CN116243194A - 一种混合工况条件下的电池健康状态在线预测方法 - Google Patents

一种混合工况条件下的电池健康状态在线预测方法 Download PDF

Info

Publication number
CN116243194A
CN116243194A CN202211687026.9A CN202211687026A CN116243194A CN 116243194 A CN116243194 A CN 116243194A CN 202211687026 A CN202211687026 A CN 202211687026A CN 116243194 A CN116243194 A CN 116243194A
Authority
CN
China
Prior art keywords
battery
prediction
model
health
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.)
Pending
Application number
CN202211687026.9A
Other languages
English (en)
Inventor
张永志
赵明远
冯信鸿
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN202211687026.9A priority Critical patent/CN116243194A/zh
Publication of CN116243194A publication Critical patent/CN116243194A/zh
Pending legal-status Critical Current

Links

Images

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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及一种机理和数据融合驱动的多工况在线预测电池健康状态和寿命的机器学习方法，属于电池检测领域。该方法包括以下步骤：获得电池在不同工况下以一定电流倍率充电到截止电压后，继续以恒压充至满电，然后静置一段时间的电压容量数据；基于提取的静置时的电压曲线，使用电池二阶RC等效电路模型，辨识出包含电池机理信息的开路电压、电阻和电容等六个参数作为模型输入得到电池在线的健康状态预测模型、电池在线的剩余使用寿命预测模型、电池在线剩余寿命分类模型，实现快速准确的在线预测电池的健康状态、剩余使用寿命和电池寿命分类。

