本發(fā)明涉及一種對電池的健康狀態(tài)(或稱劣化狀態(tài))進行診斷的裝置和方法。

背景技術(shù)：

電池在數(shù)字化社會中的用途越來越廣泛。尤其在對排放和尺寸要求較苛刻的領(lǐng)域，電池往往是不可替代的。

電池的電能依靠其內(nèi)部的電化學反應(yīng)來產(chǎn)生，隨著電池的充放電過程的反復，電池內(nèi)部的電解液會與正負極材料發(fā)生化學反應(yīng)，這個過程不是完全可逆的。隨著不斷地充放電，電池內(nèi)部結(jié)構(gòu)會發(fā)生不可逆轉(zhuǎn)的變化，如電解液結(jié)晶化、揮發(fā)或漏出，電池內(nèi)部結(jié)構(gòu)破壞，正負極材料被腐蝕等，稱之為電池健康狀態(tài)(soh，stateofhealth)的劣化。這種劣化會降低電池的供電能力，同時會降低電池的穩(wěn)定性和安全性，如局部結(jié)晶化(發(fā)生在電池負極板上的硫酸鹽結(jié)晶化稱為“硫化”)導致電池局部內(nèi)阻增大，使電池在充放電時局部過熱，引起自燃甚至爆炸。此外，電池溫度過高可能會導致結(jié)構(gòu)膨脹，從而引起電解液泄露等。

在某些應(yīng)用場景中，如航空工業(yè)，電池的安全性水平比電池的經(jīng)濟性水平更加重要。如2013年波音787客機就曾因輔助動力電池起火事故導致飛機緊急迫降。

電池的原理和結(jié)構(gòu)特點導致在生產(chǎn)過程中很難保證其性能和質(zhì)量的一致性，這使得即使是同一型號同一批次的電池的電氣特性和劣化特性也會有細微的不同。甚至，部分電池在生產(chǎn)時會有質(zhì)量缺陷，如電解液里的氣泡，電解質(zhì)不均勻等，這些缺陷往往體現(xiàn)在劣化特性上，在出廠測試中并不會被發(fā)現(xiàn)，在電池日常使用一段時間之后才會顯露。這樣的特點使得同一批次電池的劣化經(jīng)驗往往不能完全通用，必須對每塊電池單獨進行劣化建模。

由于電池內(nèi)部的電化學反應(yīng)具有很強的非線性，不同的充放電過程對電池的劣化將有不同的影響，實驗室中的充放電測試設(shè)定很難完全模擬實際應(yīng)用時的充放電模式，因此實驗室中的壽命試驗不能完全體現(xiàn)實際應(yīng)用時的電池劣化規(guī)律。

電池的劣化在電池的使用過程中是不可避免的，因此為了提前預知電池的壽命周期以及時更換新電池，以及為了在電池的全壽命周期中最大化地發(fā)揮其作用，同時保證電池的安全水平，必須對電池在實際應(yīng)用中的健康或劣化狀態(tài)進行實時監(jiān)控。

同時，電池的劣化特性與電池的電氣特性息息相關(guān)，如作為電池劣化指標之一的開路電壓，也是重要的電氣特性參數(shù)之一，對電池劣化特性的獲取可以有助于電池電氣特性的計算。

為監(jiān)控電池的健康狀態(tài)，人們提出了各種方法。例如，專利文獻1提出了一種利用電池的開路電壓來估計電池劣化狀態(tài)的方法。隨著電池的劣化，電池的開路電壓將會下降。根據(jù)歷史充放電數(shù)據(jù)建立電池的使用累計時間和開路電壓之間的近似函數(shù)關(guān)系，基于該函數(shù)關(guān)系計算電池的開路電壓等于某個值時其使用累計時間，以此表征電池的健康狀態(tài)。

專利文獻2提出了一種根據(jù)充放電電流的累積值來計算電池劣化狀態(tài)的方法。首先基于實驗數(shù)據(jù)建立電池的劣化狀態(tài)與電池的充放電電流累積值之間近似正向的關(guān)系，即充放電電流累積值越大，則電池劣化越惡劣，然后基于該關(guān)系，以實際的充放電電流累計值為輸入來計算電池的劣化狀態(tài)。

然而，在專利文獻1的技術(shù)中，電池的開路電壓不僅僅和電池的soh相關(guān)，也和電池的荷電狀態(tài)(soc，stateofcharge)相關(guān)，因此欲消除soc的干擾，必須首先建立一個電池soc和開路電壓之間的關(guān)系或模型，用此模型來計算同一個soc時不同soh下的開路電壓，然后才能建立開路電壓和電池soh的關(guān)系。然而電池在不同soh時，其soc和開路電壓之間的關(guān)系或模型本身也是變化的，這時又首先必須獲取電池的soh，問題陷入循環(huán)。所以只能在某個環(huán)節(jié)上進行近似假設(shè)，這使得soh的計算精度有限。

并且，該方法只能計算當前時刻電池的soh，不能對電池在將來 時刻的soh進行預測。

在專利文獻2的技術(shù)中，由于充放電電流的累積值不能完全體現(xiàn)出不同的充放電模式，因此該方法不能區(qū)分出充放電電流的累積值相同，但充放電模式不同時電池的劣化模式的不同。同時，若要對電池在全壽命周期內(nèi)的soh進行建模，需要在實驗室內(nèi)對電池進行全壽命實驗，這需要花費很長的時間。而實驗室內(nèi)的壽命實驗通常為了節(jié)省時間只能進行加速實驗，往往不能體現(xiàn)出實際的電池劣化模式。

專利文獻1：us9086462b2

專利文獻2：cn103492893b

技術(shù)實現(xiàn)要素：

為了克服現(xiàn)有技術(shù)的上述問題，提出了本發(fā)明。本發(fā)明的目的是，提供一種只利用電池的日常應(yīng)用數(shù)據(jù)來計算電池的劣化模型，來精確地診斷電池在歷史時刻、當前和將來時刻的健康狀態(tài)(soh)的裝置和方法。

與現(xiàn)有技術(shù)相比，本發(fā)明適用于多種電池、多個電池的監(jiān)控，降低對專家經(jīng)驗的需求，提高電池的安全性，提高電池的可利用率。

