CN116774051A - 考虑时频域多维数据特征的电池容量快速估计方法 - Google Patents
考虑时频域多维数据特征的电池容量快速估计方法 Download PDFInfo
- Publication number
- CN116774051A CN116774051A CN202310779951.2A CN202310779951A CN116774051A CN 116774051 A CN116774051 A CN 116774051A CN 202310779951 A CN202310779951 A CN 202310779951A CN 116774051 A CN116774051 A CN 116774051A
- Authority
- CN
- China
- Prior art keywords
- battery
- capacity
- electrochemical impedance
- sample set
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000001453 impedance spectrum Methods 0.000 claims abstract description 82
- 230000032683 aging Effects 0.000 claims abstract description 40
- 238000010801 machine learning Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 14
- 238000007599 discharging Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 6
- 238000000157 electrochemical-induced impedance spectroscopy Methods 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000004146 energy storage Methods 0.000 abstract description 3
- 208000028659 discharge Diseases 0.000 description 10
- 238000012549 training Methods 0.000 description 9
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 5
- 229910001416 lithium ion Inorganic materials 0.000 description 5
- 238000002847 impedance measurement Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
Abstract
本发明属于新能源汽车及储能技术领域,具体涉及一种考虑时频域多维数据特征的电池容量快速估计方法,包括:S1,对电池采集电池真实容量和电化学阻抗谱数据,形成真实容量样本集和交流阻抗样本集;S2,在交流阻抗样本集中,提取第一老化特征、第二老化特征和第三老化特征,形成特征量集合;S3,采用预设的机器学习算法,利用真实容量样本集和特征量集合构建电池容量非线性预测模型;S4,获取待测电池,采集待测电池的电化学阻抗谱数据,输入至电池容量非线性预测模型中进行电池容量估计。本发通过提取丰富的时频域特征,利用机器学习方法建立不同状态下电化学阻抗谱特征与容量的关系,使得容量估计方法更加准确。
Description
技术领域
本发明属于新能源汽车及储能技术领域,具体涉及一种考虑时频域多维数据特征的电池容量快速估计方法。
背景技术
锂离子电池的新能源汽车和储能领域有非常广泛的应用。随着锂离子电池的使用,其寿命会逐渐衰减。容量是电池寿命衰减的重要表征量之一。一般认为容量衰减至初始容量的80%或70%可从新能源汽车上退役。在锂离子电池从新能源汽车退役后再进行梯次利用时需要进行容量的重新分选。