Description

一种混合工况条件下的电池健康状态在线预测方法
技术领域
本发明属于电池检测领域，涉及一种混合工况条件下的电池健康状态在线预测方法。
背景技术
电池在线的性能预测，主要方法是基于机理的物理模型或者采用基于数据驱动的模型的方式来构建预测模型。由于电池老化机理的复杂性，目前难以找到符合多工况的电池老化机理模型，例如，公开号为CN112881916A的中国专利，利用电池充放电循环数据构建不同温度下的电池老化经验模型，并采用不同方法不同权重方式来综合预测电池健康状态和剩余使用寿命，以提高预测精度。然而，该方法过度依赖充放电循环数据，认为未来工作条件与过去相似，对容量进行衰退轨迹预测，没有充分考虑电池负载工况的实时变化和不同的充放电工况。此外，随着计算机技术和人工智能的发展，基于统计和机器学习技术的数据驱动方法由于其强大的数据处理和非线性拟合能力在电池领域研究中备受关注。例如，公开号为CN111007417A的中国专利，提供了一种基于局部充电电压变化节点处提取的特征参量，并计算健康因子作为输入，进行多输入的数据驱动回归模型的训练，该方法在实施过程中，无需完整的充电电压数据，基于不一致性健康因子实现了对电池健康状态和剩余使用寿命的预测，符合实际运用。然而，其从充电电压节点提取的数据易受实验条件的影响，导致数据波动进而影响预测精度，并且只考虑了在恒电流放电及相同温度工况，其模型的外推能力受到限制。同时，基于数据驱动方法的关键在于退化特征的提取，输入和输出特征之间的关系很大程度上决定了估计性能，并且对电池寿命的实际表征通常缺少相应的机理信息基础，可解释性较差。
针对上述问题，将基于机理的物理模型和数据驱动方法相结合是具有前景的，因此，如何在多工况条件下有效融合机理模型和数据驱动方法，提高在线预测模型的效率和可靠性，并实现在线的电池健康状态估计、剩余使用寿命的预测和分类，同时保证有较高的准确性是亟待解决的问题。
发明内容
有鉴于此，本发明的目的在于提供一种混合工况条件下的电池健康状态在线预测方法。
为达到上述目的，本发明提供如下技术方案：
一种混合工况条件下的电池健康状态在线预测方法，该方法包括以下步骤：
S1：获得电池在不同工况下以一定电流倍率充电到截止电压后，继续以恒压充至满电，然后静置一段时间的电压容量数据；
S2：基于提取的静置时的电压曲线，使用机理模型，辨识出包含电池机理信息特征参数为模型输入；
S3：在静置结束后让电池恒流放电到放电截止电压，放电的容量作为当前容量，其与初始容量的比值为电池的健康状态，以该电池的健康状态为输出进行基于机器学习方法的回归预测模型的训练，得到电池在线的健康状态预测模型；
S4：电池在容量衰退到80％初始容量前全生命周期内任一循环处的剩余使用寿命作为输出，进行基于机器学习方法的回归预测模型的训练，得到电池在线的剩余使用寿命预测模型；
S5：基于电池循环处不同的健康状态设置分类动态阈值，将电池分为长寿命和短寿命组作为输出，进行基于机器学习方法的回归分类器的训练，得到电池在线剩余寿命分类模型；
S6：对不同工况下的待测电池同样提取出静置段的电压数据进行机理模型的参数辨识，将辨识的参数输入已训练好的电池在线的健康状态预测模型、电池在线的剩余使用寿命预测模型和电池在线剩余寿命分类模型中；
S7：在线预测电池的健康状态、剩余使用寿命、电池长寿命分类和电池短寿命分类。
可选的，所述机理模型为电池等效电路模型中的二阶RC等效电路模型。
可选的，所述S2中，对于车载采集的数据，电池充满电后的静置期成为提取可靠的健康相关特征的有希望的阶段[1,2]；静置段电压曲线随电池老化呈现有一定规律的下降趋势；通过等效电路模型ECM提取反应电池内部电化学老化过程的特征参数，即开路电压、电阻和电容；
基于机器学习方法，从ECM中提取的物理特征作为输入，电池健康状态/寿命作为输出；使用轻型机器学习方法，包括高斯进度回归GPR和高斯进度分类GPC，分别用于健康状态预测、寿命预测和分类目的。
可选的，所述机器学习方法为物理信息驱动的机器学习ML方法。
可选的，所述S2中，对于车载采集的数据，放电过程是复杂多变的，充电过程又通常开始于不确定的荷电状态，使电池充满电后的静置期成为提取可靠的健康相关特征的有希望的阶段[1,2]；静置段电压曲线随电池老化呈现有规律的下降趋势；通过等效电路模型ECM提取反应电池内部的电化学老化过程的特征参数；
基于物理信息驱动的机器学习(ML)方法，从ECM中提取的物理特征作为输入，电池健康状态/寿命作为输出；使用轻型机器学习方法，包括高斯进度回归GPR和高斯进度分类GPC，分别用于健康状态预测、寿命预测和分类目的。
可选的，所述S2中，等效电路由一个欧姆电阻R0和两个RC网络R1、R2、C1和C2串联而成；电池端电压Ut(t)计算为：
Ut(t)＝OCV-i(t)R0-U1(t)-U2(t)
式中i(t)为t时刻的负载电流，放电为正，充电为负，U1(t)和U2(t)分别为t时刻两个RC网络的端电压；
