CN103278777B - 一种基于动态贝叶斯网络的锂电池健康状况估计方法 - Google Patents

Abstract

本发明涉及一种基于动态贝叶斯网络的锂电池健康状况估计方法。现有方法不能满足在线检测要求，并且精度差。本发明首先通过老化实验获得大量训练数据，据此针对多种电池健康状况训练出相应的动态贝叶斯网络模型。在实时估算阶段，每隔一段时间进行一次电池电压数据的采集，并通过前向算法递归计算出该电压序列所属的动态贝叶斯模型，从而准确估算电池将康状况。本发明方法可以方便地进行电池健康状况实时估计，计算速度快，估计准确。

Description

一种基于动态贝叶斯网络的锂电池健康状况估计方法

技术领域

本发明属于电池技术领域，具体涉及一种基于动态贝叶斯网络的锂电池健康状况估计方法。

背景技术

锂电池具有电压高，能量密度大，自放电率低和长使用寿命的优点，被广泛用于许多领域之中。电池的寿命被许多因素影响，如电池的工作环境和电池的充放电特性，所以电池寿命总是不能达到生产厂家所宣传的循环次数。如果电池的更换过早，将会引起巨大的经济损失。相反，如果电池更换过晚，这将会严重影响系统的可靠性。为在系统可靠性和经济效益之间取得最好的折中方案，需要及时，准确地了解电池的健康状况（State of Health, 以下简称SOH）。

电池的SOH无法用某种传感器直接测得，它必须通过对一些其他物理量的测量，并采用一定的数学模型和算法来估计得到。

目前常用的电池SOH估计方法有完全放电法和基于电池内阻的估算方法等。完全放电法准确可靠，但是需要离线测量，而且需要专业设备，操作不便，费时费力，一般只适用于实验室场合。内阻法通过电池内阻与SOH之间的关系估算SOH。但是，电池内阻的测量较为困难，而且电池内阻除与SOH有关外，还和电池荷电状况（State of Charge，以下简称SOC）有关。

发明内容

本发明的目的就是克服现有技术的不足，提出一种基于动态贝叶斯网络的电池SOH估计方法，估计准确，并且可以实现在线估计。

本发明的电池健康状况估计方法，具体步骤是：

步骤一：训练数据的获得，具体包括以下过程：

（1）对B只同类型的具有不同使用时长和新旧程度的电池进行容量测试：对第i（i=1,2，……，B）只电池，首先以0.4C的恒定电流对其进行充电至截止电压 后，进行恒压充电，待充电电流降至0.01C以下，便认为该电池已充满电，此时以1C的电流将该电池放电至其截止电压，记录放电时间，计算该电池的实际容量为，并计算实际容量Q与标称容量Q_n的比率；

（2）将上述步骤（1）中的第i只电池静置一个半小时，待电池稳定后，对电池以0.4C的电流进行恒流充电至其充电截止电压，每隔1分钟记录一次电池，其中第k次的电压为；记录总的充电时间为小时，计算第k次记录时电池的荷电状态（SOC）为，其中k=1,2，…，；

（3）对和分别进行离散化归档处理：将电池SOC从0%～100%分成M档，第m档的范围为,其中m=1,2,…,M，并根据的值将其归入相应的分档；将电池电压从到分成档，第n档的范围为，其中n=1,2,…，N，根据的值将其归入相应的分档；

（4）根据的值对上述步骤（1）中的电池进行C类分类，当时归为第0类，时，归入第类，定义电池的SOH为，其中；并将其相应的和分档结果归入该类电池的训练数据；

（5）重复上述充放电过程至所有电池的实际容量均小于标称容量的80%，记录并归档所有的测量数据。

步骤二：依据上述每一类电池c（）的训练数据，构建该类SOH的动态贝叶斯网络模型，具体过程如下：

（1）构建初始SOC概率分布向量，以均匀分布对任意电池的初始SOC进行建模，即认为电池的初始SOC₀在M档分档中均匀分布，,。由此形成个初始概率，组成初始概率向量。

（2）计算SOC状态转移概率：

其中表示任意前后两个采样时刻电池SOC分别处于第j档和第i档（）的概率，表示满足条件的所有样本个数。由此形成个状态转移概率，组成状态转移矩阵。

（3）计算混淆概率：

        

其中表示在任意采样时刻SOC处于第j档而电压处于第i档的概率。由此形成个状态转移概率，组成混淆概率矩阵。

（4）重复上述模型构建过程，直至所有C类模型全部构建完毕。

步骤三：实时估算同类型电池的SOH，具体过程如下：

(1) 在电池恒流充电的过程中，每隔一分钟测量一次电池电压,这样时刻后便可以得到一长度为的电压观察序列，其对应的电压分档为

(2)对第类动态贝叶斯网络模型，利用前向算法，计算上述观察序列在该模型下的概率：

(a)递归计算局部概率，其中表示时刻电池SOC处于第s档的概率。

    时，利用初始概率向量和混淆概率矩阵计算局部概率:

