CN109444762B - 一种基于数据融合的锂离子电池健康状态估计方法 - Google Patents

Abstract

本发明公开了一种基于数据融合的锂离子电池健康状态估计方法，涉及动力电池健康状态估计领域。为了准确估计锂离子电池健康状态而提出的方法。通过采用较为稳定的电池充电过程数据，采用数据融合的方法，估计电池的健康状态，与实际情况比较符合。本发明方法可以适用于各种工况的锂离子电池，包括但不限于全放电工况，部分放电工况，不同放电电流工况；能补偿由于温度和机械震动等外界因素造成的影响。本发明方法可以适用于不同正极材料锂离子电池。本发明方法可以降低因工况不同所造成的某些性能参数的效度降低带来的预测误差，提高电池健康状态预测精度，为电池管理系统提供预警信息并保障动力机械安全可靠运行。

Description

一种基于数据融合的锂离子电池健康状态估计方法

技术领域

本发明涉及一种基于数据融合的锂离子电池健康状态估计方法，属于动力电池管理技术领域，用于估计锂离子电池的健康状态。

背景技术

近年来，随着能源危机环境污染等问题的日益突出，以动力锂离子电池为主的电动汽车产业发展迅速，然而随着使用时间的延长，电池的性能会发生衰退，影响其可用容量和输出功率等指标。目前电池行业通用电池健康状态(SOH)来表征电池的性能衰退程度，规定初始出厂电池SOH为1或100％；当电池性能不能满足使用要求时认为电池失效，并达到使用寿命。在不同的应用场合对电池的SOH有不同的要求，比如对功率要求较高的场合，SOH＝80％即认为需要更换，而有些场合，SOH＝60％要求对电池进行更换。由此可见，准确估计电池的健康状态(SOH)，为电池管理系统提供预警信息并保障动力机械安全可靠运行是非常重要的。

电池SOH是电池使用一段时间后性能参数的实际值与初始出厂性能参数标称值的比值，用来判断电池性能下降程度，衡量电池的健康程度。根据不同电池的性能参数存在如下电池健康状态的估计和判定方法：

从电池容量的角度计算:

其中：C_M为当前电池充满后可放出容量，C_N为电池标称容量。

从电池内阻的角度计算:

其中：R_EOL为电池寿命终结时的电池内阻，R_new为电池出厂时的内阻，R为电池当前状态下的内阻。

从电池功率的角度计算：

其中，P₁为电池当前放出的起动功率，P₂为电池满充电即SOC为100％时，电池的起动功率，P_min电动汽车起动所需的最小起动功率。

公式(1)中的方法需要对在用电池进行离线检测，且每测试一次就要损失电池的一次寿命，而采用在线安-时累积又容易因为测试条件的不统一，所测的容量数据误差越大。公式(2)中的电池内阻通常指直流内阻，可以通过短期内电压的变化与电流之比值在线计算，但在线情况复杂，不同电流和不同温度可得出不同的数据，要进行比较就需要有大量的数据并进行仔细筛选,也给具体实施增加了难度。公式(3)对功率的测量也需要在离线情况进行检测，不仅对实际工作造成影响，而且大功率放电会影响电池的使用寿命。

综合上述，提出针对充电数据对电池的健康状态进行估计，因为电池放电后总需要充电，只要获得充电数据就可进行估计，不需额外的试验；其次，绝大多数动力电池充电工况都是比较稳定和统一的工况，即采用恒流充电加恒压充电的方式，充电数据包括恒流充电时间、恒压充电时间和充电容量，这就避免了由于工况不同所造成的物理量检测误差。最后，提出数据融合的方法，将单一物理量计算造成的误差进行部分消除，同时考虑上述三个充电数据，以更好地弥补因为放电方式不同给当前电池SOH估计造成的影响。

发明内容

本发明目的是提供一种基于数据融合的锂离子电池健康状态的估计方法。该方法利用电池充电过程中的恒压充电时间、恒流充电时间和充电容量这些特征量进行SOH的估计计算，利用似然函数与贝塔函数确定电池的SOH。这种方法能够减少温度、放电电流、放电模式等不同条件和震动等外界因素的影响，准确估计动力电池的健康状态(SOH)。该方法适用于各类锂离子电池。