在充电后静置过程中，当i(t)＝0时，RC网络的端电压随时间的微分形式为：
Figure BDA0004019592110000031
Figure BDA0004019592110000032
/>
i(0)＝i在t＝0时，其中i是恒压CV充电过程中的截止电流，推导出U1(t)和U2(t)：
Figure BDA0004019592110000033
Figure BDA0004019592110000034
电池端电压表示为：
Figure BDA0004019592110000035
在静置过程中i(t)＝0当t>0时，有：
Figure BDA0004019592110000036
利用非线性拟合方法将电池电压与实验数据进行拟合，得到不同循环时OCV、R1、R2、C1、C2的模型参数；设t＝0，不同循环处的参数R0计算如下：
Figure BDA0004019592110000037
完成对等效电路模型六个参数的辨识，得到输入特征。
可选的，所述S6中，高斯过程回归，输出yi＝f(xi)+εi,εi～N(0,σ2)，并设f(x)和ε都服从高斯过程；而训练集中所有的输出为Y＝(y1,…,yn)T，所有输入为X＝(x1,…,xn)T，有F＝(f(x1),…,f(xn))～N(0,K)，Kij＝k(xi,xj)，k(.)为核函数；核函数为指数协方差函数：
Figure BDA0004019592110000038
其中lj代表第j个特征的长度标度，σf为信号标准差；θ＝(σ,σf,l1,…,lm)为高斯过程回归的超参数，其值通过最小化似然函数NLML＝-logp(Y|X,θ)求得；在高斯过程回归中训练集和预测集的联合概率分布为：
Figure BDA0004019592110000041
式中I为n阶单位矩阵，x*和y*分别为预测集的输入和输出；在训练集的输入输出就预测集的输入已知的前提下，预测集输出的条件概率分布为：
y*|x*,Y,X～N(μ,σ*2)
μ＝K(x*,X)(K(X,X)+σ2I)-1Y
σ*2＝K(x*,x*)-K(x*,X)(K(X,X)+σ2I)-1K(X,x*)
其中μ为所求的预测值，σ*2为预测方差；
在高斯过程分类中，所有样本的输出都被假设服从伯努利发布，输出只有+1和-1两种可能，其中输出为+1的概率为：
p(y＝1|x)＝Φ(f(x))
此处f(.)为潜在函数，Φ(.)为标准高斯分布的累计概率密度函数，本方法使用sigmoid函数，其公式为：
Figure BDA0004019592110000042
/>
该函数的目的是将f(x)转换为[0,1]区间的值，条件概率p(y|f(x))＝Φ(yf(x))；令F＝(f(x1),…,f(xn)),(F|X～N(0,K))，Y＝(y1,…,yn)T，X＝(x1,…,xn)T，其中xi和yi分别为训练集的输入和输出，Kij＝k(xi,xj)，k(.)为核函数，本方法在分类和预测中使用的是相同的核函数；根据贝叶斯规则：
Figure BDA0004019592110000043
Figure BDA0004019592110000044
p(Y|X)＝∫p(F|X)p(Y|F)df
在高斯过程分类中，训练集和预测集的联合概率分布为：
Figure BDA0004019592110000045
式中x*和y*分别为预测集的输入和输出；求出预测集潜在函数的条件概率分布：
f(x*)|X,x*,F～N(μ,σ2)
μ＝K(x*,X)K(X,X)-1F
σ2＝K(x*,x*)-K(x*,X)K(X,X)-1K(X,x*)
结合f(x*)|X,x*,F和p(F|X,Y)求得：
p(f(x*)|X,Y,x*)＝∫p(f(x*)|X,x*,F)p(F|X,Y)df
根据上式，预测集的输出概率公式为：
p(y*|X,Y,x*)＝∫p(y*|f(x*))p(f(x*)|X,Y,x*)df(x*)
求解时用到拉普拉斯数值近似法，即：
f(x*)|X,x*,F～N(μ*,σ*2)
Figure BDA0004019592110000051
σ*2＝K(x*,x*)-K(x*,X)(K(X,X)+W-1)-1K(X,x*)
Figure BDA0004019592110000052
Figure BDA0004019592110000053
预测集的输出概率由下式求出：
Figure BDA0004019592110000054
如果p(y*|X,Y,x*)>0.5，则预测集的分类结果为+1，否则为-1。
本发明的有益效果在于：
1、采用电池的静置段电压提取数据，无需完整的充放电循环数据，不受不同充电协议以及放电策略的影响，对于车载数据，更符合实际运用。
2、提出了一种基于机理信息的物理模型和数据驱动方法相结合进行电池性能预测的解决方案，使用静置段电压数据对二阶RC等效电路模型进行特征参数辨识。
