CN114755582A - 一种环境温度不同时锂离子电池健康状态预估方法 - Google Patents

一种环境温度不同时锂离子电池健康状态预估方法 Download PDF

Info

Publication number
CN114755582A
CN114755582A CN202210290361.9A CN202210290361A CN114755582A CN 114755582 A CN114755582 A CN 114755582A CN 202210290361 A CN202210290361 A CN 202210290361A CN 114755582 A CN114755582 A CN 114755582A
Authority
CN
China
Prior art keywords
soh
lithium ion
ion battery
environmental temperatures
different environmental
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.)
Pending
Application number
CN202210290361.9A
Other languages
English (en)
Inventor
郭永芳
余湘媛
黄凯
王雅爽
张若可
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN202210290361.9A priority Critical patent/CN114755582A/zh
Publication of CN114755582A publication Critical patent/CN114755582A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/389Measuring internal impedance, internal conductance or related variables
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392Determining battery ageing or deterioration, e.g. state of health
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00Details relating to CAD techniques
    • G06F2111/06Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Secondary Cells (AREA)

Abstract

本发明属于电池健康状态预估技术领域,尤其涉及一种环境温度不同时锂离子电池健康状态预估方法,包括以下步骤:步骤1、将锂离子电池在不同环境温度时进行充电实验,步骤2、计算锂离子电池在不同环境温度下SOH、不同环境温度下SOH与室温下SOH的比值,步骤3、建立Thevenin等效电路模型、开路电压Uoc与荷电状态SOC的关系模型,步骤4、构建估计不同环境温度下SOH模型,估计不同环境温度下SOH,步骤5、构建估计不同环境温度下SOH与室温下SOH的比值模型,估计不同温度下SOH与室温下SOH的比值,步骤6、评估预估SOH的性能。本发明通过建立电池在不同温度下SOH与室温下SOH的映射关系,得到电池在不同环境温度下对应的室温SOH值,判断电池是否需要更换。