具體而言，本發(fā)明包括如下技術(shù)方案。

本發(fā)明第一技術(shù)方案提供一種電池的健康狀態(tài)診斷裝置，診斷與其連接的電池系統(tǒng)中的電池的健康狀態(tài)，包括：控制指令計算單元，輸出對所述電池系統(tǒng)中的電池的充放電進行指示的將來一段時間的充放電控制指令；電池健康狀態(tài)分析單元，根據(jù)所述電池系統(tǒng)中的電池的充放電歷史數(shù)據(jù)建立電池的以電池充放電模式和環(huán)境信息的數(shù)據(jù)為輸入、以電池的電氣特性為輸出的劣化模型，并基于所述將來一段時間的充放電控制指令和所述劣化模型計算所述電池按照所述將來一段時間的充放電控制指令進行充放電后的電氣特性作為預測電氣特性；和電池健康狀態(tài)診斷單元，基于所述預測電氣特性診斷電池的健康狀態(tài)。

本發(fā)明第二技術(shù)方案提供一種健康狀態(tài)診斷裝置，在第一技術(shù)方案的健康狀態(tài)診斷裝置中，所述電池健康狀態(tài)分析單元包括訓練數(shù)據(jù)生成部、劣化模型建立部和電氣狀態(tài)預測部，其中，所述訓練數(shù)據(jù)生 成部對于規(guī)定時間區(qū)間內(nèi)的電池的充放電歷史數(shù)據(jù)，按規(guī)定時間段計算反映不同充放電模式和環(huán)境信息的參數(shù)組成特征向量，并以該規(guī)定時間段的一個電氣特性作為目標向量，以特征向量和目標變量構(gòu)成劣化訓練數(shù)據(jù)，進而將不同時間段的劣化訓練數(shù)據(jù)組成劣化訓練數(shù)據(jù)集合，所述劣化模型建立部基于所述劣化訓練數(shù)據(jù)集合按照統(tǒng)計或機器學習方法，以使得劣化模型與所述劣化訓練數(shù)據(jù)集合之間的誤差最小的方式建立所述劣化模型，所述電氣狀態(tài)預測部基于所述將來一段時間的充放電控制指令利用所述劣化模型計算所述預測電氣特性。

本發(fā)明第三技術(shù)方案提供一種健康狀態(tài)診斷裝置，在第二技術(shù)方案的健康狀態(tài)診斷裝置中，在所述訓練數(shù)據(jù)生成部中，將所述規(guī)定時間段內(nèi)電池的包括充放電電壓、電流、溫度在內(nèi)的歷史數(shù)據(jù)的時間序列分解到多個不同的頻率范圍內(nèi)，計算不同的數(shù)據(jù)分量，使用計算出的數(shù)據(jù)分量代表所述規(guī)定時間段的不同的充放電模式和環(huán)境信息。

本發(fā)明第四技術(shù)方案提供一種健康狀態(tài)診斷裝置，在第一或第二技術(shù)方案的健康狀態(tài)診斷裝置中，所述控制指令計算單元輸出從外部接收到的所述將來一段時間的充放電控制指令，或者，所述控制指令計算單元基于充放電控制指令的歷史數(shù)據(jù)，以時間、日期、充放電控制指令的歷史值組成特征向量，基于多個代表不同歷史區(qū)間充放電指令的特征向量的集合，通過統(tǒng)計或機器學習的方法，預測所述將來一段時間的充放電控制指令。

本發(fā)明第五技術(shù)方案提供一種健康狀態(tài)診斷裝置，在第二技術(shù)方案的健康狀態(tài)診斷裝置中，所述健康狀態(tài)分析單元還包括控制指令特征生成部，所述控制指令特征生成部基于所述將來一段時間的充放電控制指令計算反映不同充放電模式和環(huán)境信息的參數(shù)組成控制指令特征向量，所述電氣狀態(tài)預測部將所述控制指令特征向量輸入所述劣化模型來計算所述預測電氣特性。

本發(fā)明第六技術(shù)方案提供一種健康狀態(tài)診斷裝置，在第一或第二技術(shù)方案的健康狀態(tài)診斷裝置中，所述電池健康狀態(tài)診斷單元使用所述預測電氣特性作為表征電池的健康狀態(tài)的指標，或者，所述電池健康狀態(tài)診斷單元對所述預測電氣特性中的每種電氣特性進行加權(quán)求和，以求和得到的數(shù)據(jù)作為表征電池的健康狀態(tài)的指標，所述電池健康狀 態(tài)診斷單元在進行所述加權(quán)求和時，對所述電池的電氣特性的歷史數(shù)據(jù)進行統(tǒng)計，以經(jīng)過了不同的充放電歷史后變化越大的電氣特性則權(quán)重越大的方式對每種電氣特性分配權(quán)重。

本發(fā)明第七技術(shù)方案提供一種健康狀態(tài)診斷裝置，在第一或第二技術(shù)方案的健康狀態(tài)診斷裝置中，所述電池健康狀態(tài)診斷單元以每個電池的歷史電氣特性組成特征向量，以電池的故障信息的歷史數(shù)據(jù)組成目標變量，將特征向量和目標變量組成故障訓練數(shù)據(jù)，并將多個電池的多個故障訓練數(shù)據(jù)組成故障訓練數(shù)據(jù)集，在電池的故障信息表示故障與否時，基于所述故障訓練數(shù)據(jù)集利用統(tǒng)計或機器學習方法進行分類訓練，得到區(qū)分正常和故障狀態(tài)的邊界的分類曲線，計算所述預測電氣特性的數(shù)據(jù)與該曲線的距離作為表征電池的健康狀態(tài)的指標，在電池的故障信息包括故障類型時，利用聚類或多區(qū)間分類的方法將所述故障訓練數(shù)據(jù)集分為多個不同的故障類型區(qū)域，計算所述預測電氣特性的數(shù)據(jù)與所述不同的故障類型區(qū)域的距離，利用距離最小的故障類型表征電池的健康狀態(tài)。

本發(fā)明第八技術(shù)方案提供一種健康狀態(tài)診斷裝置，在第二技術(shù)方案的健康狀態(tài)診斷裝置中，所述電池健康狀態(tài)分析單元還包括電氣建模部和新區(qū)間電氣特性預測部，在第一規(guī)定時間區(qū)間的電池的充放電歷史數(shù)據(jù)包括電池的電氣特性中的一種以上電氣特性的數(shù)據(jù)的情況下，所述訓練數(shù)據(jù)生成部以所述一種以上電氣特性中的部分或全部電氣特性構(gòu)成的第一組電氣特性中的每一種為目標向量分別構(gòu)成劣化訓練數(shù)據(jù)集合，所述劣化模型建立部基于該劣化訓練數(shù)據(jù)集合建立初始劣化模型，所述新區(qū)間電氣特性預測部基于所述第一規(guī)定時間區(qū)間后的第二規(guī)定時間區(qū)間的電池的充放電歷史數(shù)據(jù)和所述初始劣化模型，計算所述第二規(guī)定時間區(qū)間的電池的所述第一組電氣特性的數(shù)據(jù)，所述電氣建模部基于所述第二規(guī)定時間區(qū)間的電池的所述第一組電氣特性的數(shù)據(jù)，計算該第二規(guī)定時間區(qū)間的電池的除所述第一組電氣特性之外的第二組電氣特性的數(shù)據(jù)，所述第二規(guī)定時間區(qū)間的電池的所述第一組電氣特性和所述第二組電氣特性被輸入到所述訓練數(shù)據(jù)生成部，與所述第一規(guī)定時間區(qū)間的電池的充放電歷史數(shù)據(jù)一起進一步構(gòu)成新的劣化訓練數(shù)據(jù)集合。

