CN105807226B - 基于等效电路模型的锂离子电池soc预测方法及装置 - Google Patents

Abstract

本发明公开了一种基于等效电路模型的锂离子电池SOC预测方法及装置。锂离子电池SOC预测方法包括：采用锂离子电池地面试验数据中的端电压U、充/放电电流I、荷电状态SOC、容量Q、放电深度以及容量电压微分参量dQ/dV表征锂离子电池的性能和故障，以建立基于戴维南定理的等效电路模型；根据容量电压微分参量dQ/dV与SOC的对应关系，以端电压U、充/放电电流I，容量Q、放电深度以及容量电压微分参量dQ/dV作为输入变量，以SOC作为输出变量，建立数据对集合；根据数据对集合建立预测模型。通过端电压和充/放电电流预测出SOC，提高SOC估计的准确度。

Description

基于等效电路模型的锂离子电池SOC预测方法及装置

技术领域

本发明涉及锂离子电池故障预测与健康管理技术领域，尤其涉及一种基于等效电路模型的锂离子电池SOC预测方法。此外，本发明还涉及一种锂离子电池SOC预测装置。

背景技术

锂离子电池作为新型蓄电池具有较大的应用前景，特别是在贮能的电性能以及可靠性要求较高的场合，例如低地球轨道、地球同步轨道、空间站等宇航设备具有巨大的发展前景。

蓄电池的荷电状态(State of Charge，简称SOC)用于描述蓄电池的剩余容量，目前比较统一的是从电量角度定义SOC，其定义为电池在一定放电倍率下，剩余容量与相同条件下额定容量的比值，它是电池使用过程中的重要参数。准确的SOC可以有效得知蓄电池的使用状态，管理蓄电池的充放电情况，使其均衡及防止过充、过放，提高蓄电池组的使用寿命。因此，SOC的估算是电池管理的一项研究热点。但是，现有技术中大多以开路电压为特征估计SOC的方法在实际应用中存在一定局限性，具体地：实际应用中开路电压不易测量，采用开路电压估计SOC存在迟滞的现象。另外，锂离子电池内部复杂的电化学反应过程难以表征，给SOC估计带来了一定的困难，由此导致锂离子电池SOC的估计不精确，未能真实地反映电池SOC的变化，从而为未来所使用锂离子电池的故障预测与健康管理带来了很多困难。因此，需要一种基于等效电路模型的锂离子电池SOC预测方法，以解决现有技术中存在的上述技术问题。

发明内容

本发明提供一种锂离子电池SOC预测方法。采用这种锂离子电池SOC预测方法可以通过端电压和充/放电电流预测出SOC，提高SOC估计的准确度。此外，本发明还提供一种锂离子电池SOC预测装置。

本发明采用的技术方案是：

一种基于等效电路模型的锂离子电池SOC预测方法，其包括以下步骤：等效电路模型建立步骤：采用锂离子电池地面试验数据中的端电压U、充/放电电流I、荷电状态SOC、容量Q、放电深度以及容量电压微分参量dQ/dV表征锂离子电池的性能和故障，以建立锂离子电池的基于戴维南定理的等效电路模型；模型辨识步骤：根据容量电压微分参量dQ/dV与所述SOC的对应关系，以端电压U、充/放电电流I，容量Q、放电深度以及容量电压微分参量dQ/dV作为输入变量，以所述SOC作为输出变量，建立用于SOC预测的数据对集合；预测模型建立步骤：根据所述数据对集合建立预测模型，以通过所述预测模型对所述锂离子电池进行SOC预测。

优选地，所述预测模型建立步骤中：对所述数据对集合执行相关向量机RVM回归，找出符合RVM回归特性的数据对，匹配非零基函数的稀疏数据集，确定RVM预测模型的未知权值参数，以拟合出RVM预测模型。

优选地，所述锂离子电池SOC预测方法，在预测模型建立步骤之后，还包括：RVM预测模型的优化步骤：采用所述RVM预测模型对采集的测试样本进行SOC估计预测，根据得出的SOC预测值与SOC实际值的误差，判断所述RVM预测模型是否合格，如果不合格，则返回所述预测模型建立步骤中重新对所述数据对集合执行相关向量机RVM回归，直到所述RVM预测模型合格。

优选地，所述等效电路模型建立步骤中，将交流阻抗谱图在通常电压时、电压大于通常电压时和电压小于通常电压时所对应的三条曲线表征为3个串联阻抗，dQ/dV曲线上的四个特征峰值反映锂离子电池在充放电下的实时内阻的变化。