Description

一种环境温度不同时锂离子电池健康状态预估方法
技术领域
本发明属于电池健康状态预估技术领域,尤其涉及一种环境温度不同时锂离子电池健康状态预估方法。
背景技术
目前,锂离子电池以其自放电率低,循环寿命长,无记忆性,环境友好等优势逐渐应用于航空航天、国防军事、交通运输以及电子移动设备等领域。但为了确保锂离子电池在使用过程中的安全性和高效性,需要借助于电池管理系统来监测锂离子电池的状态量,如荷电状态、健康状态和功率状态等。其中,健康状态作为评价锂离子电池老化程度的量化指标,反映了锂离子电池的老化情况,最直观的表现是锂离子电池最大可用容量的减少和功率等级的下降,内部反映为容量衰退和内阻增加。因此准确估计健康状态是锂离子电池应用中的关键问题。
当前关于健康状态SOH的估计技术均没有研究电池在不同温度时的SOH与室温下的SOH之间的关系。在不同的环境温度下,电池内部的化学反应速度和锂离子的速度不同,导致电池的实际容量和老化速度发生变化。温度过高或过低都会影响电池的性能。尤其是,电池处于低温时的容量与电池处于室温下的容量有明显的不同。以电动汽车为例,在电动汽车用锂离子蓄电池行业标准QC/T743-2006中,第6.2.11款对电池健康状态的判断标准做出了规定,即在20℃±2℃的条件下,对电池进行循环寿命试验,当电池容量下降到其额定容量的80%时,判定锂离子电池失效,这里将20℃±2℃这样的标准温度统称为室温。存在以下的情况,在低温时,电池的SOH已经低于了初始SOH的80%。而且,电池在低温时的SOH值与其在20℃±2℃时的SOH值可能不相同。所以,按照标准,仍无法判断环境温度不同时电池是否失效,需要得到锂离子电池在当前温度下对应20℃±2℃下的SOH,才能进行判断电池是否需要进行更换。
发明内容
本发明的主要目的在于解决现有技术中存在的问题,本发明的锂离子电池健康状态预估方法,通过建立锂离子电池在不同温度下SOH与室温下SOH的映射关系,得到锂离子电池在不同环境温度下对应的室温SOH值,从而当环境温度不同时可以准确判断电池是否需要进行更换。
本发明所解决的技术问题采用以下技术方案来实现:一种环境温度不同时锂离子电池健康状态预估方法,包括以下步骤:
步骤1、将锂离子电池在不同环境温度时进行充电实验,记录当前环境温度并采集锂离子电池充电过程中电压、电流、时间,将充电过程中电流和采样时间相乘后得到当前锂离子电池的容量;
步骤2、根据SOH容量定义计算锂离子电池在不同环境温度下SOH,得到实际的不同环境温度下SOH值,并计算锂离子电池在不同环境温度下SOH与室温下SOH的比值,得到实际的不同环境温度下对应的室温SOH值;
步骤3、建立Thevenin等效电路模型,利用多项式拟合方式建立开路电压Uoc与荷电状态SOC的关系模型,基于采集的锂离子电池充电过程中电压、电流数据,采用递归最小二乘法对开路电压Uoc与荷电状态SOC的关系模型的参数进行辨识,当特定荷电状态SOC时获取不同环境温度下电池的欧姆内阻R0、极化内阻Rp、电压值V;
步骤4、将特定荷电状态SOC时欧姆内阻R0、极化内阻Rp、电压值V、SOC值、温度T进行归一化处理,再将处理后的欧姆内阻R0、极化内阻Rp、电压值V、SOC值、温度T为高斯过程回归GPR算法的输入,不同环境温度下SOH为高斯过程回归GPR算法的输出,构建估计不同环境温度下SOH模型,利用该模型估计出不同环境温度下SOH,得到预估的不同环境温度下SOH值;
步骤5、将欧姆内阻R0、极化内阻Rp、电压值V、SOC值、温度T、不同环境温度下SOH作为最小二乘支持向量回归LSSVR算法的输入,并使用粒子群优化PSO算法优化最小二乘支持向量回归LSSVR算法的参数,构建估计不同环境温度下SOH与室温下SOH的比值模型,利用该模型估计出锂离子电池不同温度下SOH与室温下SOH的比值,得到预估的不同环境温度下对应的室温SOH值;
步骤6、根据预估的不同环境温度下SOH值与实际的不同环境温度下SOH值、预估的不同环境温度下对应的室温SOH值与实际的不同环境温度下对应的室温SOH值,计算其最大绝对误差MAX Absolute error、平均绝对误差MAE、均方根误差RMSE,通过最大绝对误差MAXAbsolute error、平均绝对误差MAE、均方根误差RMSE来评估预估的不同环境温度下SOH值、预估的不同环境温度下对应的室温SOH值的性能。
进一步,步骤1、将锂离子电池在不同环境温度时进行充电实验,进一步包括,采用标准恒流恒压充电方式将锂离子电池在不同环境温度时进行充电实验。
进一步,步骤2、根据SOH容量定义计算锂离子电池在不同环境温度下SOH,得到实际的不同环境温度下SOH值,并计算锂离子电池在不同环境温度下SOH与室温下SOH的比值,得到实际的不同环境温度下对应的室温SOH值,进一步包括,
根据SOH容量定义计算锂离子电池在不同环境温度下SOH,
Figure BDA0003561587170000031
上式中,Qrated为新电池出厂时的额定容量,Qaged为投入使用后电池实际的最大可用容量;
计算锂离子电池在不同环境温度下SOH与室温下SOH的比值,
Figure BDA0003561587170000032
上式中,SOH是电池在不同环境温度下的健康状态值,SOHr是在室温下的健康状态值。
进一步,步骤3中建立Thevenin等效电路模型,利用多项式拟合方式建立开路电压Uoc与荷电状态SOC的关系模型,进一步包括,
建立Thevenin等效电路模型为
Figure BDA0003561587170000041
式中,Ut表示端电压,Uoc表示电池的开路电压,R0表示欧姆内阻,I表示电流,UP表示偏振电压,CP表示极化电容,RP表示极化电阻;
建立开路电压Uoc与荷电状态SOC的关系模型为
Uoc=K0+K1SOC+K2SOC2+K3SOC3+K4SOC4
式中,K0、K1、K2、K3、K4为系数。
进一步,步骤3中当特定荷电状态SOC时获取不同环境温度下电池的欧姆内阻R0、极化内阻Rp、电压值V,进一步包括,
记录恒流充电结束时的荷电状态为maxSOC值,当特定荷电状态SOC为20%至maxSOC值的期间数值且期间数值以5%递增时,获取不同环境温度下电池的欧姆内阻R0,极化内阻Rp、电压值V。