本發(fā)明第九技術(shù)方案提供一種健康狀態(tài)診斷裝置，在第八技術(shù)方案的健康狀態(tài)診斷裝置中，所述電氣建模部基于所述第二規(guī)定時間區(qū)間的電池的所述第一組電氣特性的數(shù)據(jù)，設(shè)定該第二規(guī)定時間區(qū)間的電池的所述第二組電氣特性的數(shù)據(jù)，以第一組和第二組電氣特性的數(shù)據(jù)為基礎(chǔ)建立代表電池電氣特性的電氣模型，利用該電氣模型對電池的充放電進行模擬，比較模擬的充放電電流或電壓與實際的歷史數(shù)據(jù)中的充放電電流或電壓的誤差，在多次迭代后選擇使得誤差最小的所述第二組電氣特性的數(shù)據(jù)輸出。

本發(fā)明第十技術(shù)方案提供一種健康狀態(tài)診斷方法，診斷電池系統(tǒng)中的電池的健康狀態(tài)，包括：控制指令計算步驟，計算對電池系統(tǒng)中的電池的充放電進行指示的將來一段時間的充放電控制指令；電池健康狀態(tài)分析步驟，根據(jù)所述電池系統(tǒng)中的電池的充放電歷史數(shù)據(jù)建立電池的以電池充放電模式和環(huán)境信息的數(shù)據(jù)為輸入、以電池的電氣特性為輸出的劣化模型，并基于所述將來一段時間的充放電控制指令和所述劣化模型計算所述電池按照所述將來一段時間的充放電控制指令進行充放電后的電氣特性作為預測電氣特性；和電池健康狀態(tài)診斷步驟，基于所述預測電氣特性診斷電池的健康狀態(tài)。

在本發(fā)明中，如上所述，使用電池的歷史充放電數(shù)據(jù)中分解得到的各個代表不同頻率范圍的分量代表特定的電池充放電模式，從而建立充放電模式與電池健康狀態(tài)的關(guān)系。這些代表不同頻率范圍的分量已經(jīng)包含了電池soc的信息，所以上述劣化模型也建立了電池soc和電氣狀態(tài)的關(guān)系。避免了問題的循環(huán)。

同時，本發(fā)明中所建立的電池劣化模型以一個電氣特性作為目標向量，通過針對不同的電氣特性建立多個劣化模式，輸出可由多個代表電池內(nèi)部電氣狀態(tài)的參數(shù)組成，比采用單一的參數(shù)更加精確。并且，這些多個參數(shù)的不同組合能夠反映出電池不同的故障類型。

這樣，根據(jù)本發(fā)明的電池的健康狀態(tài)診斷裝置，只利用電池的日常的充放電歷史數(shù)據(jù)就能夠計算電池的劣化模型，來精確地診斷電池在歷史時刻、當前和將來時刻的健康狀態(tài)(soh)。與現(xiàn)有技術(shù)相比，本發(fā)明適用于多種電池、多個電池的監(jiān)控，降低對專家經(jīng)驗的需求，提高電池的安全性，提高電池的可利用率。

附圖說明

圖1a是本發(fā)明的電池的健康狀態(tài)診斷裝置的模塊組成圖。

圖1b是本發(fā)明的電池的健康狀態(tài)診斷裝置的健康狀態(tài)診斷流程。

圖2a是健康狀態(tài)分析單元103的模塊組成圖。

圖2b是健康狀態(tài)分析單元103’的模塊組成圖。

圖3a和圖3b是與健康狀態(tài)分析單元103和103’分別對應(yīng)的電池的將來時刻的電氣特性的預測流程圖。

圖4是電池健康狀態(tài)診斷單元104對電池健康狀態(tài)的診斷流程。

圖5a是將充放電歷史數(shù)據(jù)分解為表示不同充放電模式的數(shù)據(jù)分量的示意圖，其中，(1)是充放電歷史數(shù)據(jù)的時間序列的示意圖，(2)是利用小波變換計算不同充放電模式的數(shù)據(jù)分量的示意圖，(3)是利用傅里葉計算不同充放電模式的數(shù)據(jù)分量的示意圖。

圖5b是利用歷史充放電數(shù)據(jù)生成的訓練數(shù)據(jù)集來計算電池劣化模型的示意圖。

圖5c是電池的故障模型的示意圖，其中，(1)是利用電池的歷史電氣特性數(shù)據(jù)和表示電池故障與否的數(shù)據(jù)來進行電池故障診斷的示意圖，(2)是利用電池的歷史電氣特性數(shù)據(jù)和故障類型數(shù)據(jù)來對電池進行故障診斷和故障分類的示意圖。

具體實施方式

以下結(jié)合附圖描述本發(fā)明的具體實施例。但是應(yīng)該理解，以下對具體實施例的描述僅僅是為了解釋本發(fā)明的執(zhí)行示例，而不對本發(fā)明的范圍進行任何限定。為避免對所述實施例造成不必要的模糊，將略去對公知元件和公知處理技術(shù)的說明。

本發(fā)明的電池的健康狀態(tài)診斷裝置100的模塊組成圖如圖1a所示。

健康狀態(tài)診斷裝置100與電池系統(tǒng)101連接，從電池系統(tǒng)101接收數(shù)據(jù)并對電池系統(tǒng)101發(fā)送充放電控制指令，其包括控制指令計算單元101、電池健康狀態(tài)分析單元103和電池健康狀態(tài)診斷單元104。

其中，電池系統(tǒng)101可以是任意的使用二次電池的設(shè)備中的包括一個或多個電池的電池系統(tǒng)，在圖1a所示的例子中，電池系統(tǒng)101主 要包含電池組及其充電設(shè)備(powerconditioningsystem，pcs)。

