本发明属于电池soh估计，尤其涉及电池soh估计模型训练方法、soh估计方法及系统。
背景技术：
1、锂离子电池因其高能量密度、长循环寿命以及低自放电率等优点，已成为新能源汽车最适合的储能组件。随着全球新能源汽车市场占有率的逐年提升，退役电池的数量也将大幅增加。因此，梯次利用技术的合理应用显得尤为关键。作为梯次利用技术中的核心和难点，电池soh估计技术在正确分类及合理再利用退役电池方面起到了关键作用。soh是反应电池退化的重要参数，其被定义为当前容量和额定容量的比值；当已知电池soh和额定容量时，可计算得到电池当前容量。
2、现有锂离子电池梯次利用soh估计方法可分为如下三类：直接测量法、基于模型的方法和基于数据驱动的方法。其中，直接测量法是通过对满充电池放电至截止电压过程中的放电电流进行积分运算得到电池当前的soh；基于模型的方法是通过建模模拟电池充放电过程间接或直接得到电池内部状态信息，进而计算得到电池当前的soh；基于数据驱动的方法不需要深入分析电池的退化机理，而是通过建立输入与输出之间的映射关系，构建soh估计模型来估算电池当前的soh，该方法在锂离子电池梯次利用的soh估计研究中备受关注。
3、发明人发现：
4、(1)对于直接测量法，该方法要求首先将电池充满电，然后进行完全放电，以得到电池当前的soh。如果电池需要储存，还需在放电测试后进行充电以达到标准储存电量，以防止电池进一步退化。尽管该方法实现简单、精度较高，但其耗时且耗能严重。
5、(2)对于基于模型的方法，现有方法存在适用范围窄、难以在模型计算量和精度之间平衡以及监测设备昂贵等问题，因此在实际梯次利用工程中应用较少。
6、(3)对于基于数据驱动的方法，虽然现有方法仅需对部分充放电数据进行特征提取并输入soh估计模型即可估计soh，但无论是在特征选择还是方法设计上，都未能深入结合梯次利用场景进行工程化考量。
7、综上所述，尽管现有方法能够实现高精度估计，但在实际梯次利用工程中难以有效应用，仍然耗时且耗能。
技术实现思路
1、为克服上述现有技术的不足，本发明提供了电池soh估计模型训练方法、soh估计方法及系统，合理结合直接测量法和基于数据驱动的方法，从锂离子电池部分恒流放电数据中提取健康特征，并基于人工神经网络算法建立soh估计模型，从而实现适用于实际锂离子电池梯次利用工程的soh估计。
2、为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
3、本发明第一方面提供了电池soh估计模型训练方法。
4、电池soh估计模型训练方法，包括以下步骤：
5、获取锂离子电池从满电开始恒流放电设定额定容量的放电数据以及从满电开始恒流放电到截止电压的放电容量；
6、基于锂离子电池的放电数据，计算放电增量容量曲线；
7、提取放电增量容量曲线电压由高到底第一个波峰的峰值、峰值电压以及放电开始到第一个波谷的面积作为健康特征，将放电容量转化为soh作为参考输出标签，将健康特征和参考输出标签作为训练数据集；
8、建立人工神经网络模型，利用训练数据集中的健康特征对人工神经网络模型进行训练，基于参考输出标签判断人工神经网络模型是否训练完成，若是，则将训练好的人工神经网络模型作为锂离子电池soh估计模型。
9、本发明第二方面提供了电池soh估计方法。
10、电池soh估计方法，包括以下步骤：
11、将未知容量的锂离子电池充至满电后，进行恒流放电设定额定容量的电量，采集放电过程中的放电数据；
12、基于锂离子电池的放电数据，计算放电增量容量曲线；
13、提取放电增量容量曲线电压由高到底第一个波峰的峰值、峰值电压以及放电开始到第一个波谷的面积作为健康特征，将健康特征输入至锂离子电池soh估计模型中，得到锂离子电池soh估计值；
14、其中，锂离子电池soh估计模型为通过第一方面所述的方法训练得到。
15、本发明第三方面提供了一种电池soh估计模型训练系统。
16、电池soh估计模型训练系统，包括：
