CN112946499B - 基于机器学习的锂电池健康状态及荷电状态联合估算方法 - Google Patents
基于机器学习的锂电池健康状态及荷电状态联合估算方法 Download PDFInfo
- Publication number
- CN112946499B CN112946499B CN202110152863.0A CN202110152863A CN112946499B CN 112946499 B CN112946499 B CN 112946499B CN 202110152863 A CN202110152863 A CN 202110152863A CN 112946499 B CN112946499 B CN 112946499B
- Authority
- CN
- China
- Prior art keywords
- battery
- soc
- state
- charge
- voltage
- 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
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 55
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000036541 health Effects 0.000 title claims abstract description 27
- 238000010801 machine learning Methods 0.000 title claims abstract description 21
- 230000010287 polarization Effects 0.000 claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000002474 experimental method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000007599 discharging Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 9
- 239000003990 capacitor Substances 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000004146 energy storage Methods 0.000 claims description 5
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 4
- 230000032683 aging Effects 0.000 claims description 4
- 229910001416 lithium ion Inorganic materials 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 239000000178 monomer Substances 0.000 claims description 2
- 230000000737 periodic effect Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000013101 initial test Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明涉及一种基于机器学习的锂电池健康状态及荷电状态联合估算方法，确定电池型号，根据充放电过程的明细数据，拟合V‑SOC曲线；建立锂电池等效电路模型；对一个充放电周期内的电压回弹特性曲线的曲线进行参数辨识，得到机器学习模型；开机时进行一次初始化测试操作；对该周期内的电压回弹曲线进行拟合，得到当前电池欧姆电阻和极化电阻，同时测量环境温度、在存储芯片中读取电池充放电循环数据，计算其电池健康状态SOH；以辨识得到的欧姆电阻、极化电阻、极化电容和最大可用容量更新模型参数，运用UKF或EKF算法估算电池荷电状态SOC，在储存芯片中记录SOC值。本发明具有状态方程参数即时更新、对寿命影响因素考虑全面、参数多次使用、节省计算资源等特点。
Description
技术领域
本发明属于锂电池管理系统状态估算技术领域，具体涉及一种基于机器学习的锂电池健康状态及荷电状态联合估算方法。
背景技术
随着全球不可再生能源逐渐告急和全球温室效应逐渐加重，各国都在寻求可持续发展且节能环保的新能源技术。新能源汽车作为一种节能环保的交通工具，得到人们的关注，电动汽车上的动力电池对电池管理系统有着高能量密度、高安全性、充电快等特性等要求；风电光伏产业在发电市场中逐渐占有更高的比重，而由于其消纳问题较为突出，需要配置容量大、效率高的电池储能系统。以上两种锂电池的应用场景都对电池储能系统的管理系统性能提出较高的要求：不仅需要对电池组的电量进行及时精确的估算及均衡，避免电池单体过充过放现象出现，保证电池安全可靠地工作，还需要对达到报废标准的电池即时进行提示，帮助工作人员进行精准的更换工作而不是整组报废，使电池组的电池能力充分发挥并延长寿命。