控制指令計算單元102與電池系統(tǒng)101和外部設(shè)備(例如上級控制器等)連接，其作用是計算對電池系統(tǒng)101中的電池的充放電進行指示的將來一段時間的充放電控制指令，并將該指令發(fā)送給電池系統(tǒng)101或電池健康狀態(tài)分析單元103。其中，充放電控制指令的對象可以是電池系統(tǒng)101中的每個單體電池(cell)，也可以是多個單體電池構(gòu)成的電池組，或者電池系統(tǒng)101中的所有電池的整體。在下文中，如沒有特別的說明，所稱“電池”、“每個電池”等用語均具有同樣的含義。

這里的充放電控制指令可以表示為電池將來一段時間內(nèi)的充放電電壓、電流和/或功率等，即，是充放電電壓、電流和/或功率等的時間序列。

具體而言，充放電控制指令的主要計算方法是，如果電池將來的充放電控制指令已經(jīng)存在(例如從外部接收到充放電控制指令，或已經(jīng)預先設(shè)定)，則以此作為充放電控制指令，如果將來的充放電控制指令不存在，那么以(時間，日期，充放電控制指令的歷史值)來組成特征向量，將多個代表不同歷史時刻充放電指令的特征向量集合作為輸入，通過統(tǒng)計或機器學習的方法，根據(jù)歷史的以及當前的充放電控制指令來預測將來的充放電控制指令。

電池健康狀態(tài)分析單元103基于從電池系統(tǒng)101獲取的各電池的充放電歷史數(shù)據(jù)建立電池的劣化模型，該劣化模型以電池充放電模式和環(huán)境信息的數(shù)據(jù)為輸入，以電池的電氣特性為輸出。其中，電池的充放電歷史數(shù)據(jù)是電池使用過程中可直接測量監(jiān)視的數(shù)據(jù)，例如充電電壓、電流和/或功率(可基于電壓電流來計算得出)，也可以包括溫度，例如電池本身的溫度或周邊環(huán)境的溫度等。而電池的電氣特性指的是通常無法實時測量得到的電池的開路電壓(opencircuitvoltage，ocv)、內(nèi)阻、內(nèi)部電容、電感等參數(shù)。不過，關(guān)于這些電氣特性參數(shù)(或稱電氣參數(shù))的電池出廠時的銘牌數(shù)據(jù)，例如電池的全新狀態(tài)下的滿充電開路電壓、初始內(nèi)阻、初始內(nèi)部電容、初始電感等的部分參數(shù)也可以包括在電池的充放電歷史數(shù)據(jù)中，或者，在充放電歷史數(shù)據(jù)中，也可以包括電池的關(guān)于故障的信息，例如是否故障，故障類型具體是什 么等。

電池健康狀態(tài)分析單元103接收從控制指令計算單元102輸出的將來的充放電控制指令，基于該指令利用所建立的劣化模型得到電池按照該充放電控制指令充放電后的將來時刻的預測電氣特性。電池健康狀態(tài)分析單元103的更詳細的內(nèi)容將參照圖2a、2b和圖3a、3b在后文描述。

電池健康狀態(tài)診斷單元104從電池健康狀態(tài)分析單元103接收計算出的將來時刻的預測電氣特性，基于該預測電氣特性向外部輸出表征電池的健康狀態(tài)的指標。其中，關(guān)于該表征電池的健康狀態(tài)的指標，可以直接輸出預測電氣特性中的某種電氣特性參數(shù)的值，也可以輸出將預測電氣特性中的各個電氣特性參數(shù)的值以不同的權(quán)重疊加而得到的值，此外，還可以根據(jù)歷史的故障信息建立電池的健康狀態(tài)診斷模型，將電池的預測電氣特性輸入健康狀態(tài)診斷模型，輸出表示是否故障或故障類型的信息。關(guān)于電池健康狀態(tài)診斷單元104的更詳細的內(nèi)容將參照圖4在后文描述。

基于圖1a所示的結(jié)構(gòu)，本發(fā)明的電池的健康狀態(tài)診斷裝置100的健康狀態(tài)診斷流程如圖1b所示。首先，健康狀態(tài)分析單元103從電池系統(tǒng)101中收集電池的充放電數(shù)據(jù)，根據(jù)該數(shù)據(jù)建立電池的劣化模型(s105)，健康狀態(tài)診斷單元104從電池系統(tǒng)101中收集電池的正?；蚬收蠑?shù)據(jù)，建立電池的健康狀態(tài)診斷模型(s106)，并且，控制指令計算中心根據(jù)歷史的以及當前的充放電控制指令或者來自外部的控制指令來計算電池將來的充放電控制指令(s107)。該充放電控制指令輸入到步驟s105所建立的電池劣化模型中，計算電池在將來時刻的電氣特性(s108)，將該電氣特性輸入到步驟s106所建立的健康狀態(tài)診斷模型中，輸出電池在將來時刻的健康狀態(tài)(s109)。

這樣，根據(jù)本發(fā)明的電池的健康狀態(tài)診斷裝置100，只利用電池的日常應(yīng)用數(shù)據(jù)來計算電池的劣化模式，就能夠精確地診斷電池在歷史時刻、當前和將來時刻的健康狀態(tài)(soh)。

下面對電池健康狀態(tài)分析單元103的具體結(jié)構(gòu)進行說明。

圖2a是電池健康狀態(tài)分析單元103的功能模塊圖。如圖2a所示，電池健康狀態(tài)分析單元103包括電池充放電歷史數(shù)據(jù)庫201、特征生成 部202、特征選擇部203、劣化模型建立部204、電池充放電指令數(shù)據(jù)庫205、電氣特性預測部206。其中，電池充放電歷史數(shù)據(jù)庫201為存放從電池系統(tǒng)101獲取到的電池的充放電歷史數(shù)據(jù)的數(shù)據(jù)庫。電池充放電指令數(shù)據(jù)庫205為存放從控制指令計算單元102發(fā)送來的電池的充放電控制指令的數(shù)據(jù)庫。這些數(shù)據(jù)庫可以由存儲設(shè)備構(gòu)成，例如可以采用常用的光存儲、磁存儲或半導體存儲設(shè)備等任意的存儲設(shè)備，當然也可以不在健康狀態(tài)分析單元103中設(shè)置這些數(shù)據(jù)庫，而是直接從電池系統(tǒng)101和控制指令計算單元102實時調(diào)用數(shù)據(jù)。

特征生成部202對來自電池充放電歷史數(shù)據(jù)庫201中的歷史充放電數(shù)據(jù)進行處理。具體而言，針對每個電池，對其一段時間區(qū)間的歷史數(shù)據(jù)按每個時間段生成一系列反映不同充放電模式和環(huán)境信息的參數(shù)并將之組成一組數(shù)據(jù)作為特征向量，并將該時間段的電池的某個電氣特性作為目標變量，以特征向量和目標變量構(gòu)成一個訓練數(shù)據(jù)。進而，按不同時間段構(gòu)成訓練數(shù)據(jù)，將它們組成集合。

