CN113075554A - 一种基于运行数据的锂离子电池组不一致性辨识方法 - Google Patents

Abstract

本发明公开了一种基于运行数据的锂离子电池组不一致性辨识方法。本发明包括：步骤1：对实际运行工况中BMS采集到的锂离子电池电压数据进行数据预处理；步骤2：通过电池单体的一阶RC等效电路模型，分析单体SOC、容量两个电池参数与电压曲线变化之间的关系；步骤3：提取电池电压离群率；步骤4：对原始放电段电压进行经验模态分解，提取电池各充放电段电压极差，采用滑动窗口对窗口内的电压极差进行相加；步骤5：基于原始放电段电压，提取放电段电压差分，采用滑动窗口对窗口内的电压差分的绝对值进行相加；步骤6：对提取的电压离群率采用阈值方法辨识电池组不一致性，对提取的电压极差与电压差分采用聚类算法辨识电池组不一致性。

Description

一种基于运行数据的锂离子电池组不一致性辨识方法

技术领域

本发明属于锂离子电池性能测试技术领域，具体地说是一种基于运行数据的锂离子电池组不一致性辨识方法。

背景技术

锂离子电池具有能量密度高、功率性能高、工作温度范围宽和寿命长等优点，在储能领域被广泛应用。出于安全考虑，一般商用锂离子电池的容量大小有限，为了满足储能系统对能量和功率级别的要求，通常需要采取串并联成组方式进行使用。

电池组中电池单体涉及许多复杂的电化学反应，对环境条件非常敏感。因此，生产过程和使用环境中的细微差异可能会导致电池单体之间较大的不一致性，随着时间的推移，这种不一致性会变得更加显著。较差的一致性不仅影响电池组SOC的准确估计，还会造成电池组可用最大容量减小和寿命降低，甚至可能引发安全问题，影响电池储能系统的正常使用。准确识别电池组的不一致性特征将有助于辨识老化单体和其他电池之间的性能差异。通过将一致性较好的单体电池重组，增加电池组的最大可用容量，进而提高电池组寿命。

目前用于评估电池组不一致性的方法大多基于实验数据，需要对电池组拆解后对各单体进行线下性能测试，且多采用单一的方法进行不一致性辨识，可信度较低。

发明内容

针对上述现有技术中描述的问题与缺陷，本发明提供一种基于运行数据的锂离子电池组不一致性辨识方法，其在不干扰锂离子电池系统运行的情况下，对电池系统一定时间内的历史运行数据进行分析，提取特征参数后基于阈值与聚类算法实现电池组内不一致性单体的识别，及时发现可能有问题的单体电池，为电池系统的维护提供理论指导。

为此，本发明采用如下的技术方案：一种基于运行数据的锂离子电池组不一致性辨识方法，其包括：

步骤1：对运行工况中BMS采集到的锂离子电池电压数据进行数据预处理；

步骤2：基于预处理后的锂离子电池电压数据，通过电池单体的一阶RC等效电路模型，分析单体SOC、容量两个电池参数与电压曲线变化之间的关系；

步骤3：基于原始充电段电压与原始放电段电压，提取电池电压离群率；

步骤4：对原始放电段电压进行经验模态分解，将分解得到的最低频分量定义为放电段电压稳态分量，分析充放电段电压的变化趋势；

基于原始充电段电压与放电段电压稳态分量，提取电池各充放电段电压极差，采用滑动窗口对窗口内的电压极差进行相加；

步骤5：基于原始放电段电压，提取放电段电压差分，采用滑动窗口对窗口内的电压差分的绝对值进行相加；

步骤6：对提取的电压离群率采用阈值方法辨识电池组不一致性，对提取的电压极差与电压差分采用聚类算法辨识电池组不一致性。

在上述技术方案的基础上，步骤1所述预处理包括数据清洗与充放电段提取，其方法如下：

数据清洗：对原始数据中的缺失数据与异常点通过线性插值的方法将数据映射为相同时间间隔的时间序列，得到每个采样时刻近似准确的值；

充放电段提取：将数据中SOC单调增加且维持十个采样时刻的采样时刻作为充电起始时刻，当电流降至为0、SOC维持恒定的采样时刻作为充电结束时刻，得到充电段数据，其他数据作为放电段数据。

