CN113075560A - 一种动力锂离子电池健康状态在线预估方法 - Google Patents

Abstract

本发明公开了一种动力锂离子电池健康状态在线预估方法。建立二阶RC模型下动力锂离子电池内部参数与健康状态值的BP神经网络预测模型；采集处于工况状态中的电池的实时在线端电压与电流数据，基于改进递推最小二乘法辨识实时工况下的二阶RC模型参数；认为在一次充放电结束前电池的健康状态基本不变，实时更新二阶RC模型参数，健康状态采用上一时刻的预估值；一次充放电完成后，计算整个充放电过程中的电池内部参数均值，将其作为BP神经网络预测模型的输入，更新电池的健康状态值。本发明实现了运行状态下对动力锂离子电池健康状态的有效预估，提高了锂电池健康状态的在线估算效率。

Description

一种动力锂离子电池健康状态在线预估方法

技术领域

本发明属于电池健康状态评估领域，特别涉及了一种动力锂离子电池健康状态预估方法。

背景技术

随着科技的发展与社会的进步，人类对能源的需求日渐提高。由于煤、石油、天然气等化石燃料的不可再生，人类对能源需求量的增高与化石燃料对环境的污染已经成为当今社会急需解决的问题。我国正在抓紧制定碳排放达峰行动方案，加快调整优化产业结构、能源结构，争取早日实现碳排放量清零和碳中和目标。据统计，全球70％的石油消耗来自汽车行业，因此，大力发展新能源电动车已成为未来汽车领域发展的趋势。电池的健康状态(SOH)在一定程度上表征着当前电池相比于新电池存储电能的能力，可用来定量描述当前电池的性能状态。SOH的研究有利于掌握电池老化影响因素，为电池的使用和维护提供理论指导，可减少高低温以及过充过放等有损电池使用的情况，同时让使用者知悉电池当前的健康状态，帮助判断电池的内在隐患和寿命情况，为电池维护和更换提供参考。如何准确地预估电池的健康状态一直是全球电池领域研究的热点。

发明内容

为了解决上述背景技术提到的技术问题，本发明提出了一种动力锂离子电池健康状态在线预估方法，能够实现运行状态下对锂离子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。

为了实现上述技术目的，本发明的技术方案为：

一种动力锂离子电池健康状态在线预估方法，包括以下步骤：

(1)建立动力锂离子电池二阶RC模型下欧姆内阻、浓差极化内阻、浓差极化电容与健康状态值的BP神经网络预测模型；

(2)采集处于工况状态中的动力锂离子电池的实时在线端电压与电流数据，基于改进递推最小二乘法辨识实时工况下的二阶RC模型参数；

(3)认为在一次充放电结束前，动力锂离子电池的健康状态基本不变，实时更新二阶RC模型参数，健康状态采用上一时刻的预估值；

(4)一次充放电完成后，计算整个充放电过程中的动力锂离子电池内部参数均值，将其作为BP神经网络预测模型的输入，更新动力锂离子电池的健康状态值；重复步骤(2)-(4)，从而实时获取健康状态估计值。

进一步地，步骤(1)的具体过程如下：

(11)建立动力锂离子电池的等效电路模型：二阶RC模型；

(12)测量动力锂离子电池在不同荷电状态下的开路电压值，采用曲线拟合方式拟合得出开路电压与荷电状态的曲线关系；

(13)对动力锂离子电池模拟联邦测试运行工况进行充放电测试，采集电池放电过程中的端电压与电流数据，通过改进的递推最小二乘法完成实时工况下模型参数的在线辨识；

(14)估算工况结束后欧姆内阻、浓差极化内阻和浓差极化电容的均值，并将离线测试动力锂离子电池的健康状态值作为健康状态真值，建立输入集为欧姆内阻、浓差极化内阻和浓差极化电容，输出集为对应健康状态值的BP神经网络预测模型。

进一步地，所述二阶RC模型包括浓差极化内阻、浓差极化电容、扩散电阻和扩散电容，浓差极化内阻与浓差极化电容构成的并联电路、扩散电阻与扩散电容构成的并联回路依次与电源和欧姆内阻串联。