本发明采用的技术方案为一种基于数据融合的锂离子电池健康状态估计方法，该方法以充电阶段的恒流充电时间CCCT、恒压充电时间CVCT和充电容量Capacity为特征量定义电池健康状态，利用似然函数与贝塔函数最终确定电池的健康状态SOH，可以包括但不限于这几个物理量，例如还可以包括电池内阻等参数或物理量(如果容易获得的话)。

具体实施方法如下：

(1)计算以恒流充电时间CCCT为性能参数的健康状态

其中：

是第K次循环当前状态的CCCT，F_1avg(1：5)是对应的前5次循环的CCCT的平均值，采用前5次循环平均值是为了减少偶然误差，得到较为准确的出厂初始值，以下同。

(2)计算恒压充电时间CVCT为性能参数的健康状态

其中：

是第K次循环的CVCT，F_2avg(1：5)是前5次循环的CVCT的平均数。根据实际充电经验，恒压充电时间会随着循环次数的增多而增加。

(3)计算充电容量Capacity为性能参数的健康状态

其中：

是第K次循环即当前状态的电池充电容量Capacity，F_3avg(1：5)是对应的前5次循环的充电容量Capacity的平均值。

由公式(4)、(5)和(6)得到每次循环的健康状态，以不同特征量得到的健康状态以

表示，其中，c表示循环数，i取1、2、3，分别代表上述三种不同的特征量依次为CCCT、CVCT和Capacity。

以SOH为变量，利用似然函数和贝塔函数，得到其在区间(0,1)的概率分布：

其中：f_c(SOH；α_c，β_c)为似然函数，B(α_c，β_c)为贝塔函数，其中α_c为形状参数，β_c为尺度参数，每次循环的α_c和β_c由以下公式确定

其中：w_i为权重。初始权重的确定，根据经验、不同工况进行选取。c表示循环次数，而α_c和β_c分别表示第c次循环的形状参数和尺度参数。公式(9)的累计函数，i＝1即初始值，初始权重的确定，根据经验、不同工况进行选取。

在每次循环的SOH概率分布确定后，其最大概率对应的SOH的值由下公式确定：

SOH_c＝argmax(f_c(SOH；α_c，β_c)) (10)

其中，argmax(f_c(SOH；α_c，β_c))为对函数f_c求参数的函数，其取值范围为使得f_c这个函数取得最大值所对应的SOH变量的取值。

SOH_c即为本次循环电池的SOH。下一次循环的权重由以下公式确定：

为第c次循环的权重，

为第c+1次循环的权重。

重复以上步骤即可得到电池每次循环的荷电状态SOH。当数据越多的时候，SOH估计越趋近于准确值。

附图说明

图1钴酸锂电池、工况A情况下，根据不同参数估算的电池SOH。

图2钴酸锂电池、工况A情况下，融合方法估算的电池SOH。

图3钴酸锂电池、工况B情况下，根据不同参数估算的电池SOH。

图4钴酸锂电池、工况B情况下，融合方法估算的电池SOH。

图5钴酸锂电池、工况C情况下，根据不同参数估算的电池SOH。

图6钴酸锂电池、工况C情况下，融合方法估算的电池SOH。

图7三元材料电池、工况D情况下，根据不同参数估算的电池SOH。

图8三元材料电池、工况D情况下，融合方法估算的电池SOH。

图9为本方法实施的流程图。

具体实施方式

以下结合附图和实施例对本发明的技术方案进行详细描述。

根据上述方法，对两种正极材料的锂离子电池，钴酸锂电池和三元电池，在三种不同工况下的数据进行了SOH的估计和计算。电池及工况说明如表1所示：

表1电池及不同工况说明

实例1：

对钴酸锂电池在工况A下进行充放电循环，以CCCT、CVCT、Capacity为特征量，得到电池每次循环的SOH，如图1，横坐标为循环次数，纵坐标为电池的SOH。利用数据融合方法得到电池每次循环的电池健康状态,如图2，横坐标为循环次数，纵坐标为电池的SOH。

