CN111142036A - 基于容量增量分析的锂离子电池在线快速容量估计方法 - Google Patents

Abstract

本发明涉及一种基于容量增量分析的锂离子电池在线快速容量估计方法，包括以下步骤：1)电池加速老化及标准充电工况数据获取；2)离线获得容量增量曲线并确定曲线特征与电池容量间的关系；3)在线获取容量增量曲线特征并估计电池容量。本发明使用卡尔曼滤波来处理容量增量曲线，处理速度快，并且采用多个特征来估计电池容量，与现有采用单一特征的方法相比，更加合理全面且精确。

Description

基于容量增量分析的锂离子电池在线快速容量估计方法

技术领域

本发明涉及电动汽车储能电池领域，尤其是涉及一种基于容量增量分析的锂离子电池在线快速容量估计方法。

背景技术

在研发清洁能源技术以及实现汽车电动化的趋势下，锂离子电池以其优异的性能以及环境友好性等特点，成为整车厂商、高校与科研机构的研究热点。电池容量是锂离子电池关键参数之一，是电池其他关键状态的输入，但在电池使用过程中呈非线性衰减，给研究人员以及驾乘人员带来了极大的困扰。因此，对于电池容量获取与估计的研究日益增多。

实验室条件下，电池容量通常由容量标定实验获得。通过高精度的实验设备将电池从满充状态放电至放空状态，计算电量的变化从而获得电池容量。车载状态下，一是完整的放电条件不满足，二是采样精度的问题，从而限制了这种方法的应用。目前常见的在线电池容量估计算法主要有基于模型的容量估计方法、基于数据驱动的容量估计方法以及基于容量增量分析的容量估计方法。

基于模型的估计方法主要包含两步，首先是基于模型的SOC估计，其次是根据SOC的定义式，利用一段时间内的电量变化以及SOC变化得到电池容量。该方法的局限性在于，首先电池模型的精度会影响SOC估计的精度，传统的等效电路模型难以描述电池在低温以及低SOC下的动态特性，从而影响SOC的估计精度；二是SOC与电池容量具有不同的变化特性，两个耦合在一起的状态估计器也会对容量估计精度造成影响。随着人工智能的发展，一些智能数据驱动算法也引起了学者们的关注，包括机器学习以及深度学习，都证明了其在电池容量估计中的有效性。问题在于，这种方法需要大量的实验数据。如何保证实验数据的质量并加快训练速度是数据驱动方法要考虑的问题。

容量增量分析首先在分析电池的老化机理以及衰减模式中被提出，近年来被广泛应用到电池容量估计中。容量增量分析的一般思想是稳态下求取充电电量对开路电压的导数，稳态指的是以极小的电流充电。车载应用中充电电流较大，通常以端电压代替开路电压。通过容量增量分析来估计电池容量的研究重点主要在于：一是通过合理的数据处理方式对采集得到的电压电流数据进行处理，快速得到光滑的容量增量曲线；二是寻找容量增量曲线中与电池容量最相关的曲线特征。

但是，目前该方法的问题主要在于：一是处理数据的速度过慢，获得完整的容量增量曲线需要较长的时间；二是当前该方法的应用中，只考虑了单一容量增量的曲线特征，从而影响估计精度。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于容量增量分析的锂离子电池在线快速容量估计方法。

本发明的目的可以通过以下技术方案来实现：

一种基于容量增量分析的锂离子电池在线快速容量估计方法，包括以下步骤：

1)电池加速老化及标准充电工况数据获取：

11)根据电池推荐的工作环境温度以及充放电电流进行电池加速老化实验；

12)间隔设定充放电循环进行电池容量标定测试，选择标定测试中的最后一次充电过程作为标准充电工况，离线获得电池在不同电池容量下的标准充电工况数据；

2)离线获得容量增量曲线并确定曲线特征与电池容量间的关系：

21)根据标准充电工况中采集得到的电池充电数据，通过卡尔曼滤波算法处理得到容量增量数据，并绘制在不同电池容量下的容量增量曲线图；

22)选取与电池容量衰减相关的多个初步容量增量曲线特征，并在多个初步容量增量曲线特征中选取多个主要容量增量曲线特征，并与电池容量进行拟合获得主要容量增量曲线特征与电池容量间的关系；

