CN110850322B - 一种基于小波信号分解的电池相对健康状态估计方法 - Google Patents
一种基于小波信号分解的电池相对健康状态估计方法 Download PDFInfo
- Publication number
- CN110850322B CN110850322B CN201911176647.9A CN201911176647A CN110850322B CN 110850322 B CN110850322 B CN 110850322B CN 201911176647 A CN201911176647 A CN 201911176647A CN 110850322 B CN110850322 B CN 110850322B
- Authority
- CN
- China
- Prior art keywords
- battery
- signal
- capacity
- health
- frequency
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了一种基于小波信号分解的电池相对健康状态估计方法,该方法包括步骤:对电池加载模拟工况,获取电压响应信号;对电压信号进行基于离散小波变换的多分辨率分析,获得低频近似信号和高频细节信号;计算低频信号和高频信号的标准差;计算电池的相对健康状态,进而获得电池的实际健康状态。本发明不依赖电池模型,不依赖大量数据和实验,仅需对电池在模拟工况电流下的电压响应信号做小波分解,由分解得到的信号的统计特征即可获得电池的健康状态,本发明算法简洁,操作简单,计算效率高,同时,所提出的相对健康状态这一概念,放大凸显了电池组中各电池单体的容量差异,对电池组均衡具有重要意义。
Description
技术领域
本发明属于电池健康状态估计技术领域,特别涉及一种基于小波信号分解的电池相对健康状态估计方法。
背景技术
当今世界正面临严峻的能源危机和环境污染问题,石油消耗量巨大、废气排放严重的传统燃油汽车是导致这些问题的重要原因。当前包括我国在内的多国正在实施传统汽车向排放清洁的电动汽车的整体转型。动力电池系统作为电动汽车的核心,其性能直接影响电动汽车的整体性能水平和应用前景。动力电池与电池管理系统是动力电池系统的两大部分,由于依赖基础理论研究的突破,电池本身的性能很难在短时间内实现质的飞跃,因此研究性能更好的电池管理系统是当前提升电动汽车技术水平的主要方向和重要途径。
作为电池的关键指标,电池荷电状态(SOC,State of Charge)反映电池当前的剩余容量水平,电池健康状态(SOH,State of Health)表征电池当前最大可用容量水平及老化程度。准确获知SOC与SOH信息对于保护电池、延长电池组寿命、降低维护成本和提升车辆整体性能等具有重要意义。然而由于复杂车载环境的影响,高精度SOH估计一直是难以解决的技术难点及核心问题之一。
当前相关研究中的电池SOH估计方法主要分为三类,即实验方法、自适应滤波方法和数据驱动方法。实验方法是通过直接测量或间接分析某些能反映电池健康状态的可测特征来估计SOH,如测电池内阻、测阻抗谱和分析增量容量曲线等,这类方法思路简单,但依赖于实验而难以实际应用。自适应滤波方法基于电池模型及滤波递推方法进行SOH估计,如利用一阶电阻-电容等效电路模型和扩展卡尔曼滤波算法,这类方法适合在线应用,但估计精度高度依赖电池模型的准确性,并对电池管理系统的计算能力要求较高。数据驱动方法是根据电池大量外部观测数据构建适当的统计学模型来估计SOH,如以电压、温度和放电深度等特征数据作为输入,以SOH作为输出,建立反向传播神经网络模型估计SOH,这类方法摆脱了对电池机理的依赖,但估计精度严重依赖数据的质量,并对算法的效率和可移植性要求高。
综上所述,各类SOH估计方法具有明显的不足,实验方法难以应用,自适应滤波方法受电池模型影响大,数据驱动方法对数据质量和系统算力要求高。所以,提出一种可以准确估计电池SOH的方法具有很大的必要性。
发明内容
为克服上述现有技术的缺点,本发明的目的在于提供一种基于小波信号分解的电池相对健康状态估计方法,该方法不依赖任何电池模型,无需进行大量实验,计算效率高,容易实现,能更好地应用于实际。
本发明采用如下技术方案来实现的:
一种基于小波信号分解的电池相对健康状态估计方法,包括以下步骤:
第一步,利用电池充放电设备对若干容量已知的电池加载模拟驾驶工况电流,获取相应的电压响应信号;
第二步,选择合适的小波基函数,根据离散小波变换多分辨率分析要求确定信号分解层数,对多个电压响应信号进行基于DWT的MRA分解,得到低频近似信号An和高频细节信号Dn,其中,离散小波变换简写为DWT,多分辨率分析简写为MRA;
