CN110568361B - 一种动力电池健康状态的预测方法 - Google Patents

Abstract

本发明属于动力电池领域，并公开了一种动力电池健康状态的预测方法。该方法包括下列步骤：(a)采集待预测电池不同循环次数下放电和充电过程中不同时刻的特征参数值；(b)构建充电容量与特征参数、放电容量与特征参数之间的关系式，以此计算在不同循环次数下对应的充电容量和放电容量，获得循环次数与充电容量、放电容量和充电时间的数据集；(c)采用所述训练数据对构建初始的所述预测模型进行训练，以此获得最终的预测模型；(d)构建电池健康状态关于放电容量与初始容量的关系式，并利用所预测的放电容量计算获得待预测电池的电池健康状态。通过本发明，实现电池SOH的估计，避免电池过负荷工作，延长了电池组的使用寿命。

Description

一种动力电池健康状态的预测方法

技术领域

本发明属于动力电池领域，更具体地，涉及一种动力电池健康状态的预测方法。

背景技术

电池在应用过程中可能出现的故障以及健康状态下降均会产生各种不利影响。所以要降低它们造成的这些不利影响就需要我们准确估计和预测电池的健康状态SOH(Stateof health)，由于预测动力电池的故障之前一般都需要估计动力电池的SOH，而电池的SOH又与电池的容量息息相关，动力电池在使用过程中不可避免的会遇到容量衰减问题，即可以充进电池中的容量越来越小，明确容量衰减的原因对研究动力电池的健康状态SOH有着至关重要的意义，容量衰减是动力电池技术研究中的一个比较普遍的问题，随着电池循环次数的增加，可以充进电池中的容量肯定会越来越少，当电池的可用容量衰减到一定程度时视为寿命终止。对于电动汽车用动力电池，当可用容量衰减至额定容量的60％～80％时，寿命终止；动力电池技术研究主要包括两方面：荷电状态SOC的估计和健康状态SOH估计，该研究的薄弱环节就在于有效地估计动力电池的SOH。

动力电池SOH的估计方法可以归结为：模型、模糊以及数据驱动三个方面：(1)模型方面的方法主要包括等效电路模型法和电化学模型法等。此类方法具有精确的模型，模型内部包含众多的参数，物理意义明确，便于理解，但是也由于模型中的参数太多，内部结构复杂，使其计算量加大。此外，由于各种不同型号和不同厂商生产的动力电池内部化学成分不一致，因此不具有普遍的适用性；(2)模糊方面具有代表性的方法是模糊逻辑法和人工神经网络法。该类方法不需要建立非常精确的数学模型，结构简单，通过模拟人类的思维方式来实现智能化，但是此类方法也存在着局限性，模糊逻辑由于量化等级不能细分而缺乏精确性，人工神经网络法则需要大量的学习方法和数据，而且难以找到通用的学习算法，③数据驱动方面，该类方法需要建立具有若干参数的抽象的模型，该模型就像一个“黑盒子”主要确定了输入和输出，以及“黑盒子”中的参数即可。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种动力电池健康状态的预测方法，其通过采用循环次数与充电容量、放电容量和充电时间作为，然后采用支持向量构建预测模型，根据预测的电池容量计算电池健康状态，由此解决电池健康状态的准确估计的技术问题。

为实现上述目的，按照本发明，提供了一种动力电池健康状态的预测方法，其特征在于，该方法包括下列步骤：

(a)对于包括有多个循环的充电和放电过程的待预测电池，分别采集不同循环次数下待预测电池放电和充电过程中，特征参数随时间变化的特征参数值，以此获得不同循环次数下待预测电池放电和充电过程中不同时刻的特征参数值，其中，所述充电过程包括恒流和恒压充电过程；

(b)对于待预测电池放电和充电过程，分别构建充电容量与特征参数、放电容量与特征参数之间的关系式，以此计算在不同循环次数下对应的充电容量和放电容量，结合步骤(a)中获得不同时刻的特征参数值与循环次数的对应关系，分别获得在不同循环次数下对应的充电容量，放电容量以及充电时间的值，以此形成循环次数分别与充电容量、放电容量和充电时间一一对应的数据集；

(c)将所述数据集中的数据分为训练数据和预测数据，构建初始的预测模型，其中，充电容量和充电时间作为该预测模型的输入，放电容量作为该预测模型的输出，采用所述训练数据对初始的所述预测模型进行训练，以此获得最终的预测模型；

(d)将所述预测数据输入所述最终的预测模型中，以此获得预测的放电容量，构建电池健康状态关于放电容量与初始容量的关系式，并利用所述预测的放电电容计算，以此获得待预测电池的电池健康状态。

