CN115453399B - 一种考虑不一致性的电池组soh估计方法 - Google Patents

Abstract

本发明公开了一种考虑不一致性的电池组SOH估计方法，所述方法包括：对选定电池组进行循环充放电测试，采集满充后30分钟的所有电池单体的弛豫电压数据，构建原始数据集D_raw；对原始数据集D_raw计算两次统计变量构建二次统计变量数据集D_sta；通过递归特征消除方法剔除二次统计变量数据集D_sta冗余变量，构建特征数据集D_f；划分数据集；搭建神经网络模型；训练模型；评估模型性能；串联电池组健康状态在线估计。本发明的优势在于：对充电方式和起始电压没有特殊要求；通过获取串联电池组内所有电池单体的老化信息，以及电池不一致性信息，有效提高了估计精度。

Description

一种考虑不一致性的电池组SOH估计方法

技术领域

本发明涉及电池储能技术领域，具体涉及一种考虑不一致性的电池组SOH估计方法。

背景技术

锂离子电池具有使用寿命长、自放电率低和能量效率高的优点，近年来在电动汽车和储能电站中得到广泛应用。由于锂离子电池单体电压和容量较低，需要通过串联和并联的方式组成电池组才能满足使用要求。然而，受限于现有制造工艺与材料问题，串联电池组中的电池单体之间不可避免存在参数不一致性，导致电池组中电池单体之间的老化速率不一致。目前，一般是将电池单体SOH估计方法直接应用于电池组的SOH估计，因此估计精度受到电池参数不一致性的影响。

此外，现有数据驱动的电池组SOH估计方法，常用特征一般为恒流充电阶段的部分电压区间时间变化量、容量增量曲线多个峰点的位置与大小。在实际应用中，电动汽车和储能电站的充电起始电压通常具有随机性，当充电过程未完全包含特征电压区间时，会严重影响估计精度。而且，容量增量曲线需要通过较小的充电电流获取，当充电电流较大时无法通过容量增量曲线提取特征信息。

发明内容

本发明为克服上述现有串联电池组SOH估计方法存在的问题，提出了一种考虑不一致性的电池组SOH估计方法。

本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：

S1：对选定的K个串联电池组进行循环充放电测试，在每次循环中，所述电池组完成充电后均搁置30分钟，期间采集所述电池组中每一个电池单体在搁置过程中的端电压数据，记为弛豫电压数据，构建原始数据集D_raw，并根据每次循环的总放电容量计算所述电池组的SOH值，直到所述电池组SOH值达到70％时停止循环测试；

S2：根据步骤S1所构建的原始数据集D_raw，计算所述电池组中每一个电池单体弛豫电压数据的6类统计变量，包括最大值、最小值、平均值、标准差、峰度和偏度，然后，针对每一个串联电池组中所有电池单体弛豫电压的6类统计变量，计算组内不同电池单体之间同类型统计变量的最大值、最小值、平均值、标准差、峰度和偏度，共获得(6×6)类统计变量，并将步骤S1所获得的电池组SOH值作为标签值，共同构建二次统计变量数据集D_sta；

S3：对步骤S2所获得的二次统计变量数据集D_sta进行归一化处理，采用结合交叉验证的递归特征消除方法对(6×6)类统计变量进行筛选，将被保留的统计变量作为特征，将步骤S1所获得的电池组SOH值作为标签值，构成特征数据集D_f；

S4：对步骤S3所获得的特征数据集D_f，将其中部分电池组的特征数据设为训练集，将剩余电池组的特征数据设为测试集；

S5：搭建神经网络模型，具体可以采用长短期记忆神经网络模型、卷积神经网络模型或全连接神经网络模型，将步骤S3获得的特征数据集D_f中的特征作为所搭建神经网络模型的输入，将对应的电池组SOH值作为所搭建神经网络模型的输出；

S6：将步骤S4获得的训练集输入到所搭建神经网络模型进行训练迭代，将步骤S4获得的测试集输入到所搭建神经网络模型进行性能评估，将评估完成并且性能符合要求的神经网络模型导入到电池管理系统中；