第三步,计算各电压响应信号分解得到的低频近似信号An的标准差std(An)和高频细节信号Dn的标准差std(Dn),分析得出std(An)和std(Dn)均随电池容量的增加而减小,并均呈近似线性关系;
第四步,记其中容量最大电池的电压低频近似信号标准差为std(An)fresh,高频细节信号标准差为std(Dn)fresh,记容量最小电池的电压低频近似信号标准差为std(An)aged,高频细节信号标准差为std(Dn)aged;
第五步,对于容量未知的待求健康状态的电池,进行上述的模拟驾驶工况加载和电压响应信号小波分解,得到低频近似信号An和高频细节信号Dn,计算其标准差并分别记为std(An)curr和std(Dn)curr;
第六步,按下式计算待求健康状态的电池的相对健康状态rSOH:
第七步,记选定的容量最大电池和容量最小电池的容量分别为capacityfresh和capacityaged,记电池的标称容量为capacitynew,由下式计算得到待求健康状态的电池的估计SOH:
本发明进一步的改进在于,所应用的电池为锂电池、镍镉电池、镍氢电池或铅酸电池。
本发明进一步的改进在于,第一步中,对电池加载的模拟驾驶工况为城市测功机驾驶计划或新欧洲驾驶循环。
本发明进一步的改进在于,第二步中,离散小波变换定义为其中xt为原信号,ψ(·)为母小波函数,ψ*(·)为母小波函数的复共轭,k为平移参数,j为尺度参数;基于离散小波变换的多分辨率分析表达为其中J为离散小波变换层数,N为最大分解层数,φj,k(t)为尺度函数,aj,k为近似系数,dj,k为细节系数。
本发明进一步的改进在于,第四步中,选定的容量最大电池与容量最小电池为分析所用的参考电池,其相对健康状态分别设定为100%和0。
本发明进一步的改进在于,第六步中,对于容量已知的电池,其实际相对健康状态的计算方法为下式,其中capacitycurr为已知容量:
本发明进一步的改进在于,第七步中,对于容量已知的电池,其实际健康状态的计算方法为:
本发明至少具有如下有益的技术效果:
1、本发明提出的通过小波信号分解进行电池相对健康状态估计的方法,不依赖电池模型,不依赖大量实验及大量数据,仅需对电池在模拟工况电流下的电压响应信号做小波分解,由分解得到的信号的统计特征即可获得电池的健康状态,算法简洁,操作简单,计算效率高,避免了电池模型不准确带来的误差。
2、本发明通过基于离散小波变换的多分辨率分析得到的低频近似信号和高频细节信号可以很好地反映电压信号的特性,其统计特征与电池容量具有较强的线性关系,所提出的相对健康状态的算法正是充分利用了该关系,能取得很好的估计效果,健康状态估计的准确度很高。
3、本发明所提出的相对健康状态这一概念,能很好地起到放大凸显电池组中各单体容量差异的效果,对电池组均衡具有重要意义。
综上所述,本发明不依赖电池模型,不依赖大量数据和实验,仅需对电池在模拟工况电流下的电压响应信号做小波分解,由分解得到的信号的统计特征即可获得电池的健康状态,算法简洁,操作简单,计算效率高,同时,所提出的相对健康状态这一概念,放大凸显了电池组中各电池单体的容量差异,对电池组均衡具有重要意义。
附图说明
图1为本发明所提出的方法流程图。
图2为本实施例中所用的5枚电池在NEDC工况下电压响应信号经小波分解得到的低频近似信号和高频细节信号,其中,图2(a)为低频近似信号,图2(b)为高频细节信号。
图3为本实施例中所用的5枚电池在NEDC工况下电压响应信号经小波分解得到的低频近似信号和高频细节信号的在一段时间中的标准差与电池容量的关系曲线。
图4为本实施例中所用的5枚电池在NEDC工况下电压响应信号经小波分解得到的低频近似信号和高频细节信号的在一段时间中的标准差与电池容量、SOC的关系曲面,其中,图4(a)为低频近似信号,图4(b)为高频细节信号。
图5为本实施例中所用的5枚电池在UDDS工况下电压响应信号经小波分解得到的低频近似信号和高频细节信号,其中,图5(a)为低频近似信号,图5(b)为高频细节信号。
图6为本实施例中所用的5枚电池在UDDS工况下的rSOH与SOH估计误差,其中,图6(a)为各电池的rSOH估计误差曲线,图6(b)为各电池的SOH估计误差曲线。
图7为本实施例中离散小波分解过程示意图。
具体实施方式
下面结合附图和实施例对本发明作详细描述。
如图1所示,本发明提供的一种基于小波信号分解的电池相对健康状态估计方法,包括以下步骤:
第一步,利用电池充放电设备对若干容量已知的电池加载模拟循环工况电流,获取相应的电压响应信号;