进一步优选地，在步骤(a)中，所述特征参数优选为随时间变化的电流值。

进一步优选地，在步骤(b)中，在获得关于循环次数与充电容量、放电容量和充电时间对应的数据集后，还需对数据集中的数据进行归一化处理、标准化处理和主成分分析处理，其中，所述归一化处理是将数据转化为[-1,1]之间的数，所述标准化处理是将数据的均值转化为0，方差为1的数据，主成分分析是对数据进行正交处理，以此减少数据的维数。

进一步优选地，在步骤(b)中，所述充电容量与特征参数的关系式如下：

其中，C_c是充电容量，I_c是充电电流，t是时间。

进一步优选地，在步骤(b)中，所述放电容量与特征参数的关系式如下：

其中，C_d是放电容量，I_d是放电电流，t是时间。

进一步优选地，在步骤(c)中，所述初始的预测模型为支持向量机模型。

进一步优选地，在步骤(d)中，所述构建电池健康状态关于放电容量与初始容量的关系式优选按照下列表达式，

其中，SOH是电池健康状态，C是当前的电池容量，C₀是电池初始容量。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

1、本发明提供的方法准确的估计每块单体电池的SOH可以避免电池过负荷工作，可对健康状态达到临界值的单体电池予以处理或者更换有效地保护电池，以此延长动力电池的使用寿命，确保了电池组能够以最优的状态进行工作，延长了整个电池组的使用寿命；

2、本发明通过选取支持向量回归法来构建预测模型，与原有方法相比，该方法是提取恒压充电过程的数据来提取特征参数，比现有方法在获取数据方面简单和实用，现有方法大多是提取充电电池电量从0-100％进行电池健康状态估计，实际应用中很难获得这样的数据，但是恒压充电过程确很常见，多是从某个电量充至100％电量，该充电过程一定包含恒压充电过程，故该方法在实际应用中数据更加容易获取，同时该方法的精确度有所提高。

附图说明

图1是按照本发明的优选实施例所构建的动力电池健康状态的预测方法的流程图；

图2是按照本发明的优选实施例所构建的放电容量随循环次数变化的图；

图3是按照本发明的优选实施例所构建的恒压充电容量随循环次数变化的图；

图4是按照本发明的优选实施例所构建的恒压充电时间随循环次数变化的图；

图5是按照本发明的优选实施例所构建的电池容量预测结构图；

图6是按照本发明的优选实施例所构建的预测结果和真实值的对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

一种动力电池健康状态的预测方法，该方法无需考虑动力电池内部复杂的电化学反应，在机器学习过程中得到训练样本数据的内在联系，并使用特征参数表示这种联系，通过这些特征参数进行电池健康状态SOH未来数据的预测，该方法包括下列步骤：

步骤一数据获取

对于包括有多个循环的充电和放电过程的待预测电池，分别采集不同循环次数下待预测电池放电和充电过程中，特征参数随时间变化的特征参数值，以此获得不同循环次数下待预测电池放电和充电过程中不同时刻的特征参数值，其中，所述充电过程包括恒流和恒压充电过程；

电池循环充放电数据是电池在室温下，放电至截止电压过程中的特征参数，本实施例中采用电流、电压、温度、时间等数据作为特征参数值，充电采用恒流恒压充电方式，收集充电过程中的电流、电压、温度、时间等数据。

通过选取循环次数与充电容量、放电容量和充电时间对应的数据集作为初始数据，是由于随着电池不断老化，电池正负极中的活性材料逐渐减小，电池容量逐渐降低，会导致电池恒流恒压充电过程的电压电流的变化，提取这些电流电压变化的值作为特征参数预测电池的老化状态；

步骤二数据处理

(1)本实施例在计算中，选取恒压充电和放电过程中电流随时间变化值作为特征参数值，根据安时积分法计算每个恒压充电过程中的充电容量和放电过程中的放电容量，并将其提取为特征数据，如下：

其中，C_c是充电容量，I_c是充电电流，t是时间，C_d是放电容量，I_d是放电电流，以此，获得恒压充电过程的充电容量随循环次数变化的曲线以及放电容量随循环次数变化的曲线，如图2和3所示。

(2)获取恒压充电阶段的充电时间：

Δt＝t₂-t₁

其中t₂是充电结束的时间，此时电池电量为100％，t₁是恒压充电阶段开始时间，其中恒压充电时间Δt随循环次数变化的曲线如下图4所示。

步骤三SOH估计模型的建立与预测

采用支持向量回归法估计电池的SOH，首先需要选择训练样本和预测样本点，这里我们选择电池随机80％的循环样本数据作为SVM的训练样本，剩下的20％作为预测样本。

一般来说，SVM训练之前都需要对初始样本数据进行预处理，处理方法包括归一化处理、标准化处理以及主成份分析等。归一化处理就是将初始样本数据变换为[-1,1]之间的数；标准化处理就是将每组数据转化成均值为0，方差为1的数据；主成份分析可以通过正交处理，减少输入数据的维数。本专利SVM训练之前的数据处理方法采用归一化处理，通过交叉验证选择SVM模型的参数。