进一步,步骤4中将特定荷电状态SOC时欧姆内阻R0、极化内阻Rp、电压值V、SOC值、温度T进行归一化处理,进一步包括,
将特定荷电状态SOC时欧姆内阻R0、极化内阻Rp、电压值V、SOC值、温度T作为估计不同环境温度下SOH模型的特征参数,使用MATLAB的mapminmax函数将参数归一化至[1,5]。
进一步,步骤4中再将处理后的欧姆内阻R0、极化内阻Rp、电压值V、SOC值、温度T为高斯过程回归GPR算法的输入,不同环境温度下SOH为高斯过程回归GPR算法的输出,构建估计不同环境温度下SOH模型,进一步包括,
估计不同环境温度下SOH模型为
f(x)~gp(m(x),kf(x,x′))
其中,m(x)、kf(x,x')为平均值和协方差函数,m(x)、kf(x,x')定义为
m(x)=E(f(x))
kf(x,x')=E[(m(x)-f(x))(m(x')-f(x'))]
将均值函数m(x)设为零,将协方差函数的核函数设置为平方指数协方差SE函数,平方指数协方差SE函数为
Figure BDA0003561587170000051
其中,S是输入变量x的维度,xi s,xj s分别为第s个输入向量的值,ls表示输入变量中每一个向量的长度。
进一步,步骤5中并使用粒子群优化PSO算法优化最小二乘支持向量回归LSSVR算法的参数,进一步包括,
使用粒子群优化PSO算法优化最小二乘支持向量回归LSSVR算法的正则化参数C和核参数γ,粒子i的飞行速度和位置根据如下公式进行调整,
Figure BDA0003561587170000052
Figure BDA0003561587170000053
其中,下标i表示粒子数,d表示维数,k为迭代次数,c1和c2分别为调整全局极值的全局极值和局部极值飞行方向最大步长的学习因子,惯性权重w平衡全局搜索能力和局部搜索能力,rand()用于得到一个在0到1之间的随机数。
进一步,步骤5中构建估计不同环境温度下SOH与室温下SOH的比值模型,进一步包括,
估计不同环境温度下SOH与室温下SOH的比值模型为
Figure BDA0003561587170000054
其中,αi是拉格朗日乘数,k(x,xi)为核函数,b是偏差,将核函数设置为径向核函数RBF,径向核函数RBF为
Figure BDA0003561587170000055
其中,γ是一个与函数宽度相关的常数。
进一步,步骤6中计算其最大绝对误差MAX Absolute error、平均绝对误差MAE、均方根误差RMSE,进一步包括,
最大绝对误差MAX Absolute error的公式为
MAX Absolute error=max|SOHestimation-SOHreal|
其中,SOHestimation为估计的SOH值,SOHreal为实际的SOH值;
平均绝对误差MAE、均方根误差RMSE的公式为
Figure BDA0003561587170000061
Figure BDA0003561587170000062
其中,f(xi)为估计的SOH值,yi为实际的SOH值,N为测试样本的个数。
本发明的有益效果为:
1、本发明通过建立Thevenin等效电路模型、建立开路电压Uoc与荷电状态SOC的关系模型,基于采集的锂离子电池充电过程中电压、电流数据,获取不同环境温度下电池的数据,构建估计不同环境温度下SOH模型、估计不同环境温度下SOH与室温下SOH的比值模型,进而建立锂离子电池在不同温度下SOH与室温下SOH的映射关系,估计出锂离子电池在不同环境温度下对应的室温SOH值,当环境温度不同时可以准确判断电池是否需要进行更换,提高不同环境温度下电池健康状态预估有效性。
2、本发明根据预估的不同环境温度下SOH值与实际的不同环境温度下SOH值、预估的不同环境温度下对应的室温SOH值与实际的不同环境温度下对应的室温SOH值,计算其最大绝对误差MAX Absolute error、平均绝对误差MAE、均方根误差RMSE,通过最大绝对误差MAX Absolute error、平均绝对误差MAE、均方根误差RMSE来评估预估的不同环境温度下SOH值、预估的不同环境温度下对应的室温SOH值的性能,保证了本发明方法在不同环境温度下电池健康状态预估有效性和预估精度。
附图说明
图1为本发明一种环境温度不同时锂离子电池健康状态预估方法的流程图。
图2为本发明一种环境温度不同时锂离子电池健康状态预估方法的实施例流程图。
图3为本发明的实施例中锂离子电池充电过程中电流曲线图。
图4为本发明的实施例中锂离子电池充电过程中端电压曲线图。
图5为本发明的实施例中DST工况下电流图。
图6为本发明的实施例中US06工况下电流图。
图7为本发明的实施例中Thevenin等效电路模型图。
图8(a)-图8(c)为本发明的实施例中以#8电池在0℃、24℃、30℃时数据为测试集的当前温度下的SOH估计结果图。
图9(a)-图9(c)为本发明的实施例中以#8电池在0℃、24℃、30℃时数据为测试集的当前温度下的SOH估计误差图。
图10(a)-图10(g)为本发明的实施例中以#7电池为测试集的当前温度下的SOH估计结果图。
图11(a)-图11(g)为本发明的实施例中以#7电池为测试集的当前温度下的SOH估计误差图。
图12(a)-图12(f)为本发明的实施例中以DST工况为测试集的当前温度下的SOH估计结果图。
图13(a)-图13(f)为本发明的实施例中以DST工况为测试集的当前温度下的SOH估计误差图。
图14(a)-图14(e)为本发明的实施例中以US06工况为测试集的当前温度下的SOH估计结果图。
图15(a)-图15(e)为本发明的实施例中以US06工况为测试集的当前温度下的SOH估计误差图。
图16(a)-图16(c)为本发明的实施例中以#8电池在0℃、24℃、30℃时数据为测试集的室温SOH估计结果图。
图17(a)-图17(c)为本发明的实施例中以#8电池在0℃、24℃、30℃时数据为测试集的室温SOH估计误差图。
图18(a)-图18(g)为本发明的实施例中以#7电池为测试集的室温SOH估计结果图。