优选地，所述等效电路模型，包括漏电阻抗R_li和电源产生的时变阻抗C_pi，其中i的取值为1、2和3，漏电阻抗R_li和对应的实变阻抗C_pi并联后组成并联单元，将各并联单元再依次串联，其中，漏电阻抗R_l2、时变阻抗C_p2表示在通常电压下的阻抗，漏电阻抗R_l1、时变阻抗C_p1表示在电压大于通常电压下的阻抗，漏电阻抗R_l3、时变阻抗C_p3表示在电压小于通常电压下的阻抗。

优选地，所述模型辨识步骤中，在每个预定义取值点SOC_j，j＝1,2,…,J，对应不同的SOC，根据所述每个预定义取值点SOC_j得出辨识结果统计函数θ(SOC_j)，以形成矩阵{θ(SOC_j),SOC}，其中，θ(SOC_j)＝{[θ₁,θ₂,…,θ_n]₁，[θ₁,θ₂,…,θ_n]₂，…，[θ₁,θ₂,…,θ_n]_m}，n为所述输入变量的个数，m为对应同一个SOC的不同的所述输入变量的组合数。

优选地，所述预测模型建立步骤，包括：所述线性模型假设步骤：给定J×m次测量获得的数据集{θ_k，SOC_k}，其中是在某θ_k，k＝1,2,…,J×m下得到的测量值，可以使用的线性模型为其中ε_j是测量中附加的噪声分量，y(θ)＝∑_jw_jφ_j(θ)，其中未知函数y(θ)是已知基函数的线性组合，向量包含了j个线性组合权，对所述未知函数y(θ)执行RVM学习，估计和方差的超参数化，以得到所需的估计函数；稀疏数据集选择步骤：根据所述估计函数执行所述RVM回归得到M个所述符合RVM回归特性的数据对{θ_M,SOC_M ^*}，匹配非零基函数的稀疏数据集，以确定所述预测模型的未知权值参数；相关向量机的构建步骤：在获知所述未知权值参数的情况下，根据所述符合RVM回归特性的数据对{θ_M,SOC_M ^*}拟合得到所述预测模型SOC(θ)。

此外，本发明还提供了一种锂离子电池SOC预测装置，其包括：等效电路模型建立单元，用于根据锂离子电池地面试验数据中的端电压U、充/放电电流I、荷电状态SOC、容量Q、放电深度以及容量电压微分参量dQ/dV表征锂离子电池的性能和故障；模型辨识单元，用于根据所述端电压U、充/放电流I，容量Q、放电深度以及容量电压微分参量dQ/dV与所述SOC的对应关系，以端电压U、充/放电电流I，容量Q、放电深度以及容量电压微分参量dQ/dV作为输入变量，以所述SOC作为输出变量，建立用于SOC预测的数据对集合；预测模型建立单元，用于根据所述数据对集合建立预测模型，以通过所述预测模型对所述锂离子电池进行SOC预测。

采用上述技术方案，本发明至少具有下列优点：

本发明提供的基于等效电路模型的锂离子电池SOC预测方法是在对锂离子电池进行dQ/dV参量分析的基础上，建立了基于Thevenin定理的等效电路模型，通过模型辨识分别得到在充/放电模式下，SOC与端电压以及充/放电电流的对应关系，最后得到SOC的预测模型。该方法根据端电压和电流估计SOC，避免了利用开路电压估计SOC的不足之处，由此充分利用了锂离子电池物理量dQ/dV的峰值偏移、峰值出现及变化所表征的电池内部化学反应信息来构建等效电路模型，更真实地反映电池对象本质，从而克服了锂离子电池内部复杂的电化学反应过程难以表征等问题。进一步地，利用RVM预测模型的方法便于考虑环境温度、电池循环寿命等因素对SOC预测的影响，有利于进一步完善SOC估计算法，提高估计的准确度。该发明工程实用价值高，对提高锂离子电池故障预测与健康管理水平具有较为重要的意义。

附图说明

图1为本发明第一实施例的基于等效电路模型的锂离子电池SOC预测方法的流程图；

图2为图1所示锂离子电池SOC预测方法中的dQ/dV的充电变化曲线图；

图3为图1所示锂离子电池SOC预测方法中的dQ/dV的放电变化曲线图；

图4为图1所示锂离子电池SOC预测方法中的不同电压水平下的交流阻抗谱图；

图5为图1所示锂离子电池SOC预测方法中的锂离子电池的等效电路图。

具体实施方式

为更进一步阐述本发明为达成预定目的所采取的技术手段及功效，以下结合附图及较佳实施例，对本发明进行详细说明如后。

因此，本发明针对开路电压法估计SOC的不足之处进行改进，引入dQ/dV参量分析来建立等效电路模型，通过模型辨识出端电压U、充/放电电流I等与SOC的对应关系，建立SOC预测模型，从而实现利用端电压和充/放电电流来估计预测SOC。