3)在线获取容量增量曲线特征并估计电池容量：

31)电池管理系统在充电过程中实时采集电池的端电压以及电流，并按照步骤21)在线获取当前电池状态下的容量增量曲线及主要容量增量曲线特征对应的高度值；

32)根据在线获取的主要容量增量曲线特征以及步骤22)中的主要容量增量曲线特征与电池容量之间的关系，通过加权平均估计出当前状态下的电池容量。

所述的步骤21)中，k时刻的容量增量值满足以下状态及观测方程：

其中，

分别为k和k+1时刻的容量增量，l_KF为一次计算数据长度，

为时刻k-l_KF/2到k+l_KF/2的充电电量，

表示k-l_KF/2时刻到k+l_KF/2时刻的电压变化。

所述的步骤21)中，通过卡尔曼滤波算法估计得到容量增量，并以k时刻的电池电压V_k为横坐标，以估计得到的容量增量为纵坐标，绘制电池在不同电池容量下的容量增量曲线。

所述的步骤22)中，初步容量增量曲线特征包括峰/谷的高度、位置以及峰的面积。

所述的步骤22)中，主要容量增量曲线特征与电池容量间的关系表示为：

其中，

为由第i个主要容量增量曲线特征估计得到的容量，

为主要容量增量曲线特征的高度，α_i和β_i分别为拟合系数。

所述的步骤22)中，选择多个主要容量增量曲线特征具体为：

将多个初步容量增量曲线特征对应的高度值分别与容量增量进行线性拟合，获取其对应的确定系数R²，并选取确定系数大于0.95的初步容量增量曲线特征作为主要容量增量曲线特征。

所述的步骤33)中，通过加权平均估计出当前状态下的电池容量的具体表达式为：

其中，C_B为当前状态下的电池容量，

为根据第i个主要容量增量曲线特征对应得到的电池容量估计值，ω_i为权值。

所述的锂离子电池包括三元锂离子电池。

所述的步骤12)中，不同电池容量之间的衰减间隔小于5％。

与现有技术相比，本发明具有以下优点：

本发明的电池容量在线估计方法，以容量增量分析为基础，并基于卡尔曼滤波算法快速得到光滑的容量增量曲线，选取多个主要特征来描述电池容量的衰减并使用加权平均得到最终容量，使得容量估计精度高，算法适应性强。

附图说明

图1为本发明的方法流程图。

图2为电池在不同老化状态下的容量增量曲线图。

图3为各容量增量曲线特征与电池容量之间的线性拟合图，其中，图(3a)为峰B高度与电池容量之间的线性拟合图，图(3b)为谷B高度与电池容量之间的线性拟合图，图(3c)为峰C高度与电池容量之间的线性拟合图，图(3d)为谷C高度与电池容量之间的线性拟合图。

图4为基于本发明估计得到的容量误差图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

本发明提供一种基于容量增量分析的锂离子电池快速容量估计方法，该方法基于离线测量的电压电流数据进行处理，基于卡尔曼滤波处理得到容量增量曲线，获得容量增量曲线特征与电池容量之间的关系，并且综合考虑多个曲线特征进行电池容量估计，

本发明的主要方法流程如图1所示，具体包括以下步骤：

S1，根据电池推荐的工作环境温度以及充放电电流设计电池加速老化实验；

步骤S1中，本发明的理论基础是电池容量与容量增量曲线特征之间存在相关性，故需要获取不同电池容量下的容量增量曲线；

本实施例中所使用的电池为三元锂离子电池，充放电截止电压分别为4.2V和2.5V，实际应用中并不限于此，锂离子电池具有较高的循环寿命，为了加快特征获取的进程，需要进行加速寿命测试，加速寿命测试在25摄氏度下进行，以0.5C的电流充电至4.2V，再以1C的电流放电至2.5V，如此往复，电池充电和放电之间需要间隔一定的时间；

