CN112034349A - 锂电池健康状态在线预估方法 - Google Patents

Abstract

本发明公开了一种锂电池健康状态在线预估方法，该方法可用于在线估算锂电池健康状态。该方法基于Thevenin等效电路模型，定义极化度为极化电压与极化标准电压之比，在恒温恒流条件下，得到一次充放电循环的极化电压均值与当前健康状态的函数关系。根据设定的测试条件以及对应的脉冲响应，获得模型离线参数。依据此测试数据进行参数拟合，实现对Thevenin模型内部参数的动态测量，最后根据Thevenin模型建立扩展卡尔曼滤波的状态方程和观测方程，完成循环工况下的SOH的在线预估。本发明能够实现在计算性能较低的电池工作系统中对锂电池健康状态的有效预估，提高锂电池健康状态的在线估算效率。

Description

锂电池健康状态在线预估方法

技术领域

本发明涉及一种电池健康状态评估方法，尤其涉及一种锂电池健康状态在线预估方法。

背景技术

随着新能源技术的快速发展，锂离子电池因其能量密度高，清洁无污染等特点，已被广泛应用于新能源汽车、便携式电子产品等设备中。对锂电池的健康状态准确评估在电池管理系统(BMS)中有重要作用。电池的健康状态(SOH)是指在一定条件下，电池当前能充入或放出的最大容量值与额定容量之比。由于电池内部化学反应复杂，难以建立精准的物理模型来表征电池内部状态。现有的SOH评估方案主要是通过智能算法，将容量，欧姆内阻，循环次数等多种影响SOH的变量作为参数代入算法中，与历史的样本进行数据拟合，得出当前SOH的表征，但是现有算法相对繁琐，计算量大，难以真正适用于当前计算性能较低的电池工作系统。

发明内容

发明目的：针对以上问题，本发明提出一种锂电池健康状态在线预估方法，能够实现在计算性能较低的电池工作系统中对锂电池健康状态的有效预估，提高锂电池健康状态的在线估算效率。

技术方案：本发明所采用的技术方案是一种锂电池健康状态在线预估方法，包括以下步骤：

(1)获取恒温恒流条件下锂电池极化度与其健康状态值的对应函数关系；所述锂电池极化度DP＝u_P/u_ps；其中u_p为极化电压，u_ps为标准极化电压；其中所述的锂电池极化度，还需要对每次循环过程所得的系列极化度数据进行均值处理。所述的标准极化电压通过对全新的相同型号锂电池执行下述步骤(11)～(13)获得。

所述步骤(1)包括以下过程：

(11)建立锂电池的等效电路模型；所述的等效电路模型采用Thevenin模型，所述Thevenin模型包括极化内阻R_p和极化电容C_p，所述极化内阻和极化电容构成的并联电路与电源、欧姆内阻R₀串联。

(12)测量锂电池在不同荷电状态下的开路电压值，计算所述等效电路模型的电路参数在不同荷电状态下的离线值，曲线拟合得出连续工况下的电路参数与荷电状态的函数关系；所述步骤(12)包括以下步骤：

(121)测量不同荷电状态下的锂电池开路电压值，拟合后得到开路电压与荷电状态的对应关系；

(122)对锂电池进行不同荷电状态下的脉冲响应测试，根据响应曲线计算所述Thevenin模型的参数，对参数进行曲线系数拟合，得到连续工况下的Thevenin模型参数。所述步骤(122)包括以下步骤：

(a)对锂电池进行不同荷电状态下的脉冲响应测试，初始放电时刻电压从电压U_A下降至电压U_B，计算所述欧姆内阻R₀：

R₀＝(U_A-U_B)/I

其中，I为脉冲电流。

(b)放电结束后，电压的缓慢升高过程满足零输入响应过程，方程为：

其中τ_p＝R_p.C_p，根据步骤(221)所得的脉冲响应测试数据以及步骤(21)所得的开路电压u_oc，通过参数拟合得出u_p(0)和τ_p；

(c)端电压由电压U_B缓慢下降到U_C的过程满足零状态响应，方程为：

u(t)＝u_oc(SOC)-i(t)R₀-i(t).R_p(1-e-t/τ_p)