如图1所示，本发明的基于等效电路模型的锂离子电池SOC预测方法包括等效电路模型建立步骤、模型辨识步骤和预测模型建立步骤。下面将详细地描述本发明的锂离子电池SOC预测方法及其各个步骤。

等效电路模型建立步骤：首先获取锂离子电池物理特征量参量，采用锂离子电池地面试验数据中的端电压U、充/放电电流I、荷电状态SOC、容量Q、放电深度以及容量电压微分参量dQ/dV表征锂离子电池的性能和故障，以建立锂离子电池的基于戴维南定理的等效电路模型。锂离子电池的充放电曲线比较平缓和简单，单从电池的充放电曲线得到的信息有限，因此很难对不同充放电曲线的特征与不同进行描述。通过微分得到的曲线(即dQ/dV曲线)可以通过峰位置和峰强度对电池大的充放电过程进行描述，可以得到更多信息，从而更好的看出电池的变化。不同化学组成的锂离子电池具有不同的dQ/dV曲线特征峰，这些特征峰的位置和大小随着电池状态和充放电条件的不同在一定范围内变动。利用这种方法可以进行电池的实时SOC状态预测，也可以用于判断电池的状态。

模型辨识步骤：根据容量电压微分参量dQ/dV与SOC的对应关系，以端电压U、充/放电电流I，容量Q、放电深度以及容量电压微分参量dQ/dV作为输入变量，以SOC作为输出变量，建立用于SOC预测的数据对集合。如图2和图3所示为锂离子电池物理特征量dQ/dV的充放电变化曲线图。根据测试到的电压和被控制的电流和时间可以得到电池的充放电曲线和dQ/dV曲线。引入dQ/dV变化量表征电池动态测试过程中交流阻抗，进而表征电池组性能与失效情况。

预测模型建立步骤：根据数据对集合建立预测模型，以通过预测模型对锂离子电池进行SOC预测。作为优选的实施例，预测模型建立步骤中：对数据对集合执行相关向量机RVM回归，找出符合RVM回归特性的数据对，匹配非零基函数的稀疏数据集，确定RVM预测模型的未知权值参数，以拟合出RVM预测模型。采用RVM预测模型的优选方案中，锂离子电池SOC预测方法，在预测模型建立步骤之后，还包括：RVM预测模型的优化步骤：采用RVM预测模型对采集的测试样本进行SOC估计预测，根据得出的SOC预测值与SOC实际值的误差，判断RVM预测模型是否合格，如果不合格，则返回预测模型建立步骤中重新对数据对集合执行相关向量机RVM回归，直到RVM预测模型合格。

如图2和图3所示，在等效电路模型建立步骤中，在锂离子电池地面试验数据中的电压U、充放电电流I、SOC、容量Q、放电深度等分析的基础上，开展dQ/dV参量分析，根据dQ/dV的变化曲线和交流阻抗谱图特点，可分析得到dQ/dV曲线有四个特征峰值，可反映电池在充/放电电流下的实时内阻变化。图4所示的交流阻抗谱图的3条曲线将锂离子电池内阻分为3个串联阻抗，包括直流内阻和极化内阻，从图中可以看出分别对应不同阶段的电压，根据以上特点建立锂离子电池的基于Thevenin定理的等效电路模型。该模型考虑了锂离子电池工作时的瞬态效应和极化效应，建立电流、电阻、电压等参数的时序数学方程，分别用来表示在通常电压时、电压大于通常电压时和电压小于通常电压时的阻抗。由此，将交流阻抗谱图在电压大于通常电压(如图中曲线A的电压为4.1955V)时、通常电压(图中曲线B的电压为3.7365V)时和电压小于通常电压(图中曲线C的电压为3.3810V)时所对应的三条曲线表征为3个串联阻抗，而dQ/dV曲线上的四个特征峰值反应锂离子电池在充放电下的实时内阻的变化。