图19(a)-图19(g)为本发明的实施例中以#7电池为测试集的室温SOH估计误差图。
图20(a)-图20(f)为本发明的实施例中以DST工况为测试集的室温SOH估计结果图。
图21(a)-图21(f)为本发明的实施例中以DST工况为测试集的室温SOH估计误差图。
图22(a)-图22(f)为本发明的实施例中以US06工况为测试集的室温SOH估计结果图。
图23(a)-图23(f)为本发明的实施例中以US06工况为测试集的室温SOH估计误差图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
如图1所示,本发明提供的一种环境温度不同时锂离子电池健康状态预估方法,包括以下步骤:
步骤1、将锂离子电池在不同环境温度时进行充电实验,记录当前环境温度并采集锂离子电池充电过程中电压、电流、时间,将充电过程中电流和采样时间相乘后得到当前锂离子电池的容量;
步骤2、根据SOH容量定义计算锂离子电池在不同环境温度下SOH,得到实际的不同环境温度下SOH值,并计算锂离子电池在不同环境温度下SOH与室温下SOH的比值,得到实际的不同环境温度下对应的室温SOH值;
步骤3、建立Thevenin等效电路模型,利用多项式拟合方式建立开路电压Uoc与荷电状态SOC的关系模型,基于采集的锂离子电池充电过程中电压、电流数据,采用递归最小二乘法对开路电压Uoc与荷电状态SOC的关系模型的参数进行辨识,当特定荷电状态SOC时获取不同环境温度下电池的欧姆内阻R0、极化内阻Rp、电压值V;
步骤4、将特定荷电状态SOC时欧姆内阻R0、极化内阻Rp、电压值V、SOC值、温度T进行归一化处理,再将处理后的欧姆内阻R0、极化内阻Rp、电压值V、SOC值、温度T为高斯过程回归GPR算法的输入,不同环境温度下SOH为高斯过程回归GPR算法的输出,构建估计不同环境温度下SOH模型,利用该模型估计出不同环境温度下SOH,得到预估的不同环境温度下SOH值;
步骤5、将欧姆内阻R0、极化内阻Rp、电压值V、SOC值、温度T、不同环境温度下SOH作为最小二乘支持向量回归LSSVR算法的输入,并使用粒子群优化PSO算法优化最小二乘支持向量回归LSSVR算法的参数,构建估计不同环境温度下SOH与室温下SOH的比值模型,利用该模型估计出锂离子电池不同温度下SOH与室温下SOH的比值,得到预估的不同环境温度下对应的室温SOH值;
步骤6、根据预估的不同环境温度下SOH值与实际的不同环境温度下SOH值、预估的不同环境温度下对应的室温SOH值与实际的不同环境温度下对应的室温SOH值,计算其最大绝对误差MAX Absolute error、平均绝对误差MAE、均方根误差RMSE,通过最大绝对误差MAXAbsolute error、平均绝对误差MAE、均方根误差RMSE来评估预估的不同环境温度下SOH值、预估的不同环境温度下对应的室温SOH值的性能。
进一步,步骤1、将锂离子电池在不同环境温度时进行充电实验,进一步包括,采用标准恒流恒压充电方式将锂离子电池在不同环境温度时进行充电实验。
进一步,步骤2、根据SOH容量定义计算锂离子电池在不同环境温度下SOH,得到实际的不同环境温度下SOH值,并计算锂离子电池在不同环境温度下SOH与室温下SOH的比值,得到实际的不同环境温度下对应的室温SOH值,进一步包括,
根据SOH容量定义计算锂离子电池在不同环境温度下SOH,
Figure BDA0003561587170000101
上式中,Qrated为新电池出厂时的额定容量,Qaged为投入使用后电池实际的最大可用容量;
计算锂离子电池在不同环境温度下SOH与室温下SOH的比值,
Figure BDA0003561587170000102
上式中,SOH是电池在不同环境温度下的健康状态值,SOHr是在室温下的健康状态值。
进一步,步骤3中建立Thevenin等效电路模型,利用多项式拟合方式建立开路电压Uoc与荷电状态SOC的关系模型,进一步包括,
建立Thevenin等效电路模型为
Figure BDA0003561587170000103
式中,Ut表示端电压,Uoc表示电池的开路电压,R0表示欧姆内阻,I表示电流,UP表示偏振电压,CP表示极化电容,RP表示极化电阻;
建立开路电压Uoc与荷电状态SOC的关系模型为
Uoc=K0+K1SOC+K2SOC2+K3SOC3+K4SOC4
式中,K0、K1、K2、K3、K4为系数。
进一步,步骤3中当特定荷电状态SOC时获取不同环境温度下电池的欧姆内阻R0、极化内阻Rp、电压值V,进一步包括,
记录恒流充电结束时的荷电状态为maxSOC值,当特定荷电状态SOC为20%至maxSOC值的期间数值且期间数值以5%递增时,获取不同环境温度下电池的欧姆内阻R0,极化内阻Rp、电压值V。
进一步,步骤4中将特定荷电状态SOC时欧姆内阻R0、极化内阻Rp、电压值V、SOC值、温度T进行归一化处理,进一步包括,
将特定荷电状态SOC时欧姆内阻R0、极化内阻Rp、电压值V、SOC值、温度T作为估计不同环境温度下SOH模型的特征参数,使用MATLAB的mapminmax函数将参数归一化至[1,5]。
进一步,步骤4中再将处理后的欧姆内阻R0、极化内阻Rp、电压值V、SOC值、温度T为高斯过程回归GPR算法的输入,不同环境温度下SOH为高斯过程回归GPR算法的输出,构建估计不同环境温度下SOH模型,进一步包括,
估计不同环境温度下SOH模型为
f(x)~gp(m(x),kf(x,x′))
其中,m(x)、kf(x,x')为平均值和协方差函数,m(x)、kf(x,x')定义为
m(x)=E(f(x))
kf(x,x')=E[(m(x)-f(x))(m(x')-f(x'))]
将均值函数m(x)设为零,将协方差函数的核函数设置为平方指数协方差SE函数,平方指数协方差SE函数为
Figure BDA0003561587170000111
其中,S是输入变量x的维度,xi s,xj s分别为第s个输入向量的值,ls表示输入变量中每一个向量的长度。
进一步,步骤5中并使用粒子群优化PSO算法优化最小二乘支持向量回归LSSVR算法的参数,进一步包括,