进一步地，步骤(13)-(14)的具体过程如下：

(a)按递推最小二乘格式建立动力锂离子二阶RC电路的数学模型：

其中，λ为递推最小二乘权重系数，P_n为当前时刻的状态转移矩阵，

为当前时刻状态预估，K_n为当前时刻的增益因子，y_n为当前时刻的输出矩阵，

为当前时刻的系统输入矩阵，下标n和n-1分别表示当前时刻和上一时刻；

(b)使用工况放电，采集输入电流与输出电压；

(c)将数据代入改进的递推最小二乘法，完成模型参数的在线辨识；

(d)离线测试获取当前状态下电池的健康状态；

(e)重复步骤(b)-(d)，测试多组动力锂离子电池，直至电池的健康状态低于80％；

(f)获取欧姆内阻、浓差极化内阻、浓差极化电容的作为输入集，对应的健康状态值作为输出集，通过BP神经网络建立预测模型。

进一步地，通过改进的递推最小二乘法辨识模型参数的过程如下：

建立动力锂离子电池的最小二乘数学模型，根据基尔霍夫电压定量得：

其中，U_OC为开路电压，τ_p1＝R_p1.C_p1，τ_p2＝R_p2.C_p2，R_o为欧姆内阻，R_p1为浓差极化内阻，C_p1为浓差极化电容，R_p2为扩散电阻，C_p2为扩散电容，i为电流，U为端电压；

令：

a＝τ_p1τ_p2，b＝τ_p1+τ_p2，c＝R_p1+R_p2+R_o，d＝R_p1τ_p2+R_p2τ_p1+R_o(τ_p1+τ_p2)，离散化处理后得：

U_oc(k)-U(k)＝m₁[U(k-1)-U_oc(k-1)]+m₂[U(k-2)-U_oc(k-2)]+m₃i(k)+m₄i(k-1)+m₅i(k-2)

设T为系统采样时间间隔，m₁＝(-bT-2a)/(T²+bT+a)，m₂＝a/(T²+bT+a)，m₃＝(cT²+dT+aR_o)/(T²+bT+a)，m₄＝(-dT-2aR_o)/(T²+bT+a)，m₅＝aR_o/(T²+bT+a)；

则需要辨识的参数：

R_o＝m₅/m₂，R_p1＝(τ_p1c+τ_p2R_o-d)/(τ_p1-τ_p2)，R_p2＝c-R_p1-R_o，C_p1＝τ_p1/R_p1，C_p2＝τ_p2/R_p2。

采用上述技术方案带来的有益效果：

本发明提取模型参数，建立动力锂离子电池二阶RC模型下欧姆内阻、浓差极化内阻、浓差极化电容与健康状态的BP神经网络预测模型；建立二阶RC电路模型下的改进递推最小二乘法在线辨识参数，提高了计算电池健康状态的便捷性。

附图说明

图1是本发明中动力锂离子电池等效电路图；

图2是本发明中参数辨识过程中U_oc与SOC的拟合曲线关系图；

图3是本发明中在线辨识参数内阻预测结果图；

图4是本发明中在线辨识参数电容预测结果图；

图5是本发明中在线辨识参数电容预测结果图；

图6-图8是本发明中健康状态与二阶RC模型下欧姆内阻、浓差极化内阻、浓差极化电容之间的关联曲线图；

图9是本发明的流程图。

具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

本发明设计了一种动力锂离子电池健康状态在线预估方法，步骤如下：

1、建立动力锂离子电池二阶RC模型下欧姆内阻、浓差极化内阻、浓差极化电容与健康状态值的BP神经网络预测模型。

2、采集处于工况状态中的动力锂离子电池的实时在线端电压与电流数据，基于改进递推最小二乘法辨识实时工况下的二阶RC模型参数。

3、认为在一次充放电结束前，动力锂离子电池的健康状态基本不变，实时更新二阶RC模型参数，健康状态采用上一时刻的预估值。

4、一次充放电完成后，计算整个充放电过程中的动力锂离子电池内部参数均值，将其作为BP神经网络预测模型的输入，更新动力锂离子电池的健康状态值；重复步骤2-4，从而实时获取健康状态估计值。

优选地，上述步骤1的具体过程如下：

101、构建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为端电压，i为充放电电流，R_p1、C_p1为电池内部的极化内阻、极化电容，R_p2、C_p2为电池的扩散内阻、扩散电容。其中电池内部的极化内阻R_p1和极化电容C_p1构成的并联电路、扩散内阻R_p2和扩散电容C_p2构成的并联电路与电源、欧姆内阻R_o串联形成二阶RC等效电路。