传统的电池容量获取方法需要进行完整的电池充放电,具有耗时长、效率低的问题,不利于进行电池容量的大规模分选。近些年,基于模型的电池容量估计方法被频繁报道,但是具有较长的算法收敛时间,适用于电池管理系统中的在线长时间的迭代计算,也不能很好适用于现场短时间的容量分选。因此,基于电压曲线特征的容量估计方法被提出来,例如充电过程中的一段电压曲线,或者充放电结束后的弛豫电压曲线等,通过机器学习方法建立起与容量的关系,进而实现容量的估计。但是,一段时间内的电压片段包含的电池内部电极过程信息有限,导致训练得到的容量估计模型容易出现过拟合情况,泛化能力不佳。考虑电化学阻抗谱与电池内部电极过程特性的关联映射关系,可以反映电池老化衰减过程中的内部电极过程特性演变,在电池容量估计中具有很大的应用潜力。
但是,电化学阻抗谱往往由不同频率的阻抗组成,例如10kHz~0.01Hz中每十倍频程取十个频率点情况下,将有61个频率点组成电化学阻抗谱。直接用如此多点的阻抗进行模型训练面临维度高的问题。虽然可以通过电池时域特征的等效电路拟合来降阶,但是等效电路拟合容易陷入局部最优,无法得到合理的结果。另一方面,电化学阻抗谱除了受到电池老化状态影响外,还受到电池温度、荷电状态的综合影响。高维度以及多状态的综合叠加导致了基于电化学阻抗谱进行电池容量估计的难度增加,一直以来缺乏较好的估计方法。
发明内容
本发明针对现有技术中,用于现场短时间的电池容量分选,存在电化学阻抗谱数据较多,缺乏较好的容量估计手段的技术问题,目的在于提供一种考虑时频域多维数据特征的电池容量快速估计方法。
为了解决前述技术问题,本发明的一方面提供一种考虑时频域多维数据特征的电池容量快速估计方法,包括:
S1,对同类型不同容量的电池采集电池真实容量和电化学阻抗谱数据,形成真实容量样本集和交流阻抗样本集;
S2,在所述交流阻抗样本集中,提取预设若干频率对应的阻抗实部,将若干所述阻抗实部作为第一老化特征,对所述交流阻抗样本集进行弛豫时间分布分析,提取预设若干时间常数范围内曲线的峰高度,将若干所述峰高度作为第二老化特征,提取预设若干时间常数范围内曲线的峰面积,将若干所述峰面积作为第三老化特征,所述第一老化特征、所述第二老化特征和所述第三老化特征形成特征量集合;
S3,采用预设的机器学习算法,利用所述真实容量样本集和所述特征量集合构建电池容量非线性预测模型;
S4,获取与步骤S1同类型的待测电池,采集所述待测电池的电化学阻抗谱数据,采用与步骤S2相同的方法分别提取特征量集合,将所述待测电池的所述特征量集合输入至步骤S3构建完成的所述电池容量非线性预测模型中进行电池容量估计。
可选地,在如前所述的考虑时频域多维数据特征的电池容量快速估计方法中,步骤S1,包括:
采用标准充电式对电池进行满充电,依据额定容量对电池进行分阶段放电,以阶段性调整所述电池的荷电状态,记录每阶段放电电量,在每阶段放电并静置预设时间后,获取不同容量的所述电池在不同开路电压、温度下的预设频率范围内的电化学阻抗谱数据,直至所述电池放完电,将每阶段所放电量之和记为电池真实容量;
将若干电池采集到的电池真实容量集合成真实容量样本集,将若干电池采集到的电化学阻抗谱数据集合成交流阻抗样本集。
可选地,在如前所述的考虑时频域多维数据特征的电池容量快速估计方法中,在获取所述电池的电化学阻抗谱数据时,测量所述电池在0.01Hz~10000Hz频率范围内的电化学阻抗谱数据,优选测量频率设定为每十倍频程取十个频率。
可选地,在如前所述的考虑时频域多维数据特征的电池容量快速估计方法中,步骤S1还包括:
采用Kramers-Kronig法对所述交流阻抗样本集内的每个所述电化学阻抗谱数据的质量进行检验,若不通过检验,则对该电池重新采集电池真实容量和电化学阻抗谱数据,直至所有的电化学阻抗谱数据均通过检验,得到经检验的交流阻抗样本集。
可选地,在如前所述的考虑时频域多维数据特征的电池容量快速估计方法中,采用Kramers-Kronig法对所述交流阻抗样本集内的每个所述电化学阻抗谱数据的质量进行检验时,是在去除所述电化学阻抗谱数据中的呈现电感性部分后进行。
可选地,在如前所述的考虑时频域多维数据特征的电池容量快速估计方法中,步骤S2中,对每个所述电化学阻抗谱数据,提取1kHz、100Hz、1Hz和0.1Hz频率对应的阻抗实部,作为第一老化特征。
可选地,在如前所述的考虑时频域多维数据特征的电池容量快速估计方法中,步骤S2中,对每个所述电化学阻抗谱数据进行弛豫时间分布分析,提取时间常数为0.001s~0.05s、0.05s~0.5s、0.5s~5s范围内曲线的峰高度,作为第二老化特征。
可选地,在如前所述的考虑时频域多维数据特征的电池容量快速估计方法中,步骤S2中,对每个所述电化学阻抗谱数据进行弛豫时间分布分析,提取时间常数为0.001s~0.05s、0.05s~0.5s、0.5s~5s范围内曲线的峰面积,作为第三老化特征。
可选地,在如前所述的考虑时频域多维数据特征的电池容量快速估计方法中,步骤S2中,在对所述交流阻抗样本集进行弛豫时间分布分析时,采用高斯径向基函数,同时使用实部和虚部数据,且正则化阶数范围为1~3,形态控制参数范围为0.4~0.8。
可选地,在如前所述的考虑时频域多维数据特征的电池容量快速估计方法中,步骤S2还包括:
采用主成分分析对特征量集合进行降维,形成降维数据集;
步骤S3中,采用预设的机器学习算法,利用所述真实容量样本集和所述降维数据集构建电池容量非线性预测模型。
可选地,在如前所述的考虑时频域多维数据特征的电池容量快速估计方法中,步骤S3中,在构建电池容量非线性预测模型时,将采集电池的电化学阻抗谱数据时所采用的温度和荷电状态作为额外特征输入预设的机器学习算法中。
可选地,在如前所述的考虑时频域多维数据特征的电池容量快速估计方法中,步骤S3中,在构建电池容量非线性预测模型时,以模型拟合优度R2和均方根误差RMSE评价各交流阻抗样本集效果,选择R2最大和RMSE最小交流阻抗样本集及其样本特征构建最终电池容量非线性预测模型。
可选地,在如前所述的考虑时频域多维数据特征的电池容量快速估计方法中,步骤S3中,所述机器学习算法采用XGBoost模型、支持向量机(SVM)模型、高斯过程回归(GPR)模型或神经网络模型中的一种。
本发明的积极进步效果在于:
1、本发明采用了与寿命衰减高度相关的电化学阻抗谱来建立与容量的关系,相比于电压法具有更强更显著的物理意义。
2、本发明利用阻抗特征、弛豫时间曲线特征同时完成对不同老化阶段电池电化学阻抗谱特征提取,包括了丰富的时频域特征,为后续的模型构建提供全局数据。
3、本发明的容量估计更加快速,由于电化学阻抗谱的测量时间在分钟级,相比于传统的容量测量方法,大大节省了时间,更利于现场应用时的容量快速估计需求。
4、本发明对时频域特征进行了主成分分析,以降低后续模型训练的复杂度。
5、本发明利用机器学习方法建立不同状态下电化学阻抗谱特征与容量的关系,机器学习的应用可以更加准确的提取电化学阻抗谱和容量之间的非线性关系,使得容量估计方法更加准确。
6、本发明的电池容量估计具有很强的温度和荷电状态适应性。电池是时变非线性电化学体系,温度和荷电状态的改变会改变特征与标签的关系,本发明预先考虑了温度、荷电状态对容量和电化学阻抗谱之间关系的影响,所训练出的模型应用时不再局限于特定的温度和荷电状态,适用性更广更灵活。
附图说明
参照附图,本发明的公开内容将更加显然。应当了解,这些附图仅仅用于说明的目的,而并非意在对本发明的保护范围构成限制。图中:
图1为本发明的一种方法流程图。
具体实施方式
以下通过特定的具体示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。
需说明的是,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。
在本发明的描述中,需要说明的是,对于方位词,如有术语“外侧”,“中段”、“内”、“外”等指示方位和位置关系为基于附图所示的方位或位置关系,仅是为了便于叙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、以特定方位构造和操作,不能理解为限制本发明的具体保护范围。
此外,如有术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或隐含指明技术特征的数量。由此,限定有“第一”、“第二”特征可以明示或者隐含包括一个或者多个该特征,在本发明描述中,“数个”、“若干”的含义是两个或两个以上,除非另有明确具体的限定。