第二步,选择合适的小波基函数,根据离散小波变换(DWT,Discrete WaveletDecomposition)多分辨率分析(MRA,Multi-Resolution Analysis)要求确定信号分解层数,对多个电压响应信号进行基于DWT的MRA分解,得到低频近似信号An和高频细节信号Dn,如图2所示;
第三步,计算各电压响应信号分解得到的低频近似信号An的标准差std(An)和高频细节信号Dn的标准差std(Dn),分析得出std(An)和std(Dn)均随电池容量的增加而减小,并均呈近似线性关系;
第四步,记其中容量最大电池的电压低频近似信号标准差为std(An)fresh,高频细节信号标准差为std(Dn)fresh,记容量最小电池的电压低频近似信号标准差为std(An)aged,高频细节信号标准差为std(Dn)aged;
第五步,对于容量未知的待求健康状态的电池,进行上述的模拟电流工况加载和电压响应信号小波分解,得到低频近似信号An和高频细节信号Dn,计算其标准差并分别记为std(An)curr和std(Dn)curr;
第六步,按下式计算待求健康状态的电池的相对健康状态rSOH(relative SOH):
第七步,记选定的容量最大电池和容量最小电池的容量分别为capacityfresh和capacityaged,记电池的标称容量为capacitynew,由下式计算得到待求健康状态的电池的真实SOH:
其中,第一步中,对电池加载的模拟驾驶工况电流为城市测功机驾驶计划(UDDS,Urban Dynamometer Driving Schedule)和新欧洲驾驶循环(NEDC,New European DrivingCycle)等;第二步中,离散小波变换定义为其中xt为原信号,ψ(·)为母小波函数,ψ*(·)为母小波函数的复共轭,k为平移参数,j为尺度参数。基于离散小波变换的多分辨率分析表达为其中J为离散小波变换层数,N为最大分解层数,φj,k(t)为尺度函数,aj,k为近似系数,dj,k为细节系数;第三步中,低频近似信号的标准差的计算方法为其中N为分析所用的电池个数,Ai和Aj为单个电池的低频近似信号,高频近似信号的标准差的计算方法类似;第四步中,选定的容量最大电池与容量最小电池为分析所用的参考电池,其相对健康状态分别设定为100%和0;第六步中,对于容量已知的电池,其相对健康状态的计算方法为其中capacitycurr为已知容量;第七步中,对于容量已知的电池,其真实健康状态的计算方法为
所述电池为锂电池、镍镉电池、镍氢电池或铅酸电池等。
实施例:
本实施例采用的电池为NCR18650锂电池,负极材料为Li[NiCoMn]O2,正极材料为石墨,标称容量为2.9Ah,标称电压为3.7V。选取5枚容量已知的电池,其实际容量与实际SOH如表1。对这5枚电池加载NEDC工况以获取电压信号,
表1
针对电压信号进行小波分解,得到400~700s之间的低频近似信号和高频细节信号,如图3所示。计算5枚电池低频信号与高频信号在这段时间内的标准差,两种信号标准差随电池容量变化如图4所示。由图4可见,标准差随电池容量的增加而减小,并且呈现近似线性关系。考虑到SOC对SOH估计的影响,在图4的基础上加入SOC因素,得到信号标准差与电池容量、SOC之间的关系图,如图5所示。由图5可见,电池容量一定的情况下,SOC对信号的标准差几乎没有影响。
计算这5枚电池的rSOH。1号电池的容量最小,设定rSOH为0,5号电池的容量最大,设定rSOH为1。其余3枚电池的rSOH值根据发明内容中第六步的计算方法求得。这5枚电池的实际rSOH值可由下式得到:
其中capacityaged即为2.3695Ah,capacityfresh即为2.7674Ah。通过发明内容中第七步的计算方法,可以由rSOH得到估计的SOH。所有计算结果如表2。由表2可见,
表2
所提出的基于小波信号分解的电池相对SOH估计方法的准确程度很高,实施例中的5枚电池最终的SOH估计误差不超过0.4%。
考虑到所加载工况的影响,再给这5枚电池加载UDDS工况,获得的电压信号经过小波分解得到的低频近似信号与高频细节信号如图6所示。可见,图6中信号与容量的关系与图3类似,说明该方法适用于不同的驾驶循环工况,具有较好的鲁棒性。所得到的rSOH估计误差和SOH估计情况如图7所示。由图7可见,这5枚电池的rSOH估计误差不超过5%,SOH估计误差不超过1%。
Claims (8)
1.一种基于小波信号分解的电池相对健康状态估计方法,其特征在于,包括以下步骤:
第一步,利用电池充放电设备对若干容量已知的电池加载模拟驾驶工况电流,获取相应的电压响应信号;