在上述技术方案的基础上，步骤2所述分析单体SOC、容量两个电池参数与电压曲线变化之间的关系：

根据一阶RC等效电路模型，电池端电压计算公式如式(1)所示，

其中，U_Charge和U_Discharge分别表示电池充电和放电时端电压，U_OCV表示电池开路电压，I为充电或放电电流，R表示电池内阻，U_P表示电池极化电压。

在上述技术方案的基础上，在仅考虑单参数影响的情况下分析单体SOC、容量与电压曲线的变化：

电压曲线在充电过程一直偏高，对应初始SOC偏高或容量偏小，在放电过程一直偏高，对应初始SOC偏高或容量偏大；电压曲线在充电过程一直偏低，对应初始SOC偏低或容量偏大，在放电过程一直偏低，对应初始SOC偏低或容量偏小；电压曲线在充电过程先低后高，对应初始SOC偏低或容量偏小，在放电过程先低后高，对应初始SOC偏低或容量偏大；电压曲线在充电过程先高后低，对应初始SOC偏高或容量偏大，在放电过程先高后低，对应初始SOC偏高或容量偏小。

在上述技术方案的基础上，步骤3所述的离群率计算的方法如下：

计算每一时刻的所有单体电压平均值μ与标准差σ，以μ为中心±3σ外的数据即被认为离群，统计各单体离群次数，定义离群率为离群次数占总采样时刻个数的百分比，公式如(2)所示，

其中，δ为离群率，X₁为离群次数，X_all为总采样时刻个数。

在上述技术方案的基础上，步骤4中所述充放电段电压极差，其计算公式如式(3)所示，

U₀＝U_max-U_min (3)

其中，U₀为每个充电段或放电段各单体电压极差，U_max为每个充电段或放电段各单体最大电压，U_min为每个充电段或放电段各单体最小电压。

在上述技术方案的基础上，步骤4中所述滑动窗口计算窗口内电压极差之和的方法如下：

设定窗口宽度为w，将窗口内w个电压极差值相加，得到每个单体每个窗口内的电压极差之和。

在上述技术方案的基础上，步骤5所述电压差分，其计算公式如式(4)所示，

ΔU＝U_k-U_k-1 (4)

其中，ΔU为两个相邻采样时刻电压差分值，U_k为当前时刻电压，U_k-1为前一时刻电压。

在上述技术方案的基础上，步骤6所述电压离群率阈值为：

离群率偏高区间为10-100％，离群率偏低边界为2-10％，离群率正常边界为0-2％。

在上述技术方案的基础上，步骤6所述聚类方法为K-means聚类方法，具体步骤为：

K的取值为2，将数据聚类分为两类，由于电池组内离群单体为异常单体，遵循异常单体为少数的原则，将两类中个数少的一类归为存在不一致性问题的异常单体；

最后，结合步骤4中的电压曲线变化趋势与步骤6中的异常单体辨识结果，实现锂离子电池组不一致性辨识。

本发明具有以下有益技术效果：本发明可以基于运行数据对锂离子电池组进行不一致性辨识。根据本发明的方法进行分析，确定电压曲线变化与SOC、容量两个电池参数之间的关系，再对实际运行工况中的电压数据提取电压离群率、电压极差、电压差分三个特征参数，基于阈值与K-means聚类算法辨识不一致性较差的电池单体，为电池系统的维护与电池更换提供重要理论依据。