电池管理系统是锂电池储能系统开发中最重要的环节。电池荷电状态用来表征电池的剩余电量，即剩余电量与额定容量的百分比，该变量不能直接从电池本身获得，只能通过测量电池的外特性参数(如电压、电流等)间接估计得到。但由于锂电池内部复杂的电化学反应导致电池特性呈现为非线性，使电池荷电状态的计算难度很大。电池的健康状态定义为当前最大可用容量与初始最大可用容量的比值。随着电池使用时间增加，电池会逐渐衰老，出现内阻增大、电池容量衰减等现象。电池容量衰减的原因复杂，涉及到的因素较多且变化缓慢。目前尚没有一个精确的衰退物理模型。
在现有方法中，扩展卡尔滤波、无迹卡尔曼滤波等用于处理非线性问题的非线性卡尔曼滤波被广泛使用。在使用这些算法时，会事先对同型号新电池进行测试实验，在每次以一定充放电速率对电池进行充电后静置半小时以上，然后测量其开路电压，以此得到SOC与开路电压的关系曲线；目前的方法中，在仅估算荷电状态时认为容量不变，而进行健康及荷电状态联合估算时认为其容量仅与等效内阻有关。但是实际上，随着电池的循环使用次数和环境因素的不同，电池容量与其内阻的关系会发生变化，电池的最大可用容量也在发生变化。如果不及时对这些变化作出参数的调整，电池荷电状态和健康状态的估算误差会变的越来越大。
发明内容
为解决现有技术中存在的问题，本发明的目的在于提供一种基于机器学习的锂电池健康状态及荷电状态联合估算方法。本发明对电池的荷电状态及电池健康状态进行联合估算，建立并训练BP神经网络，兼顾循环使用次数、环境温度、电池欧姆内阻、极化内阻等参数对电池容量的影响，并实时对电池荷电状态估算中的状态方程参数进行实时更新。该发明对于整个电池状态的全面、精确预测具有重大意义。
本发明采用以下技术方案，一种基于机器学习的锂电池健康状态及荷电状态联合估算方法，具体步骤如下：
(1)确定储能系统采用的电池型号及出厂参数，通过对该型号的全新电池进行循环充放电测试，得到充放电过程和老化过程的明细数据，并拟合其V-SOC曲线；
(2)根据步骤(1)得到的的V-SOC曲线建立合适的锂电池等效电路模型；
(3)用带有遗忘因子的递推最小二乘法(FFLS)对一个充放电周期内的电压回弹特性曲线进行参数辨识，得到欧姆电阻RΩ、第一极化电阻R1、第二极化电阻R2的值(单位为mΩ)，对RΩ、R1、R2、温度T、循环次数n、电池可用容量Ccap进行归一化处理，得到归一化欧姆电阻RΩ：、归一化第一极化电阻R1：、归一化第二极化电阻R2：、归一化循环次数n：、归一化温度T：、归一化可用容量Ccap ：，将RΩ ：、R1 ：、R2 ：、n：、T：作为输入量；Ccap ：作为输出量对神经网络进行训练，最终得到以循环次数n、温度T、欧姆电阻RΩ、第一极化电阻R1、第二极化电阻R2为输入，Ccap为输出的机器学习模型；
(4)在实际应用中，开机时首先进行一次初始化测试操作，记录其电压数据，对该周期内的电压回弹曲线进行拟合，用带有遗忘因子的递推最小二乘法(FFLS)辨识参数，得到当前电池欧姆电阻RΩ、第一极化电阻R1和第二极化电阻R2，同时测量环境温度T、在存储芯片中读取电池充放电循环数据n及上次关机时的剩余电量SOC1，将以上参数归一化后输入到机器模型，得到最大可用容量Ccap ：，反归一化后计算其电池健康状态SOH；
(5)以步骤(4)中计算得到的欧姆电阻RΩ、第一极化电阻R1、第二极化电阻R2、第一极化电容C1、第二极化电容C2和最大可用容量Ccap更新模型参数，运用UKF或EKF算法估算电池荷电状态SOC，在储存芯片中记录初始化测试后首次计算的SOC值；
(6)基于步骤(5)得到的当前锂电池的SOC，计算出上次初始化测试后首次估算的SOC到现在的电量变化ΔSOC；预先设定好剩余电量SOC变化的一个百分比值，该值根据精度要求和芯片计算能力来决定，一般取2％或5％，当变化量ΔSOC大于该值时，对当前电池进行一次初始化测试操作，执行步骤(4)、步骤(5)并更新储存芯片中记录的SOC值；如果ΔSOC不大于该值，则直接执行下一次SOC估算。
本发明中，步骤(1)中，循环充放电实验步骤为：在设定温度的环境下采用周期性等倍率电流对全新的锂电池单体进行间歇性放电测试，为获得较为完整的特性曲线和高测试效率，电池由满电状态开始特性测试，直到电量完全放光。每周期放电量为容量的5％，然后静置30min；再以1C恒流放电10s，静置40s，再以1C恒流充电10s，静置40s；如此放电5％-静置-放电10s-静置-充电10s-静置-放电5％的流程循环，直至电池容量完全放出；再次恒压-恒流充满电，充电循环次数变量加一，执行下一循环的间歇性放电测试。如此重复进行实验，直到可用容量为原容量的80％时停止。
本发明中，步骤(1)中，所述电池的出厂参数包括标称容量C、充电截止电压Vc和放电截止电压Vd。
本发明中，步骤(1)中，所述充放电和老化过程的明细数据为每次充放电循环的已循环次数n、最大可用容量Ccap、环境温度T、开路电压V和对应剩余电量SOC等数据。
本发明中，步骤(1)中，测量锂电池当前最大容量Ccap的步骤为：在标准电流下，以恒流恒压方式将锂离子电池充满电，即开路电压达到充电截止电压Vc，稳定一段时间后，对锂电进行恒流Is(单位mA)放电，直至锂电池的开路电压下降至放电截止电压Vd，计算放电总时长Vt(单位s)，则当前最大容量Ccap＝Vt×Is(单位mAs)。
本发明中，步骤(1)中，拟合V-SOC曲线采用三段拟合方法，以10％和90％为分界点进行拟合：
式中，g11、g12、g13、g14、g15、g21、g22、g23、g24、g25、g31、g32、g33、g34、g35为拟合计算求得的目标参数值，SOC为V-SOC曲线中剩余电量SOC的值，V为V-SOC曲线中SOC对应的开路电压V的值；
拟合计算完成后，即可得到电压稳定后的情况下，开路电压V与电池剩余电量SOC的函数关系。
本发明中，步骤(2)中，选用的锂电池等效电路模型为二阶RC等效电路模型，二阶RC等效电路模型的电路结构中，电源的正极所在的一端依次连接欧姆电阻RΩ、第一极化电阻R1与第一极化电容C1的并联、第二极化电阻R2与第二极化电容C2的并联；
本发明中，步骤(3)中，提取其中一个放电周期内的输出电压数据，用带有遗忘因子的递推最小二乘法(FFLS)电压回弹曲线进行参数辨识，获得欧姆电阻RΩ、第一极化电阻R1、第二极化电阻R2的值(单位为mΩ)具体步骤如下：
(3.1)选择二阶RC模型等效电路模型为锂电池的等效电路模型，建立其传递函数为：
其中，E(s)为锂电池电芯电压，V(s)为锂电池等效电路模型的输出电压，i(s)为等效电路模型的电流；
(3.2)采用双线性变换法将s平面的方程映射到z平面，即：
式中，Vt为系统采样间隔时间；C1、C2、C3、C4、C5为模型参数RΩ、R1、R2、C1、C2的函数，其关系式由上面式(2)、式(3)、式(4)联立可得；
将式(4)转换至离散时域，即：
式中，Vk为离散化的输出电压，Ek表示E离散后k时刻的值ik表示i离散后k时刻的值，k表示离散时刻；
(3.3)建立锂电池等效电路模型的数据矩阵和参数变量矩阵：
则有：Vk＝Φkθk (7)
其中：Φk为数据变量矩阵，在测量实验中按一周期内的回弹特性曲线上的采样数据更新k及对应的电压Vk、电流ik的值；θk为参数变量矩阵；
(3.4)在公式(7)的基础上采用带有遗忘因子的最小二乘法进行迭代：
导入实验数据，并对参数变量矩阵θk中各参数进行初始化；
(3.5)按以下迭代公式进行递推,得出：
式中，μ为遗忘因子，设为0.75；P为迭代协方差矩阵，K为迭代增益，I为与协方差矩阵同型的单位矩阵；迭代至遍历一周期内所有采样点后，得出辨识出来的参数变量矩阵θ。
本发明中，步骤(3)中，为避免由于输入输出数据的量纲不统一带来的影响，需要根据下式对欧姆电阻RΩ、第一极化电阻R1、第二极化电阻R2、温度T、循环次数n和最大可用容量Ccap进行归一化处理，同时在所述步骤(4)中对神经网络输出的Ccap数据进行反归一化处理：
上式中，表示归一化处理后的数据，xi表示实际输入的历史电阻参数数据或者反归一化处理后的Ccap，i为自然数，表示序号；xmax表示xi所在数据序列中的最大值，xmin表示xi所在数据序列中的最小值。
本发明中，步骤(3)中，进行神经网络的训练前需要对以下参数进行初始化：输入层和隐藏层的连接权值ωij、输入层和隐含层的连接权值ωjk、隐含层阈值θj、输出层阈值γk、学习效率η和训练次数N、隐含层节点数、输出层传递函数和隐含层传递函数。
本发明中，步骤(4)中，所述初始化测试操作为：对电池进行1C倍率恒流放电10s，静置40s后进行1C倍率充电10s，对这期间的开路电压V和剩余电量SOC：进行记录，利用上次关机剩余电量SOC1、使用安时积分法推算SOC：：SOC′＝SOC1-∫Idt。
本发明中，步骤(4)中，所述存储芯片为硬件电路中MCU的外接EEPROM芯片，系统启动时，MCU读取芯片中存储的上次运行结束时存储的数据；系统关闭前，MCU自动将数据存储在芯片中以备下次开机使用。
本发明的有益效果是：
(1)本发明提出的基于机器学习的锂离子动力电池健康状态估算与基于非线性卡尔曼滤波的电池荷电状态估算方法相结合，可以实时更新采用模型法估算荷电状态时状态方程中的参数和当前电池的最大可用容量Ccap，大大提高SOC的估算精度；
(2)由于锂电池最大可用容量受到温度、欧姆内阻、极化内阻、循环次数等因素共同影响，且各因素之间高度非线性耦合，本发明通过神经网络算法建立了各因素与最大可用容量Ccap之间的非线性关系，利用大量电池测试数据训练出较为准确的神经网络模型；
(3)在联合估算时，更新估算SOC中的状态方程参数的同时，将更新的参数作为SOH估算的输入，SOC估算、SOH估算共用同一组参数，减少了计算量；
(4)以锂电池荷电状态变化量ΔSOC为判定标准，周期性更新Ccap、SOH和状态方程参数，避免了在电池组未进行充放电时的计算资源浪费问题。
附图说明
图1是本发明基于机器学习的锂电池健康状态及荷电状态联合估算方法的流程图。
图2是本发明实施例中锂电池二阶RC模型等效电路图。
图3是本发明实施例中训练并采用BP神经网络获得最大可用容量Ccap预测值的示意图。
具体实施方式
下面结合附图通过对实施例的描述给出本发明的具体技术方案作进一步的说明，但本发明的保护范围并不限于此。
实施例1：如图1-图3所示，基于机器学习的锂电池健康状态及荷电状态联合估算方法主要执行步骤如下：
(1)选定所采用的电池型号，获取其出厂参数：标称容量C、充电截止电压Vc、放电截止电压Vd等(本实验以标称容量1.8Ah，标称电流为1C＝1.8A，充电截止电压4.2V，放点截止电压为2.75V的锂电池为例)；
(2)通过对同型号电池进行循环充放电实验，步骤如下：
(2.1)温度范围为-40℃～120℃，每5℃做一次循环测试实验，实验期间保持温度恒定；
(2.2)在标准电流下，以恒流方式、电流为1C向全新的锂电池充电直到电池开路电压为充电截止电压4.2V，转为以恒压方式充电、电压为4.2V至充电电流低于0.05A，停止充电，并静置30min；
(2.3)开始特性测试，以1C电流恒流连续放电3min，停止放电间歇时间为30min，此时放出电池5％的标称容量；
(2.4)以1C恒流放电10s，静置40s，再以1C恒流充电10s，静置40s；
(2.5)重复进行步骤(2.3)-(2.4)，直至电池容量完全放出，即开路电压为2.75V；
(2.6)重复进行(2.2)-(2.5)，直到在该温度条件下，实验电池的可用容量变为原容量的80％时停止，记录其开路电压V、剩余电量SOC、电流i、温度T及对应的充电循环次数n；
(2.7)绘制V-SOC曲线，采用三段拟合方法，以10％和90％为分界点进行拟合：
求出式中各参数gij；
(3)如图2所示，选择二阶RC模型等效电路模型为锂电池的等效电路模型，建立其传递函数为：
其中，E(s)为锂电池电芯电压，V(s)为锂电池等效电路模型的输出电压，i(s)为等效电路模型的电流；
(3.1)采用双线性变换法将s平面的方程映射到z平面，即：
式中，Vt为系统采样间隔时间；c1、c2、c3、c4、c5为模型参数RΩ、R1、R2、C1、C2的函数，其关系式由上面式(2)、式(3)、式(4)联立可得；
(3.2)将上式转换至离散时域，即：
式中，Vk为离散化的输出电压，Ek表示E离散后k时刻的值ik表示i离散后k时刻的值，k表示离散时刻。
(3.3)建立锂电池等效电路模型的数据矩阵和参数变量矩阵：
则有：Vk＝Φkθk (7)
其中：Φk为数据变量矩阵，在测量实验中按一周期内的回弹特性曲线上的采样数据更新k及对应的电压Vk、电流ik的值；θk为参数变量矩阵；
(3.4)在公式(7)的基础上采用带有遗忘因子的最小二乘法进行迭代：
(3.4.1)导入实验数据，并对参数变量矩阵θk中各参数进行初始化；
(3.4.2)按以下迭代公式进行递推,得出：
式中，μ为遗忘因子，设为0.75；P为迭代协方差矩阵，K为迭代增益，I为与协方差矩阵同型的单位矩阵；迭代至遍历一周期内所有采样点后，得出辨识出来的参数变量矩阵θ；
(3.5)通过θ中的c1、c2、c3、c4、c5和步骤(3.1)中推导出的函数关系，可以计算得到RΩ、R1、R2、C1、C2的值，记录RΩ、R1、R2、C1、C2及对应的循环次数n；
(4)如图3所示，训练BP神经网络模型，步骤如下：
(4.1)对以下参数进行初始化：输入层和隐藏层的连接权值ωij、输入层和隐含层的连接权值ωjk为随机数，隐含层阈值θj、输出层阈值γk为1，学习效率η＝0.01和训练次数N＝20000次；BP神经网络的输入层节点数为5，分别对应充电循环次数n、环境温度T、欧姆电阻RΩ、极化电阻R1、R2，输出层节点数为1，对应锂电池当前最大可用容量Ccap，隐含层节点数设为7，隐含层传递函数采用tansig函数，输出层传递函数采用purlin函数；
(4.2)对步骤(2)、步骤(3)中记录的数据进行归一化处理作为训练数据样本，对欧姆电阻RΩ、第一极化电阻R1、第二极化电阻R2、温度T、循环次数n和最大可用容量Ccap代入到下式中：
上式中，表示归一化处理后的数据，xi表示实际输入的历史电阻参数数据或者反归一化处理后的Ccap，i为自然数，表示序号；xmax表示xi所在数据序列中的最大值，xmin表示xi所在数据序列中的最小值；
(4.3)对建立的BP神经网络进行误差计算、权值更新和阈值更新，进而将BP神经网络的预测误差控制在预设范围内，本事实例中预设范围设置为4％。训练完BP神经网络模型后即可投入使用。
(5)实际应用中，开机时首先进行一次初始化测试操作：对电池进行1C倍率放电10s，静置40s后进行1C倍率充电10s，对这期间的开路电压Uoc和剩余电量SOC：进行记录，利用上次关机剩余电量SOC1、使用安时积分法推算SOC：：SOC′＝SOC1-∫Idt；执行步骤(3.4)，使用带有遗忘因子的递推最小二乘法(FFLS)辨识参数，得到当前电池等效电路参数欧姆电阻RΩ、第一极化电阻R1、第二极化电阻R2，同时测量环境温度T、在存储芯片中读取电池充放电循环数据n，将以上5个参数归一化后输入到训练后的BP神经网络模型，得到Ccap ：的预测值，反归一化后得到Ccap，按下列公式计算SOH：
(6)估算SOC，按以下步骤进行：
(6.1)由于选定的电池等效电路模型为二阶RC等效电路，由基尔霍夫定律：
对上式作离散化处理，可得：
(6.2)本实施例中选用扩展卡尔曼滤波EKF估算SOC：
(6.2.1)初始化状态变量矩阵和协方差矩阵：
(6.2.2)确定观测方程：式中为k时刻采集芯片直接采集到的电池两端电压，IB为电池电流，/>为电压V与SOC的函数关系，参数由步骤(2.7)决定。
(6.2.3)由步骤(5)初始化测试拟合所得参数更新状态方程参数，欧姆电阻RΩ、第一极化电阻R1、第二极化电阻R2、第一极化电容C1、第二极化电容C2和BP神经网络导出并反归一化后得到的Ccap，对电池状态方程进行更新：
式中η为充放电效率，Vt为取样时间；
(6.2.4)为得到较为精确的估计值，需要利用观测变量对递推过程中得到的初步预测值进行修正处理，在卡尔曼滤波的电池SOC估算中，通过观测电压同时对状态变量的递推值进行修正，如下所示：
状态变量的修正值由观测变量的实际观测值与递推值之差以及卡尔曼增益K共同确定。其中，/>为通过电压传感器获得的观测变量实时测量值。Zk为由观测方程获得的观测变量递推值。状态变量的卡尔曼增益K如下所示：
式中，Rk为观测噪声协方差，其大小由电压传感器性能决定；Hk为状态变量的雅克比矩阵，其值由观测变量与状态变量关系式确定，如式(17)和式(18)所示；Pk*为状态协方差矩阵，反映状态变量的递推变化，如式(19)和式(20)所示：
式中，Qk-1为状态变量过程噪声协方差；
按以上步骤进行计算即可得到k时刻SOC的估算值，每次完成初始化测试并更新参数矩阵之后的首次SOC估算值记录在存储芯片中；
(7)重复执行步骤(6)，每次估算SOC后，计算出上次初始化测试后首次估算的SOC到现在的电量变化ΔSOC，当变化量ΔSOC大于5％时，对当前电池进行一次初始化测试操作，执行步骤(4)、步骤(5)并更新储存芯片中记录的初始化测试后首次计算的SOC值；如果ΔSOC不大于5％，则继续执行步骤(6)。
以上所述仅为本发明在锂电池健康状态及荷电状态联合估算中应用的一个实例，对于本技术领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于机器学习的锂电池健康状态及荷电状态联合估算方法，其特征在于是具体步骤如下：
(1)确定储能系统采用的电池型号及出厂参数，通过对该型号的全新电池进行循环充放电测试，得到充放电过程和老化过程的明细数据，并拟合其V-SOC曲线；
(2)根据步骤(1)得到的的V-SOC曲线建立合适的锂电池等效电路模型；
(3)用带有遗忘因子的递推最小二乘法FFLS对一个充放电周期内的电压回弹特性曲线进行参数辨识，得到欧姆电阻RΩ、第一极化电阻R1、第二极化电阻R2的值，单位为mΩ，对RΩ、R1、R2、温度T、循环次数n、电池可用容量Ccap进行归一化处理，得到归一化欧姆电阻RΩ ：、归一化第一极化电阻R1 ：、归一化第二极化电阻R2 ：、归一化循环次数n：、归一化温度T：、归一化可用容量Ccap ：，将RΩ ：、R1 ：、R2 ：、n：、T：作为输入量；Ccap ：作为输出量对神经网络进行训练，最终得到以循环次数n、温度T、欧姆电阻RΩ、第一极化电阻R1、第二极化电阻R2为输入，Ccap为输出的机器学习模型；
(4)在实际应用中，开机时首先进行一次初始化测试操作，记录其电压数据，对该周期内的电压回弹曲线进行拟合，用带有遗忘因子的递推最小二乘法FFLS辨识参数，得到当前电池欧姆电阻RΩ、第一极化电阻R1和第二极化电阻R2，同时测量环境温度T、在存储芯片中读取电池充放电循环数据n及上次关机时的剩余电量SOC1，将以上参数归一化后输入到机器模型，得到最大可用容量Ccap ：，反归一化后计算其电池健康状态SOH；
(5)以步骤(4)中计算得到的欧姆电阻RΩ、第一极化电阻R1、第二极化电阻R2、第一极化电容C1、第二极化电容C2和最大可用容量Ccap更新模型参数，运用UKF或EKF算法估算电池荷电状态SOC，在储存芯片中记录初始化测试后首次计算的SOC值；
(6)基于步骤(5)得到的当前锂电池的SOC，计算出上次初始化测试后首次估算的SOC到现在的电量变化ΔSOC；预先设定好剩余电量SOC变化的一个百分比值，该值根据精度要求和芯片计算能力来决定，取2％或5％，当变化量ΔSOC大于该值时，对当前电池进行一次初始化测试操作，执行步骤(4)、步骤(5)并更新储存芯片中记录的SOC值；如果ΔSOC不大于该值，则直接执行下一次SOC估算。
2.根据权利要求1所述的一种基于机器学习的锂电池健康状态及荷电状态联合估算方法，其特征在于步骤(1)中，循环充放电实验步骤为：在设定温度的环境下采用周期性等倍率电流对全新的锂电池单体进行间歇性放电测试，为获得较为完整的特性曲线和高测试效率，电池由满电状态开始特性测试，直到电量完全放光；每周期放电量为容量的5％，然后静置30min；再以1C恒流放电10s，静置40s，再以1C恒流充电10s，静置40s；如此放电5％-静置-放电10s-静置-充电10s-静置-放电5％的流程循环，直至电池容量完全放出；再次恒压-恒流充满电，充电循环次数变量加一，执行下一循环的间歇性放电测试；如此重复进行实验，直到可用容量为原容量的80％时停止。
3.根据权利要求1所述的一种基于机器学习的锂电池健康状态及荷电状态联合估算方法，其特征在于步骤(1)中，所述电池的出厂参数包括标称容量C、充电截止电压Vc和放电截止电压Vd；所述充放电和老化过程的明细数据为每次充放电循环的已循环次数n、最大可用容量Ccap、环境温度T、开路电压V和对应剩余电量SOC；测量锂电池当前最大容量Ccap的步骤为：在标准电流下，以恒流恒压方式将锂离子电池充满电，即开路电压达到充电截止电压Vc，稳定一段时间后，对锂电进行恒流Is放电，恒流Is单位mA，直至锂电池的开路电压下降至放电截止电压Vd，计算放电总时长Δt，单位s，则当前最大容量Ccap＝Δt×Is，单位mAs。
4.根据权利要求1所述的一种基于机器学习的锂电池健康状态及荷电状态联合估算方法，其特征在于步骤(1)中，拟合V-SOC曲线采用三段拟合方法，以10％和90％为分界点进行拟合：
式中，g11、g12、g13、g14、g15、g21、g22、g23、g24、g25、g31、g32、g33、g34、g35为拟合计算求得的目标参数值，SOC为V-SOC曲线中剩余电量SOC的值，V为V-SOC曲线中SOC对应的开路电压V的值；
拟合计算完成后，即可得到电压稳定后的情况下，开路电压V与电池剩余电量SOC的函数关系。
5.根据权利要求1所述的一种基于机器学习的锂电池健康状态及荷电状态联合估算方法，其特征在于步骤(2)中，选用的锂电池等效电路模型为二阶RC等效电路模型，二阶RC等效电路模型的电路结构中，电源的正极所在的一端依次连接欧姆电阻RΩ、第一极化电阻R1与第一极化电容C1的并联、第二极化电阻R2与第二极化电容C2的并联。
6.根据权利要求1所述的一种基于机器学习的锂电池健康状态及荷电状态联合估算方法，其特征在于步骤(3)中，提取其中一个放电周期内的输出电压数据，用带有遗忘因子的递推最小二乘法FFLS电压回弹曲线进行参数辨识，获得欧姆电阻RΩ、第一极化电阻R1、第二极化电阻R2的值具体步骤如下：
(3.1)选择二阶RC模型等效电路模型为锂电池的等效电路模型，建立其传递函数为：
其中，E(s)为锂电池电芯电压，V(s)为锂电池等效电路模型的输出电压，i(s)为等效电路模型的电流；
(3.2)采用双线性变换法将s平面的方程映射到z平面，即：
式中，Δt为系统采样间隔时间；c1、c2、c3、c4、c5为模型参数RΩ、R1、R2、C1、C2的函数，其关系式由上面式(2)、式(3)、式(4)联立可得；
将式(4)转换至离散时域，即：
式中，Vk为离散化的输出电压，Ek表示E离散后k时刻的值ik表示i离散后k时刻的值，k表示离散时刻；
(3.3)建立锂电池等效电路模型的数据矩阵和参数变量矩阵：
则有：Vk＝Φkθk (7)
其中：Φk为数据变量矩阵，在测量实验中按一周期内的回弹特性曲线上的采样数据更新k及对应的电压Vk、电流ik的值；θk为参数变量矩阵；
(3.4)在公式(7)的基础上采用带有遗忘因子的最小二乘法进行迭代：
导入实验数据，并对参数变量矩阵θk中各参数进行初始化；
(3.5)按以下迭代公式进行递推,得出：
式中，μ为遗忘因子，设为0.75；P为迭代协方差矩阵，K为迭代增益，I为与协方差矩阵同型的单位矩阵；迭代至遍历一周期内所有采样点后，得出辨识出来的参数变量矩阵θ。
7.根据权利要求1所述的一种基于机器学习的锂电池健康状态及荷电状态联合估算方法，其特征在于步骤(3)中，为避免由于输入输出数据的量纲不统一带来的影响，需要根据下式对欧姆电阻RΩ、第一极化电阻R1、第二极化电阻R2、温度T、循环次数n和最大可用容量Ccap进行归一化处理，同时在所述步骤(4)中对神经网络输出的Ccap数据进行反归一化处理：
上式中，表示归一化处理后的数据，xi表示实际输入的历史电阻参数数据或者反归一化处理后的Ccap，i为自然数，表示序号；xmax表示xi所在数据序列中的最大值，xmin表示xi所在数据序列中的最小值。
8.根据权利要求1所述的一种基于机器学习的锂电池健康状态及荷电状态联合估算方法，其特征在于步骤(3)中，进行神经网络的训练前需要对以下参数进行初始化：输入层和隐藏层的连接权值ωij、输入层和隐含层的连接权值ωjk、隐含层阈值θj、输出层阈值γk、学习效率η和训练次数N、隐含层节点数、输出层传递函数和隐含层传递函数。
9.根据权利要求1所述的一种基于机器学习的锂电池健康状态及荷电状态联合估算方法，其特征在于步骤(4)中，所述初始化测试操作为：对电池进行1C倍率恒流放电10s，静置40s后进行1C倍率充电10s，对这期间的开路电压V和剩余电量SOC：进行记录，利用上次关机剩余电量SOC1、使用安时积分法推算SOC：：SOC′＝SOC1-∫Idt。
10.根据权利要求1所述的一种基于机器学习的锂电池健康状态及荷电状态联合估算方法，其特征在于步骤(4)中，所述存储芯片为硬件电路中MCU的外接EEPROM芯片，系统启动时，MCU读取芯片中存储的上次运行结束时存储的数据；系统关闭前，MCU自动将数据存储在芯片中以备下次开机使用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110152863.0A CN112946499B (zh) | 2021-02-04 | 2021-02-04 | 基于机器学习的锂电池健康状态及荷电状态联合估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110152863.0A CN112946499B (zh) | 2021-02-04 | 2021-02-04 | 基于机器学习的锂电池健康状态及荷电状态联合估算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112946499A CN112946499A (zh) | 2021-06-11 |
| CN112946499B true CN112946499B (zh) | 2024-02-02 |
Family
ID=76243637
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110152863.0A Active CN112946499B (zh) | 2021-02-04 | 2021-02-04 | 基于机器学习的锂电池健康状态及荷电状态联合估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112946499B (zh) |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113614554A (zh) * | 2021-06-17 | 2021-11-05 | 香港应用科技研究院有限公司 | 退役锂离子电池和电池模块的健康状态评估 |