S7：电池管理系统运行期间，对串联电池组进行实时监控，当所述串联电池组完成充电时，根据步骤S1所述方法采集该电池组中所有电池单体的弛豫电压数据，根据步骤S2至步骤S3所述方法对所采集到的弛豫电压数据进行数据处理和特征筛选，获得步骤S3所述特征数据集D_f对应的特征，输入到步骤S6所导入电池管理系统的神经网络模型中，估计该电池组的SOH值。

步骤S1所述的原始数据集D_raw构建方法如下：

S1-1：针对选定的K个串联电池组，对每个电池组都进行循环充放电测试，在每次循环中，所述电池组完成充电后搁置30分钟，并采集所述电池组中每一个电池单体的弛豫电压数据，其中第k个电池组的第m次循环采集到的弛豫电压数据集具体形式如下：

V_k,m＝[V_k,m,1,V_k,m,2,…,V_k,m,n,…,V_k,m,N]

其中，V_k,m,n表示第k个电池组的第m次循环中第n个电池单体的弛豫电压数据，其具体形式如下：

V_k,m,n＝[V_k,m,n,1,V_k,m,n,2,…,V_k,m,n,T]

其中，下标T代表第T个采样时刻；

S1-2：根据每次循环的总放电容量计算所述电池组的SOH值，每个电池组均在SOH达到70％时停止循环测试，构建原始数据集D_raw，具体形式如下：

其中，D_k表示第k个电池组对应的原始数据集，共包含M次循环，其具体形式如下：

步骤S2所述的二次统计变量数据集D_sta构建方法如下：

S2-1：针对选定的K个串联电池组，根据步骤S1所获得的原始数据集D_raw，计算所述电池组中每一个电池单体弛豫电压的6类统计变量，包括最大值、最小值、平均值、标准差、峰度和偏度，对于第k个电池组在第m次循环中第n个电池单体的弛豫电压数据集，将最大值记为V_k,m,n,max，将最小值记为V_k,m,n,min，将平均值记为V_k,m,n,mean，标准差、峰度和偏度的计算公式分别如下：

其中，V_k,m,n,std表示第k个电池组在第m次循环中第n个电池单体的弛豫电压的标准差，V_k,m,n,kur表示第k个电池组在第m次循环中第n个电池单体的弛豫电压的峰度，V_k,m,n,skew表示第k个电池组在第m次循环中第n个电池单体的弛豫电压的偏度；

S2-2：根据步骤S2-1计算得到的所述电池组中每一个电池单体弛豫电压的6类统计变量数据，构建一次统计变量数据集d_sta，具体形式如下：

其中，第k个电池组在第m次循环的一次统计变量数据d_sta,k,m，具体形式如下：

d_sta,k,m＝[d_k,m,1,,d_k,m,2,…,d_k,m,n,…,d_k,m,N]

其中，d_k,m,n表示第k个电池组在第m次循环的第n个电池单体的一次统计变量数据集，其包含6类统计变量，具体形式如下：

d_k,m,n＝[V_k,m,n,max,V_k,m,n,min,V_k,m,n,mean,V_k,m,n,std,V_k,m,n,kur,V_k,m,n,skew]；

S2-3：根据步骤S2-2所获得的一次统计变量数集d_sta，计算每一个电池组内不同电池单体之间同类型统计变量的最大值、最小值、平均值、标准差、峰度和偏度，共获得(6×6)类统计变量，与步骤S1所获得的所述电池组SOH标签值合并，构成二次统计变量数据集D_sta，具体形式如下：

其中，D_sta,k表示第k个电池组的二次统计变量数据集，具体形式如下：

其中，D_sta,k,m表示第k个电池组在第m次循环的二次统计变量数据，其包含(6×6)类统计变量，具体形式如下：

步骤S3所述的特征数据集D_f组成方法如下：

S3-1：将步骤S2所获得的二次统计变量数据集D_sta进行归一化处理，使所有统计变量值都处于[0,1]区间，并更新二次统计变量数据集D_sta；

S3-2：采用结合交叉验证的递归特征消除法对步骤S3-1所更新的二次统计变量数据集D_sta进行特征筛选，设定岭回归作为基学习器，将保留的统计变量作为特征，将步骤S1所获得的电池组SOH值作为标签值，构成特征数据集D_f。。