附图说明

图1为本发明所述方法的流程示意图；

图2为本发明实施例的一个月内锂离子电池组中单体充电电压离群次数示意图；

图3为本发明实施例的一个月内锂离子电池组中单体放电电压离群次数示意图；

图4为本发明实施例的锂离子电池组中单体原始充电电压曲线示意图；

图5为本发明实施例的锂离子电池组中单体经验模态分解后放电电压曲线示意图；

图6为本发明实施例的窗口宽度为10的电池单体充放电过程电压极差之和示意图；

图7为本发明实施例的窗口宽度为20的电池单体放电过程电压差分之和示意图。

具体实施方式

下面结合说明书附图与具体实施方式，对本发明做进一步详细说明。

如图1所示，为基于运行数据的锂离子电池组不一致性辨识方法流程示意图，按下述步骤进行：

步骤1：对运行工况中BMS采集到的锂离子电池电压数据进行数据预处理。

对原始电压数据中的缺失数据与异常点通过线性插值的方法将数据映射为相同时间间隔的时间序列，得到每个采样时刻近似准确的值，再将数据中SOC单调增加且维持十个采样时刻的采样时刻作为充电起始时刻，当电流降至为0、SOC维持恒定的采样时刻作为充电结束时刻，得到充电段数据，其他数据作为放电段数据。

步骤2：基于预处理后的锂离子电池电压数据，通过电池单体的一阶RC等效电路模型，分析单体SOC、容量两个电池参数与电压曲线变化之间的关系。

根据一阶RC模型，电池端电压计算公式如式(1)所示，

其中，U_Charge和U_Discharge分别表示电池充电和放电时端电压，U_OCV表示电池开路电压，I为充电或放电电流，R表示电池内阻，U_P表示电池极化电压。在仅考虑单参数影响的情况下分析单体SOC、容量与电压曲线的变化：

电压曲线在充电过程一直偏高，对应初始SOC偏高或容量偏小，在放电过程一直偏高，对应初始SOC偏高或容量偏大；电压曲线在充电过程一直偏低，对应初始SOC偏低或容量偏大，在放电过程一直偏低，对应初始SOC偏低或容量偏小；电压曲线在充电过程先低后高，对应初始SOC偏低或容量偏小，在放电过程先低后高，对应初始SOC偏低或容量偏大；电压曲线在充电过程先高后低，对应初始SOC偏高或容量偏大，在放电过程先高后低，对应初始SOC偏高或容量偏小。

步骤3：基于原始充电段电压与原始放电段电压，提取电池电压离群率。

计算每一时刻的所有单体电压平均值μ与标准差σ，以μ为中心±3σ外的数据即被认为离群，统计各单体离群次数，定义离群率为离群次数占总采样时刻个数的百分比，公式如(2)所示，

其中，δ为离群率，X₁为离群次数，X_all为总采样时刻个数。

在本实施例中，采集电压数据中充电电压共有3374个采集时刻，放电电压共有58000个采集时刻，离群次数统计结果如图2、图3所示。其中充电段2、19、26号单体离群率分别为39％、32.1％、18.1％，3、13、16号单体离群率分别为6.8％、9.8％、4.9％，放电段2、13、16、19、26号单体离群率分别为61.8％、82.8％、68.3％、67.1％、32％、91.8％。

步骤4：对原始放电段电压进行经验模态分解，将分解得到的最低频分量定义为放电段电压稳态分量，分析充放电段电压的变化趋势；

基于原始充电段电压与放电段电压稳态分量，提取电池各充放电段电压极差，采用滑动窗口对窗口内的电压极差进行相加。

电压极差计算公式如式(3)所示，

U₀＝U_max-U_min (3)

其中，U₀为每个充电段或放电段各单体电压极差，U_max为每个充电段或放电段各单体最大电压，U_min为每个充电段或放电段各单体最小电压。设定窗口宽度为w，将窗口内w个电压极差值相加，得到每个单体在每个窗口内的电压极差之和。

本实施例中，电池单体原始充电电压曲线和经验模态分解后的放电电压曲线如图4、图5所示。2号单体充电过程电压变化趋势为先高后低，从步骤2分析的关系中可以推测其容量偏大，放电过程电压一直偏高，推测其SOC偏高；16号单体充电过程电压先低后高，放电过程电压先高后低，对应步骤2中的关系推测其容量偏小；由电池放电曲线发现，13、19、26号单体电压一直偏低，充电段无明显现象，推测其SOC偏低。