S2，间隔一定充放电循环进行电池容量标定测试，选择标定测试中的最后一次充电过程作为标准充电工况；

步骤S2中，需间隔一定充放电老化循环对电池进行容量标定测试，间隔的循环数应保证容量的衰减小于5％，从而能够获得更多的老化数据，本实施例中选取每隔50次进行电池容量标定；

容量标定测试在25摄氏度下进行，充电过程选用标准的恒流-恒压(CC-CV)充电方法，即以0.5C的电流充电至截止电压4.2V后转为恒压充电，直至电流小于0.015C；放电过程选用恒流放电，以0.5C的电流放电至2.5V，若多次(2～3次)放电容量之间的误差小于1.5％，采取多次放电容量的平均值作为电池当前的电池容量。

步骤S2中，选取标定测试中的最后一次充电过程作为标准充电工况，用于后续获得容量增量曲线；

S3，根据标准充电工况中采集得到的电池充电数据，通过卡尔曼滤波算法处理得到容量增量数据，并绘制容量增量曲线图；

步骤S3中，容量增量定义为极小的电压变化内电池充电电量的变化量，通常可以通过等时间间隔(Equal time interval,ETI)或者等电压间隔(Equal voltage interval,EVI)的方式进行计算，如下，其中IC代表容量增量，

使用ETI或者EVI的方式计算容量增量曲线的问题在于时间(电压)间隔会严重影响容量增量曲线，间隔过小，会因为数值微分引入过多的噪声；间隔过大，会使得容量增量曲线的特征变得不明显，综上，传统的数值微分的方式受间隔的影响很大，通过此种方式获得的曲线特征将会影响电池容量估计的准确性。

步骤S3中，设k时刻的容量增量值为

并且满足以下状态及观测方程，其中，l_KF为一次计算数据长度，

为时刻k-l_KF/2到k+l_KF/2的充电电量，

表示之间的电压变化，则有：

步骤S3中，设

本实施例中通过卡尔曼滤波算法来估计电池的容量增量值(x_k)，具体步骤如下，其中，A_k＝1，

P_k为协方差矩阵，K_k为Kalman增益，Q为系统噪声协方差，R为观测噪声协方差。

以电池电压V_k为横坐标，通过卡尔曼滤波估计得到的容量增量值

为纵坐标，绘制电池在不同老化状态下的容量增量曲。

步骤S3中所绘制的不同老化状态下的容量增量曲线如图2所示，图中的SOH代表电池的健康状态(State of health)，即为当前的电池容量占标称容量的百分比，从中可以看出，曲线光滑无过多噪声，经过比较，基于卡尔曼滤波处理容量增量曲线相比于传统的其它方法，如中心最小二乘算法，能节省至少80％的时间。

从图2可以看出，容量增量曲线呈现出三个峰，分别为峰A，B和C，以及三个谷，分别为谷A，B和C，随着SOH的降低(代表电池老化，容量衰减)，容量增量曲线呈下降的趋势，初步体现出了容量增量曲线电池容量的衰减存在相关性。

S4，选取与电池容量衰减相关的若干初步容量增量曲线特征，并根据确定系数R²最终确定主要容量增量曲线特征，并建立主要容量增量曲线特征与电池容量之间的关系；

步骤S4中，根据所绘制的电池不同老化状态下的容量增量曲线，选取与电池容量最相关的初步容量增量曲线特征作为主要容量增量曲线特征，初步容量增量曲线特征包括容量增量曲线的峰/谷的高度、位置以及峰的面积，且选择的主要容量增量曲线特征应该在动力电池的正常使用范围内被明显地的识别出；