根据步骤(221)所得的脉冲响应测试数据、欧姆内阻R₀以及步骤(222)中得到的τ_p，通过参数拟合得出极化电阻R_p以及极化电容C_p。

(13)对锂电池进行恒流恒温循环充放电测试，采集锂电池充放电过程中的端电压与电流数据，通过扩展的卡尔曼滤波方法获取恒流工况下的荷电状态与极化电压值；

(14)计算所述锂电池极化度，并在一次循环结束后离线测试锂电池的健康状态值，得到锂电池极化度与其健康状态值的对应函数关系。

(2)采集处于工作状态中的锂电池的实时在线端电压与电流数据，通过扩展的卡尔曼滤波方法获取实时工况下的荷电状态与极化电压值；其中所述的通过扩展的卡尔曼滤波方法获取实时工况下的荷电状态与极化电压值，包括以下步骤：

(21)通过扩展的卡尔曼滤波方法建立锂电池的状态方程与观测方程，

其中状态方程为：

u_k＝u_oc(soc(k))-i(k)R₀-u_p(k)+v_κ

其中，τ_p＝R_p.C_p，i(k)、u_k分别为k时刻电池的充放电电流与端电压，η为充放电效率，C_n为额定容量，u_oc为开路电压，u_p为极化电压，w_κ+1、v_κ为系统状态和观测方程中服从高斯分布的随机噪声，具有以下的统计学特性：

p(w_κ+1)～N(0，P)

p(v_κ+1)～N(0，R)

式中P为锂电池状态协方差正定矩阵，R为锂电池观测协方差正定矩阵。

(22)对锂电池进行恒流恒温循环充放电测试，采集锂电池充放电过程中的端电压与电流数据，对离散化后的状态方程和观测方程进行EKF递推计算，获得实时工况下的极化电压。

(3)在一次充放电循环期间设电池的健康状态基本不变，系统实时更新荷电状态，健康状态采用前一循环的计算值；

(4)一次充放电循环完成后，计算此次循环的锂电池极化度，根据步骤(1)得到的锂电池极化度与其健康状态值的对应函数关系更新电池的健康状态值，重复步骤(2)～(4)从而获取实时的健康状态估算值。

有益效果：相比现有技术，本申请具有以下优点：(1)建立锂电池模型内部的各参数方程，结合脉冲响应数据曲线，基于matlab完成对内部参数的辨识与实时工况下的拟合；(2)基于此模型建立恒温恒流工况下锂电池的状态观测方程，使用EKF法估算SOC与u_P，可实时获取u_P状态预估值；(3)建立平均极化度DP_m与SOH的函数关系，可实时获得一次充放电循环后的SOH值，计算量较小，提高了操作和计算SOH的便捷性。

附图说明

图1是本发明所述的锂电池等效电路模型；

图2为本发明所述的锂电池健康状态在线预估方法的迭代流程图；

图3为本发明所述的参数辨识过程中脉冲响应的电压与电流曲线；

图4为本发明所述的参数辨识过程中U_oc与SOC的拟合曲线关系；

图5为本发明所述的参数辨识过程中零输入响应实际拟合曲线；

图6为本发明所述的参数辨识过程中零状态响应实际拟合曲线。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步的说明。

本发明所述的锂电池健康状态在线预估方法，是基于DP参数预测健康状态SOH，包括以下步骤：

(1)获取恒温恒流条件下锂电池极化度与其健康状态值的对应函数关系。

(11)构建锂电池的等效电路模型。

锂电池的等效电路模型如图1所示，R_o为电池的欧姆内阻，U_oc为电池的开路电压，在一定程度上与SOC存在线性关系，u(t)为端电压，i为充放电电流，u_p、R_p、C_p分别为电池内部的极化电压、极化内阻、极化电容。极化内阻R_p和极化电容C_p表征电池内部的极化部分，并用于描述电池扩散现象与双电层部分的荷电变化过程。其中电池内部的极化内阻R_p和极化电容C_p构成的并联电路与电源、欧姆内阻R₀串联形成Thevenin等效电路。