第二步,选择合适的小波基函数,根据离散小波变换多分辨率分析要求确定信号分解层数,对多个电压响应信号进行基于DWT的MRA分解,得到低频近似信号An和高频细节信号Dn,其中,离散小波变换简写为DWT,多分辨率分析简写为MRA;
第三步,计算各电压响应信号分解得到的低频近似信号An的标准差std(An)和高频细节信号Dn的标准差std(Dn),分析得出std(An)和std(Dn)均随电池容量的增加而减小,并均呈近似线性关系;
第四步,记其中容量最大电池的电压低频近似信号标准差为std(An)fresh,高频细节信号标准差为std(Dn)fresh,记容量最小电池的电压低频近似信号标准差为std(An)aged,高频细节信号标准差为std(Dn)aged;
第五步,对于容量未知的待求健康状态的电池,进行所述模拟驾驶工况加载并对电压响应信号进行基于DWT的MRA分解,得到低频近似信号An和高频细节信号Dn,计算其标准差并分别记为std(An)curr和std(Dn)curr;
第六步,按下式计算待求健康状态的电池的相对健康状态rSOH:
第七步,记选定的容量最大电池和容量最小电池的容量分别为capacityfresh和capacityaged,记电池的标称容量为capacitynew,由下式计算得到待求健康状态的电池的估计SOH:
2.根据权利要求1所述的一种基于小波信号分解的电池相对健康状态估计方法,其特征在于,所应用的电池为锂电池、镍镉电池、镍氢电池或铅酸电池。
3.根据权利要求1所述的一种基于小波信号分解的电池相对健康状态估计方法,其特征在于,第一步中,对电池加载的模拟驾驶工况为城市测功机驾驶计划或新欧洲驾驶循环。
6.根据权利要求1所述的一种基于小波信号分解的电池相对健康状态估计方法,其特征在于,第四步中,选定的容量最大电池与容量最小电池为分析所用的参考电池,其相对健康状态分别设定为100%和0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911176647.9A CN110850322B (zh) | 2019-11-26 | 2019-11-26 | 一种基于小波信号分解的电池相对健康状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911176647.9A CN110850322B (zh) | 2019-11-26 | 2019-11-26 | 一种基于小波信号分解的电池相对健康状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110850322A CN110850322A (zh) | 2020-02-28 |
CN110850322B true CN110850322B (zh) | 2021-02-02 |
Family
ID=69604800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911176647.9A Active CN110850322B (zh) | 2019-11-26 | 2019-11-26 | 一种基于小波信号分解的电池相对健康状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110850322B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113253142B (zh) * | 2021-04-29 | 2023-02-03 | 武汉云衡智能科技有限公司 | 基于小波变换的锂电池组一致性评估与诊断方法及装置 |
CN116609692B (zh) * | 2023-05-05 | 2024-02-13 | 深圳职业技术学院 | 一种基于充电机检测的电池健康状态诊断方法及系统 |
CN117805662A (zh) * | 2024-02-26 | 2024-04-02 | 深圳市拓湃新能源科技有限公司 | 电池参数处理方法、装置、设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140278169A1 (en) * | 2013-03-12 | 2014-09-18 | Samsung Sdi Co., Ltd. | Apparatus for predicting state of health of battery pack by using discrete wavelet transform |
