，便可以预估实车的当前soh值，这样保证了电池管理系统中的计算量较少，从而解决了现有技术中对磷酸铁锂电池的健康状态进行监测和预估时，bms的运算力负担较大的问题。
[0194]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。