使用粒子群优化PSO算法优化最小二乘支持向量回归LSSVR算法的正则化参数C和核参数γ,粒子i的飞行速度和位置根据如下公式进行调整,
Figure BDA0003561587170000121
Figure BDA0003561587170000122
其中,下标i表示粒子数,d表示维数,k为迭代次数,c1和c2分别为调整全局极值的全局极值和局部极值飞行方向最大步长的学习因子,惯性权重w平衡全局搜索能力和局部搜索能力,rand()用于得到一个在0到1之间的随机数。
进一步,步骤5中构建估计不同环境温度下SOH与室温下SOH的比值模型,进一步包括,
估计不同环境温度下SOH与室温下SOH的比值模型为
Figure BDA0003561587170000123
其中,αi是拉格朗日乘数,k(x,xi)为核函数,b是偏差,将核函数设置为径向核函数RBF,径向核函数RBF为
Figure BDA0003561587170000124
其中,γ是一个与函数宽度相关的常数。
进一步,步骤6中计算其最大绝对误差MAX Absolute error、平均绝对误差MAE、均方根误差RMSE,进一步包括,
最大绝对误差MAX Absolute error的公式为
MAX Absolute error=max|SOHestimation-SOHreal|
其中,SOHestimation为估计的SOH值,SOHreal为实际的SOH值;
平均绝对误差MAE、均方根误差RMSE的公式为
Figure BDA0003561587170000125
Figure BDA0003561587170000131
其中,f(xi)为估计的SOH值,yi为实际的SOH值,N为测试样本的个数。
实施例
本实例中锂离子电池环境温度不同时健康状态预估方法的实施例流程图如图2所示,锂离子电池测试设备为新威电池试验系统CT-4008,试验所用电池为圆柱型锂离子电池LR18650SZ,电池参数如表1所示。
表1电池参数表
Figure BDA0003561587170000132
将电池在-10℃、0℃、10℃、20℃、30℃、40℃和室温下进行充放电实验,具体实验步骤如下:
(1)采用标准恒流恒压充电方式充满电池,静置一小时;
(2)以0.5C大小的电流对电池恒流放电,以额定容量为标准,放出电池容量的10%;
(3)电池静置一小时,记录静置后稳定不变的端电压值作为电池此刻的放电开路电压;
(4)循环步骤(2)和(3)直至电池放电至3.0V,放电OCV-SOC实验结束;
(5)以0.5C大小的电流进行恒流充电实验,同样充入电池额定容量的10%;
(6)电池静置一小时,记录静置后稳定不变的端电压值作为电池此刻的充电开路电压;
(7)循环步骤(5)和(6)直至电池充电至4.2V,充电OCV-SOC实验结束。
由于电池放电过程取决于电池系统的使用方式,难以预测,因此选择锂离子电池的充电过程来进行实验,充电过程的电流值及端电压值变化如图3、图4所示。
另外,选择动态应力测试(Dynamic Stress Test,DST)工况和US06工况模拟电池实际工作环境。在0℃、10℃、20℃、30℃、40℃和室温下,以此两种工况电流对电池进行放电实验,首先以恒流恒压的方式将电池充满,在BTS软件中导入工况电流数据,将电池放电至3.0V,设置1s的采样时间间隔,得到电池在各温度下的充放电实验数据。DST工况下电流如图5所示、US06工况下电流如图6所示。
建立Thevenin等效电路模型,如图7所示。采用多项式拟合,构建#8电池在室温下开路电压与荷电状态的关系模型。基于恒流充电阶段的电流、电压数据,采用递推最小二乘法对模型的参数进行辨识。记录恒流充电结束时的荷电状态为maxSOC值,当特定荷电状态SOC为20%至maxSOC值的期间数值且期间数值以5%递增时(SOC为20%,25%,30%,35%,...,maxSOC值),获取不同环境温度下电池的欧姆内阻R0,极化内阻Rp、电压值V。得到特征参数:特定荷电状态SOC下的欧姆内阻R0,极化内阻Rp,电压值V以及相应的SOC值和温度T。
基于高斯过程回归算法,以#8电池在-10℃、10℃、20℃、40℃温度下的数据作训练集训练模型,#8电池在0℃、24℃、30℃时数据为测试集的当前温度下的SOH估计结果如图8(a)-图8(c)所示,#8电池在0℃、24℃、30℃时数据为测试集的当前温度下的SOH估计误差如图9(a)-图9(c)所示。
基于高斯过程回归算法,以#8电池在-10℃、10℃、20℃、40℃温度下的数据作训练集训练模型,#7电池为测试集的当前温度下的SOH估计结果如图10(a)-图10(g)所示,图10(a)-图10(g)分别为#7电池在-10℃、0℃、10℃、20℃、24℃、30℃、40℃温度下数据为测试集的当前温度下的SOH估计结果图,#7电池为测试集的当前温度下的SOH估计误差如图11(a)-图11(g)所示,图11(a)-图11(g)分别为#7电池在-10℃、0℃、10℃、20℃、24℃、30℃、40℃温度下数据为测试集的当前温度下的SOH估计误差图。
基于高斯过程回归算法,以#8电池在-10℃、10℃、20℃、40℃温度下的数据作训练集训练模型,DST工况为测试集的当前温度下的SOH估计结果如图12(a)-图12(f)所示,图12(a)-图12(f)分别为DST工况在0℃、10℃、20℃、24℃、30℃、40℃温度下数据为测试集的当前温度下的SOH估计结果图,DST工况为测试集的当前温度下的SOH估计误差如图13(a)-图13(f)所示,图13(a)-图13(f)分别为DST工况在0℃、10℃、20℃、24℃、30℃、40℃温度下数据为测试集的当前温度下的SOH估计误差图。
基于高斯过程回归算法,以#8电池在10℃、10℃、20℃、40℃温度下的数据作训练集训练模型,US06工况为测试集的当前温度下的SOH估计结果如图14(a)-图14(e)所示,图14(a)-图14(e)分别为US06工况在0℃、10℃、20℃、30℃、40℃温度下数据为测试集的当前温度下的SOH估计结果图,US06工况为测试集的当前温度下的SOH估计误差如图15(a)-图15(e)所示,图15(a)-图15(e)分别为US06工况在0℃、10℃、20℃、30℃、40℃温度下数据为测试集的当前温度下的SOH估计误差图。