(12)测量锂电池在不同荷电状态下的开路电压值，计算步骤(1)中所建立Thevenin模型的具体参数在不同SOC下的离线值，进行曲线拟合得出连续工况下的Thevenin模型参数与SOC的函数关系。

步骤(12)的具体过程如下：

(121)测得不同荷电状态下的开路电压值，拟合后得到开路电压与荷电状态的对应关系。

首先进行标准充电，电池以0.2C充电至满电状态，静置12h后对电池以恒流0.2～0.5C，定容量10％(SOC的10％)放电，静置2h，记录静置后的端电压，重复以上放电步骤，直至达到放电截止电压，获得多组u_oc～soc的对应关系，将取得的若干样本数据进行多阶曲线拟合，如图4所示，从而建立开路电压与荷电状态的关系表达式：

本实施例采用7阶曲线拟合，即n′＝7，经测试拟合得到u_oc～soc关系如下：

u_oc＝-5.2288soc7+31.103soc⁶-56.827soc⁵+46.551soc⁴-18.793soc³+3.7352soc²-18.793soc+2.9665 (2)

(122)对锂电池进行不同荷电状态下的脉冲响应测试，记录曲线，根据不同的状态响应，进行曲线系数拟合，得到连续工况下的Thevenin模型参数。

脉冲响应测试的具体测试步骤是：将SOC＝100％的锂电池静置2h后以3C脉冲放电10s，断开后静置40s，以3C充电10s，记录过程中的曲线与数据，如图3所示，再放电10％，静置2h，重复上述放电实验，获得不同SOC下SOC与Thevenin模型参数的函数关系。

如图3所示为步骤(122)所测的脉冲实验电流、端电压响应曲线，通过电压响应曲线计算Thevenin模型的参数，包括以下步骤：

(a)初始放电时刻电压从A电下降至B，这是由于电池自身内部的阻抗特性引起的瞬时压降，即

R₀＝(U_A-U_B)/I (3)

式中I为脉冲电流。

(b)放电结束后，从D缓慢上升到E是断电后电池内部极化电容对极化电阻的放电过程，由于并无外加激励，此时是零输入响应过程，方程为：

其中τ_p＝R_p.C_p，已知u(t)，u_oc，根据以上步骤所得实验数据，利用matlab的参数拟合工具箱，得出u_p(0)，τ_p，如图5所示。

(c)B点之后，端电压由B缓慢下降到C，这其实是放电电流对模型内部电容的充电过程，由于A点之前已经静置2h，认为此时电池内部极化现象已消失，B～C过程满足零状态响应，方程为：

u(t)＝u_oc(SOC)-i(t)R₀-i(t).R_p(1-e-t/τ_p) (5)

将步骤(b)中得到的τ_p代入上式，已知u(t)，u_oc(soc)，i(t)，R₀，利用matlab的参数拟合工具箱可得出R_p，C_p，如图6所示。至此，模型内部用于估算SOC与u_p所有参数全部得出。

(13)对锂电池进行恒流恒温循环充放电测试，采集锂电池充放电过程端电压与电流数据，通过扩展的卡尔曼滤波方法获取恒流工况下的SOC与极化电压值u_p。包括以下步骤：

(131)根据步骤(11)所构建的锂电池等效电路模型以及步骤(12)拟合的模型参数，建立锂电池内部关于SOC、u_p的状态方程与观测方程。

状态方程为：

观测方程为：

u(t)＝u_oc(SOC)-i(t)R₀-u_p(t) (8)

其中，SOC(0)为初始时刻的荷电状态，η为充放电效率，C_n为额定容量，u_p为极化电压，R_p为极化内阻，C_p为极化电容，u_oc为开路电压，R₀为欧姆内阻。

将上述连续的状态方程与观测方程离散化。基于等效电路的EKF离散非线性系统方程如下：

x_k+1＝f(x_k，u_k)+w_k (9)

y_k＝g(x_k，u_k)+v_k (10)