CN104459560B (zh) * | 2014-12-29 | 2017-04-05 | 合肥工业大学 | 基于小波降噪和相关向量机的锂电池剩余寿命预测方法 |
CN108303649A (zh) * | 2017-01-13 | 2018-07-20 | 重庆邮电大学 | 一种电池健康状态识别方法 |
JP2018072346A (ja) * | 2017-11-14 | 2018-05-10 | 株式会社東芝 | 二次電池の電池状態推定装置 |
CN108896926B (zh) * | 2018-07-18 | 2021-01-01 | 湖南宏迅亿安新能源科技有限公司 | 一种锂电池健康状态的评估方法、评估系统及相关组件 |
-
2019
- 2019-11-26 CN CN201911176647.9A patent/CN110850322B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110850322A (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | A state of charge estimation method for lithium-ion batteries based on fractional order adaptive extended kalman filter | |
He et al. | Online model-based estimation of state-of-charge and open-circuit voltage of lithium-ion batteries in electric vehicles | |
CN110286332B (zh) | 一种基于多新息理论的电动汽车动力电池soc估计方法 | |
CN110850322B (zh) | 一种基于小波信号分解的电池相对健康状态估计方法 | |
Sun et al. | Overview of the types of battery models | |
CN111398833A (zh) | 一种电池健康状态评估方法和评估系统 | |
CN105140981B (zh) | 锂电池主动均衡控制方法 | |
CN111352032A (zh) | 一种锂电池动态峰值功率预测方法 | |
CN110824363B (zh) | 一种基于改进ckf的锂电池soc和soe联合估算方法 | |
CN107505578A (zh) | 一种锂电池电荷状态估计的方法 | |
CN107783057B (zh) | 一种动力电池soc估算方法及估算系统 | |
CN112540318B (zh) | 一种起动内燃机的铅酸蓄电池健康状态估算方法 | |
CN112345939B (zh) | 基于连续脉冲响应的锂离子电池模型参数辨识方法 | |
Cai et al. | Research state of charge estimation tactics of nickel-hydrogen battery | |
CN105425154A (zh) | 一种估计电动汽车的动力电池组的荷电状态的方法 | |
CN112526352B (zh) | 一种退役锂离子电池的soh估计方法 | |
CN103983920A (zh) | 一种建立电动车辆的动力电池的模型的方法 | |
CN109917299A (zh) | 一种锂电池荷电状态的三层滤波估算方法 | |
CN113484771A (zh) | 一种锂离子电池宽温度全寿命soc及容量估计的方法 | |
CN110542866A (zh) | 一种预估电池剩余电量参数的方法 | |
CN110007238A (zh) | 一种铝空气电池等效电路模型的建立方法 | |
CN110687460B (zh) | 一种soc预估方法 | |
Du et al. | State-of-charge estimation for second-life lithium-ion batteries based on cell difference model and adaptive fading unscented Kalman filter algorithm | |
CN114062950B (zh) | 混联电池soc确定方法、装置、电子设备及存储介质 | |
CN115327415A (zh) | 基于限定记忆递推最小二乘算法的锂电池soc估算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |