CN111090047A - 一种基于多模型融合的锂电池健康状态估计方法 - Google Patents

Abstract

本发明提供一种基于多模型融合的锂电池健康状态估计方法，该方法涉及了对锂电池充放电过程中等采样时间间隔的电池充放电电压、充电放电电流、充放电时间进行特征提取；构建多种模型获取多元异构信息；基于训练数据对多种模型参数进行辨识，并将辨识的参数作为融合模型的输入特征。采用提取特征与多种模型预测结果作为融合算法的输入，利用条件随机场对多模型进行融合估计锂电池的健康状态SOH。本发明主要应用于估计锂电池的健康状态，对比单一的模型能够获取更高健康状态估计精度和更低的预测误差。

Description

一种基于多模型融合的锂电池健康状态估计方法

技术领域

本发明涉及锂离子电池管理系统技术领域，特别是一种基于多模型融合的锂电池健康状态估计方法。

背景技术

锂离子电池由于其内部比能量高、结构体积小、无维护、环境友好等特点受到各界的青睐，同时也推动了电动汽车的迅速发展。然而，随着使用中充放电循环次数的增加，电池会出现老化和裂化现象，会影响锂离子电池的使用寿命和电动汽车的安全行驶范围。对锂离子电池的健康状态进行预测可以及时发现问题，避免可能会发生的事故。因此一个准确的SOH健康状态估计方法可以有效的帮助我们判断电池的老化程度和提高电池的使用时间。

条件随机场CRF预测算法是著名的维特比算法，具有特征设计灵活、可直接对后验概率进行建模、可计算出全局最优输出节点条件概率、解决马尔科夫模型的标记偏置问题、计算标记序列联合概率分布等优点，通过给出条件随机场P(Y|X)和输入序列x，便可获得条件概率最大下的输出序列y*。

锂电池的SOH无法用专门的设备进行测量，需要通过对其他物理量的测量进行表示。现阶段锂电池SOH估计方法可分为基于机理、基于特征和基于数据驱动三大类方法。基于机理是从锂电池的电化学原理角度描述，基于特征是考虑了电池在充放电过程中所表现的参数改变，基于数据驱动则是从数据中挖掘电池SOH演变规律。

锂电池的健康状态可根据电池在老化过程中容量和内阻的变化来表示，常用的健康状态表示方法可分别从电池剩余电量、电池启动功率、电池容量、内阻等角度定义健康状态 SOH。而现有的锂电池SOH估计方法都是进行单一预测模型，这样会出现估计不准确的问题。

另外，现有技术中公开了一种“基于电压关键特性的锂电池在线健康状态快速预测方法”见公开号为：CN108549030A，公开日为：2018.9.18的中国专利，该专利为设计电池在线健康状态预测模型，基于部分电池充电数据，快速计算电池任何寿命阶段的健康状态，对电池实现准确的功能判断，该发明提出了基于电压关键特性的锂电池在线健康状态快速预测方法，包括以下步骤：步骤(1)、对不同寿命状态锂电池进行基于循环测试工况做循环测试，获取锂电池的全寿命数据；步骤(2)、获取电池容量以及计算差分电压，进一步预选取关键特征值；步骤(3)、基于各预选特征值，训练及测试预测模型，最终选取最优模型进行锂电池在线健康状态预测。该发明实现了基于较少数据在线计算电池健康状态，较为准确地判断电池性能，并提高了工作效率。但是该专利采用的技术方案与本专利并不相同。

发明内容

为克服上述问题，本发明的目的是提供一种基于多模型融合的锂电池健康状态估计方法，提高了锂电池的健康状态估计的准确性。

本发明采用以下方案实现：一种基于多模型融合的锂电池健康状态估计方法，包括锂电池的数据采集过程、锂电池的数据预处理过程、锂电池的特征提取过程、锂电池模型训练过程、以及误差分析过程，

所述锂电池的数据采集过程是对锂电池的充放电过程中充放电电流、充放电电压、充放电时间进行采集；

所述锂电池的数据预处理过程是对锂电池采集的数据中异常值的数据进行剔除，并对剔除后的数据进行充放电阶段分类，恒流充电阶段分类；

所述锂电池的特征提取过程是锂电池在充电过程中的恒流充电阶段进行特征提取，获取恒流充电阶段在不同循环过程中的电压曲线、恒流充电时间、相邻采样点之间的电流差，及恒流充电电流值；