3、该方法考虑了不同温度、不同充放电条件以及不同锂离子电池种类，利用高斯过程回归的方法获得了辨识的参数和电池健康状态以及寿命之间的关系，较为准确的实现了多工况下在线电池健康状态估计、剩余使用寿命预测和寿命分类。
4、提出的机理-数据融合驱动的在线预测方法，对于电池的安全可靠运行提供了重要保障，有助于开发个性化的电池管理技术，对电池系统的预测性维护提供了明确的指导，同时高准确率的在线分类加快了退役电池的排序/重组过程，有利于提高能源利用率。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明流程图；
图2为本发明建模框架；
图3为等效电路模型；
图4为电池健康状态预测的结果图；
图5为电池剩余使用寿命预测的结果图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”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，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
如图1所示，为本发明流程图。
S1：获得电池在不同工况下以一定电流倍率充电到截止电压后，继续以恒压充至满电，然后静置一段时间的电压容量数据；
S2：基于提取的静置时的电压曲线，使用电池二阶RC等效电路模型，辨识出包含电池机理信息的开路电压、电阻和电容等六个参数作为模型输入
S3：在静置结束后让电池恒流放电到放电截止电压，放电的容量作为当前容量，其与初始容量的比值为电池的健康状态，以此为输出进行多输入的高斯过程回归预测模型的训练；得到电池在线的健康状态预测模型；
S4：电池在容量衰退到80％初始容量前全生命周期内的剩余使用寿命作为输出，进行多输入的高斯过程回归预测模型的训练；得到电池在线的剩余使用寿命预测模型；
S5：基于电池循环处不同的健康状态设置动态阈值，将电池分为长寿命和短寿命组作为输出，进行多输入的高斯过程回归分类器的训练；得到电池在线剩余寿命分类模型；
S6：对不同工况下的待测电池同样提取出静置段的电压数据进行二阶RC等效电路模型的参数辨识，将辨识的参数输入已训练好的模型中；
S7：实现在线的预测电池的健康状态、剩余使用寿命和电池长/短寿命分类。
一、特征提取
1.1物理信息驱动的机器学习方法
图2为在线健康状态以及寿命预测建模框架。
对于车载采集的数据，放电过程通常是复杂多变的，而充电过程通常又开始于不确定的荷电状态，使电池充满电后的静置期成为提取可靠的健康相关特征的一个有希望的阶段[1,2]。静置段电压曲线随电池老化呈现有规律的下降趋势。通过等效电路模型(ECM)提取反应电池内部的电化学老化过程的特征，在保持较高建模保真度的同时，可以快速在线辨识参数。
基于物理信息驱动的机器学习(ML)方法，从ECM中提取的物理特征作为输入，电池健康状态/寿命作为输出。为了保持预测模型的高度可解释性，我们使用轻型机器学习方法，包括高斯过程回归(GPR)和高斯过程分类(GPC)，分别用于健康状态预测、寿命预测和分类目的。除了高可解释性外，轻ML在实践中计算负担也很低，因此可以嵌入到真正的BMS中或有效地部署在云平台上。
1.2等效电路模型参数辨识
等效电路模型如图3所示；
等效电路由一个欧姆电阻(R0)和两个RC网络(R1，R2，C1，C2)串联而成。电池端电压Ut(t)计算为：
Ut(t)＝OCV-i(t)R0-U1(t)-U2(t)
式中i(t)为t时刻的负载电流(放电为正，充电为负)，U1(t)和U2(t)分别为t时刻两个RC网络的端电压。
在充电后静置过程中，当i(t)＝0时，RC网络的端电压随时间的微分形式为：
Figure BDA0004019592110000071
Figure BDA0004019592110000072
请注意，i(0)＝i在t＝0时，其中i是恒压(CV)充电过程中的截止电流，并通过组合等式(2)和(3)，推导出U1(t)和U2(t)：
Figure BDA0004019592110000081
Figure BDA0004019592110000082
因此，电池端电压进一步表示为：
Figure BDA0004019592110000083
在静置过程中i(t)＝0当t>0时，有：
Figure BDA0004019592110000084
然后利用非线性拟合方法将电池电压与实验数据进行拟合，得到不同循环时OCV、R1、R2、C1、C2等模型参数。设t＝0，不同循环处的参数R0计算如下：
Figure BDA0004019592110000085
以上步骤完成对等效电路模型六个参数的辨识，得到输入特征。
二、机器学习方法
2.1高斯过程回归