与现有技术相比，本发明技术方案的有益效果是：

本发明提出的一种考虑不一致性的电池组SOH估计方法，从两个方面提高了SOH估计的场景适应性和精度。首先，利用电池组充满后的弛豫电压数据进行SOH估计，对充电方式和充电起始电压没有特殊要求，具有更强的充电场景适应性；其次，通过提取串联电池组内每个电池单体弛豫电压数据的多类统计变量，并进一步计算组内不同电池单体之间同类型统计变量的二次统计变量，充分获取组内所有电池单体的老化信息，以及整个电池组的不一致性信息，提高了估计精度。

附图说明

图1为本发明提出的一种考虑不一致性的电池组SOH估计方法流程图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

在一个具体的实施例中，如图1所示，一种考虑不一致性的电池组SOH估计方法，包括以下步骤：

S1：对选定的K个串联电池组进行循环充放电测试，在每次循环中，所述电池组完成充电后均搁置30分钟，期间采集所述电池组中每一个电池单体在搁置过程中的端电压数据，记为弛豫电压数据，构建原始数据集D_raw，并根据每次循环的总放电容量计算所述电池组的SOH值，直到所述电池组SOH值达到70％时停止循环测试；

S2：根据步骤S1所构建的原始数据集D_raw，计算所述电池组中每一个电池单体弛豫电压数据的6类统计变量，包括最大值、最小值、平均值、标准差、峰度和偏度，然后，针对每一个串联电池组中所有电池单体弛豫电压的6类统计变量，计算组内不同电池单体之间同类型统计变量的最大值、最小值、平均值、标准差、峰度和偏度，共获得(6×6)类统计变量，并将步骤S1所获得的电池组SOH值作为标签值，共同构建二次统计变量数据集D_sta；

S3：对步骤S2所获得的二次统计变量数据集D_sta进行归一化处理，采用结合交叉验证的递归特征消除方法对(6×6)类统计变量进行筛选，将被保留的统计变量作为特征，将步骤S1所获得的电池组SOH值作为标签值，构成特征数据集D_f；

S4：对步骤S3所获得的特征数据集D_f，将其中部分电池组的特征数据设为训练集，将剩余电池组的特征数据设为测试集；

S5：搭建神经网络模型，具体可以采用长短期记忆神经网络模型、卷积神经网络模型或全连接神经网络模型，将步骤S3获得的特征数据集D_f中的特征作为所搭建神经网络模型的输入，将对应的电池组SOH值作为所搭建神经网络模型的输出；

S6：将步骤S4获得的训练集输入到所搭建神经网络模型进行训练迭代，将步骤S4获得的测试集输入到所搭建神经网络模型进行性能评估，将评估完成并且性能符合要求的神经网络模型导入到电池管理系统中；

S7：电池管理系统运行期间，对串联电池组进行实时监控，当所述串联电池组完成充电时，根据步骤S1所述方法采集该电池组中所有电池单体的弛豫电压数据，根据步骤S2至步骤S3所述方法对所采集到的弛豫电压数据进行数据处理和特征筛选，获得步骤S3所述特征数据集D_f对应的特征，输入到步骤S6所导入电池管理系统的神经网络模型中，估计该电池组的SOH值。

步骤S1所述的原始数据集D_raw构建方法如下：

S1-1：针对选定的K个串联电池组，对每个电池组都进行循环充放电测试，在每次循环中，所述电池组完成充电后搁置30分钟，并采集所述电池组中每一个电池单体的弛豫电压数据，其中第k个电池组的第m次循环采集到的弛豫电压数据集具体形式如下：

V_k,m＝[V_k,m,1,V_k,m,2,…,V_k,m,n,…,V_k,m,N]

其中，V_k,m,n表示第k个电池组的第m次循环中第n个电池单体的弛豫电压数据，其具体形式如下：

V_k,m,n＝[V_k,m,n,1,V_k,m,n,2,…,V_k,m,n,T]