将上述获得的图2,3和4中的循环次数与充电容量、放电容量和充电时间对应的数据集中80％的数据作为训练数据，剩余的20％数据作为预测数据，构建初始的预测模型，其中，充电容量和充电时间作为该预测模型的输入，放电容量作为该预测模型的输出，采用训练数据对初始的预测模型进行训练，以此获得最终的预测模型，将预测数据输入所述最终的预测模型中，以此获得预测的放电容量，获得的电池容量数据如图5所示。

每块电池的样本数据训练完毕后都会得到偏置量、支持向量个数、所占比重训练时间等参数，将这些得到的各项参数用于SVM的回归模型，上述电池的训练样本数量为140、支持向量个数为117时的训练时间为8.6s，锂离子电池容量的SVM估计结果与真实值进行比较，如图6所示。

为了评价SVM的回归结果，引入平均绝对误差mse和平方相关系数R²两种指标。

是预测电池容量，C_i是实际电池容量，N为预测电池容量的个数，mse是平均绝对误差，表示整个模型的预测效果,经过计算，上述电池的平均绝对误差和均方根误差分别为0.053271和0.95813，说明该方法能够有效地估计电池的容量，平均绝对误差和平方相关系数R²都控制在了一定范围内。

构建电池健康状态关于放电容量与初始容量的关系式，并利用预测的放电电容计算，以此获得待预测电池的电池健康状态，SVM估计得到的容量可以计算电池的SOH：

其中，SOH是电池健康状态，C是当前的电池容量，C₀是电池初始容量。

本发明提供的方法预测电池的健康状态，有助于降低维修成本，获取最佳效益，准确的估计动力电池的SOH可以具体了解每块单体电池的健康状态，得到每块电池的剩余使用寿命，指导电池组的维修，降低了维修成本，获取最佳经济效益；有助于降低维修成本，获取最佳效益，准确的估计动力电池的SOH可以具体了解每块单体电池的健康状态，得到每块电池的剩余使用寿命，指导电池组的维修，降低了维修成本，获取最佳经济效益。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种动力电池健康状态的预测方法，其特征在于，该方法包括下列步骤：

(a)对于包括有多个循环的充电和放电过程的待预测电池，分别采集不同循环次数下待预测电池放电和充电过程中，特征参数随时间变化的特征参数值，以此获得不同循环次数下待预测电池放电和充电过程中不同时刻的特征参数值，其中，所述充电过程包括恒流和恒压充电过程，其中，所述特征参数值为恒压充电和放电过程中电流随时间变化值；

(b)对于待预测电池放电和充电过程，分别构建充电容量与特征参数、放电容量与特征参数之间的关系式，以此计算在不同循环次数下对应的充电容量和放电容量，结合步骤(a)中获得不同时刻的特征参数值与循环次数的对应关系，分别获得在不同循环次数下对应的充电容量，放电容量以及充电时间的值，以此形成循环次数分别与充电容量、放电容量和充电时间一一对应的数据集；

(c)将所述数据集中的数据分为训练数据和预测数据，构建初始的预测模型，其中，充电容量和充电时间作为该预测模型的输入，放电容量作为该预测模型的输出，采用所述训练数据对初始的所述预测模型进行训练，以此获得最终的预测模型；

(d)将所述预测数据输入所述最终的预测模型中，以此获得预测的放电容量，构建电池健康状态关于放电容量与初始容量的关系式，并利用所述预测的放电电容计算，以此获得待预测电池的电池健康状态。

2.如权利要求1所述的一种动力电池健康状态的预测方法，其特征在于，在步骤(b)中，在获得关于循环次数与充电容量、放电容量和充电时间对应的数据集后，还需对数据集中的数据进行归一化处理、标准化处理和主成分分析处理，其中，所述归一化处理是将数据转化为[-1,1]之间的数，所述标准化处理是将数据的均值转化为0，方差为1的数据，主成分分析是对数据进行正交处理，以此减少数据的维数。

3.如权利要求1所述的一种动力电池健康状态的预测方法，其特征在于，在步骤(b)中，所述充电容量与特征参数的关系式如下：

其中，C_c是充电容量，I_c是充电电流，t是时间。

4.如权利要求1所述的一种动力电池健康状态的预测方法，其特征在于，在步骤(b)中，所述放电容量与特征参数的关系式如下：

其中，C_d是放电容量，I_d是放电电流，t是时间。

5.如权利要求1所述的一种动力电池健康状态的预测方法，其特征在于，在步骤(c)中，所述初始的预测模型为支持向量机模型。

6.如权利要求1-5任一项所述的一种动力电池健康状态的预测方法，其特征在于，在步骤(d)中，所述构建电池健康状态关于放电容量与初始容量的关系式按照下列表达式，

其中，SOH是电池健康状态，C是当前的电池容量，C₀是电池初始容量。

Images