高斯过程回归中，输出yi＝f(xi)+εi,εi～N(0,σ2)，并假设f(x)和ε都服从高斯过程。而训练集中所有的输出为Y＝(y1,…,yn)T，所有输入为X＝(x1,…,xn)T，有F＝(f(x1),…,f(xn))～N(0,K)，Kij＝k(xi,xj)，k(.)为核函数。本发明中所选用的核函数为指数协方差函数：
Figure BDA0004019592110000086
其中lj代表第j个特征的长度标度，σf为信号标准差。θ＝(σ,σf,l1,…,lm)为高斯过程回归的超参数，其值通过最小化似然函数NLML＝-logp(Y|X,θ)求得。在高斯过程回归中训练集和预测集的联合概率分布为：
Figure BDA0004019592110000087
式中I为n阶单位矩阵，x*和y*分别为预测集的输入和输出。在训练集的输入输出就预测集的输入已知的前提下，预测集输出的条件概率分布为：
y*|x*,Y,X～N(μ,σ*2)
μ＝K(x*,X)(K(X,X)+σ2I)-1Y
σ*2＝K(x*,x*)-K(x*,X)(K(X,X)+σ2I)-1K(X,x*)
其中μ为所求的预测值，σ*2为预测方差。
为了说明本方法的预测准确度，通过评估模型来进行测试，评估模型采用测试数据集，具体的预测模型评价指标使用均方根误差(RMSE)和平均绝对百分比误差(MAPE)，即评估模型为：
Figure BDA0004019592110000091
Figure BDA0004019592110000092
其中，yi是指当前预测集中实际的健康状态或者剩余使用寿命，
Figure BDA0004019592110000093
是模型的预测值，y是初始的健康状态和电池寿命。
2.2高斯过程分类
在高斯过程分类中，所有样本的输出都被假设服从伯努利发布，输出只有+1和-1两种可能，其中输出为+1的概率为：
p(y＝1|x)＝Φ(f(x))
此处f(.)为潜在函数，Φ(.)为标准高斯分布的累计概率密度函数，本方法使用的是sigmoid函数，其公式为：
Figure BDA0004019592110000094
该函数的目的是将f(x)转换为[0,1]区间的值，条件概率p(y|f(x))＝Φ(yf(x))。令F＝(f(x1),…,f(xn)),(F|X～N(0,K))，Y＝(y1,…,yn)T，X＝(x1,…,xn)T，其中xi和yi分别为训练集的输入和输出，Kij＝k(xi,xj)，k(.)为核函数，本方法在分类和预测中选择使用了相同的核函数。根据贝叶斯规则：
Figure BDA0004019592110000095
Figure BDA0004019592110000096
p(Y|X)＝∫p(F|X)p(Y|F)df
在高斯过程分类中，训练集和预测集的联合概率分布为：
Figure BDA0004019592110000097
式中x*和y*分别为预测集的输入和输出。由此求出预测集潜在函数的条件概率分布：
f(x*)|X,x*,F～N(μ,σ2)
μ＝K(x*,X)K(X,X)-1F
σ2＝K(x*,x*)-K(x*,X)K(X,X)-1K(X,x*)
结合f(x*)|X,x*,F和p(F|X,Y)求得：
p(f(x*)|X,Y,x*)＝∫p(f(x*)|X,x*,F)p(F|X,Y)df
根据上式，预测集的输出概率公式为：
p(y*|X,Y,x*)＝∫p(y*|f(x*))p(f(x*)|X,Y,x*)df(x*)
然而此式没有解析解，求解时需要用到数值近似法，如Laplace近似法，即：
f(x*)|X,x*,F～N(μ*,σ*2)
Figure BDA0004019592110000101
σ*2＝K(x*,x*)-K(x*,X)(K(X,X)+W-1)-1K(X,x*)
Figure BDA0004019592110000102
Figure BDA0004019592110000103
预测集的输出概率由下式求出：
Figure BDA0004019592110000104
如果p(y*|X,Y,x*)>0.5，则预测集的分类结果为+1，否则为-1。
本方法的预测效果：
表1电池健康状态预测
电池类型 测量工况 RMSE(％) MAPE(％)
NCM+NCA CY25-0.5/1 0.75 0.69
CY25-0.5/2 0.93 0.84
CY25-0.5/4 0.79 0.72
NCA电池：正极材料为Li0.86Ni0.86Co0.11Al0.03O2的电池。
NCM电池：正极材料为Li0.84(Ni0.83Co0.11Mn0.07)O2的电池。
NCM+NCA电池：正极材料由42％Li(NiCoMn)O2和58％Li(NiCoAl)O2相融合而成的电池。
工况：CYA-B/C中A为温度，B为恒流充电电流倍率，C为恒流放电电流倍率。
如CY25-0.5/1代表该组电池是在25℃下以0.5倍标称容量的电流大小进行恒流充电，再经过恒压充电和静置段后，再以1倍标称容量的电流大小进行恒流放电。
如图4所示，电池健康状态：