| CN113391212B (zh) * | 2021-06-23 | 2022-05-17 | 山东大学 | 一种锂离子电池等值电路参数在线辨识方法及系统 |
| CN113552489B (zh) * | 2021-06-29 | 2022-03-11 | 广东工业大学 | 一种基于灰色神经网络的电站备用电源荷电状态估计方法 |
| CN113484762B (zh) * | 2021-07-16 | 2024-05-14 | 东风柳州汽车有限公司 | 电池健康状态估算方法、装置、设备及存储介质 |
| CN113740739B (zh) * | 2021-07-22 | 2023-05-02 | 西安交通大学 | 一种车载起动型免维护铅酸蓄电池剩余寿命预测方法 |
| CN113608132B (zh) * | 2021-08-02 | 2024-02-27 | 北京芯虹科技有限责任公司 | 一种锂离子电池剩余容量的确定方法、系统及存储介质 |
| CN113759263B (zh) * | 2021-08-25 | 2023-10-17 | 电子科技大学长三角研究院(湖州) | 一种关于人工智能预测锂离子电池荷电状态的方法 |
| CN113777497B (zh) * | 2021-09-09 | 2023-09-15 | 北方民族大学 | 一种退化电池在线soc、soh联合估计方法、装置、存储介质和电子设备 |
| CN114089199B (zh) * | 2021-11-22 | 2024-03-29 | 安徽农业大学 | 一种电池极化曲面测量系统 |
| CN114114053B (zh) * | 2021-12-10 | 2023-12-22 | 厦门金龙联合汽车工业有限公司 | 一种衡量混动车辆电池生命状态的方法 |
| CN114295987B (zh) * | 2021-12-30 | 2024-04-02 | 浙江大学 | 一种基于非线性卡尔曼滤波的电池soc状态估计方法 |
| CN114865800A (zh) * | 2022-07-06 | 2022-08-05 | 中安芯界控股集团有限公司 | 一种可测量大容量电池性能的储能系统 |
| CN115291130B (zh) * | 2022-10-09 | 2023-01-20 | 江苏正力新能电池技术有限公司 | 一种电池包参数监测方法、装置、存储介质及电子设备 |
| CN115629326B (zh) * | 2022-12-21 | 2023-03-17 | 中国北方车辆研究所 | 户外空间内储能电池寿命预测方法、装置、设备及介质 |
| CN116609686B (zh) * | 2023-04-18 | 2024-01-05 | 江苏果下科技有限公司 | 一种基于云平台大数据的电芯一致性评估方法 |
| CN116593903B (zh) * | 2023-07-17 | 2023-10-20 | 中国华能集团清洁能源技术研究院有限公司 | 电池剩余寿命预测方法及装置 |
| CN116736150B (zh) * | 2023-08-16 | 2023-11-03 | 杭州高特电子设备股份有限公司 | 一种电池异常检测方法、电池系统和计算机程序 |
| CN117239881B (zh) * | 2023-11-10 | 2024-03-15 | 深圳市立泰能源科技有限公司 | 一种船用电池组冗余过充保护管理系统及方法 |
| CN117755150A (zh) * | 2023-11-28 | 2024-03-26 | 北京潞电电力建设有限公司 | 一种基于机器学习的快速充电方法 |
| CN117825974A (zh) * | 2024-03-04 | 2024-04-05 | 昆明理工大学 | 一种储能电池荷电状态和健康状态协联估计方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016134496A1 (zh) * | 2015-02-28 | 2016-09-01 | 北京交通大学 | 锂离子电池荷电状态估算方法和装置 |
| CN110133505A (zh) * | 2018-02-05 | 2019-08-16 | 南京湛研能源科技有限公司 | 一种基于变参数模型的动力电池充放电状态观测方法 |
| CN110346734A (zh) * | 2019-06-19 | 2019-10-18 | 江苏大学 | 一种基于机器学习的锂离子动力电池健康状态估算方法 |
| CN112034349A (zh) * | 2020-08-13 | 2020-12-04 | 南京邮电大学 | 锂电池健康状态在线预估方法 |
| CN112083334A (zh) * | 2020-08-11 | 2020-12-15 | 昆明理工大学 | 一种基于数据驱动的锂离子电池荷电状态估计方法 |
-
2021
- 2021-02-04 CN CN202110152863.0A patent/CN112946499B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016134496A1 (zh) * | 2015-02-28 | 2016-09-01 | 北京交通大学 | 锂离子电池荷电状态估算方法和装置 |