其中，下标T代表第T个采样时刻；

S1-2：根据每次循环的总放电容量计算所述电池组的SOH值，每个电池组均在SOH达到70％时停止循环测试，构建原始数据集D_raw，具体形式如下：

其中，D_k表示第k个电池组对应的原始数据集，共包含M次循环，其具体形式如下：

步骤S2所述的二次统计变量数据集D_sta构建方法如下：

S2-1：针对选定的K个串联电池组，根据步骤S1所获得的原始数据集D_raw，计算所述电池组中每一个电池单体弛豫电压的6类统计变量，包括最大值、最小值、平均值、标准差、峰度和偏度，对于第k个电池组在第m次循环中第n个电池单体的弛豫电压数据集，将最大值记为V_k,m,n,max，将最小值记为V_k,m,n,min，将平均值记为V_k,m,n,mean，标准差、峰度和偏度的计算公式分别如下：

其中，V_k,m,n,std表示第k个电池组在第m次循环中第n个电池单体的弛豫电压的标准差，V_k,m,n,kur表示第k个电池组在第m次循环中第n个电池单体的弛豫电压的峰度，V_k,m,n,skew表示第k个电池组在第m次循环中第n个电池单体的弛豫电压的偏度；

S2-2：根据步骤S2-1计算得到的所述电池组中每一个电池单体弛豫电压的6类统计变量数据，构建一次统计变量数据集d_sta，具体形式如下：

其中，第k个电池组在第m次循环的一次统计变量数据d_sta,k,m，具体形式如下：

d_sta,k,m＝[d_k,m,1,,d_k,m,2,…,d_k,m,n,…,d_k,m,N]

其中，d_k,m,n表示第k个电池组在第m次循环的第n个电池单体的一次统计变量数据集，其包含6类统计变量，具体形式如下：

d_k,m,n＝[V_k,m,n,max,V_k,m,n,min,V_k,m,n,mean,V_k,m,n,std,V_k,m,n,kur,V_k,m,n,skew]；

S2-3：根据步骤S2-2所获得的一次统计变量数集d_sta，计算每一个电池组内不同电池单体之间同类型统计变量的最大值、最小值、平均值、标准差、峰度和偏度，共获得(6×6)类统计变量，与步骤S1所获得的所述电池组SOH标签值合并，构成二次统计变量数据集D_sta，具体形式如下：

其中，D_sta,k表示第k个电池组的二次统计变量数据集，具体形式如下：

其中，D_sta,k,m表示第k个电池组在第m次循环的二次统计变量数据，其包含(6×6)类统计变量，具体形式如下：

步骤S3所述的特征数据集D_f组成方法如下：

S3-1：将步骤S2所获得的二次统计变量数据集D_sta进行归一化处理，使所有统计变量值都处于[0,1]区间，并更新二次统计变量数据集D_sta；

S3-2：采用结合交叉验证的递归特征消除法对步骤S3-1所更新的二次统计变量数据集D_sta进行特征筛选，设定岭回归作为基学习器，将保留的统计变量作为特征，将步骤S1所获得的电池组SOH值作为标签值，构成特征数据集D_f。

步骤S5所述的搭建神经网络模型，具体可以采用长短期记忆神经网络模型、卷积神经网络模型或全连接神经网络模型，作为具体实施例之一，选取LSTM模型进行说明如下：

S5-1：设定LSTM模型依次由输入层、LSTM神经元层、Dropout层、全连接层和输出层构成，输入层的神经元个数设定为步骤S3所获得特征数据集D_f的特征个数，输出层的神经元个数设定为1，将特征数据集D_f的特征作为LSTM模型的输入，对应的电池组SOH值作为LSTM模型的输出，其中LSTM神经元的计算公式如下：

i_t＝σ(W_i[h_(t-1),x_t]+b_i)

f_t＝σ(W_f[h_(t-1),x_t]+b_f)

o_t＝σ(W_o[h_(t-1),x_t]+b_o)

q_t＝tanh(W_q[h_(t-1),x_t]+b_q)

c_t＝f_t⊙c_(t-1)+i_t⊙q_t

h_t＝o_t⊙tanh(c_t)