102、测量锂电池在不同荷电状态下的开路电压值，计算二阶RC电路的OCV在不同SOC下的离线值，进行曲线拟合得出连续工况下的OCV参数与SOC的函数关系，如图2所示。

进一步地，步骤102的具体过程如下：

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恒流恒压充至满电状态，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OCV～SOC的对应关系，将取得的若干样本数据进行多阶曲线拟合，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5阶曲线拟合，即n’＝5，经测试拟合得到OCV～SOC关系如下：

OCV(SOC)＝5.733SOC⁵-16.87SOC⁴+19.91SOC³-11.48SOC²+3.909SOC+2.933

103、对锂离子电池模拟联邦测试运行工况(FUDS)进行放电测试，采集锂电池放电过程中的端电压与电流数据，通过改进的递推最小二乘法完成实时工况下模型参数的在线辨识，如图3-图5所示。包括以下步骤：

103a、按递推最小二乘格式建立锂离子二阶RC电路数学模型：

其中，

为当前时刻的状态预估，

为上一时刻的状态预估，K_n为当前当前时刻增益因子，ε_n为预测误差，二者相乘为当前的修正值。根据基尔霍夫电压定量，可得：

其中，τ_p1＝R_p1.C_p1，τ_p2＝R_p2.C_p2，R_o为欧姆内阻，i为电流，U为端电压。令：a＝τ_p1τ_p2，b＝τ_p1+τ_p2，c＝R_p1+R_p2+R_o，d＝R_p1τ_p2+R_p2τ_p1+R_o(τ_p1+τ_p2)上式可化简为：

as²+bU_ocs+U_oc＝aR_os²+aUs²+dis+bUs+ci+U_p1

离散化处理后可得：

U_oc(k)-U(k)

＝m₁[U(k-1)-U_oc(k-1)]+m₂[U(k-2)-U_oc(k-2)]

+m₃i(k)

+m₄i(k-1)+m₅i(k-2)

其中，m₁＝(-bT-2a)/(T²+bT+a)，m₂＝a/(T²+bT+a)，

m₃＝(cT²+dT+aR_o)/(T²+bT+a)，m₄＝(-dT-2aR_o)/(T²+bT+a)

m₅＝aR_o/(T²+bT+a)

则需要辨识的参数：

R_o＝m₅/m₂，R_p1＝(τ_p1c+τ_p2R_o-d)/(τ_p1-τ_p2)，R_p2＝c-R_p1-R_o，C_p1＝τ_p1/R_p1，C_p2＝τ_p2/R_p2

103b、使用工况放电，采集输入电流与输出电压。

103c、将数据代入改进的递推最小二乘算法，完成模型参数的在线辨识。由于锂电池参数随着荷电状态与健康状态的变化也会相应发生改变，因此需要根据电池状态实时更新参数。本发明在基础的最小二乘算法上加入权重因子λ，使得算法避免由于滤波饱和而影响参数的预估精度。加入后的最小二乘算法公式如下：

其中，P_n为状态转移矩阵，

为当前时刻状态预估，K_n为当前时刻的增益因子，y_n为输出矩阵，

为系统输入矩阵。

103d、离线测试获取当前状态下电池的健康状态。

103e、重复步骤103b-103e，测试多组同型号电池，直至电池健康状态低于80％。

103f、获取测试中与SOH相关的欧姆内阻R_o、极化部分R_p1、C_p1，如图6-图8。使用以上参数作为输入集，对应的SOH作为输出集，通过BP神经网络建立模型。

本发明的整体流程图如图9所示。值得注意的是，本发明中具体的二阶RC电路模型参数需按照实际锂电池型号实施。

实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (5)

1.一种动力锂离子电池健康状态在线预估方法，其特征在于，包括以下步骤：

(1)建立动力锂离子电池二阶RC模型下欧姆内阻、浓差极化内阻、浓差极化电容与健康状态值的BP神经网络预测模型；

(2)采集处于工况状态中的动力锂离子电池的实时在线端电压与电流数据，基于改进递推最小二乘法辨识实时工况下的二阶RC模型参数；

(3)认为在一次充放电结束前，动力锂离子电池的健康状态基本不变，实时更新二阶RC模型参数，健康状态采用上一时刻的预估值；

(4)一次充放电完成后，计算整个充放电过程中的动力锂离子电池内部参数均值，将其作为BP神经网络预测模型的输入，更新动力锂离子电池的健康状态值；重复步骤(2)-(4)，从而实时获取健康状态估计值。