Figure BDA0004019592110000111
均方根误差：
Figure BDA0004019592110000112
平均绝对百分比误差：
Figure BDA0004019592110000113
表2电池剩余使用寿命预测
电池类型 测量工况 RMSE(循环数) MAPE(％)
NCM+NCA CY25-0.5/1 29.72 5.88
CY25-0.5/2 28.14 5.17
CY25-0.5/4 12.30 2.19
如图5所示，对角线上的红线是理想的预测结果，图中的点为实际预测的结果，点越接近对角线，结果就越精确。不同颜色的点代表不同条件下的不同电池。
Qi为电池的当前容量，Qinit为电池的初始容量。
y为实际值，
Figure BDA0004019592110000116
为预测的值，y1为各电池的初始值，n为该工况内所有电池的总的循环数。/>
表3分类结果
Figure BDA0004019592110000114
阈值的选取与电池的SOH有关：
Figure BDA0004019592110000115
选定在SOH＝100％时的阈值为450循环，在SOH＝80％时的阈值为0循环，以这两个值为限定条件，将阈值设为能随电池SOH下降而减少的动态变量。若电池的剩余使用寿命大于等于阈值，则判断其为长寿命电池，否则判断为短寿命电池。由于电池一般只使用到80％SOH，所以一般只在其达到80％SOH之前进行分类。
准确率计算公式：
Figure BDA0004019592110000121
式中nright为该工况下所有电池中分类正确的循环数，nall为该工况下所有电池中总的循环数。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种混合工况条件下的电池健康状态在线预测方法，其特征在于：该方法包括以下步骤：
S1：获得电池在不同工况下以一定电流倍率充电到截止电压后，继续以恒压充至满电，然后静置一段时间的电压容量数据；
S2：基于提取的静置时的电压曲线，使用机理模型，辨识出包含电池机理信息特征参数为模型输入；
S3：在静置结束后让电池恒流放电到放电截止电压，放电的容量作为当前容量，其与初始容量的比值为电池的健康状态，以该电池的健康状态为输出进行基于机器学习方法的回归预测模型的训练，得到电池在线的健康状态预测模型；
S4：电池在容量衰退到80％初始容量前全生命周期内任一循环处的剩余使用寿命作为输出，进行基于机器学习方法的回归预测模型的训练，得到电池在线的剩余使用寿命预测模型；
S5：基于电池循环处不同的健康状态设置分类动态阈值，将电池分为长寿命和短寿命组作为输出，进行基于机器学习方法的回归分类器的训练，得到电池在线剩余寿命分类模型；
S6：对不同工况下的待测电池同样提取出静置段的电压数据进行机理模型的参数辨识，将辨识的参数输入已训练好的电池在线的健康状态预测模型、电池在线的剩余使用寿命预测模型和电池在线剩余寿命分类模型中；
S7：在线预测电池的健康状态、剩余使用寿命、电池长寿命分类和电池短寿命分类。
2.根据权利要求1所述的一种混合工况条件下的电池健康状态在线预测方法，其特征在于：所述机理模型为电池等效电路模型中的二阶RC等效电路模型。
3.根据权利要求2所述的一种混合工况条件下的电池健康状态在线预测方法，其特征在于：所述S2中，对于车载采集的数据，电池充满电后的静置期成为提取可靠的健康相关特征的有希望的阶段[1,2]；静置段电压曲线随电池老化呈现有一定规律的下降趋势；通过等效电路模型ECM提取反应电池内部电化学老化过程的特征参数，即开路电压、电阻和电容；
基于机器学习方法，从ECM中提取的物理特征作为输入，电池健康状态/寿命作为输出；使用轻型机器学习方法，包括高斯进度回归GPR和高斯进度分类GPC，分别用于健康状态预测、寿命预测和分类目的。
4.根据权利要求3所述的一种混合工况条件下的电池健康状态在线预测方法，其特征在于：所述机器学习方法为物理信息驱动的机器学习ML方法。
5.根据权利要求4所述的一种混合工况条件下的电池健康状态在线预测方法，其特征在于：所述S2中，等效电路由一个欧姆电阻R0和两个RC网络R1、R2、C1和C2串联而成；电池端电压Ut(t)计算为：
Ut(t)＝OCV-i(t)R0-U1(t)-U2(t)
式中i(t)为t时刻的负载电流，放电为正，充电为负，U1(t)和U2(t)分别为t时刻两个RC网络的端电压；
在充电后静置过程中，当i(t)＝0时，RC网络的端电压随时间的微分形式为：
Figure FDA0004019592100000021
/>
Figure FDA0004019592100000022
i(0)＝i在t＝0时，其中i是恒压CV充电过程中的截止电流，推导出U1(t)和U2(t)：
Figure FDA0004019592100000023
Figure FDA0004019592100000024