其中，i_t、f_t、o_t、q_t分别表示当前时刻的输入门、遗忘门、输出门和输入节点数据，W_i、W_f、W_o、W_q分别表示输入门、遗忘门、输出门、输入节点的权重参数，b_i、b_f、b_o、b_g分别表示输入门、遗忘门、输出门、输入节点的偏置参数，h_(t-1)、h_t分别表示在前一时刻和当前时刻的输出，c_t-1、c_t分别表示上一时刻和当前时刻的状态值，σ是sigmoid函数、⊙是哈玛达积，tanh表示双曲函数；

S5-2：设置LSTM层和全连接层的神经元个数，迭代次数和学习率，初始化LSTM模型的各权重与偏置参数；

步骤S6所述的对所搭建神经网络模型的性能评估，对步骤S5所搭建的LSTM模型性能评估具体步骤如下：

S6-1：将电池组SOH的均方根误差函数(RMSE)和平均绝对误差函数(MAE)作为LSTM模型性能评价指标，具体的计算公式如下：

其中，SOH_real(m)表示第m次循环中SOH的真实值，SOH_pre(m)表示第m次循环中SOH的估计值；

S6-2：设定RMSE和MAE的误差阈值分别为ε₁和ε₂，当RMSE＜ε₁或者MAE＜ε₂时，则视作LSTM模型估计精度满足要求，保存LSTM模型并导入到电池管理系统中，反之则重复步骤S5，直至估计精度满足要求。

步骤S7所述的串联电池组SOH在线估计，具体步骤如下：

S7-1：电池管理系统运行期间，对串联电池组进行实时监控，当所述串联电池组完成充电时，根据步骤S1所述方法采集该电池组中所有电池单体的弛豫电压数据，根据步骤S2至步骤S3所述方法对所采集到的弛豫电压数据进行数据处理和特征筛选，获得步骤S3所述特征数据集D_f所对应的特征；

S7-2：将步骤S7-1所获得的特征输入到步骤S6所导入电池管理系统的LSTM模型中，估计该电池组的SOH值。

Claims (3)

1.一种考虑不一致性的电池组SOH估计方法，其特征在于，具体步骤如下：

S1：对选定的K个串联电池组进行循环充放电测试，在每次循环中，所述电池组完成充电后均搁置30分钟，期间采集所述电池组中每一个电池单体在搁置过程中的端电压数据，记为弛豫电压数据，构建原始数据集D_raw，并根据每次循环的总放电容量计算所述电池组的SOH值，直到所述电池组SOH值达到70％时停止循环测试；

步骤S1所述的原始数据集D_raw构建方法如下：

S1-1：针对选定的K个串联电池组，对每个电池组都进行循环充放电测试，在每次循环中，所述电池组完成充电后搁置30分钟，并采集所述电池组中每一个电池单体的弛豫电压数据，其中第k个电池组的第m次循环采集到的弛豫电压数据集具体形式如下：

V_k,m＝[V_k,m,1,V_k,m,2,…,V_k,m,n,…,V_k,m,N]

其中，V_k,m,n表示第k个电池组的第m次循环中第n个电池单体的弛豫电压数据，其具体形式如下：

V_k,m,n＝[V_k,m,n,1,V_k,m,n,2,…,V_k,m,n,T]

其中，下标T代表第T个采样时刻；

S1-2：根据每次循环的总放电容量计算所述电池组的SOH值，每个电池组均在SOH达到70％时停止循环测试，构建原始数据集D_raw，具体形式如下：

其中，D_k表示第k个电池组对应的原始数据集，共包含M次循环，其具体形式如下：

S2：根据步骤S1所构建的原始数据集D_raw，计算所述电池组中每一个电池单体弛豫电压数据的6类统计变量，包括最大值、最小值、平均值、标准差、峰度和偏度，然后，针对每一个串联电池组中所有电池单体弛豫电压的6类统计变量，计算组内不同电池单体之间同类型统计变量的最大值、最小值、平均值、标准差、峰度和偏度，共获得6×6类统计变量，并将步骤S1所获得的电池组SOH值作为标签值，共同构建二次统计变量数据集D_sta；

S3：对步骤S2所获得的二次统计变量数据集D_sta进行归一化处理，采用结合交叉验证的递归特征消除方法对6×6类统计变量进行筛选，将被保留的统计变量作为特征，将步骤S1所获得的电池组SOH值作为标签值，构成特征数据集D_f；