以荷电状态SOC、欧姆内阻R0、极化内阻Rp、电压值V、温度T和各温度下的SOH新的特征向量。
基于粒子群优化的最小二乘支持向量回归算法,以#8电池在-10℃、10℃、20℃、40℃温度下的数据作训练集训练模型,#8电池在0℃、24℃、30℃时数据为测试集的室温SOH估计结果如图16(a)-图16(c)所示,#8电池在0℃、24℃、30℃时数据为测试集的室温SOH估计误差如图17(a)-图17(c)所示。
基于粒子群优化的最小二乘支持向量回归算法,以#8电池在-10℃、10℃、20℃、40℃温度下的数据作训练集训练模型,#7电池为测试集的室温SOH估计结果如图18(a)-图18(g)所示,图18(a)-图18(g)分别为#7电池在-10℃、0℃、10℃、20℃、24℃、30℃、40℃温度下数据为测试集的室温SOH估计结果图,#7电池为测试集的室温SOH估计误差如图19(a)-图19(g)所示,图19(a)-图19(g)分别为#7电池在-10℃、0℃、10℃、20℃、24℃、30℃、40℃温度下数据为测试集的室温SOH估计误差图。
基于粒子群优化的最小二乘支持向量回归算法,以#8电池在-10℃、10℃、20℃、40℃温度下的数据作训练集训练模型,DST工况为测试集的室温SOH估计结果如图20(a)-图20(f)所示,图20(a)-图20(f)分别为DST工况在0℃、10℃、20℃、24℃、30℃、40℃温度下数据为测试集的室温SOH估计结果图,DST工况为测试集的室温SOH估计误差如图21(a)-图21(f)所示,图21(a)-图21(f)分别为DST工况在0℃、10℃、20℃、24℃、30℃、40℃温度下数据为测试集的室温SOH估计误差图。
基于粒子群优化的最小二乘支持向量回归算法,以#8电池在10℃、10℃、20℃、40℃温度下的数据作训练集训练模型,US06工况为测试集的室温SOH估计结果如图22(a)-图22(f)所示,图22(a)-图22(f)分别为US06工况在0℃、10℃、20℃、24℃、30℃、40℃温度下数据为测试集的室温SOH估计结果图,US06工况为测试集的室温SOH估计误差如图23(a)-图23(f)所示,图23(a)-图23(f)分别为US06工况在0℃、10℃、20℃、24℃、30℃、40℃温度下数据为测试集的室温SOH估计误差图。
通过计算最大绝对误差MAX Absolute error、平均绝对误差MAE、均方根误差RMSE这三种性能指标来评估本发明的电池健康状态预估方法,统计结果如表2、表3所示。
表2当前温度下的SOH估计结果
Figure BDA0003561587170000161
Figure BDA0003561587170000171
表3室温SOH估计结果
Figure BDA0003561587170000172
Figure BDA0003561587170000181
上述结果表明本发明提出的方法能够有效地估计出不同温度下对应的室温SOH值,平均绝对误差均不超过1.57%,估计精度高。而且能准确地估计出当前温度下的电池SOH值,最大绝对误差MAX Absolute error均控制在3.88%以内。同时也说明了本发明所提出的方法可适用于不同工况环境,具有普遍应用性。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种环境温度不同时锂离子电池健康状态预估方法,其特征在于:包括以下步骤:
步骤1、将锂离子电池在不同环境温度时进行充电实验,记录当前环境温度并采集锂离子电池充电过程中电压、电流、时间,将充电过程中电流和采样时间相乘后得到当前锂离子电池的容量;
步骤2、根据SOH容量定义计算锂离子电池在不同环境温度下SOH,得到实际的不同环境温度下SOH值,并计算锂离子电池在不同环境温度下SOH与室温下SOH的比值,得到实际的不同环境温度下对应的室温SOH值;
步骤3、建立Thevenin等效电路模型,利用多项式拟合方式建立开路电压Uoc与荷电状态SOC的关系模型,基于采集的锂离子电池充电过程中电压、电流数据,采用递归最小二乘法对开路电压Uoc与荷电状态SOC的关系模型的参数进行辨识,当特定荷电状态SOC时获取不同环境温度下电池的欧姆内阻R0、极化内阻Rp、电压值V;
步骤4、将特定荷电状态SOC时欧姆内阻R0、极化内阻Rp、电压值V、SOC值、温度T进行归一化处理,再将处理后的欧姆内阻R0、极化内阻Rp、电压值V、SOC值、温度T为高斯过程回归GPR算法的输入,不同环境温度下SOH为高斯过程回归GPR算法的输出,构建估计不同环境温度下SOH模型,利用该模型估计出不同环境温度下SOH,得到预估的不同环境温度下SOH值;
步骤5、将欧姆内阻R0、极化内阻Rp、电压值V、SOC值、温度T、不同环境温度下SOH作为最小二乘支持向量回归LSSVR算法的输入,并使用粒子群优化PSO算法优化最小二乘支持向量回归LSSVR算法的参数,构建估计不同环境温度下SOH与室温下SOH的比值模型,利用该模型估计出锂离子电池不同温度下SOH与室温下SOH的比值,得到预估的不同环境温度下对应的室温SOH值;
步骤6、根据预估的不同环境温度下SOH值与实际的不同环境温度下SOH值、预估的不同环境温度下对应的室温SOH值与实际的不同环境温度下对应的室温SOH值,计算其最大绝对误差MAX Absolute error、平均绝对误差MAE、均方根误差RMSE,通过最大绝对误差MAXAbsolute error、平均绝对误差MAE、均方根误差RMSE来评估预估的不同环境温度下SOH值、预估的不同环境温度下对应的室温SOH值的性能。
2.根据权利要求1所述的环境温度不同时锂离子电池健康状态预估方法,其特征在于:步骤1、将锂离子电池在不同环境温度时进行充电实验,进一步包括,采用标准恒流恒压充电方式将锂离子电池在不同环境温度时进行充电实验。
