CN110398697A

CN110398697A - 一种基于充电过程的锂离子健康状态估计方法

Info

Publication number: CN110398697A
Application number: CN201910668127.3A
Authority: CN
Inventors: 张彦琴; 田志伟
Original assignee: Beijing University of Technology
Current assignee: Beijing University of Technology
Priority date: 2019-07-23
Filing date: 2019-07-23
Publication date: 2019-11-01
Anticipated expiration: 2039-07-23
Also published as: CN110398697B

Abstract

本发明公开了一种基于充电过程的锂离子健康状态估计方法在离线状态下，通过锂离子循环充放电实验获取电压、电流和时间等实验数据，从恒流充电过程中提取特征向量，特征向量为恒流充电过程中局部电压区间[Va,Vb]的时间间隔(恒流充电中，电压从Va到Vb所需要的时间)。并通过灰色关联度分析和高斯过程回归模型对提取的特征向量进行筛选，获取最优特征向量所属的电压区间和其训练模型。在线状态下，获取离线状态下得到的电压区间的时间间隔，作为输入特征向量，输入到已训练的高斯过程回归模型中，得到电池SOH。本发明不需要建立复杂的等效电路模型，通过数据驱动的方法，可在线对电池SOH进行估计，具有非常好的精确度。

Description

一种基于充电过程的锂离子健康状态估计方法

技术领域

本发明属于锂离子电池领域，具体涉及一种基于充电过程的锂离子健康状态估计方法。

背景技术

锂离子电池因其高电压、自放电率低、能量密度高、循环寿命高、无污染和无记忆效应等优势，被用于手机、笔记本电脑、平衡车以及电动汽车、航天等领域。但在电池长期使用过程中，由于滥用或者老化，电池内部会发生一系列的电化学反应，会使容量衰退，内阻增加，还可能会造成火灾、爆炸等灾难性后果。为保证电池正常高效地工作，电池管理系统(BMS)必不可少，而电池健康状态(SOH)是BMS的核心功能之一。准确地对电池健康状态进行估计可以判定电池的老化程度，为电池SOC估计和均衡控制技术提供依据，提高电池组的安全性能。

目前，锂离子电池SOH估计方法主要有：直接测量法、基于模型法、数据驱动法。其中，直接测量法以容量和内阻测试为测试指标。直接测量法虽然测量结果准确，但不能在线应用。基于模型的方法主要包含：经验模型、电化学模型、等效电路模型。经验模型具有建模容易、使用方便等优点，但是其过度依赖电池类型和经验参数，应用范围受到限制；电化学模型包含许多方程和大量的内部参数，以及边界条件，计算复杂，不容易对其进行求解；等效电路模型中模型参数随环境温度会发生变化，具体应用会存在较大估计误差。

基于数据驱动的方法是从锂离子电池充放电过程中，利用神经网络法、支持向量机、相关向量机和高斯过程回归等算法来估计电池SOH。相对于直接测量方法和基于模型的方法，更加适应于在线使用，而且具有很好的适应性。

此外，由于电池的放电过程放电倍率不断变化，且实际使用过程中，电池很少达到完整的循环过程，本发明基于数据驱动的方法不需要考虑放电倍率和计量完整的放电循环次数，只需要提取充电过程中的特征向量作为输入向量，通过灰色关联度和高斯过程算法对电池SOH进行估计。

发明内容

本发明的目的在于提供了基于充电过程的电池SOH估计方法，该方法从充电过程中提取特征向量，利用灰色关联度分析和高斯过程回归算法对电池SOH进行估计。

本发明采用如下技术方案来实现：

一种基于充电过程的锂离子健康状态估计方法，包括如下步骤：

第一步、对锂离子电池进行循环充放电实验，分为恒流充电过程、恒压充电过程、恒流放电过程。实时记录各个过程采集到的电流、电压和时间数据。

第二步、提取输入特征向量和输出特征向量。输入特征向量为恒流充电过程中局部电压区间[Va,Vb]的时间间隔(恒流充电中，电压从Va到Vb所需要的时间),输出特征向量为电池SOH。

第三步、通过灰色关联度分析计算特征向量与SOH之间的关联度，排除关联度低于0.6的特征向量。通过关联度筛选之后的特征向量数据分为训练数据集和验证数据集，输入数据和输出数据为一一对应的，以输入数据和输出数据的前85％作为训练集，后15％作为验证集。以训练数据集来训练高斯过程回归模型，模型训练之后，以验证数据集输入回归模型，获取预测的电池SOH，将预测的电池SOH与验证数据中的电池SOH比较，进行误差分析，通过平均绝对误差(MeanAbsolute Error,MAE)和均方根误差(Root Mean Squared Error,RMSE)两种指标。获取误差最小时的特征向量所属的局部电压区间[Va,Vb]和此最优特征向量对高斯过程回归模型进行训练所得的模型。