其中，時間區(qū)間和時間段的選擇并沒有特別的限定，優(yōu)選時間區(qū)間的選擇保證構(gòu)成的訓練數(shù)據(jù)集合足夠大，并且所選取的時間段優(yōu)選能夠覆蓋整個時間區(qū)間。

對特征生成部202中各時間段的特征向量的生成的處理進一步說明如下。

首先，采集目標時間段中的電池的充放電電壓、電流、溫度等數(shù)據(jù)，這樣的數(shù)據(jù)(例如充電電壓)如附圖5a的坐標圖(1)中的501所示。然后將每一個采集到的數(shù)據(jù)分解到多個頻率范圍中，計算出一組不同的數(shù)據(jù)分量，并將這些數(shù)據(jù)分量組成特征向量。其中一個分量代表一個頻率范圍的充放電模式(電壓、電流)以及環(huán)境信息(溫度)，不同的數(shù)據(jù)所采用的多個頻率范圍劃分可以不同。

具體采用的計算方法可以是小波變換，短時傅里葉變換等，或者其他可以將一個信號分解為代表不同頻率范圍的分量的方法。

如果采用小波變換那么將小波變換中的尺度因子作為區(qū)分不同頻率區(qū)段的參數(shù)，如(公式1)所示：

其中b為決定頻率區(qū)段的參數(shù)。

類似地也可以采用小波變換的離散形式，如(公式2)所示：

其中i為決定頻率區(qū)段的參數(shù)。

ψ(t)為小波函數(shù)，h[k]、g[k]為由小波函數(shù)決定的函數(shù)。小波函數(shù)的選擇可以參照相關(guān)數(shù)據(jù)的特點來確定，基本原則是選擇與相關(guān)數(shù)據(jù)曲線最相似的小波函數(shù)。例如，如果電池的充放電電壓或電流的曲線是類似于方波的樣式，則選擇哈爾小波函數(shù)。

信號分量在某頻率區(qū)段的大小由小波變換得到的子信號強度決定。

例如，對于圖5a的坐標圖(1)中的501所示的充放電歷史數(shù)據(jù)利用小波變換進行數(shù)據(jù)的分解，結(jié)果如圖5a的(2)所示。502、503、504、505、506為分解之后的各個子數(shù)據(jù)，507、508為不同的頻率分段，每一個頻率分段可進一步統(tǒng)計出一個數(shù)據(jù)分量，由所有的數(shù)據(jù)分量組成特征向量。

或者，除了采用小波變換外，也可以采用傅里葉變換、短時傅里葉變換或快速傅里葉變換等，其中決定頻率范圍的參數(shù)是傅里葉反變換的積分上下限。以傅里葉變換為例，其計算公式如(公式3)所示：

其中[a1,2]代表某個頻率范圍，信號分量在某頻率區(qū)段的大小由小波變換得到的子信號強度決定。

對于圖5a的坐標圖(1)中的501所示的充放電歷史數(shù)據(jù)利用傅里葉變換進行數(shù)據(jù)的分解，結(jié)果如圖5a的(3)所示。其中510、511、512代表不同的頻率范圍，每個頻率范圍內(nèi)的子信號可以根據(jù)傅里葉反變換計算出一個數(shù)據(jù)分量，由所有的數(shù)據(jù)分量組成特征向量。

這樣，生成一系列反映不同充放電模式和環(huán)境信息的參數(shù)并將之組成一組數(shù)據(jù)作為特征向量，之后，如上所述，將該時間段的電池的某個電氣特性作為目標變量，以特征向量和目標變量構(gòu)成一個訓練數(shù)據(jù)。進而，將不同時間段的訓練數(shù)據(jù)組成集合。

另外，特征生成部202除了對來自電池充放電歷史數(shù)據(jù)庫201中的歷史充放電數(shù)據(jù)進行處理之外，還對從電池充放電指令數(shù)據(jù)庫205發(fā)送來的充放電控制指令進行與充放電歷史數(shù)據(jù)同樣的處理，得到用 于進行預測的特征向量。

這樣，不同的電池充放電模式的信息，不同的環(huán)境信息都被包含在訓練數(shù)據(jù)中，以表現(xiàn)實際電池應(yīng)用過程中對電池產(chǎn)生劣化影響的多個因素。

特征選擇部203對由特征生成單元202生成的多個不同特征例如根據(jù)相關(guān)性的程度進行篩選，得到劣化建模用訓練數(shù)據(jù)集。特征選擇部203所采用的主要方法例如可以為pca(principlecomponentanalysis，主成分分析)。

劣化模型建立部204基于特征選擇部203篩選出的劣化建模用訓練數(shù)據(jù)集，按照統(tǒng)計或機器學習方法，計算出一個劣化模型。其中，劣化模型的計算準則是使得該模型與訓練數(shù)據(jù)集之間的誤差最小，即，使得訓練數(shù)據(jù)的目標變量與同特征向量時該模型的輸出之間的差別最小。這里的統(tǒng)計或機器學習方法可以是線性擬合、非線性擬合、支持向量機、人工神經(jīng)網(wǎng)絡(luò)等。

劣化模型的示意圖如圖5b所示。其中513是以訓練數(shù)據(jù)為坐標的點，為了方便示意，在本圖中只顯示了訓練數(shù)據(jù)的在兩個維度上的數(shù)據(jù)，實際的訓練數(shù)據(jù)將不限于兩維，514所示的曲線是訓練得到的劣化模型的示例。

電池劣化模型從劣化模型建立部204輸出到電氣特性預測部206，同時，特征生成部202對充放電控制指令進行處理而得到的用于進行預測的特征向量也經(jīng)特征選擇部203輸入到電氣特性預測部206。在該電氣特性預測部206中，預測按照充放電控制指令進行了充放電后的電池的電氣特性。

另外，特征生成部202構(gòu)成的訓練數(shù)據(jù)中的目標變量可以是任意的電氣特性參數(shù)，這樣，對于每種電氣特性參數(shù)可以構(gòu)成一個劣化模型。從而，在電氣特性預測部206中，將用于進行預測的特征向量輸入到每種劣化模型中，可以獲得將來時刻(例如，按照充放電控制指令完成充放電的時刻)的各種電氣特性參數(shù)的值。對應(yīng)于圖5b所示的模型中，例如輸入橫軸的特性1，得到將來時刻的縱軸的特性2(例如可以是開路電壓)的值。當然，也可以輸入基于歷史充放電數(shù)據(jù)處理得到的訓練數(shù)據(jù)，輸出歷史時刻的電氣特性參數(shù)。