3.根据权利要求1所述的环境温度不同时锂离子电池健康状态预估方法,其特征在于:步骤2、根据SOH容量定义计算锂离子电池在不同环境温度下SOH,得到实际的不同环境温度下SOH值,并计算锂离子电池在不同环境温度下SOH与室温下SOH的比值,得到实际的不同环境温度下对应的室温SOH值,进一步包括,
根据SOH容量定义计算锂离子电池在不同环境温度下SOH,
Figure FDA0003561587160000021
上式中,Qrated为新电池出厂时的额定容量,Qaged为投入使用后电池实际的最大可用容量;
计算锂离子电池在不同环境温度下SOH与室温下SOH的比值,
Figure FDA0003561587160000022
上式中,SOH是电池在不同环境温度下的健康状态值,SOHr是在室温下的健康状态值。
4.根据权利要求1所述的环境温度不同时锂离子电池健康状态预估方法,其特征在于:步骤3中建立Thevenin等效电路模型,利用多项式拟合方式建立开路电压Uoc与荷电状态SOC的关系模型,进一步包括,
建立Thevenin等效电路模型为
Figure FDA0003561587160000031
式中,Ut表示端电压,Uoc表示电池的开路电压,R0表示欧姆内阻,I表示电流,UP表示偏振电压,CP表示极化电容,RP表示极化电阻;
建立开路电压Uoc与荷电状态SOC的关系模型为
Uoc=K0+K1SOC+K2SOC2+K3SOC3+K4SOC4
式中,K0、K1、K2、K3、K4为系数。
5.根据权利要求2所述的环境温度不同时锂离子电池健康状态预估方法,其特征在于:步骤3中当特定荷电状态SOC时获取不同环境温度下电池的欧姆内阻R0、极化内阻Rp、电压值V,进一步包括,
记录恒流充电结束时的荷电状态为maxSOC值,当特定荷电状态SOC为20%至maxSOC值的期间数值且期间数值以5%递增时,获取不同环境温度下电池的欧姆内阻R0,极化内阻Rp、电压值V。
6.根据权利要求1所述的环境温度不同时锂离子电池健康状态预估方法,其特征在于:步骤4中将特定荷电状态SOC时欧姆内阻R0、极化内阻Rp、电压值V、SOC值、温度T进行归一化处理,进一步包括,
将特定荷电状态SOC时欧姆内阻R0、极化内阻Rp、电压值V、SOC值、温度T作为估计不同环境温度下SOH模型的特征参数,使用MATLAB的mapminmax函数将参数归一化至[1,5]。
7.根据权利要求1所述的环境温度不同时锂离子电池健康状态预估方法,其特征在于:步骤4中再将处理后的欧姆内阻R0、极化内阻Rp、电压值V、SOC值、温度T为高斯过程回归GPR算法的输入,不同环境温度下SOH为高斯过程回归GPR算法的输出,构建估计不同环境温度下SOH模型,进一步包括,
估计不同环境温度下SOH模型为
f(x)~gp(m(x),kf(x,x′))
其中,m(x)、kf(x,x')为平均值和协方差函数,m(x)、kf(x,x')定义为
m(x)=E(f(x))
kf(x,x')=E[(m(x)-f(x))(m(x')-f(x'))]
将均值函数m(x)设为零,将协方差函数的核函数设置为平方指数协方差SE函数,平方指数协方差SE函数为
Figure FDA0003561587160000041
其中,S是输入变量x的维度,xi s,xj s分别为第s个输入向量的值,ls表示输入变量中每一个向量的长度。
8.根据权利要求1所述的环境温度不同时锂离子电池健康状态预估方法,其特征在于:步骤5中并使用粒子群优化PSO算法优化最小二乘支持向量回归LSSVR算法的参数,进一步包括,
使用粒子群优化PSO算法优化最小二乘支持向量回归LSSVR算法的正则化参数C和核参数γ,粒子i的飞行速度和位置根据如下公式进行调整,
Figure FDA0003561587160000042
Figure FDA0003561587160000043
其中,下标i表示粒子数,d表示维数,k为迭代次数,c1和c2分别为调整全局极值的全局极值和局部极值飞行方向最大步长的学习因子,惯性权重w平衡全局搜索能力和局部搜索能力,rand()用于得到一个在0到1之间的随机数。
9.根据权利要求1所述的环境温度不同时锂离子电池健康状态预估方法,其特征在于:步骤5中构建估计不同环境温度下SOH与室温下SOH的比值模型,进一步包括,
估计不同环境温度下SOH与室温下SOH的比值模型为
Figure FDA0003561587160000051
其中,αi是拉格朗日乘数,k(x,xi)为核函数,b是偏差,将核函数设置为径向核函数RBF,径向核函数RBF为
Figure FDA0003561587160000052
其中,γ是一个与函数宽度相关的常数。
10.根据权利要求1所述的环境温度不同时锂离子电池健康状态预估方法,其特征在于:步骤6中计算其最大绝对误差MAX Absolute error、平均绝对误差MAE、均方根误差RMSE,进一步包括,
最大绝对误差MAX Absolute error的公式为
MAX Absolute error=max|SOHestimation-SOHreal|
其中,SOHestimation为估计的SOH值,SOHreal为实际的SOH值;
平均绝对误差MAE、均方根误差RMSE的公式为
Figure FDA0003561587160000053
Figure FDA0003561587160000054
其中,f(xi)为估计的SOH值,yi为实际的SOH值,N为测试样本的个数。
CN202210290361.9A 2022-03-23 2022-03-23 一种环境温度不同时锂离子电池健康状态预估方法 Pending CN114755582A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210290361.9A CN114755582A (zh) 2022-03-23 2022-03-23 一种环境温度不同时锂离子电池健康状态预估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210290361.9A CN114755582A (zh) 2022-03-23 2022-03-23 一种环境温度不同时锂离子电池健康状态预估方法