第四步、在线状态下，利用在线过程中恒流充电过程中记录的电压、电流和时间数据，提取第三步获取的局部电压区间[Va,Vb]下的时间间隔，作为高斯过程回归模型的输入向量，获取电池SOH。

附图说明

图1为锂离子电池SOH估计流程图；

图2为锂离子电池的容量下降趋势图；

图3为锂离子电池特征向量提取示例图；

图4为提取的特征向量随着电池老化的变化趋势图；

图5为锂离子电池SOH估计结果。

具体实施方式

以下结合附图与具体实施方式，对本发明进一步详细说明。

一种基于充电过程的锂离子健康状态估计方法，如图1所示，包括以下步骤：具体实施方式分为离线过程和在线过程。

离线过程：

步骤1：对锂离子电池进行充放电循环实验，实时记录充放电过程中电压V、电流I和时间t数据。

步骤2：提取输入特征向量和输出特征向量。输入特征向量为恒流充电过程中局部电压区间[Va,Vb]的时间间隔(恒流充电中，电压从Va到Vb所需要的时间),输出特征向量为电池SOH。

输入特征向量：电压区间[Va,Vb]的选择可根据以下方法获取，根据恒流充电过程所记录电压V、电流I和时间t数据，获取恒流充电过程的起始充电电压V0和截止电压Vn，起始充电电压V0为充放电循环实验中恒流充电起始阶段均可达到的最小电压。恒流充电过程电压区间[V0,Vn]划分成不同局部电压区间，电压节点为V0、V0+0.1、V0+0.2、……Vn。即可表示电压节点为V0、V1、V2、V3、……、Vn，并获取局部电压区间[Va,Vb]，当Va取V0时，Vb取V1、V2、V3、……、Vn，当Va取V1时，Vb可取V2、V3、……、Vn，同理可得其它Va和Vb的取值，需满足Va＜Vb。根据组成的局部电压区间，对应于不同的时间间隔，得不同局部电压区间下的特征向量。

输出特征向量：电池SOH为电池当前最大放电容量与电池额定容量之比。电池当前容量为放电过程中电流I对于时间t的积分。由此可得电池SOH

步骤3：输入特征向量筛选：根据获取的特征向量，对其进行选择.

步骤3-1：首先通过灰色关联度分析算法计算选取的各个特征向量分别与电池SOH之间的关联度。排除关联度低于0.6的特征向量。

先将X0与Xi初值化，其值分别为：

X′₀＝X₀/x₀(1) X′_i＝X_i/x_i(1) (1)

其中，X0为输入特征向量，Xi为输出特征向量电池SOH，x₀(1)为输入特征向量的初值，x_i(1)为输出特征向量的初值。

则其相应的初值化序列为：

X′₀和X′_i分别为经过初值化后的输出特征向量和输出特征向量电池SOH。

因此X0与Xi的灰色相对关联度为：

式中：

其中是xi(n)初值像的始点零化像。

通过此方法获取各个特征向量分别与电池SOH的关联度，排除关联度小于0.6的特征向量。

步骤3-2：将通过关联度排除之后的特征向量数据分为训练数据集和验证数据集，输入数据和输出数据为一一对应的，以输入数据和输出数据的前85％作为训练集，后15％作为验证集。以训练数据集来训练高斯过程回归模型，获取模型之后，以验证数据集输入回归模型，获取预测的电池SOH，将预测的电池SOH与验证数据中的电池SOH比较，进行误差分析，通过平均绝对误差(MeanAbsolute Error,MAE)和均方根误差(Root Mean SquaredError,RMSE)两种指标。获取误差最小时的特征向量所属的局部电压区间[Va,Vb]和此最优特征向量对高斯过程回归模型进行训练所得模型。

高斯过程回归模型：

已知训练集的输入输出关系映射为f(x)，其中f(x)服从高斯分布

f(x)～N(m(x)，k(x，x′)) (7)

此时以预测集输入所估计的函数分布，其输出同样服从高斯分布

f(x_*)～N(m(x_*)，k(x_*，x_*′)) (8)