2.根据权利要求1所述动力锂离子电池健康状态在线预估方法，其特征在于，步骤(1)的具体过程如下：

(11)建立动力锂离子电池的等效电路模型：二阶RC模型；

(12)测量动力锂离子电池在不同荷电状态下的开路电压值，采用曲线拟合方式拟合得出开路电压与荷电状态的曲线关系；

(13)对动力锂离子电池模拟联邦测试运行工况进行充放电测试，采集电池放电过程中的端电压与电流数据，通过改进的递推最小二乘法完成实时工况下模型参数的在线辨识；

(14)估算工况结束后欧姆内阻、浓差极化内阻和浓差极化电容的均值，并将离线测试动力锂离子电池的健康状态值作为健康状态真值，建立输入集为欧姆内阻、浓差极化内阻和浓差极化电容，输出集为对应健康状态值的BP神经网络预测模型。

3.根据权利要求2所述动力锂离子电池健康状态在线预估方法，其特征在于，所述二阶RC模型包括浓差极化内阻、浓差极化电容、扩散电阻和扩散电容，浓差极化内阻与浓差极化电容构成的并联电路、扩散电阻与扩散电容构成的并联回路依次与电源和欧姆内阻串联。

4.根据权利要求2所述动力锂离子电池健康状态在线预估方法，其特征在于，步骤(13)-(14)的具体过程如下：

(a)按递推最小二乘格式建立动力锂离子二阶RC电路的数学模型：

其中，λ为递推最小二乘权重系数，P_n为当前时刻的状态转移矩阵，

为当前时刻状态预估，K_n为当前时刻的增益因子，y_n为当前时刻的输出矩阵，

为当前时刻的系统输入矩阵，下标n和n-1分别表示当前时刻和上一时刻；

(b)使用工况放电，采集输入电流与输出电压；

(c)将数据代入改进的递推最小二乘法，完成模型参数的在线辨识；

(d)离线测试获取当前状态下电池的健康状态；

(e)重复步骤(b)-(d)，测试多组动力锂离子电池，直至电池的健康状态低于80％；

(f)获取欧姆内阻、浓差极化内阻、浓差极化电容的作为输入集，对应的健康状态值作为输出集，通过BP神经网络建立预测模型。

5.根据权利要求2所述动力锂离子电池健康状态在线预估方法，其特征在于，通过改进的递推最小二乘法辨识模型参数的过程如下：

建立动力锂离子电池的最小二乘数学模型，根据基尔霍夫电压定量得：

其中，U_OC为开路电压，τ_p1＝R_p1.C_p1，τ_p2＝R_p2.C_p2，R_o为欧姆内阻，R_p1为浓差极化内阻，C_p1为浓差极化电容，R_p2为扩散电阻，C_p2为扩散电容，i为电流，U为端电压；

令：

a＝τ_p1τ_p2，b＝τ_p1+τ_p2，c＝R_p1+R_p2+R_o，d＝R_p1τ_p2+R_p2τ_p1+R_o(τ_p1+τ_p2)，离散化处理后得：

U_oc(k)-U(k)＝m₁[U(k-1)-U_oc(k-1)]+m₂[U(k-2)-U_oc(k-2)]+m₃i(k)+m₄i(k-1)+m₅i(k-2)

设T为系统采样时间间隔，m₁＝(-bT-2a)/(T²+bT+a)，m₂＝a/(T²+bT+a)，m₃＝(cT²+dT+aR_o)/(T²+bT+a)，m₄＝(-dT-2aR_o)/(T²+bT+a)，m₅＝aR_o/(T²+bT+a)；

则需要辨识的参数：

R_o＝m₅/m₂，R_p1＝(τ_p1c+τ_p2R_o-d)/(τ_p1-τ_p2)，R_p2＝c-R_p1-R_o，C_p1＝τ_p1/R_p1，C_p2＝τ_p2/R_p2。

Images