所述锂电池模型训练过程是对锂电池提取的特征进行训练集和测试集分类，将训练数据集通过模型进行训练；

所述误差分析过程是通过测试训练集对模型进行测试，测试后的输出值与真实值进行误差分析，以实现锂电池的健康状态估计。

本发明的模型相对于其他多融合模型方法具有简单的模型结构，且通过拟合电压曲线获取的拟合参数这种特殊的特征提取方法，使得输入的特征具有更好的物理意义，并且进一步提高了锂电池健康状态估计的准确度。

本发明主要涵盖了对锂电池每次充放电中恒流充电阶段特征值的提取、特征的训练、多模型融合和数据的预测四个核心过程。

本发明采用锂电池充电过程而不采用放电过程可避免因放电端设备不同而产生的放电曲线变化情况不同，并且采用充电过程中的恒流充电阶段。同时，本方法特征提取没有覆盖整个充电过程，采用局部特征代替全局特征，即取每次循环中0％～30％SOC作为非采样区间，其余SOC区间作为局部采样区间，采用局部采样策略。

进一步的，所述锂电池在充电过程中的恒流充电阶段进行特征提取，进一步具体为：

步骤S1、判断锂电池的恒流充电阶段，获取恒流充电截止时间t；

步骤S2、判断每次充放电0％-30％荷电状态SOC阶段，获取剩余部分到截止时间的恒流充电阶段电池容量Q_cc(t)＝It*70％，即为恒流充电阶段电池电流和充电时间的乘积Q_cc，通过每次循环的拟合参数获取第k次循环的拟合参数，使用商业数学软件MATLAB中cftool 函数获取不同循环过程中恒流充电阶段电池容量Q_cc的拟合曲线Q_cc(k)＝A_Qk²+B_Qk+C_Q；

步骤S3、判断每次充电70％荷电状态SOC剩余阶段，获取每个充电时间间隔的恒流充电阶段电池电压，通过MATLAB中cftool函数获取电压的拟合曲线，并且获取拟合曲线中的拟合参数A_Q、B_Q、C_Q；

步骤S4、通过每次循环的拟合参数获取第k次循环的拟合参数，使用MATLAB中的约束函数optimoptions，选取约束设置为lsqnonlin参数，获取拟合曲线B(k)＝A_bk²+B_bk+C_b；其中A_B,B_B,C_B是B(k)的曲线拟合参数。

进一步的，所述锂电池模型训练过程进一步具体为：将B(k)和Q_cc(k)作为特征集，对输入特征集进行分类前60％作为训练数据集，后40％作为测试数据集；将训练数据集 x＝(B(k),Q_cc(k))分别输入到经验模型、等效电路模型、电化学模型，将三种模型输出的结果作为条件随机场模型的参数特征进行锂电池健康状态SOH预测。

进一步的，通过经验模型获取条件随机场模型中位置特征的权值参数，通过等效电路模型对锂离子电池进行参数辨识，通过电化学模型对锂电池的健康状态进行初步估计，将三种模型输出的结果作为条件随机场模型的参数特征，通过条件随机场模型目标函数以及转移状态获得锂电池健康状态的估计值。

进一步的，通过经验模型获取权值参数以及特征参数，权值参数w＝(w₁,w₁,…w_k)^T，T代表一个数学符号，即转置矩阵；特征参数F(y,x)＝(f₁(y,x),f₂(y,x),…,f_k(y,x))^T，式中

其中，y表示输出状态序列，x表示输入观察序列，i表示循环次数。

进一步的，等效电路模型该模型采用二阶RC等效电路模型分别为R_e-C_e和R_ct-C_ct能够描述锂离子电池在充放电过程中的动态特性，模型中的RC回路体现锂离子电池在工作状态下的电化学极化和浓度差极化现象，E作为锂离子电池的电动势，V表示端电压，电阻R为欧姆电阻，电阻R_e表示电化学极化电阻，电阻R_ct表示浓度差极化电阻，并联的电阻R_e和电容C_e表示锂离子电池在充放电过程中的极化现象，并联的电阻R_ct和电容C_ct表示锂离子电池在充放电过程中的浓度差极化作用；

根据基尔霍夫定律，锂离子电池的二阶RC等效电路模型表达式为：

电池的SOC表示为电池的荷电状态，t时刻的SOC表示为：

求导可得

状态空间方程表示为

输出方程能表示为：

其中，公式中的C_t表示为锂电池的剩余电量，C表示锂电池的额定容量，SOC(t₀)表示锂电池起始的SOC，SOC(t)表示t时刻锂电池的SOC；

t时刻的工作电压是：

可转换为方程为：

对上述方程进行拟合，得到拟合参数c₁、c₂、c₃、c₄、c₅、c₆，从而得到等效电路的模型参数：

进一步的，所述通过电化学模型对锂电池的健康状态进行初步估计为 SOH_ini＝Q_current/Q_ini，其中Q_current为当前电池测量容量，Q_ini为电池初始标定容量。

进一步的，建立输入观测序列x＝(B(k),Q_cc(k)，R_ct,R_e,SOH_ini)，取60％作为训练数据集， 40％作为测试训练数据集，模型特征参数为F(y,x)，权值参数为w，权值参数w＝(w₁,w₁,…w_k)^T，模型特征参数F(y,x)＝(f₁(y,x),f₂(y,x),…,f_k(y,x))^T，式中

构建随机场的概率公式为

其中，x_c表示c点对应的输入状态，大C表示无向图的最大团，小c表示无向图的团，Z(y，θ)表示为规范化因子，x是输入观测序列，y表示输出状态序列，θ表示条件随机场模型中的势函数，条件随机场模型采用最大似然法确定模型参数，通过条件随机场模型获得锂电池健康状态的估计值。另外，本发明还拟合多特征的条件随机场，可通过训练使得模型能够好的表征数据集。

本发明的有益效果在于：本发明首先通过将锂电池恒流充电阶段中的电压和容量分别进行二次曲线拟合，利用各自的拟合参数在循环次数下的更新方程分别作为输入特征值；其次，通过经验模型获取权值参数，并利用等效电路模型和电化学模型分别进行参数辨识和锂电池健康状态的初步预测；最后，建立条件随机场模型对上述三种模型进行多模型融合，提高了锂电池的健康状态估计的精度，降低了预测的误差。

附图说明

图1是本发明基于多模型融合的锂电池健康状态估计方法流程图。

图2是不同循环周期下充电过程中恒流充电阶段电压变化曲线。

图3是恒流充电过程不同阶段的充电电压。

图4是恒流充电结束时电池容量。

图5是二阶RC等效电路模型示意图。

具体实施方式

下面结合附图对本发明做进一步说明。

如图1所示，本发明专利提供一种基于多模型融合的锂电池健康状态估计方法，其特征在于：包括锂电池的数据采集过程、锂电池的数据预处理过程、锂电池的特征提取过程、锂电池模型训练过程、以及误差分析过程，

所述锂电池的数据采集过程是锂电池的数据采集用的是型号为18650，额定电压为 3.7V的电池，锂电池的充电分为恒流和恒压两个充电过程，对锂电池的充放电过程中充放电电流、充放电电压、充放电时间进行采集；

所述锂电池的数据预处理过程是对锂电池采集的数据中异常值的数据进行剔除，并对剔除后的数据进行充放电阶段分类，恒流充电阶段分类；获取锂电池每次充电过程中的恒流充电时间，获取锂电池恒流充电过程中采样时间间隔的电池电压，获取恒流充电过程中的采样时间间隔的电池电流；

所述锂电池的特征提取过程是锂电池在充电过程中的恒流充电阶段进行特征提取，获取恒流充电阶段在不同循环过程中的电压曲线、恒流充电时间、相邻采样点之间的电流差，及恒流充电电流值；

所述锂电池模型训练过程是对锂电池提取的特征进行训练集和测试集分类，将训练数据集通过模型进行训练；

所述误差分析过程是通过测试训练集对模型进行测试，测试后的输出值与真实值进行误差分析，以实现锂电池的健康状态估计。

所述锂电池在充电过程中的恒流充电阶段进行特征提取，进一步具体为：提取充电过程中恒流充电阶段的数据集，采用局部特征代替全局特征，取每次循环中0％～30％SOC区间为非采样区间，其余SOC区间作为采样区间，采用局部采样策略代替全局采样，特征提取不覆盖整个充电过程。

首先：选取锂电池的恒流充电阶段，获取恒流充电截止时间t。

其次：选取恒流充电阶段判断每次充放电0％～30％SOC阶段，获取剩余部分到截止时间的恒流阶段电池容量Q_cc(t)＝It*70％，即为恒流充电阶段电池电流和充电时间的乘积Q_cc，通过每次循环的拟合参数获取第k次循环的拟合参数，使用商业数学软件MATLAB中cftool函数获取不同循环过程中恒流充电阶段电池容量Q_cc的拟合曲线，获取拟合曲线 Q_cc(k)＝A_Qk²+B_Qk+C_Q如图4所示，其中，A_Q、B_Q、C_Q是拟合曲线中的拟合参数。

最后：如图2不同循环周期下充电过程中恒流充电阶段电压变化曲线所示，获取判断每次充电70％SOC剩余阶段的电池，获取每个充电时间间隔的恒流阶段电池电压V，通过MATLAB中cftool函数获取电压的拟合曲线V(t)＝Alog(t)+Bt+C，V(t)是在锂电池循环过程电池管理系统中获取，并且获取拟合曲线中的拟合参数A、B、C。通过每次循环的拟合参数获取第k次循环的拟合参数B，使用MATLAB中的约束函数Optimoptions，选取约束设置为Lsqnonlin参数，获取拟合曲线B(k)＝A_bk²+B_bk+C_b如图3所示，其中A_b,B_b,C_b是B 的曲线拟合参数。

所述锂电池模型训练过程进一步具体为：将B(k)和Q_cc(k)作为特征集，对输入特征集进行分类前60％作为训练数据集，后40％作为测试数据集；将训练数据集x＝(B(k),Q_cc(k))分别输入到经验模型、等效电路模型、电化学模型，将三种模型输出的结果作为条件随机场模型的参数特征进行锂电池健康状态SOH预测。

通过经验模型获取条件随机场模型中位置特征的权值参数，通过等效电路模型对锂离子电池进行参数辨识，通过电化学模型对锂电池的健康状态进行初步估计，将三种模型输出的结果作为条件随机场模型的参数特征，通过条件随机场模型目标函数以及转移状态获得锂电池健康状态的估计值。

通过经验模型获取条件随机场模型的位置特征的权值参数w＝(w₁,w₁,…w_k)^T，特征参数 F(y,x)＝(f₁(y,x),f₂(y,x),…,f_k(y,x))^T，式中

其中，y表示输出状态序列，x表示输入观察序列，i表示循环次数。

通过等效电路模型如图5所示对锂离子电池进行参数辨识，Fig模型为锂电池PNGV模型的改进模型，该模型采用二阶RC等效电路模型分别为R_e-C_e和R_ct-C_ct能够描述锂离子电池在充放电过程中的动态特性，模型中的RC回路可体现锂离子电池在工作状态下的电化学极化和浓度差极化现象，E作为锂离子电池的电动势，V表示端电压，电阻R为欧姆电阻，电阻R_e表示电化学极化电阻，电阻R_ct表示浓度差极化电阻，并联的电阻R_e和电容C_e可表示锂离子电池在充放电过程中的极化现象，并联的电阻R_ct和电容C_ct可表示锂离子电池在充放电过程中的浓度差极化作用，相较于一阶RC模型有更高的精确度。

根据基尔霍夫定律，锂离子电池的二阶RC等效电路模型表达式为：

电池的SOC可表示为电池的电荷状态，t时刻的SOC可表示为：

求导可得

状态空间方程可表示为

输出方程可表示为

其中，公式中的C_t表示为锂电池的剩余电量，C表示锂电池的额定容量，SOC(t₀)表示锂电池起始的SOC，SOC(t)表示t时刻锂电池的SOC。

t时刻的工作电压是

可转换为方程为

对上述方程进项拟合，可得到拟合参数c₁、c₂、c₃、c₄、c₅、c₆，从而得到等效电路的模型参数

通过电化学模型对锂电池的健康状态进行初步估计SOH_ini，SOH_ini＝Q_current/Q_ini，其中 Q_current为当前电池测量容量，Q_ini为电池初始标定容量。

条件随机场模型：建立输入观测序列x＝(B(k),Q_cc(k)，R_ct,R_e,SOH_ini)，取60％作为训练数据集，40％作为测试训练数据集，模型特征向量为F(y,x)，权值向量为w，初始化取值向量为w＝(w₁,w₁,…w_k)^T，以及F(y,x)＝(f₁(y,x),f₂(y,x),…,f_k(y,x))^T以及

构建随机场的概率公式为

其中，x_c表示c点对应的输入状态，大C表示无向图的最大团，小c表示无向图的团，Z(y，θ)表示为规范化因子，x是输入观测序列，y表示输出状态序列，θ表示条件随机场模型中的势函数，条件随机场采用最大似然法确定模型参数。拟合多特征的条件随机场，可通过训练使得模型能够好的表征数据集。

误差分析：通过测试训练集对模型进行测试，并将输出值与真实值比较进行误差分析。获取锂电池的健康状态，选取机器学习对SOH估计值(即输出值)和SOH真实值进行误差分析，评估锂电池健康状态估计的准确程度。

总之，本发明首先通过将锂电池恒流充电阶段中的电压和容量分别进行二次曲线拟合，利用各自的拟合参数在循环次数下的更新方程分别作为输入特征值；其次，通过经验模型获取权值参数，并利用等效电路模型和电化学模型分别进行参数辨识和锂电池健康状态的初步预测；最后，建立条件随机场模型对上述三种模型进行多模型融合，提高了锂电池的健康状态估计的精度，降低了预测的误差。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (8)

1.一种基于多模型融合的锂电池健康状态估计方法，其特征在于：包括锂电池的数据采集过程、锂电池的数据预处理过程、锂电池的特征提取过程、锂电池模型训练过程、以及误差分析过程，

所述锂电池的数据采集过程是对锂电池的充放电过程中充放电电流、充放电电压、充放电时间进行采集；

所述锂电池的数据预处理过程是对锂电池采集的数据中异常值的数据进行剔除，并对剔除后的数据进行充放电阶段分类，恒流充电阶段分类；

所述锂电池的特征提取过程是锂电池在充电过程中的恒流充电阶段进行特征提取，获取恒流充电阶段在不同循环过程中的电压曲线、恒流充电时间、相邻采样点之间的电流差，及恒流充电电流值；

所述锂电池模型训练过程是对锂电池提取的特征进行训练集和测试集分类，将训练数据集通过模型进行训练；

所述误差分析过程是通过测试训练集对模型进行测试，测试后的输出值与真实值进行误差分析，以实现锂电池的健康状态估计。

2.根据权利要求1所述的一种基于多模型融合的锂电池健康状态估计方法，其特征在于：所述锂电池在充电过程中的恒流充电阶段进行特征提取，进一步具体为：

步骤S1、判断锂电池的恒流充电阶段，获取恒流充电截止时间t；

步骤S2、判断每次充放电0％-30％荷电状态SOC阶段，获取剩余部分到截止时间的恒流充电阶段电池容量Q_cc(t)＝It*70％，即为恒流充电阶段电池电流和充电时间的乘积Q_cc，通过每次循环的拟合参数获取第k次循环的拟合参数，使用商业数学软件MATLAB中cftool函数获取不同循环过程中恒流充电阶段电池容量Q_cc的拟合曲线Q_cc(k)＝A_Qk²+B_Qk+C_Q；

步骤S3、判断每次充电70％荷电状态SOC剩余阶段，获取每个充电时间间隔的恒流充电阶段电池电压，通过MATLAB中cftool函数获取电压的拟合曲线，并且获取拟合曲线中的拟合参数A_Q、B_Q、C_Q；