其中m(x)和k(x,x’)分别为均值函数和协方差函数，它们的表达式为：

当没有噪声加入的情况下训练集输出和预测值输出服从如下联合高斯先验分布：

其中，K(X,X*)、K(X,X)、K(X*,X*)和K(X*,X)分别是n×n*、n×n、n*×n*、n*×n维的协方差矩阵。

根据联合先验分布，得到f*的条件分布为：

f_*|X_*，X，f～N(m_*，cov(f_*)) (11)

其中，m_*和cov(f_*)分别为预测值的均值函数和协方差函数。

m_*＝m(x_*)+K(X_*，X)(K(X，X))^-1(f-m(x)) (12)

cov(f_*)＝K(X_*X_*)-K(X_*，X)(K(X，X))^-1K(X，X_*) (13)

但在实际情况中，常常会受到噪声的影响，因此假设噪声ε服从高斯分布，即ε～N(0,σ²)

ε为独立的高斯白噪声，均值为0，方差为σ²。则y＝f(x)+ε

因此f*的后验分布为：

f_*|X_*，X，y～N(m_*，cov(f_*)) (14)

其中，m_*和cov(f_*)分别为考虑噪声影响后的预测值的均值函数和协方差函数。

步骤3-3：误差分析：根据估计结果，通过平均绝对误差(MeanAbsolute Error,MAE)和均方根误差(Root Mean Squared Error,RMSE)两种指标对估计结果进行评判。当两个误差最小时，此时的特征向量即为最优特征向量。

其中n为预测样本数，为预测值，yi为实际值。

在线过程：

步骤4：在线状态下，利用在线过程中恒流充电过程中记录的电压、电流和时间数据，提取离线状态下最优局部电压区间[Va,Vb]下的时间间隔，作为高斯过程回归模型的输入向量，获取电池SOH。

Claims

1.一种基于充电过程的锂离子健康状态估计方法，其特征在于：包括如下步骤，

第一步、对锂离子电池进行循环充放电实验，分为恒流充电过程、恒压充电过程、恒流放电过程；实时记录各个过程采集到的电流、电压和时间数据；

第二步、提取输入特征向量和输出特征向量；输入特征向量为恒流充电过程中局部电压区间[Va,Vb]的时间间隔即恒流充电中电压从Va到Vb所需要的时间，输出特征向量为电池SOH；

第三步、通过灰色关联度分析计算输入特征向量与SOH之间的关联度，排除关联度低于0.6的特征向量；通过关联度筛选之后的特征向量数据分为训练数据集和验证数据集，输入数据和输出数据为一一对应的，以输入数据和输出数据的前85％作为训练集，后15％作为验证集；以训练数据集来训练高斯过程回归模型，模型训练之后，以验证数据集输入回归模型，获取预测的电池SOH，将预测的电池SOH与验证数据中的电池SOH比较，进行误差分析，通过平均绝对误差和均方根误差两种指标；获取误差最小时的特征向量所属的局部电压区间[Va,Vb]和此最优特征向量对高斯过程回归模型进行训练所得的模型；

2.如权利要求1所述的一种基于充电过程的锂离子健康状态估计方法，其特征在于：第二步中，输入特征向量的提取：根据恒流充电过程所记录电压V、电流I和时间t数据，获取恒流充电过程的起始充电电压V0和截止电压Vn，起始充电电压V0为充放电循环实验中恒流充电起始阶段均可达到的的最小电压；恒流充电过程电压区间[V0,Vn]划分成不同局部电压区间，电压节点为V0、V0+0.1、V0+0.2、……Vn；即可表示电压节点为V0、V1、V2、V3、……、Vn，并获取局部电压区间[Va,Vb]，需满足Va＜Vb；根据组成的不同局部电压区间，对应于不同的时间间隔，得不同局部电压区间下的特征向量。

3.如权利要求1所述的一种基于充电过程的锂离子健康状态估计方法，其特征在于：第三步中，通过灰色关联度分析来得出选取的特征向量与SOH之间的关联度；排除关联度低于0.6的特征向量。

4.如权利要求1所述的一种基于充电过程的锂离子健康状态估计方法，其特征在于：第三步中，将通过灰色关联度排除之后的特征向量数据分为训练数据集和验证数据集，输入数据和输出数据为一一对应的，以输入数据和输出数据的前85％作为训练集，后15％作为验证集。

5.如权利要求1所述的一种基于充电过程的锂离子健康状态估计方法，其特征在于：第四步中，局部电压区间[Va,Vb]为离线状态下经过灰色关联度分析和误差分析筛选之后获取的最优电压区间。