                   

    时，利用时刻的局部概率递推计算时刻的局部概率：

                   

(b)观察序列的概率等于T时刻所有局部概率之和：

                    

(3)选取上述步骤中最大的类别作为最终的SOH类别，即，给出对应的SOH：。

本发明可以方便地进行电池SOH的估计，具有计算量小，可实时在线估算，并且估算准确可靠的优点。

具体实施方式

基于动态贝叶斯网络的锂电池健康状况估计方法，具体步骤是：

步骤一：训练数据的获得，具体包括以下过程：

（1）对B只同类型的具有不同使用时长和新旧程度的电池进行容量测试：对第i（i=1,2，……，B）只电池，首先以0.4C的恒定电流对其进行充电至截止电压后，进行恒压充电，待充电电流降至0.01C以下，便认为该电池已充满电，此时以1C的电流将该电池放电至其截止电压，记录放电时间，计算该电池的实际容量为，并计算实际容量Q与标称容量Q_n的比率；

（2）将上述步骤（1）中的第i只电池静置一个半小时，待电池稳定后，对电池以0.4C的电流进行恒流充电至其充电截止电压，每隔1分钟记录一次电池，其中第k次的电压为；记录总的充电时间为小时，计算第k次记录时电池的荷电状态（SOC）为，其中k=1,2，…，；

（3）对和分别进行离散化归档处理：将电池SOC从0%～100%分成M档，第m档的范围为,其中m=1,2,…,M，并根据的值将其归入相应的分档；将电池电压从到分成档，第n档的范围为，其中n=1,2,…，N，根据的值将其归入相应的分档；

（4）根据的值对上述步骤（1）中的电池进行C类分类，当时归为第0类，时，归入第类，定义电池的SOH为，其中；并将其相应的和分档结果归入该类电池的训练数据；

（5）重复上述充放电过程至所有电池的实际容量均小于标称容量的80%，记录并归档所有的测量数据。

步骤二：依据上述每一类电池c（）的训练数据，构建该类SOH的动态贝叶斯网络模型，具体过程如下：

（1）构建初始SOC概率分布向量，以均匀分布对任意电池的初始SOC进行建模，即认为电池的初始SOC₀在M档分档中均匀分布，,。由此形成个初始概率，组成初始概率向量。

（2）计算SOC状态转移概率：

其中表示任意前后两个采样时刻电池SOC分别处于第j档和第i档（）的概率，表示满足条件的所有样本个数。由此形成个状态转移概率，组成状态转移矩阵。

（3）计算混淆概率：

        

其中表示在任意采样时刻SOC处于第j档而电压处于第i档的概率。由此形成个状态转移概率，组成混淆概率矩阵。

（4）重复上述模型构建过程，直至所有C类模型全部构建完毕。

步骤三：实时估算同类型电池的SOH，具体过程如下：

(1) 在电池恒流充电的过程中，每隔一分钟测量一次电池电压,这样时刻后便可以得到一长度为的电压观察序列，其对应的电压分档为

(2)对第类动态贝叶斯网络模型，利用前向算法，计算上述观察序列在该模型下的概率：

(a)递归计算局部概率，其中表示时刻电池SOC处于第s档的概率。

    时，利用初始概率向量和混淆概率矩阵计算局部概率:

                   

    时，利用时刻的局部概率递推计算时刻的局部概率：

                   

(b)观察序列的概率等于T时刻所有局部概率之和：

                    

(3)选取上述步骤中最大的类别作为最终的SOH类别，即，给出对应的SOH：。           

在本发明的一个实施例中，取，，，初始选取了6只容量为50Ah的磷酸铁锂电池进行不断的老化实验以获取训练数据，通过本发明中的方法对实际电池进行SOH估计与直接放电法得到的SOH估计结果完全一致。

Claims (1)

1.一种基于动态贝叶斯网络的锂电池健康状况估计方法，其特征在于该方法的具体步骤是：

步骤一：训练数据的获得，具体包括以下过程：

(1)对B只同类型的具有不同使用时长和新旧程度的电池进行容量测试：对第i只电池，首先以0.4C的恒定电流对其进行充电至截止电压V_max后，进行恒压充电，待充电电流降至0.01C以下，便认为该电池已充满电，此时以1C的电流将该电池放电至其截止电压V_min，记录放电时间Td_i，计算该电池的实际容量为Q_i＝1C×Td_i，并计算实际容量Q与标称容量Q_n的比率η_i＝Q_i/Q_n，其中i＝1,2，……，B；

(2)将上述(1)中的第i只电池静置一个半小时，待电池稳定后，对电池以0.4C的电流进行恒流充电，每隔1分钟记录一次电池电压，直至充电至充电截止电压V_max，，其中第k次的电压为V_k；记录总的充电时间为Tc_i小时，计算第k次记录时电池的荷电状态为其中k＝1,2，…，60Tc_i；