优选地，如图5所示，等效电路模型包括漏电阻抗R_li和电源产生的时变阻抗C_pi，其中i的取值为1、2和3，漏电阻抗R_li和对应的实变阻抗C_pi并联后组成并联单元，将各并联单元再依次串联，其中，漏电阻抗R_l2、时变阻抗C_p2表示在通常电压下的阻抗，漏电阻抗R_l1、时变阻抗C_p1表示在电压大于通常电压下的阻抗，漏电阻抗R_l3、时变阻抗C_p3表示在电压小于通常电压下的阻抗。此外，U_oc为开路电压，I_tot为电池总电流，R_t为欧姆内阻。

优选地，模型辨识步骤中，在每个预定义取值点SOC_j，j＝1,2,…,J，对应不同的SOC，根据每个预定义取值点SOC_j得出辨识结果统计函数θ(SOC_j)，以形成矩阵{θ(SOC_j),SOC}，其中，θ(SOC_j)＝{[θ₁,θ₂,…,θ_n]₁，[θ₁,θ₂,…,θ_n]₂，…，[θ₁,θ₂,…,θ_n]_m}，n为输入变量的个数，m为对应同一个SOC的不同的输入变量的组合数。

优选地，预测模型建立步骤包括：线性模型假设步骤：给定J×m次测量获得的数据集{θ_k，SOC_k}，其中是在某θ_k，k＝1,2,…,J×m下得到的测量值，可以使用的线性模型为其中ε_j是测量中附加的噪声分量，y(θ)＝∑_jw_jφ_j(θ)，其中未知函数y(θ)是已知基函数的线性组合，向量包含了j个线性组合权，对未知函数y(θ)执行RVM学习，估计和方差的超参数化，以得到所需的估计函数；稀疏数据集选择步骤：根据估计函数执行RVM回归得到M个符合RVM回归特性的数据对{θ_M,SOC_M ^*}，匹配非零基函数的稀疏数据集，以确定预测模型的未知权值参数；相关向量机的构建步骤：，根据符合RVM回归特性的数据对{θ_M,SOC_M ^*}拟合得到预测模型SOC(θ)。其中SOC_M ^*中的“*”代表SOC_M*为一个估计值。

此外，本发明还提供的锂离子电池SOC预测装置包括：等效电路模型建立单元、模型辨识单元和预测模型建立单元。其中等效电路模型建立单元用于根据锂离子电池地面试验数据中的端电压U、充/放电电流I、荷电状态SOC、容量Q、放电深度以及容量电压微分参量dQ/dV表征锂离子电池的性能和故障。模型辨识单元用于根据端电压U、充/放电流I，容量Q、放电深度以及容量电压微分参量dQ/dV与SOC的对应关系，以端电压U、充/放电电流I，容量Q、放电深度以及容量电压微分参量dQ/dV作为输入变量，以SOC作为输出变量，建立用于SOC预测的数据对集合。预测模型建立单元用于根据数据对集合建立预测模型，以通过预测模型对锂离子电池进行SOC预测。

进一步地，模型辨识单元可以根据用户输入的训练数据绘制训练数据对应的空间分布图。用户可以通过交叉确认的方式优化该模型辨识单元。

此外，预测模型建立单元可以设置模型参数的待选范围，分析模型误差、模型的稀疏性随模型参数的变化情况以拟合电压、充/放电电流与SOC之间的关系，并且存储训练结果。上述的目的是实现预测模型的参数优化，存储的训练结果包括RVM的权值参数、相关向量和模型参数。

优选地，预测模型建立单元根据用户输入的待预测样本和预先训练得到的RVM预测模型估计并且显示待预测样本的SOC值。

通过具体实施方式的说明，应当可对本发明为达成预定目的所采取的技术手段及功效得以更加深入且具体的了解，然而所附图示仅是提供参考与说明之用，并非用来对本发明加以限制。

Claims (7)

1.一种基于等效电路模型的锂离子电池SOC预测方法，其特征在于，包括以下步骤：

等效电路模型建立步骤：采用锂离子电池地面试验数据中的端电压U、充/放电电流I、荷电状态SOC、容量Q、放电深度以及容量电压微分参量dQ/dV表征锂离子电池的性能和故障，以建立锂离子电池的基于戴维南定理的等效电路模型；

模型辨识步骤：根据容量电压微分参量dQ/dV与所述SOC的对应关系，以端电压U、充/放电电流I、容量Q、放电深度以及容量电压微分参量dQ/dV作为输入变量，以所述SOC作为输出变量，建立用于SOC预测的数据对集合；