S4：对步骤S3所获得的特征数据集D_f，将其中部分电池组的特征数据设为训练集，将剩余电池组的特征数据设为测试集；

S5：搭建神经网络模型，具体采用长短期记忆神经网络模型、卷积神经网络模型或全连接神经网络模型，将步骤S3获得的特征数据集D_f中的特征作为所搭建神经网络模型的输入，将对应的电池组SOH值作为所搭建神经网络模型的输出；

S6：将步骤S4获得的训练集输入到所搭建神经网络模型进行训练迭代，将步骤S4获得的测试集输入到所搭建神经网络模型进行性能评估，将评估完成并且性能符合要求的神经网络模型导入到电池管理系统中；

S7：电池管理系统运行期间，对串联电池组进行实时监控，当所述串联电池组完成充电时，根据步骤S1所述方法采集该电池组中所有电池单体的弛豫电压数据，根据步骤S2至步骤S3所述方法对所采集到的弛豫电压数据进行数据处理和特征筛选，获得步骤S3所述特征数据集D_f对应的特征，输入到步骤S6所导入电池管理系统的神经网络模型中，估计该电池组的SOH值。

2.根据权利要求1所述一种考虑不一致性的电池组SOH估计方法，其特征在于，步骤S2所述的二次统计变量数据集D_sta构建方法如下：

S2-1：针对选定的K个串联电池组，根据步骤S1所获得的原始数据集D_raw，计算所述电池组中每一个电池单体弛豫电压的6类统计变量，包括最大值、最小值、平均值、标准差、峰度和偏度，对于第k个电池组在第m次循环中第n个电池单体的弛豫电压数据集，将最大值记为V_k,m,n,max，将最小值记为V_k,m,n,min，将平均值记为V_k,m,n,mean，标准差、峰度和偏度的计算公式分别如下：

其中，V_k,m,n,std表示第k个电池组在第m次循环中第n个电池单体的弛豫电压的标准差，V_k,m,n,kur表示第k个电池组在第m次循环中第n个电池单体的弛豫电压的峰度，V_k,m,n,skew表示第k个电池组在第m次循环中第n个电池单体的弛豫电压的偏度；

S2-2：根据步骤S2-1计算得到的所述电池组中每一个电池单体弛豫电压的6类统计变量数据，构建一次统计变量数据集d_sta，具体形式如下：

其中，第k个电池组在第m次循环的一次统计变量数据d_sta,k,m，具体形式如下：

d_sta,k,m＝[d_k,m,1,d_k,m,2,…,d_k,m,n,…,d_k,m,N]

其中，d_k,m,n表示第k个电池组在第m次循环的第n个电池单体的一次统计变量数据集，其包含6类统计变量，具体形式如下：

d_k,m,n＝[V_k,m,n,max,V_k,m,n,min,V_k,m,n,mean,V_k,m,n,std,V_k,m,n,kur,V_k,m,n,skew]；

S2-3：根据步骤S2-2所获得的一次统计变量数集d_sta，计算每一个电池组内不同电池单体之间同类型统计变量的最大值、最小值、平均值、标准差、峰度和偏度，共获得6×6类统计变量，与步骤S1所获得的所述电池组SOH标签值合并，构成二次统计变量数据集D_sta，具体形式如下：

其中，D_sta,k表示第k个电池组的二次统计变量数据集，具体形式如下：

其中，D_sta,k,m表示第k个电池组在第m次循环的二次统计变量数据，其包含6×6类统计变量，具体形式如下：

3.根据权利要求1所述一种考虑不一致性的电池组SOH估计方法，其特征在于，步骤S3所述的特征数据集D_f组成方法如下：

S3-1：将步骤S2所获得的二次统计变量数据集D_sta进行归一化处理，使所有统计变量值都处于[0,1]区间，并更新二次统计变量数据集D_sta；

S3-2：采用结合交叉验证的递归特征消除法对步骤S3-1所更新的二次统计变量数据集D_sta进行特征筛选，设定岭回归作为基学习器，将保留的统计变量作为特征，将步骤S1所获得的电池组SOH值作为标签值，构成特征数据集D_f。

Images