(3)对SOC_k和V_k分别进行离散化归档处理：将电池荷电状态从0％～100％分成M档，第m档的范围为其中m＝1,2,…,M，并根据SOC_k的值将其归入相应的分档；将电池电压从V_min到V_max分成N档，第n档的范围为 ${\mathrm{Vc}}_n[V_{\min }+\frac{V_{\max }-V_{\min }}{N}(n-1),V_{\min }+\frac{V_{\max }-V_{\min }}{N}n),$ 其中n＝1,2,…，N，根据V_k的值将其归入相应的分档；

(4)根据η_i的值对上述(1)中的电池进行C类分类，当η_i≤80％时归为第0类，η_i>80％时，归入第类，定义电池的健康状况为SOH＝100％×c/(C-1)，其中c＝0,1,2,…,C-1；并将其相应的SOC_k和V_k分档结果归入该类电池的训练数据；

(5)重复上述充放电过程至所有电池的实际容量均小于标称容量的80％，记录并归档所有的测量数据；

步骤二：依据上述每一类电池c的训练数据，构建该类健康状况的电池的动态贝叶斯网络模型，具体过程如下：

(1)构建初始SOC概率分布向量，以均匀分布对任意电池的初始SOC进行建模，即认为电池的初始SOC₀在M档分档中均匀分布，m＝1,2,…M；由此形成M个初始概率，组成初始概率向量Π＝(π_m)；

(2)计算SOC状态转移概率a_mp：

$a_{\mathrm{mp}}=\frac{P({\mathrm{SOC}}_k\∈{\mathrm{Sc}}_m,{\mathrm{SOC}}_{k-1}\∈{\mathrm{Sc}}_p,\∀k)}{P({\mathrm{SOC}}_{k-1}\∈{\mathrm{SOC}}_j,)}=\frac{\underset{k}{\mathrm{\Σ}}\#({\mathrm{SOC}}_k\∈{\mathrm{Sc}}_m,{\mathrm{SOC}}_{k-1}\∈{\mathrm{Sc}}_p)}{\underset{k}{\mathrm{\Σ}}\#({\mathrm{SOC}}_{k-1}\∈{\mathrm{SOC}}_p)}$

其中表示任意前后两个采样时刻电池SOC分别处于第p档和第m档的概率，#表示满足条件的所有样本个数；由此形成M²个状态转移概率，组成状态转移矩阵A＝(a_mp)，其中m＝1,2,…M,p＝1,2,…M；

(3)计算混淆概率b_nm：

$b_{\mathrm{nm}}=\frac{P(V_k\∈{\mathrm{Vc}}_n,{\mathrm{SOC}}_k\∈{\mathrm{Sc}}_m,\∀k)}{P({\mathrm{SOC}}_k\∈{\mathrm{Sc}}_m)}=\frac{\underset{k}{\mathrm{\Σ}}\#(V_k\∈{\mathrm{Vc}}_n,{\mathrm{SOC}}_k\∈{\mathrm{Sc}}_m)}{\underset{k}{\mathrm{\Σ}}\#({\mathrm{SOC}}_k\∈{\mathrm{Sc}}_m)}$

其中表示在任意采样时刻SOC处于第m档而电压处于第n档的概率；由此形成N×M个状态转移概率，组成混淆概率矩阵B＝(b_nm)；

(4)重复上述模型构建过程，直至所有C类模型全部构建完毕；

步骤三：实时估算同类型电池的健康状况，具体过程如下：

(1)在电池恒流充电的过程中，每隔一分钟测量一次电池电压,这样T时刻后便可以得到一长度为T的电压观察序列(V₁′,V₂′,……,V_T′)，其对应的电压分档为

(2)对第c类动态贝叶斯网络模型，利用前向算法，计算上述观察序列在该模型下的概率P(V₁′,V₂′,……,V_T′|c)：

(a)递归计算局部概率α_k(j)，其中α_k(j)表示k时刻电池SOC处于第j档的概率；

k＝1时，利用初始概率向量和混淆概率矩阵计算局部概率:

${\mathrm{\α}}_1\left(j\right)={\mathrm{\π}}_j{b}_{{\mathrm{jc}}_1}$

k>1时，利用k-1时刻的局部概率递推计算k时刻的局部概率：

${\mathrm{\α}}_k\left(j\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left({\mathrm{\α}}_{k-1}\left(i\right)a_{\mathrm{ij}}\right)b_{{\mathrm{jc}}_i}$

(b)观察序列的概率等于T时刻所有局部概率之和：

$P({V_1}^{\′},{V_2}^{\′},......,{V_T}^{\′}|c)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_T\left(j\right)$

(3)选取上述步骤中P(V₁′,V₂′,……,V_T′|c)最大的类别c_opt作为最终的健康状况类别，即 $c_{\mathrm{opt}}=\underset{c}{\arg }\max P({V_1}^{\′},{V_2}^{\′},......,{V_T}^{\′}|c),$ 给出对应的健康状况：

SOH＝100％×c_opt/(C-1)。