将非线性系统在k时刻进行一阶泰勒展开可得：

设

状态变量为：

观测变量为：y_k＝u_k，将连续的状态方程与观测方程离散化，得到离散的状态方程与观测方程如下式所示：

u_k＝u_oc(soc(k))-i(k)R₀-u_p(k)+v_κ (14)

其中，τ_p＝R_p.C_p，i(k)、u_k分别为k时刻电池的充放电电流与端电压，η为充放电效率，C_n为额定容量，w_κ+1、v_κ为系统状态和观测方程中服从高斯分布的随机噪声，表征算法更新过程和测量过程中的误差，具有以下的统计学特性：

p(w_κ+1)～N(0，P) (15)

p(v_κ+1)～N(0，R) (16)

公式(15)中P为锂电池状态协方差正定矩阵，公式(16)中R为锂电池观测协方差正定矩阵，初始值需根据电池实际情况调整设定。

(132)对离散化后的状态观测方程进行EKF递推计算，获得实时工况下的u_p预估。根据前一时刻经过修正所得的SOC值与极化部分的u_p，来推算出下一时刻k+1状态变量的预测值，预测值与实测值之间的误差作为EKF算法的反馈修正当前时刻的滤波增益K_k，实现对预测值的修正，得到k+1时刻的状态参数x_k+1。

具体递推过程如下：

系统初始化：

计算状态预测：

计算误差协方差矩阵：

更新卡尔曼滤波增益：

修正状态预测值：

修正协方差矩阵：

P_k/k＝(I-K_kC_k)P_k/k-1 (22)

重复上述步骤，进行递推计算，获得实时工况下的SOC与u_p。上述公式(17)-(22)即已有的标准扩展卡尔曼滤波递推公式。

(14)计算锂电池极化度与其健康状态SOH值的对应函数关系。

记录每次循环过程中所得的极化电压系列数据，计算极化度DP＝u_P/u_ps；其中u_ps为标准极化电压，即全新的相同型号锂电池(SOH＝100％)的u_p值，标准极化电压u_ps通过执行与待测锂电池完全相同的步骤(1)～(3)获得。

计算每次循环的极化度均值

一次循环结束后离线测试SOH值作为该DP_m对应的SOH(当前能充入或放出的最大容量值与额定容量之比)。以此循环，直至SOH＜80％，建立恒温恒流工况下DP_m与SOH的对应函数关系。

然后，根据步骤(1)得到的锂电池极化度DP与其健康状态SOH值的对应函数关系，估计在线锂电池的健康状态，如图2所示。

(2)采集处于工作状态中的锂电池的实时在线端电压与电流数据，通过前述步骤(131)～(132)扩展的卡尔曼滤波方法获取实时工况下的SOC与极化电压值u_p。

(3)在一次充放电循环期间认为SOH基本不变，因此系统只实时更新SOC，而SOH采用上一循环的计算值；

(4)一次充放电循环后，计算此次循环的极化度均值DP_m，进而根据步骤(4)得到的锂电池极化度DP与其健康状态SOH值的对应函数关系更新上一次循环的SOH值，以此类推，即可获取实时的SOH估算值。

以上实施方式结合附图详细地描述了本发明的优选实施方式。值得注意的是，本发明中具体的Thevenin模型参数需按照实际锂电池型号实施。

Claims (8)

1.一种锂电池健康状态在线预估方法，其特征在于，包括以下步骤：

(1)获取恒温恒流条件下锂电池极化度与其健康状态值的对应函数关系；所述锂电池极化度DP＝u_P/u_ps；其中u_p为极化电压，u_ps为标准极化电压；

(2)采集处于工作状态中的锂电池的实时在线端电压与电流数据，通过扩展的卡尔曼滤波方法获取实时工况下的荷电状态与极化电压值；

(3)在一次充放电循环期间设电池的健康状态基本不变，系统实时更新荷电状态，健康状态采用前一循环的计算值；

(4)一次充放电循环完成后，计算此次循环的锂电池极化度，根据步骤(1)得到的锂电池极化度与其健康状态值的对应函数关系更新电池的健康状态值，重复步骤(2)～(4)从而获取实时的健康状态估算值。