步骤S4、通过每次循环的拟合参数获取第k次循环的拟合参数，使用MATLAB中的约束函数optimoptions，选取约束设置为lsqnonlin参数，获取拟合曲线B(k)＝A_bk²+B_bk+C_b；其中A_B,B_B,C_B是B(k)的曲线拟合参数。

3.根据权利要求2所述的一种基于多模型融合的锂电池健康状态估计方法，其特征在于：所述锂电池模型训练过程进一步具体为：将B(k)和Q_cc(k)作为特征集，对输入特征集进行分类前60％作为训练数据集，后40％作为测试数据集；将训练数据集x＝(B(k),Q_cc(k))分别输入到经验模型、等效电路模型、电化学模型，将三种模型输出的结果作为条件随机场模型的参数特征进行锂电池健康状态SOH预测。

4.根据权利要求3所述的一种基于多模型融合的锂电池健康状态估计方法，其特征在于：通过经验模型获取条件随机场模型中位置特征的权值参数，通过等效电路模型对锂离子电池进行参数辨识，通过电化学模型对锂电池的健康状态进行初步估计，将三种模型输出的结果作为条件随机场模型的参数特征，通过条件随机场模型目标函数以及转移状态获得锂电池健康状态的估计值。

5.根据权利要求4所述的一种基于多模型融合的锂电池健康状态估计方法，其特征在于：通过经验模型获取权值参数以及特征参数，权值参数w＝(w₁,w₁,…w_k)^T，特征参数F(y,x)＝(f₁(y,x),f₂(y,x),…,f_k(y,x))^T，式中

其中，y表示输出状态序列，x表示输入观察序列，i表示循环次数。

6.根据权利要求5所述的一种基于多模型融合的锂电池健康状态估计方法，其特征在于：等效电路模型该模型采用二阶RC等效电路模型分别为R_e-C_e和R_ct-C_ct能够描述锂离子电池在充放电过程中的动态特性，模型中的RC回路体现锂离子电池在工作状态下的电化学极化和浓度差极化现象，E作为锂离子电池的电动势，V表示端电压，电阻R为欧姆电阻，电阻R_e表示电化学极化电阻，电阻R_ct表示浓度差极化电阻，并联的电阻R_e和电容C_e表示锂离子电池在充放电过程中的极化现象，并联的电阻R_ct和电容C_ct表示锂离子电池在充放电过程中的浓度差极化作用；

根据基尔霍夫定律，锂离子电池的二阶RC等效电路模型表达式为：

电池的SOC表示为电池的荷电状态，t时刻的SOC表示为：

求导可得

状态空间方程表示为

输出方程能表示为：

其中，公式中的C_t表示为锂电池的剩余电量，C表示锂电池的额定容量，SOC(t₀)表示锂电池起始的SOC，SOC(t)表示t时刻锂电池的SOC；

t时刻的工作电压是：

可转换为方程为：

对上述方程进行拟合，得到拟合参数c₁、c₂、c₃、c₄、c₅、c₆，从而得到等效电路的模型参数：

7.根据权利要求6所述的一种基于多模型融合的锂电池健康状态估计方法，其特征在于：所述通过电化学模型对锂电池的健康状态进行初步估计为SOH_ini＝Q_current/Q_ini，其中Q_current为当前电池测量容量，Q_ini为电池初始标定容量。

8.根据权利要求7所述的一种基于多模型融合的锂电池健康状态估计方法，其特征在于：建立输入观测序列x＝(B(k),Q_cc(k)，R_ct,R_e,SOH_ini)，取60％作为训练数据集，40％作为测试训练数据集，模型特征参数为F(y,x)，权值参数为w，权值参数w＝(w₁,w₁,…w_k)^T，模型特征参数F(y,x)＝(f₁(y,x),f₂(y,x),…,f_k(y,x))^T，式中

构建随机场的概率公式为

其中，Z(y，θ)表示为规范化因子，x是输入观测序列，y表示输出状态序列，θ表示条件随机场模型中的势函数，条件随机场模型采用最大似然法确定模型参数，通过条件随机场模型获得锂电池健康状态的估计值。

Images