电池端电压表示为：
Figure FDA0004019592100000025
在静置过程中i(t)＝0当t>0时，有：
Figure FDA0004019592100000026
利用非线性拟合方法将实验数据和等效电路模型进行拟合，辨识出不同循环时OCV、R1、R2、C1、C2的模型参数；设t＝0，不同循环处的参数R0计算如下：
Figure FDA0004019592100000027
完成对等效电路模型六个参数的辨识，得到输入特征。
6.根据权利要求5所述的一种混合工况条件下的电池健康状态在线预测方法，其特征在于：所述S6中，高斯过程回归，输出yi＝f(xi)+εi,εi～N(0,σ2)，并设f(x)和ε都服从高斯过程分布；而训练集中所有的输出为Y＝(y1,…,yn)T，所有输入为X＝(x1,…,xn)T，有F＝(f(x1),…,f(xn))～N(0,K)，Kij＝k(xi,xj)，k(.)为核函数；核函数为指数协方差函数：
Figure FDA0004019592100000028
其中lj代表第j个特征的长度标度，σf为信号标准差；θ＝(σ,σf,l1,…,lm)为高斯过程回归的超参数，其值通过最小化似然函数NLML＝-logp(Y|X,θ)求得；在高斯过程回归中训练集和预测集的联合概率分布为：
Figure FDA0004019592100000031
式中I为n阶单位矩阵，x*和y*分别为预测集的输入和输出；在训练集的输入输出就预测集的输入已知的前提下，预测集输出的条件概率为：
y*|x*,Y,X～N(μ,σ*2)
μ＝K(x*,X)(K(X,X)+σ2I)-1Y
σ*2＝K(x*,x*)-K(x*,X)(K(X,X)+σ2I)-1K(X,x*)
其中μ为所求的预测值，σ*2为预测方差；
在高斯过程分类中，所有样本的输出都被假设服从伯努利发布，输出只有+1和-1两种可能，其中输出为+1的概率为：
p(y＝1|x)＝Φ(f(x))
此处f(.)为潜在函数，Φ(.)为标准高斯分布的累计概率密度函数，使用sigmoid函数，其公式为：
Figure FDA0004019592100000032
该函数的目的是将f(x)转换为[0,1]区间的值，条件概率p(y|f(x))＝Φ(yf(x))；令F＝(f(x1),…,f(xn)),(F|X～N(0,K))，Y＝(y1,…,yn)T，X＝(x1,…,xn)T，其中xi和yi分别为训练集的输入和输出，Kij＝k(xi,xj)，k(.)为核函数，在分类和预测中使用的是相同的核函数；根据贝叶斯规则：
Figure FDA0004019592100000033
Figure FDA0004019592100000034
p(Y|X)＝∫p(F|X)p(Y|F)df
在高斯过程分类中，训练集和预测集的联合概率分布为：
Figure FDA0004019592100000035
式中x*和y*分别为预测集的输入和输出；求出预测集潜在函数的条件概率分布：
f(x*)|X,x*,F～N(μ,σ2)
μ＝K(x*,X)K(X,X)-1F
σ2＝K(x*,x*)-K(x*,X)K(X,X)-1K(X,x*)
结合f(x*)|X,x*,F和p(F|X,Y)求得：
p(f(x*)|X,Y,x*)＝∫p(f(x*)|X,x*,F)p(F|X,Y)df根据上式，预测集的输出概率公式为：
p(y*|X,Y,x*)＝∫p(y*|f(x*))p(f(x*)|X,Y,x*)df(x*)求解时用到拉普拉斯数值近似法，即：
f(x*)|X,x*,F～N(μ*,σ*2)
Figure FDA0004019592100000041
σ*2＝K(x*,x*)-K(x*,X)(K(X,X)+W-1)-1K(X,x*)
Figure FDA0004019592100000042
Figure FDA0004019592100000043
进而预测集的输出概率由下式求出：
Figure FDA0004019592100000044
如果p(y*|X,Y,x*)>0.5，则预测集的分类结果为+1，否则为-1。
CN202211687026.9A 2022-12-27 2022-12-27 一种混合工况条件下的电池健康状态在线预测方法 Pending CN116243194A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211687026.9A CN116243194A (zh) 2022-12-27 2022-12-27 一种混合工况条件下的电池健康状态在线预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211687026.9A CN116243194A (zh) 2022-12-27 2022-12-27 一种混合工况条件下的电池健康状态在线预测方法