2.根据权利要求1所述的锂电池健康状态在线预估方法，其特征在于，所述步骤(1)包括以下过程：

(11)建立锂电池的等效电路模型；

(12)测量锂电池在不同荷电状态下的开路电压值，计算所述等效电路模型的电路参数在不同荷电状态下的离线值，曲线拟合得出连续工况下的电路参数与荷电状态的函数关系；

(13)对锂电池进行恒流恒温循环充放电测试，采集锂电池充放电过程中的端电压与电流数据，通过扩展的卡尔曼滤波方法获取恒流工况下的荷电状态与极化电压值；

(14)计算所述锂电池极化度，并在一次循环结束后离线测试锂电池的健康状态值，得到锂电池极化度与其健康状态值的对应函数关系。

3.根据权利要求2所述的锂电池健康状态在线预估方法，其特征在于：步骤(11)中所述的等效电路模型采用Thevenin模型，所述Thevenin模型包括极化内阻R_p和极化电容C_p，所述极化内阻和极化电容构成的并联电路与电源、欧姆内阻R₀串联。

4.根据权利要求3所述的锂电池健康状态在线预估方法，其特征在于，所述步骤(12)包括以下步骤：

(121)测量不同荷电状态下的锂电池开路电压值，拟合后得到开路电压与荷电状态的对应关系；

(122)对锂电池进行不同荷电状态下的脉冲响应测试，根据响应曲线计算所述Thevenin模型的参数，对参数进行曲线系数拟合，得到连续工况下的Thevenin模型参数。

5.根据权利要求4所述的锂电池健康状态在线预估方法，其特征在于，所述步骤(122)包括以下步骤：

(a)对锂电池进行不同荷电状态下的脉冲响应测试，初始放电时刻电压从电压U_A下降至电压U_B，计算所述欧姆内阻R₀：

R₀＝(U_A-U_B)/I

其中，I为脉冲电流。

(b)放电结束后，电压的缓慢升高过程满足零输入响应过程，方程为：

其中τ_p＝R_p.C_p，根据步骤(221)所得的脉冲响应测试数据以及步骤(21)所得的开路电压u_oc，通过参数拟合得出u_p(0)和τ_p；

(c)端电压由电压U_B缓慢下降到U_C的过程满足零状态响应，方程为：

u(t)＝u_oc(SOC)-i(t)R₀-i(t).R_p(1-e^-t/τ_p)

根据步骤(221)所得的脉冲响应测试数据、欧姆内阻R₀以及步骤(222)中得到的τ_p，通过参数拟合得出极化电阻R_p以及极化电容C_p。

6.根据权利要求1所述的锂电池健康状态在线预估方法，其特征在于，步骤(2)所述的通过扩展的卡尔曼滤波方法获取实时工况下的荷电状态与极化电压值，包括以下步骤：

(21)通过扩展的卡尔曼滤波方法建立锂电池的状态方程与观测方程，

其中状态方程为：

u_k＝u_oc(soc(k))-i(k)R₀-u_p(k)+v_κ

其中，τ_p＝R_p.C_p，i(k)、u_k分别为k时刻电池的充放电电流与端电压，η为充放电效率，C_n为额定容量，u_oc为开路电压，u_p为极化电压，w_κ+1、v_κ为系统状态和观测方程中服从高斯分布的随机噪声，具有以下的统计学特性：

p(w_κ+1)～N(0，P)

p(v_κ+1)～N(0，R)

式中P为锂电池状态协方差正定矩阵，R为锂电池观测协方差正定矩阵。

(22)对锂电池进行恒流恒温循环充放电测试，采集锂电池充放电过程中的端电压与电流数据，对离散化后的状态方程和观测方程进行EKF递推计算，获得实时工况下的极化电压。

7.根据权利要求1所述的锂电池健康状态在线预估方法，其特征在于：步骤(1)所述的锂电池极化度，还需要对每次循环过程所得的系列极化度数据进行均值处理来获得。

8.根据权利要求2所述的锂电池健康状态在线预估方法，其特征在于：步骤(1)所述的标准极化电压通过对全新的相同型号锂电池执行步骤(11)～(13)获得。

Images