从图2可以看出，随着电池SOH的降低，容量增量曲线呈下降趋势，峰A，B和C有明显的下降趋势，问题在于，SOH在80％～75％之间，由于电池的老化，峰A和谷A连接在了一起，难以准确地被识别出，因此，为了能在较大的电池使用范围内(SOH大于75％)估计电池容量，本实施例中峰A和谷A这两个特征不宜使用。

本实施例初步选择特征峰B和C、谷B和C来表征电池容量的衰减，图3分别绘制了峰B和C、谷B和C的高度与电池容量之间的对应关系，并给出了它们之间的线性拟合线以及R²(确定系数，确定系数越大代表拟合效果越好)，从图中可以看出，R²分别为0.974，0.958，0.957和0.806，除了谷C高度，其他特征(峰B、谷B和峰C的高度)与电池容量呈强相关(R²大于0.95)，本实施例最终选择特征峰B、谷B和峰C的高度作为主要容量增量曲线特征来表征电池容量的衰减。

步骤S4中，所选的主要容量增量曲线特征与电池容量之间的拟合函数如下：

代表由第i个特征估计得到的容量，i表示1～3，分别代表峰B、谷B和峰C，

为它们的高度，α_i和β_i分别为特征的拟合系数，本实施例中α_i和β_i的具体数据如表1所示：

表1特征与电池容量的拟合系数

特征	i	α<sub>i</sub>	β<sub>i</sub>
				峰B	1	0.3118	1.0857
谷B	2	1.4502	-1.1416
				峰C	3	1.0878	-0.5113

S5，车载应用中，电池管理系统在充电过程中实时采集电池的端电压以及电流，并根据步骤S3中所提出的基于卡尔曼滤波的容量增量曲线获取方法，得到当前电池状态下的容量增量曲线及所需的三个主要容量增量曲线特征；

需要在线获取容量增量曲线，方法是步骤S3中所提出的基于卡尔曼滤波的容量增量曲线获取方法；

需要根据在线获取的容量增量曲线确定步骤S4中的三个主要容量增量曲线特征，由于峰或谷一般为曲线中的最大值或最小值，为了准确获得峰或谷的特征，需要明确特征所在的电压区间，本示例中根据离线获得的电池充电数据，得到三个主要容量增量曲线特征的电压所在区间，如表2所示：

表2特征所在的电压区间

特征	电压区间
		峰B	3.670～3.745V
谷B	3.875～3.925V
		峰C	3.970～4.025V

步骤S5中，峰B的高度为电压区间3.670～3.745V中容量增量曲线的最大值，谷B的高度为电压区间3.875～3.925V中容量增量曲线的最小值，峰C的高度为电压区间3.970～4.025V中容量增量曲线的最大值。

S6，根据步骤S5中得到的容量增量曲线特征以及步骤S4中得到的特征高度与电池容量之间的关系，加权平均估计出当前状态下的电池容量；

步骤S6中，本实施例中选用了峰B、谷B和峰C的高度，最终将得到3个容量值，进行加权平均后得到当前老化状态下的电池容量，加权平均计算公式如下，C_B为最终输出的电池容量，ω₁～ω₃为主要容量增量曲线特征对应的权值，该权值可以由步骤S4中的拟合R²确定，如表3所示：

表3用于计算电池容量的三个特征的权值

特征	峰B	谷B	峰C
				R<sup>2</sup>	0.974	0.958	0.957
权值ω	0.3371	0.3316	0.3313

步骤S6中，本实施例中选用了四节电池进行验证，电池编号以及电池容量分别为：Cell 1，2.555Ah；Cell 2，2.834Ah；Cell 3，2.631Ah；Cell 4，2.808Ah，通过本方法估计得到的电池容量误差如图4所示，从中可以看出，根据不同特征估计得到的电池容量是不同的，估计误差也是不同的，最大估计误差在的绝对值在3.4％以内，这说明即使采用单一特征，也可以估计得到相对准确的电池容量，加权平均后，估计误差的绝对值降到了2.1％以内，估计精度高。