实例2：

对钴酸锂电池在工况B下进行充放电循环。以CCCT、CVCT、Capacity为特征量，得到电池每次循环的SOH，如图3，横坐标为循环次数，纵坐标为电池的SOH。利用数据融合方法得到电池每次循环的电池SOH，如图4，横坐标为循环次数，纵坐标为电池的SOH。

实例3：

对钴酸锂电池在工况C下进行充放电循环。以CCCT、CVCT、Capacity为特征量，得到电池每次循环的的SOH，如图5，横坐标为循环次数，纵坐标为电池的SOH。利用数据融合方法得到电池每次循环的电池SOH，如图6，横坐标为循环次数，纵坐标为电池的SOH。

实例4：

对三元锂离子电池进行充放电循环。以CCCT、CVCT、Capacity为特征量，得到电池每次循环的的SOH，如图7，横坐标为循环次数，纵坐标为电池的SOH。利用数据融合方法得到电池每次循环的电池SOH,如图8，横坐标为循环次数，纵坐标为电池的SOH。

由以上具体应用来看，采用充电数据可以得到电池的SOH估计，但是由于工况的不同，不同参数估计SOH的效度不同，需要有实际工作经验和大量的试验才可以选择出合适的评估SOH的电池性能参数。而采用数据融合的算法，可以有效地对不同参数进行权重分配，从而获得比较符合实际的结果，得到SOH的准确估计。

以上实例能有效验证本发明方法的优越性：相比以放电数据估计电池的SOH，采用充电数据在不损害电池寿命的基础上也可得到电池SOH，进一步地，采用数据融合的方法，能够在经验和数据量不足的情况下，降低由于工况不同带来单一性能参数估计的误差，综合多个性能参数的有效性，提高预测精度。此外，本发明方法可应用于不同放电工况和不同正极材料电池，具有普遍的适用性。

Claims (1)

1.一种基于数据融合的锂离子电池健康状态估计方法，其特征在于：该方法以充电阶段的恒流充电时间CCCT、恒压充电时间CVCT和充电容量Capacity为特征量定义电池荷电状态，利用似然函数与贝塔函数最终确定电池的荷电状态SOH；

具体实施方法如下：

步骤(1)计算以恒流充电时间CCCT为性能参数的健康状态

其中：

是第K次循环当前状态的CCCT，F_1avg(1∶5)是对应的前5次循环的CCCT的平均值，采用前5次循环平均值是为了减少偶然误差，得到较为准确的出厂初始值，以下同。

步骤(2)计算恒压充电时间CVCT为性能参数的健康状态

其中：

是第K次循环当前状态的CVCT，F_2avg(1∶5)是前5次循环的CVCT的平均值。根据实际充电经验，恒压充电时间会随着循环次数的增多而增加。

步骤(3)计算充电容量Capacity为性能参数的健康状态

其中：

是第K次循环即当前状态的电池充电容量Capacity，F_3avg(1∶5)是对应的前5次循环的充电容量Capacity的平均值。

由公式(1)、(2)和(3)得到每次循环的健康状态，以不同特征量得到的健康状态以

表示，其中，c表示循环数，i取1、2、3，分别代表上述三种不同的特征量依次为CCCT、CVCT和Capacity；

以SOH为变量，利用似然函数和贝塔函数，得到其在区间(0，1)的概率分布：

其中：f_c(SOH；α_c，β_c)为似然函数，B(α_c，β_c)为贝塔函数，其中α_c为形状参数，β_c为尺度参数，每次循环的α_c和β_c由以下公式确定

其中：w_i为权重；初始权重的确定，根据经验、不同工况进行选取；c表示循环次数，

表示基于特征量定义的荷电状态，而α_c和β_c分别表示第c次循环的形状参数和尺度参数；

在每次循环的SOH概率分布f_c确定后，其最大概率对应的SOH的值由下公式确定：

SOH_c＝argmax(f_c(SOH；α_c，β_c)) (7)

其中，argmax(f_c(SOH；α_c，β_c))为对函数f_c求参数的函数，其取值范围为使得f_c这个函数取得最大值所对应的SOH变量的取值。

SOH_c即为本次循环电池的SOH；下一次循环的权重由以下公式确定：

为第c次循环的权重，

为第c+1次循环的权重；

重复以上步骤即可得到电池每次循环SOH；当数据越多的时候，SOH估计越趋近于准确值。

Images