圖3a是與圖2a所示的電池健康狀態(tài)分析單元103對應(yīng)的將來時刻的電氣特性的預測流程圖。

首先，在步驟s301中對電池充放電歷史數(shù)據(jù)進行處理而生成訓練數(shù)據(jù)的集合，具體過程如上文針對特征生成部202所說明的那樣，針對每個電池，對其一段時間區(qū)間的歷史數(shù)據(jù)按每個時間段生成一系列反映不同充放電模式和環(huán)境信息的參數(shù)并將之組成一組數(shù)據(jù)作為特征向量，并將該時間段的電池的某個電氣特性作為目標變量，以特征向量和目標變量構(gòu)成一個訓練數(shù)據(jù)。

接著，在步驟s302中對步驟s301中生成的訓練數(shù)據(jù)的集合進行篩選，如上文針對特征選擇部203所說明的那樣，例如根據(jù)相關(guān)性的程度進行篩選，得到劣化建模用訓練數(shù)據(jù)集。

然后，在步驟s303中，對于步驟s302中篩選出的劣化建模用訓練數(shù)據(jù)集，如上文針對劣化模型建立部204所說明的那樣，按照統(tǒng)計或機器學習方法，按每個電池建立與不同的電氣特性分別對應(yīng)的不同的劣化模型。

同時，在步驟s301～s303的同時，在步驟s304中對從電池充放電指令數(shù)據(jù)庫205發(fā)送來的充放電控制指令進行與充放電歷史數(shù)據(jù)同樣的處理，得到用于進行預測的特征向量。

接著，在步驟s305中，利用步驟s303中建立的劣化模型，以步驟s304輸出的用于進行預測的特征向量作為劣化模型的輸入，進行將來時刻的電氣特性的預測。在步驟s306中輸出將來時刻的預測電氣特性。

以上對本發(fā)明的健康狀態(tài)診斷裝置100中的健康狀態(tài)分析單元103的結(jié)構(gòu)及與其對應(yīng)的將來時刻的電氣特性的預測流程進行了說明。

在健康狀態(tài)分析單元103中，在特征生成部202構(gòu)建訓練數(shù)據(jù)時，需要使用的作為目標變量的電氣特性參數(shù)，例如開路電壓、內(nèi)部電阻、電感、電容等的值由于無法直接測得，因此通常是未知的。不過，如上所述，電池的充放電歷史數(shù)據(jù)中包括電池出廠時的銘牌數(shù)據(jù)，例如電池的全新狀態(tài)下的滿充電開路電壓、初始內(nèi)阻、初始內(nèi)部電容、初始電感等部分電氣特性參數(shù)的值。在認為使用這些初始參數(shù)足以保證預測精度的情況下，健康狀態(tài)分析單元103可以直接使用這些少量的 已知電氣特性參數(shù)的值作為目標變量進行訓練，建立劣化模型。

不過，在認為歷史充放電數(shù)據(jù)中的電氣特性參數(shù)數(shù)據(jù)數(shù)量較少或某些數(shù)據(jù)缺失，不足以保證電氣特性的預測精度的情況下，為了進一步提高預測精度，采用圖2b所示的健康狀態(tài)分析單元103’。

如圖2b所示，健康狀態(tài)分析單元103’包括電池充放電歷史數(shù)據(jù)庫201、特征生成部202、特征選擇部203、劣化模型建立部204、電池充放電指令數(shù)據(jù)庫205、電氣特性預測部206、新區(qū)間電氣特性預測部207和電氣建模部208。

除新區(qū)間電氣特性預測部207和電氣建模部208外，其它各構(gòu)成要素的基本功能與電池健康狀態(tài)分析單元103中的各構(gòu)成要素相同，對它們標注相同的標記，省略重復的說明。

假定歷史充放電數(shù)據(jù)中在某段時間區(qū)間(第一時間區(qū)間)已知某些電氣特性參數(shù)，如上文中關(guān)于健康狀態(tài)分析單元103的說明，基于該時間區(qū)間的歷史充放電數(shù)據(jù)，以這些已知電氣特性中的部分或全部電氣特性(第一組電氣特性)為目標變量，利用特征生成部202、特征選擇部203和劣化模型建立部204首先建立初始的劣化模型。

在新區(qū)間電氣特性預測部207中，從電池充放電歷史數(shù)據(jù)庫201中獲取第一時間區(qū)間之后的新時間區(qū)間(第二時間區(qū)間)中的電池的充放電歷史數(shù)據(jù)。對于該數(shù)據(jù)，與特征生成部202同樣地進行特征向量的提取，并將提取出的特征向量輸入到從劣化模型建立部204獲取到的電池的初始劣化模型中，得到第一組電氣特性在第二時間區(qū)間的預測值。

新區(qū)間電氣特性預測部207計算出的第二時間區(qū)間中的第一組電氣特性的值被輸入到電氣建模部208中。電氣建模部208利用迭代的方式來嘗試缺失的電氣特性(統(tǒng)稱為第二組電氣特性)的數(shù)據(jù)，在每一次迭代中，以新嘗試的第二組電氣特性的數(shù)據(jù)和從新區(qū)間電氣特性預測部207獲得的第一組電氣特性的數(shù)據(jù)為基礎(chǔ)得到代表電池電氣特性的電氣模型，來對電池的充放電進行模擬，比較模擬的充放電電流或電壓與實際的充放電電流或電壓的差別，該差別記為誤差，在多次迭代后選擇誤差最小的值作為第二組電氣特性的參數(shù)值。電氣建模部208將其計算出的第二組電氣特性的參數(shù)值和從新區(qū)間電氣特性預測 部207獲得的第一組電氣特性的數(shù)據(jù)組成一組新的電氣特性參數(shù)，輸出到特征生成部202中。

在特征生成部202中，針對第二時間區(qū)間的充放電歷史數(shù)據(jù)和從電氣建模部208獲得的第一組、第二組電氣特性的數(shù)據(jù)生成訓練數(shù)據(jù)，添加到基于第一時間區(qū)間的數(shù)據(jù)生成的訓練數(shù)據(jù)的集合中。經(jīng)特征選擇部203篩選后，重新由劣化模型建立部204建立劣化模型?？蛇x的，特征生成部202、特征選擇部203、劣化模型建立部204、新區(qū)間電氣特性預測部207和電氣建模部208可以組成一個迭代過程，迭代停止的準則是特征選擇部203中的訓練數(shù)據(jù)集是否足夠大。