综上所述，本发明的一个实施例是可行的，并且估计结果与实际容量数据误差较小。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所做的举例，而并非是对本发明的实施方式的限定，本领域内的技术人员可以在本发明主要思想内做其他变化，这些所引申出的显而易见的变化，都应包含在本发明所要求保护的范围内。

Claims (8)

1.一种基于容量增量分析的锂离子电池在线快速容量估计方法，其特征在于，包括以下步骤：

1)电池加速老化及标准充电工况数据获取：

11)根据电池推荐的工作环境温度以及充放电电流进行电池加速老化实验；

12)间隔设定充放电循环进行电池容量标定测试，选择标定测试中的最后一次充电过程作为标准充电工况，离线获得电池在不同电池容量下的标准充电工况数据；

2)离线获得容量增量曲线并确定曲线特征与电池容量间的关系：

21)根据标准充电工况中采集得到的电池充电数据，通过卡尔曼滤波算法处理得到容量增量数据，并绘制在不同电池容量下的容量增量曲线图；

22)选取与电池容量衰减相关的多个初步容量增量曲线特征，并在多个初步容量增量曲线特征中选取多个主要容量增量曲线特征，并与电池容量进行拟合获得主要容量增量曲线特征与电池容量间的关系；

3)在线获取容量增量曲线特征并估计电池容量：

31)电池管理系统在充电过程中实时采集电池的端电压以及电流，并按照步骤21)在线获取当前电池状态下的容量增量曲线及主要容量增量曲线特征对应的高度值；

32)根据在线获取的主要容量增量曲线特征以及步骤22)中的主要容量增量曲线特征与电池容量之间的关系，通过加权平均估计出当前状态下的电池容量。

2.根据权利要求1所述的一种基于容量增量分析的锂离子电池在线快速容量估计方法，其特征在于，所述的步骤21)中，k时刻的容量增量值满足以下状态及观测方程：

其中，

分别为k和k+1时刻的容量增量，l_KF为一次计算数据长度，

为时刻k-l_KF/2到k+l_KF/2的充电电量，

表示k-l_KF/2时刻到k+l_KF/2时刻的电压变化。

3.根据权利要求2所述的一种基于容量增量分析的锂离子电池在线快速容量估计方法，其特征在于，所述的步骤21)中，通过卡尔曼滤波算法估计得到容量增量，并以k时刻的电池电压V_k为横坐标，以估计得到的容量增量为纵坐标，绘制电池在不同电池容量下的容量增量曲线。

4.根据权利要求1所述的一种基于容量增量分析的锂离子电池在线快速容量估计方法，其特征在于，所述的步骤22)中，初步容量增量曲线特征包括峰/谷的高度、位置以及峰的面积。

5.根据权利要求4所述的一种基于容量增量分析的锂离子电池在线快速容量估计方法，其特征在于，所述的步骤22)中，主要容量增量曲线特征与电池容量间的关系表示为：

其中，

为由第i个主要容量增量曲线特征估计得到的容量，

为主要容量增量曲线特征的高度，α_i和β_i分别为拟合系数。

6.根据权利要求4所述的一种基于容量增量分析的锂离子电池在线快速容量估计方法，其特征在于，所述的步骤22)中，选择多个主要容量增量曲线特征具体为：

将多个初步容量增量曲线特征对应的高度值分别与容量增量进行线性拟合，获取其对应的确定系数R²，并选取确定系数大于0.95的初步容量增量曲线特征作为主要容量增量曲线特征。

7.根据权利要求6所述的一种基于容量增量分析的锂离子电池在线快速容量估计方法，其特征在于，所述的步骤33)中，通过加权平均估计出当前状态下的电池容量的具体表达式为：

其中，C_B为当前状态下的电池容量，

为根据第i个主要容量增量曲线特征对应得到的电池容量估计值，ω_i为权值。

8.根据权利要求1所述的一种基于容量增量分析的锂离子电池在线快速容量估计方法，其特征在于，所述的步骤12)中，不同电池容量之间的衰减间隔小于5％。

Images