窗口宽度w＝10，将窗口内10个电压极差值相加，得到各单体每个充放电段电压极差之和，结果如图6所示。

步骤5：基于原始放电段电压，提取放电段电压差分，采用滑动窗口对窗口内的电压差分的绝对值进行相加。

电压差分计算公式如式(4)所示，

ΔU＝U_k-U_k-1 (4)

其中，ΔU为两个相邻采样时刻电压差分值，U_k为当前时刻电压，U_k-1为前一时刻电压。设定窗口宽度为w，将窗口内w个电压差分绝对值相加，得到每个单体在每个窗口内的电压差分绝对值之和。

本实施例中，窗口宽度w＝20，得到如图7所示的结果。

步骤6：对提取的电压离群率采用阈值方法辨识电池组不一致性，对提取的电压极差与电压差分采用聚类算法辨识电池组不一致性。

K的取值为2，将数据聚类分为两类，由于电池组内离群单体为异常单体，遵循异常单体为少数的原则，将两类中个数少的一类归为存在不一致性问题的异常单体。

本实施例中电压离群率阈值为：离群率偏高区间为10％-100％，离群率偏低边界为2％-10％，离群率正常边界为0-2％。充电段2、19、26号单体为离群率偏高单体，3、13、16号单体为离群率偏低单体，放电段2、13、16、19、26号单体均为离群率偏高单体，判定2、3、13、16、19、26单体电压一致性较差。

本实施例中对窗口为10的电压极差之和进行K-means聚类，K＝2，2号单体电压极差之和绝对值较小，其电压变化范围较小，容量较大，16号单体的电压极差之和绝对值较大，说明其电压变化范围较大，容量较小；对其他单体进行K-means聚类，3、84、138号单体在100个放电段之后极差之和的绝对值逐渐增大，推测其可能容量偏小。

本实施例中对窗口为20的电压差分绝对值之和进行K-means聚类，K＝2，2号单体电压差分绝对值之和较小，其电压波动较小，离群较为明显；对其他单体进行K-means聚类，3、16号单体离群较为明显，7、18、124、125、131、132、148号单体电压差分值略大，需要进一步线下状态检测。

最后，结合步骤4中的电压曲线变化趋势与步骤6中的异常单体辨识结果，实现锂离子电池组不一致性辨识。

本实施例中2号电池单体容量偏大；16号电池单体容量偏小；3、84、138号电池单体容量偏小；13、19、26号单体SOC偏低；7、18、124、125、131、132、148号单体可能存在问题，仍需进一步线下检测。

上述实施例对本发明的技术方案进行了详细说明。显然，本发明并不局限于所描述的实施例。基于本发明中的实施例，熟悉本技术领域的人员还可据此做出多种变化，但任何与本发明等同或相类似的变化都属于本发明保护的范围。

本说明书中未做详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (10)

1.一种基于运行数据的锂离子电池组不一致性辨识方法，其特征在于，包括：

步骤1：对运行工况中BMS采集到的锂离子电池电压数据进行数据预处理；

步骤2：基于预处理后的锂离子电池电压数据，通过电池单体的一阶RC等效电路模型，分析单体SOC、容量两个电池参数与电压曲线变化之间的关系；

步骤3：基于原始充电段电压与原始放电段电压，提取电池电压离群率；

步骤4：对原始放电段电压进行经验模态分解，将分解得到的最低频分量定义为放电段电压稳态分量，分析充放电段电压的变化趋势；

基于原始充电段电压与放电段电压稳态分量，提取电池各充放电段电压极差，采用滑动窗口对窗口内的电压极差进行相加；

步骤5：基于原始放电段电压，提取放电段电压差分，采用滑动窗口对窗口内的电压差分的绝对值进行相加；

步骤6：对提取的电压离群率采用阈值方法辨识电池组不一致性，对提取的电压极差与电压差分采用聚类算法辨识电池组不一致性。

2.如权利要求1所述的基于运行数据的锂离子电池组不一致性辨识方法，其特征在于，步骤1所述预处理包括数据清洗与充放电段提取，其方法如下：

数据清洗：对原始数据中的缺失数据与异常点通过线性插值的方法将数据映射为相同时间间隔的时间序列，得到每个采样时刻近似准确的值；

充放电段提取：将数据中SOC单调增加且维持十个采样时刻的采样时刻作为充电起始时刻，当电流降至为0、SOC维持恒定的采样时刻作为充电结束时刻，得到充电段数据，其他数据作为放电段数据。