其中，在迭代的過程中優(yōu)選采用這樣的方式，即，如果上一次迭代中第一組電氣特性根據(jù)劣化模型預測，而缺失的其它電氣特性(第二組電氣特性)根據(jù)電氣建模求得，則在當前的迭代中，利用劣化模型預測新時間區(qū)間(第三時間區(qū)間)的第二組電氣特性，并利用電氣建模根據(jù)預測的第二組電氣特性求取第一組電氣特性的值。通過嵌套著進行基于劣化模型的預測和基于電氣建模的求解，能夠進一步提高所求得的電氣特性參數(shù)的精度。

舉例來說，例如在第一時間區(qū)間已知ocv的情況下，此時新區(qū)間電氣特性預測部207根據(jù)劣化模型預測第二時間區(qū)間的ocv的值，該預測出的ocv的值輸入到電氣建模部208中計算得出第二時間區(qū)間的內(nèi)阻或內(nèi)部電容的值。接著，劣化模型建立部204選擇內(nèi)阻或內(nèi)部電容為目標變量建立劣化模型，新區(qū)間電氣特性預測部207根據(jù)劣化模型預測下一時間區(qū)間(第三時間區(qū)間)內(nèi)的內(nèi)阻或內(nèi)部電容的值，然后，電氣建模部208根據(jù)預測出的值計算得出第三時間區(qū)間內(nèi)的ocv的值，以此類推。

此外，關(guān)于迭代的停止與否，還可以在劣化模式建立部204中設(shè)置迭代停止條件判斷部209(未圖示)。例如，在某一迭代過程中求得當前過程中所選擇的新的時間區(qū)間的全部電氣特性參數(shù)的值，具體而言，其中一部分電氣特性參數(shù)的值由新區(qū)間電氣特性預測部207預測得到，其它一部分電氣特性參數(shù)基于預測到的電氣特性參數(shù)的值而由電氣建模部208計算得到。之后，將這些電氣特性參數(shù)輸入到電氣模型中并以實際的充放電電壓或電流為模型輸入進行充放電模擬，比較 模擬出的電流或電壓與選擇的新的時間區(qū)間內(nèi)實際充放電電流或電壓的差別，記為劣化模型的誤差。

對該劣化模式的誤差給定一閾值(該閾值可在任何時刻更改)，如果誤差大于閾值，那么繼續(xù)新一輪的迭代，即，重復特征生成部202、特征選擇部203、劣化模型建立部204、新區(qū)間電氣特性預測部207和電氣建模部208的處理。如果誤差小于閾值則停止迭代，將最新的劣化模型作為最終的劣化模型。

這樣，通過使用迭代停止條件判斷部209終止迭代，能夠避免迭代不必要地反復，節(jié)省計算資源。

圖3b是與圖2b所示的電池健康狀態(tài)分析單元103’對應(yīng)的將來時刻的電氣特性的預測流程圖。

與圖3a的流程圖相比，圖3b的流程圖的不同之處在于新時間區(qū)間選擇步驟s307、電池電氣建模步驟s308、劣化模型校驗步驟s309和誤差判斷步驟s310。

首先，與參照圖2b在上文中已經(jīng)說明的同樣地，經(jīng)過步驟s301～s303，利用歷史充放電數(shù)據(jù)中第一時間區(qū)間的已知的第一組電氣特性的數(shù)據(jù)建立初始的劣化模型。

接著，在步驟s307中選擇新的時間區(qū)間(第二時間區(qū)間)，如上述新區(qū)間電氣特性預測部207所描述的那樣，利用充放電歷史數(shù)據(jù)和初始的劣化模型預測第二時間區(qū)間上的第一組電氣特性的數(shù)據(jù)。

然后，在步驟s308中利用電氣建模的方法根據(jù)步驟s307中預測出的第二時間區(qū)間上的第一組電氣特性的數(shù)據(jù)，計算缺失的電氣特性(即第二組電氣特性)的數(shù)據(jù)。

之后進入步驟s309進行劣化模型的校驗。該步驟s309中進行的處理與上文描述的迭代停止條件判斷部209相同，即，在步驟s307中所選擇的新時間區(qū)間(目前為第二時間區(qū)間)的第一組、第二組電氣特性參數(shù)的值已獲得之后，將這些電氣特性參數(shù)輸入到電氣模型中并以實際的充放電電壓或電流為模型輸入進行充放電模擬，比較模擬出的電流或電壓與選擇的新的時間區(qū)間內(nèi)實際充放電電流或電壓的差別作為劣化模型的誤差。

然后，在步驟s310中，比較步驟s309中的誤差與規(guī)定的閾值之 間的大小關(guān)系，如果誤差大于閾值，則返回步驟s301，將第二時間區(qū)間的充放電歷史數(shù)據(jù)和電氣特性的數(shù)據(jù)與第一時間區(qū)間的數(shù)據(jù)一起生成訓練數(shù)據(jù)，重新建立劣化模型，再次選擇新的時間區(qū)間進行迭代處理。同樣地，在迭代的過程中，優(yōu)選在當前迭代過程中根據(jù)劣化模型預測上一次迭代過程中使用電氣建模的方式求取的電氣特性參數(shù)，并使用電氣建模的方式求取上一次迭代過程中根據(jù)劣化模型預測的電氣特性參數(shù)。

在步驟s310中，如果誤差小于閾值則前進至步驟s305，接下來的處理與圖3a相同。

以上對電池健康狀態(tài)分析單元103、103’進行了說明，接下來使用圖4說明電池健康狀態(tài)診斷單元104對電池健康狀態(tài)的診斷流程。

其中步驟s401中從電池系統(tǒng)101獲取電池的歷史充放電數(shù)據(jù)。

步驟s402中獲取電池在將來時刻的預測電氣特性參數(shù)，該數(shù)據(jù)是由上述電池健康狀態(tài)分析單元103或103’所輸出的電池在將來某個時刻的電氣特性參數(shù)。

并且，步驟s402中也獲取電池的歷史電氣特性參數(shù)，這樣的數(shù)據(jù)例如是上述電池健康狀態(tài)分析單元103’在劣化建模過程中由新區(qū)間電氣特性預測部207預測或電氣建模部208計算出的數(shù)據(jù)。

在步驟s403中，判斷歷史充放電數(shù)據(jù)中是否存在關(guān)于故障的信息，如果沒有關(guān)于故障的信息則進入步驟s404。在步驟s404中根據(jù)步驟s402中獲取的預測電氣特性參數(shù)來計算出一個表征電池的健康狀態(tài)的劣化指標，該劣化指標可以是由某種電氣特性來表征，如電池的開路電壓。