Publications (1)

Publication Number Publication Date
CN114755582A true CN114755582A (zh) 2022-07-15

Family

ID=82327196

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210290361.9A Pending CN114755582A (zh) 2022-03-23 2022-03-23 一种环境温度不同时锂离子电池健康状态预估方法

Country Status (1)

Country Link
CN (1) CN114755582A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116381540A (zh) * 2023-06-05 2023-07-04 石家庄学院 一种计算机运行状态下电池健康监控系统
CN116774086A (zh) * 2023-06-09 2023-09-19 淮阴工学院 一种基于多传感器数据融合的锂电池健康状态估计方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116381540A (zh) * 2023-06-05 2023-07-04 石家庄学院 一种计算机运行状态下电池健康监控系统
CN116381540B (zh) * 2023-06-05 2023-08-22 石家庄学院 一种计算机运行状态下电池健康监控系统
CN116774086A (zh) * 2023-06-09 2023-09-19 淮阴工学院 一种基于多传感器数据融合的锂电池健康状态估计方法
CN116774086B (zh) * 2023-06-09 2024-03-26 淮阴工学院 一种基于多传感器数据融合的锂电池健康状态估计方法

Similar Documents

Publication Publication Date Title
Shen et al. Accurate state of charge estimation with model mismatch for li-ion batteries: A joint moving horizon estimation approach
CN107368619B (zh) 一种扩展卡尔曼滤波soc估算方法
US9244129B2 (en) Method for estimating a state of charge of batteries
Hu et al. Online estimation of an electric vehicle lithium-ion battery using recursive least squares with forgetting
CN112615075B (zh) 电池快速充电方法及计算机设备
WO2016134496A1 (zh) 锂离子电池荷电状态估算方法和装置
CN109633453A (zh) 电池参数在线辨识方法、装置及计算机可读存储介质
CN114755582A (zh) 一种环境温度不同时锂离子电池健康状态预估方法
CN110795851A (zh) 一种考虑环境温度影响的锂离子电池建模方法
CN111965547A (zh) 一种基于参数辨识法的电池系统传感器故障诊断方法
CN109782190A (zh) 用于估计单颗电池或单批电池的剩余使用寿命的方法
Takyi-Aninakwa et al. An optimized long short-term memory-weighted fading extended Kalman filtering model with wide temperature adaptation for the state of charge estimation of lithium-ion batteries
CN110673037B (zh) 基于改进模拟退火算法的电池soc估算方法及系统
Ozcan et al. Online state of charge estimation for Lithium-ion batteries using Gaussian process regression
CN108829911A (zh) 一种开路电压与soc函数关系优化方法
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
CN115166530A (zh) 一种基于改进型卡尔曼滤波算法的航空用锂电池荷电状态精确估计方法
CN112462282A (zh) 基于机理模型的用于确定电池组实时荷电状态的方法
Ramezani-al et al. A novel combined online method for SOC estimation of a Li-Ion battery with practical and industrial considerations
Hu et al. A parameter identification and state of charge estimation method of lithium-ion battery considering temperature bias
Liu et al. Dynamic adaptive square-root unscented Kalman filter and rectangular window recursive least square method for the accurate state of charge estimation of lithium-ion batteries
CN110927582B (zh) 一种基于多种sigma点的锂电池SOC估计方法
Han et al. Modeling for lithium-ion battery used in electric vehicles
WO2015102074A1 (en) Method for estimating state-of-charge of battery
CN115980583A (zh) 基于微分代数方程的锂电池等效电路模型参数辨识四步法

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