Publications (1)

Publication Number Publication Date
CN116243194A true CN116243194A (zh) 2023-06-09

Family

ID=86632184

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211687026.9A Pending CN116243194A (zh) 2022-12-27 2022-12-27 一种混合工况条件下的电池健康状态在线预测方法

Country Status (1)

Country Link
CN (1) CN116243194A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117233630A (zh) * 2023-11-16 2023-12-15 深圳屹艮科技有限公司 锂离子电池的使用寿命预测方法、装置和计算机设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117233630A (zh) * 2023-11-16 2023-12-15 深圳屹艮科技有限公司 锂离子电池的使用寿命预测方法、装置和计算机设备
CN117233630B (zh) * 2023-11-16 2024-03-15 深圳屹艮科技有限公司 锂离子电池的使用寿命预测方法、装置和计算机设备

Similar Documents

Publication Publication Date Title
Deng et al. Battery health estimation with degradation pattern recognition and transfer learning
Hannan et al. Neural network approach for estimating state of charge of lithium-ion battery using backtracking search algorithm
CN107290679B (zh) 用于电动汽车共享充电桩的智能化电池健康状态检测方法
Lipu et al. A review of state of health and remaining useful life estimation methods for lithium-ion battery in electric vehicles: Challenges and recommendations
CN110224192B (zh) 一种梯次利用动力电池寿命预测方法
CN103954913B (zh) 电动汽车动力电池寿命预测方法
Zhang et al. Aging characteristics-based health diagnosis and remaining useful life prognostics for lithium-ion batteries
Lin et al. Estimation of battery state of health using probabilistic neural network
Kim et al. Estimation of Li-ion battery state of health based on multilayer perceptron: As an EV application
Mamo et al. Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries
Zhang et al. Cost-effective Lebesgue sampling long short-term memory networks for lithium-ion batteries diagnosis and prognosis
Chung et al. State-of-charge estimation of lithium-ion batteries using LSTM deep learning method
CN115201686B (zh) 一种不完备充放电数据下的锂离子电池健康状态评估方法
CN111832221A (zh) 基于特征筛选的锂电池寿命预测方法
Wu et al. Optimized multi-source fusion based state of health estimation for lithium-ion battery in fast charge applications
CN111983474A (zh) 一种基于容量衰退模型的锂离子电池寿命预测方法和系统
Zhao et al. State-of-health estimation with anomalous aging indicator detection of lithium-ion batteries using regression generative adversarial network
CN115994441A (zh) 基于机理信息的大数据云平台在线电池寿命预测方法
US20230349977A1 (en) Method and apparatus for estimating state of health of battery
CN116243194A (zh) 一种混合工况条件下的电池健康状态在线预测方法
Shen et al. Transfer learning-based state of charge and state of health estimation for Li-ion batteries: A review
Huang et al. State of health estimation of lithium-ion batteries based on fine-tuning or rebuilding transfer learning strategies combined with new features mining
Song et al. Capacity estimation method of lithium-ion batteries based on deep convolution neural network
Nenadic et al. Estimation of state-of-charge and capacity of used lithium-ion cells
Wang et al. Neural Network-Based State of Charge Estimation Method for Lithium-ion Batteries Based on Temperature.

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