预测模型建立步骤：根据所述数据对集合建立预测模型，以通过所述预测模型对所述锂离子电池进行SOC预测；

所述预测模型建立步骤中：对所述数据对集合执行相关向量机RVM回归，找出符合RVM回归特性的数据对，匹配非零基函数的稀疏数据集，确定RVM预测模型的未知权值参数，以拟合出RVM预测模型。

2.根据权利要求1所述的锂离子电池SOC预测方法，其特征在于，所述锂离子电池SOC预测方法，在预测模型建立步骤之后，还包括：RVM预测模型的优化步骤：采用所述RVM预测模型对采集的测试样本进行SOC估计预测，根据得出的SOC预测值与SOC实际值的误差，判断所述RVM预测模型是否合格，如果不合格，则返回所述预测模型建立步骤中重新对所述数据对集合执行相关向量机RVM回归，直到所述RVM预测模型合格。

3.根据权利要求1或2所述的锂离子电池SOC预测方法，其特征在于，所述等效电路模型建立步骤中，将交流阻抗谱图在通常电压时、电压大于通常电压时和电压小于通常电压时所对应的三条曲线表征为3个串联阻抗，dQ/dV曲线上的四个特征峰值反映锂离子电池在充放电下的实时内阻的变化。

4.根据权利要求3所述的锂离子电池SOC预测方法，其特征在于，所述等效电路模型，包括漏电阻抗R_li和电源产生的时变阻抗C_pi，其中i的取值为1、2和3，所述漏电阻抗R_li和对应的实变阻抗C_pi并联后组成并联单元，将各并联单元再依次串联，其中，漏电阻抗R_l2、时变阻抗C_p2表示在通常电压下的阻抗，漏电阻抗R_l1、时变阻抗C_p1表示在电压大于通常电压下的阻抗，漏电阻抗R_l3、时变阻抗C_p3表示在电压小于通常电压下的阻抗。

5.根据权利要求1或2所述的锂离子电池SOC预测方法，其特征在于，所述模型辨识步骤中，在每个预定义取值点SOC_j，j＝1,2,…,J，对应不同的SOC，根据所述每个预定义取值点SOC_j得出辨识结果统计函数θ(SOC_j)，以形成矩阵{θ(SOC_j),SOC}，其中，θ(SOC_j)＝{[θ₁,θ₂,…,θ_n]₁，[θ₁,θ₂,…,θ_n]₂，…，[θ₁,θ₂,…,θ_n]_m}，n为所述输入变量的个数，m为对应同一个SOC的不同的输入变量的组合数。

6.根据权利要求5所述的锂离子电池SOC预测方法，其特征在于，所述预测模型建立步骤，包括：

线性模型假设步骤：给定J×m次测量获得的数据集{θ_k，SOC_k}，其中是在某θ_k，k＝1,2,…,J×m下得到的测量值，可以使用的线性模型为其中ε_j是测量中附加的噪声分量，y(θ)＝∑_jw_jφ_j(θ)，其中未知函数y(θ)是已知基函数的线性组合，向量包含了j个线性组合权，对所述未知函数y(θ)执行RVM学习，估计和方差的超参数化，以得到所需的估计函数；

稀疏数据集选择步骤：根据所述估计函数执行所述RVM回归得到M个所述符合RVM回归特性的数据对{θ_M,SOC_M*}，匹配非零基函数的稀疏数据集，以确定所述预测模型的未知权值参数；

相关向量机的构建步骤：在获知所述未知权值参数的情况下，根据所述符合RVM回归特性的数据对{θ_M,SOC_M*}拟合得到所述预测模型SOC(θ)。

7.一种锂离子电池SOC预测装置，其特征在于，包括：

等效电路模型建立单元，用于根据锂离子电池地面试验数据中的端电压U、充/放电电流I、荷电状态SOC、容量Q、放电深度以及容量电压微分参量dQ/dV量化锂离子电池的性能和故障；

模型辨识单元，用于根据容量电压微分参量dQ/dV与所述SOC的对应关系，以端电压U、充/放电电流I，容量Q、放电深度以及容量电压微分参量dQ/dV作为输入变量，以所述SOC作为输出变量，建立用于SOC预测的数据对集合；

预测模型建立单元，用于根据所述数据对集合建立预测模型，以通过所述预测模型对所述锂离子电池进行SOC预测；其中，所述根据所述数据对集合建立预测模型，以通过所述预测模型对所述锂离子电池进行SOC预测中：对所述数据对集合执行相关向量机RVM回归，找出符合RVM回归特性的数据对，匹配非零基函数的稀疏数据集，确定RVM预测模型的未知权值参数，以拟合出RVM预测模型。