17、数据获取模块，被配置为：获取锂离子电池从满电开始恒流放电设定额定容量的放电数据以及从满电开始恒流放电到截止电压的放电容量；
18、放电增量容量曲线计算模块，被配置为：基于锂离子电池的放电数据，计算放电增量容量曲线；
19、训练数据集构建模块，被配置为：提取放电增量容量曲线电压由高到底第一个波峰的峰值、峰值电压以及放电开始到第一个波谷的面积作为健康特征，将放电容量转化为soh作为参考输出标签，将健康特征和参考输出标签作为训练数据集；
20、训练模块，被配置为：建立人工神经网络模型，利用训练数据集中的健康特征对人工神经网络模型进行训练，基于参考输出标签判断人工神经网络模型是否训练完成，若是，则将训练好的人工神经网络模型作为锂离子电池soh估计模型。
21、本发明第四方面提供了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如本发明第一方面所述的电池soh估计模型训练方法中的步骤。
22、本发明第五方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的电池soh估计模型训练方法中的步骤。
23、以上一个或多个技术方案存在以下有益效果：
24、(1)本发明提供了一种电池soh估计模型训练方法、soh估计方法及系统，深入考虑了实际梯次利用工程场景，融合了直接测量法和数据驱动法，从部分恒流放电数据中提取健康特征，并基于人工神经网络算法建立soh估计模型，对人工神经网络模型进行训练，利用训练好的人工神经网络模型对锂离子电池soh进行估计，无需将锂离子电池全部放电，在大大减少直接测量法耗时耗能的同时，实现了在多种环境温度下的准确soh估计。
25、(2)本发明选取的人工神经网络的输入特征包括放电ic曲线中电压从高到低的第一个波峰的峰值、峰值电压，以及从放电开始到第一个波谷的面积，这些特征能够从少量放电数据中提取，并能有效用于估计电池soh。
26、(3)在soh估计完成后，电池仍然保留剩余电量，可以直接进行储存，无需二次充电。
27、(4)本发明深入结合梯次利用场景进行工程化考量，监测设备与广泛采用的直接测量法所用设备相同，无需更换高精度监测设备，实现成本低廉，有利于工程实践。
28、(5)充放电方案简单，与广泛采用的直接测量法的充放电方案类似，方案改进容易，有利于工程实践。
29、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
1.电池soh估计模型训练方法，其特征在于，包括以下步骤：
2.如权利要求1所述的电池soh估计模型训练方法，其特征在于，所述放电数据包括监测时间、电流和电压，所述设定额定容量a％的取值范围为b<a％<100％，定义b为：
3.如权利要求1所述的电池soh估计模型训练方法，其特征在于，还包括基于s-g滤波方法对放电增量容量曲线进行滤波。
4.如权利要求1所述的电池soh估计模型训练方法，其特征在于，所述锂离子电池的放电容量通过直接测量法得到，放电容量转化为soh作为参考输出标签，转化方法为：
5.如权利要求1所述的电池soh估计模型训练方法，其特征在于，在对人工神经网络模型进行训练时，预先设置期望rmse，计算通过人工神经网络模型得到的soh估计值与参考输出标签之间的均方根误差的平均值，当均方根误差的平均值小于等于期望rmse时，完成对人工神经网络模型的训练。
6.电池soh估计方法，其特征在于，包括以下步骤：
7.如权利要求6所述的电池soh估计方法，其特征在于：
8.电池soh估计模型训练系统，其特征在于，包括：
9.计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-5任一项所述的电池soh估计模型训练方法中的步骤。
10.电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5任一项所述的电池soh估计模型训练方法中的步骤。