或者，根據(jù)步驟s402中獲得的歷史電氣特性參數(shù)進行統(tǒng)計，給每一個電氣特性計算出一個權(quán)重值，其中經(jīng)過了不同的充放電歷史后變化越大的電氣特性，其權(quán)重越大。然后將同時刻同一個電池的各個電氣特性參數(shù)以這些不同的權(quán)重疊加在一起，將疊加后的值作為劣化指標。

如果歷史充放電數(shù)據(jù)中存在故障信息，則進入步驟s405判斷是否區(qū)分多種故障。如果故障信息中包含多種故障，那么進入步驟s406。在步驟s406中，將電池的歷史電氣特性組成訓練特征向量，將電池的 故障信息(即故障類型)設(shè)為目標變量，將特征向量和目標變量組成一個訓練數(shù)據(jù)，將多個電池的多個訓練數(shù)據(jù)組成訓練數(shù)據(jù)集，采用聚類或多區(qū)間分類的方法計算電池的故障模型(即上述的健康狀態(tài)診斷模型)，將訓練數(shù)據(jù)集分為多個代表不同的故障類型的區(qū)域，其中聚類的類別個數(shù)等于電池的故障類型。然后在步驟s408中，基于步驟s402中獲得的預測電氣特性的數(shù)據(jù)和故障模型計算電池的故障類型。

電池的故障模型的示意圖如圖5c的(2)所示。其中518、520、522為電池處于不同故障類型時其特征向量的坐標位置，為了便于示意，本圖中只展示了兩個維度的特征向量，實際情景中不限于兩維。519、521、523為訓練得到的電池故障模型。524為步驟s402中獲得的預測電氣特性數(shù)據(jù)的特征向量的坐標位置，525、526、527為該特征向量與不同的故障模型之間的距離，選擇距離最小的一個作為故障診斷結(jié)果，預測出故障類型。

如果故障信息中不區(qū)分多種故障，則進入步驟s407。在步驟s407中，將電池的歷史電氣特性組成訓練特征向量，將表示電池是否故障的狀態(tài)設(shè)為目標變量，將特征向量和目標變量組成一個訓練數(shù)據(jù)，并將多個電池的多個訓練數(shù)據(jù)組成訓練數(shù)據(jù)集，利用分類的方法計算出一個正常與故障狀態(tài)的分類模型，該模型常常是以一條正常與故障狀態(tài)之間的邊界曲線存在。圖5c的(1)給出了該分類模型的示例，其中516是電池正常狀態(tài)時電氣特性組成的特征向量的坐標位置，515是電池故障狀態(tài)時電氣特性組成的特征向量的坐標位置。517是正常與故障狀態(tài)的邊界曲線，為了便于示意，本圖中只展示了兩個維度的特征向量，實際情景中不限于兩維。在步驟s409中，根據(jù)步驟s402中獲得的預測電氣特性數(shù)據(jù)和訓練得到分類模型來計算電池是否故障，或者是電池的故障度。如果預測電氣特性組成的特征向量的坐標在正常的一側(cè)，則認為電池正常，反之則認為電池故障。故障度的計算方法是計算預測電氣特性組成的特征向量與分類曲線之間的距離，以該距離占全新的電池的電氣特性組成的特征向量與分類曲線之間的距離的百分比作為電池的故障度。

另外，在以上說明中，電池健康狀態(tài)診斷單元104根據(jù)電池在將來時刻的預測電氣特性參數(shù)進行電池的健康狀態(tài)的預測，不過，由于 步驟s402中獲取了電池健康狀態(tài)分析單元103’在劣化建模過程中由新區(qū)間電氣特性預測部207預測或電氣建模部208計算出的電池的歷史電氣特性參數(shù)(包括當前值)，因此也可以根據(jù)電池的電氣特性參數(shù)的歷史數(shù)據(jù)(包括當前值)進行電池的歷史(或當前)健康狀態(tài)的診斷。

具體而言，這種情況下，在步驟s404中根據(jù)步驟s402中獲取到的歷史上某個時刻(或當前時刻)的電氣特性參數(shù)來計算出一個表征電池的健康狀態(tài)的劣化指標，同樣地，該劣化指標可以是由某種電氣特性來表征，如電池的開路電壓。

此外，在步驟s408中，根據(jù)步驟s406得出的電池的故障模型和步驟s402中獲取到的歷史上某個時刻(或當前時刻)的電氣特性參數(shù)，來診斷電池在該歷史上某個時刻(或當前時刻)的故障類型。

同樣地，地步驟s409中，根據(jù)步驟s407中訓練得到的分類模型和步驟s402中獲取到的歷史上某個時刻(或當前時刻)的電氣特性參數(shù)，診斷電池在該歷史上某個時刻(或當前時刻)是否發(fā)生故障，或者計算電池的故障度。

如上所述，根據(jù)本發(fā)明的電池的健康狀態(tài)診斷裝置，只利用電池的日常的充放電歷史數(shù)據(jù)就能夠計算電池的劣化模型，來精確地診斷電池在歷史時刻、當前和將來時刻的健康狀態(tài)(soh)。與現(xiàn)有技術(shù)相比，本發(fā)明適用于多種電池、多個電池的監(jiān)控，降低對專家經(jīng)驗的需求，提高電池的安全性，提高電池的可利用率。

本發(fā)明并不限定于上述實施例，還包含各種變形例。例如，上述實施例是為了使本發(fā)明簡單易懂而進行的詳細說明，并非限定必須具備所說明的全部的結(jié)構(gòu)。此外，可將某實施例的結(jié)構(gòu)的一部分替換成其它實施例的結(jié)構(gòu)，或者可在某實施例的結(jié)構(gòu)上添加其它實施例的結(jié)構(gòu)。另外，針對各實施例的結(jié)構(gòu)的一部分，能夠進行其它結(jié)構(gòu)的追加、刪除、替換。

此外，上述各結(jié)構(gòu)、功能、處理部、處理單元等，其一部分或全部例如可以通過集成電路設(shè)計等而利用硬件實現(xiàn)。此外，上述各結(jié)構(gòu)、功能等，也可以通過由處理器解釋、執(zhí)行實現(xiàn)各功能的程序而利用軟件實現(xiàn)。實現(xiàn)各功能的程序、表、文件等信息能夠保存在存儲器、硬盤、ssd(solidstatedrive)等記錄裝置，或者ic卡、sd卡、dvd 等記錄介質(zhì)中。

此外，控制線和信息線表示了說明上必要的部分，并不一定表示了產(chǎn)品上所有的控制線和信息線。實際上也可以認為幾乎所有結(jié)構(gòu)都相互連接。