| CN110133505A (zh) * | 2018-02-05 | 2019-08-16 | 南京湛研能源科技有限公司 | 一种基于变参数模型的动力电池充放电状态观测方法 |
| CN110346734A (zh) * | 2019-06-19 | 2019-10-18 | 江苏大学 | 一种基于机器学习的锂离子动力电池健康状态估算方法 |
| CN112083334A (zh) * | 2020-08-11 | 2020-12-15 | 昆明理工大学 | 一种基于数据驱动的锂离子电池荷电状态估计方法 |
| CN112034349A (zh) * | 2020-08-13 | 2020-12-04 | 南京邮电大学 | 锂电池健康状态在线预估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于UKF的18650锂离子电池健康状况估计;汪秋婷;姜银珠;陆豪;;电源技术(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112946499A (zh) | 2021-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112946499B (zh) | 基于机器学习的锂电池健康状态及荷电状态联合估算方法 | |
| Zhu et al. | A state of charge estimation method for lithium-ion batteries based on fractional order adaptive extended kalman filter | |
| CN106909716B (zh) | 计及容量损耗的磷酸铁锂电池建模及soc估计方法 | |
| Pan et al. | State of charge estimation of lithium-ion batteries using a grey extended Kalman filter and a novel open-circuit voltage model | |
| CN110488194B (zh) | 一种基于电化学阻抗模型的锂电池soc估算方法及其系统 | |
| CN110824363B (zh) | 一种基于改进ckf的锂电池soc和soe联合估算方法 | |
| CN106405433A (zh) | 一种基于扩展卡尔曼粒子滤波的soc估计方法及系统 | |
| CN112305426B (zh) | 一种多约束条件下的锂离子电池功率状态估计系统 | |
| CN109752660B (zh) | 一种无电流传感器的电池荷电状态估计方法 | |
| CN109901072B (zh) | 基于历史数据与实验室测试数据的退役电池参数检测方法 | |
| Cui et al. | Equivalent Circuit Model of Lead-acid Battery in Energy Storage Power Station and Its State-of-Charge Estimation Based on Extended Kalman Filtering Method. | |
| Fendri et al. | Dynamic model to follow the state of charge of a lead-acid battery connected to photovoltaic panel | |
| CN112946481A (zh) | 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理系统 | |
| CN110716146A (zh) | 一种动力电池开路电压的估计方法 | |
| CN206161820U (zh) | 一种基于扩展卡尔曼粒子滤波的系统 | |
| CN114861545A (zh) | 基于rnn神经网络与多参数约束的锂电池sop在线估算方法 | |
| CN113466728B (zh) | 一种两阶段电池模型参数在线辨识的方法与系统 | |
| CN113608126B (zh) | 一种不同温度下的锂电池soc在线预估方法 | |
| CN114814591A (zh) | 一种锂电池soe估算方法、装置及系统 | |
| CN113093014B (zh) | 一种基于阻抗参数的soh与soc的在线协同估计方法及系统 | |
| CN108318823B (zh) | 一种基于噪声跟踪的锂电池荷电状态估算方法 | |
| Zhu et al. | Online state of charge EKF estimation for LiFePO 4 battery management systems | |
| CN111856286A (zh) | 基于dp-rc模型的电池功率估计方法及装置 | |
| CN114295987B (zh) | 一种基于非线性卡尔曼滤波的电池soc状态估计方法 | |
| CN112098846B (zh) | 一种退役动力锂电池的混合建模方法 |
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 |