3.如权利要求1所述的基于运行数据的锂离子电池组不一致性辨识方法，其特征在于，步骤2所述分析单体SOC、容量两个电池参数与电压曲线变化之间的关系：

根据一阶RC等效电路模型，电池端电压计算公式如式(1)所示，

其中，U_Charge和U_Discharge分别表示电池充电和放电时端电压，U_OCV表示电池开路电压，I为充电或放电电流，R表示电池内阻，U_P表示电池极化电压。

4.如权利要求3所述的基于运行数据的锂离子电池组不一致性辨识方法，其特征在于，在仅考虑单参数影响的情况下分析单体SOC、容量与电压曲线的变化：

电压曲线在充电过程一直偏高，对应初始SOC偏高或容量偏小，在放电过程一直偏高，对应初始SOC偏高或容量偏大；电压曲线在充电过程一直偏低，对应初始SOC偏低或容量偏大，在放电过程一直偏低，对应初始SOC偏低或容量偏小；电压曲线在充电过程先低后高，对应初始SOC偏低或容量偏小，在放电过程先低后高，对应初始SOC偏低或容量偏大；电压曲线在充电过程先高后低，对应初始SOC偏高或容量偏大，在放电过程先高后低，对应初始SOC偏高或容量偏小。

5.如权利要求1所述的基于运行数据的锂离子电池组不一致性辨识方法，其特征在于，步骤3所述的离群率计算的方法如下：

计算每一时刻的所有单体电压平均值μ与标准差σ，以μ为中心±3σ外的数据即被认为离群，统计各单体离群次数，定义离群率为离群次数占总采样时刻个数的百分比，公式如(2)所示，

其中，δ为离群率，X₁为离群次数，X_all为总采样时刻个数。

6.如权利要求1所述的基于运行数据的锂离子电池组不一致性辨识方法，其特征在于，步骤4中所述充放电段电压极差，其计算公式如式(3)所示，

U₀＝U_max-U_min (3)

其中，U₀为每个充电段或放电段各单体电压极差，U_max为每个充电段或放电段各单体最大电压，U_min为每个充电段或放电段各单体最小电压。

7.如权利要求6所述的基于运行数据的锂离子电池组不一致性辨识方法，其特征在于，步骤4中所述滑动窗口计算窗口内电压极差之和的方法如下：

设定窗口宽度为w，将窗口内w个电压极差值相加，得到每个单体每个窗口内的电压极差之和。

8.如权利要求1所述的基于运行数据的锂离子电池组不一致性辨识方法，其特征在于，步骤5所述电压差分，其计算公式如式(4)所示，

ΔU＝U_k-U_k-1 (4)

其中，ΔU为两个相邻采样时刻电压差分值，U_k为当前时刻电压，U_k-1为前一时刻电压。

9.如权利要求1所述的基于运行数据的锂离子电池组不一致性辨识方法，其特征在于，步骤6所述电压离群率阈值为：

离群率偏高区间为10-100％，离群率偏低边界为2-10％，离群率正常边界为0-2％。

10.如权利要求1所述的基于运行数据的锂离子电池组不一致性辨识方法，其特征在于，步骤6所述聚类方法为K-means聚类方法，具体步骤为：

K的取值为2，将数据聚类分为两类，由于电池组内离群单体为异常单体，遵循异常单体为少数的原则，将两类中个数少的一类归为存在不一致性问题的异常单体；

最后，结合步骤4中的电压曲线变化趋势与步骤6中的异常单体辨识结果，实现锂离子电池组不一致性辨识。

Images