参照图1,本发明实施例提供一种考虑时频域多维数据特征的电池容量快速估计方法,包括如下步骤:
S1,采集数据:对同类型不同容量的电池采集电池真实容量和电化学阻抗谱数据,形成真实容量样本集和交流阻抗样本集。
本步骤中选用的若干电池为相同类型的电池,若干电池的标称容量相同,但是实际在使用后容量存在差异性,具有可能相同或可能不同的多种情况。本步骤分别对每个电池均进行数据采集,采集电池真实容量和电化学阻抗谱数据。对若干电池的电池真实容量集合形成真实容量样本集。对若干电池的电化学阻抗谱数据集合形成交流阻抗样本集。
本发明的电池可以为锂离子电池,例如动力电池,但不限于锂离子电池,也可以实现对其他电池的电池容量快速估计。
在一些实施例中,在对电池采集电化学阻抗谱数据时,获取不同容量的电池在不同开路电压、温度下的预设频率范围内的交流阻抗样本。即本发明在采集数据时,同时考虑了温度、荷电状态对容量和电化学阻抗谱之间关系的影响。
在一些实施例中,可以采用传统方法获取不同容量电池在不同温度和荷电状态下的电化学阻抗谱数据,具体如下:
采用标准充电制式对电池进行满充电后静置,优选静置时间为0.5小时。随后,调整电池的荷电状态(SOC)和温度分别至不同值后静置,优选静置时间为1.5小时。随后,测量电池预设频率范围内的电化学阻抗数据,优选测量电池在0.01Hz~10000Hz频率范围内的电化学阻抗谱数据,优选测量频率设定为每十倍频程取十个频率,阻抗测量结果记为[Z1,Z2,…,Zn]。
在一些实施例中,可以采用更高效率的采集数据集的方法,具体如下:
采用标准充电式对电池进行满充电,依据额定容量对电池进行分阶段放电,以阶段性调整电池的荷电状态,记录每阶段放电电量,在每阶段放电并静置预设时间后,获取不同容量的电池在不同开路电压、温度下的预设频率范围内的电化学阻抗谱数据,直至电池放完电,将每阶段所放电量之和记为电池真实容量;将若干电池采集到的电池真实容量集合成真实容量样本集,将若干电池采集到的电化学阻抗谱数据集合成交流阻抗样本集。
在本实施例中,在获取电池的电化学阻抗谱数据时,优选测量电池在0.01Hz~10000Hz频率范围内的电化学阻抗谱数据,优选测量频率设定为每十倍频程取十个频率,阻抗测量结果记为[Z1,Z2,…,Zn]。
在本实施例中,电化学阻抗谱数据中的开路电压等效替换为此开路电压对应的电池荷电状态。
在本实施例中,依据额定容量对电池进行分阶段放电时,优选每阶段放电为1/5的额定容量。
在本实施例中,在每阶段放电后静置的预设时间为1小时-2小时,优选为1.5小时。
在本实施例中,不同开路电压和不同温度的选定可根据实际采集情况预先设定若干采集点。
在本实施例中,标准充电式是符合中国标准的充电方式,例如采用GB/T20234.2-2015标准对电池进行满充电。
在本实施例中,在获取电池的电化学阻抗谱数据时,采用对电池进行系列标定测试,例如采用现有技术中易得的阻抗测量仪器获取电池的电化学阻抗谱数据,优选采用宽温宽频阻抗测量仪器。
在一些实施例中,步骤S1还包括:
采用Kramers-Kronig法对交流阻抗样本集内的每个电化学阻抗谱数据的质量进行检验,若不通过检验,则对该电池重新采集电池真实容量和电化学阻抗谱数据,直至所有的电化学阻抗谱数据均通过检验,得到经检验的交流阻抗样本集。
本实例在进行模型训练之前,需要先进行电化学阻抗谱数据的检验,验证测量数据的可靠性。本实施例选择Kramers-Kronig关系进行电化学阻抗谱数据校验,特别是不同频率阻抗的实部和虚部关系的检验,基本原理公式如下:
对于真实的电池来说,可以将其近似看作线性时不变系统。假定上述宽频阻抗测量仪器的测量精度为Δω,测量频率的上下限为Δω和NΔω,对上述方程进行离散化,可以近似得到:
以Z1为例,该复数数组可以描述为
Z1=HRe+i·HIm
利用Kramers-Kronig关系,可以分别利用HRe与HIm计算得到H′Im和H′Re。接下来,可以利用均方根误差来计算HRe和H′Re以及HIm和H′Im之间的偏差:
可以根据经验设定均方根误差的阈值。若上述均方根误差计算结果小于该阈值,则认为测量数据满足Kramers-Kronig关系,通过校验;若大于该阈值,则认为测量数据不满足Kramers-Kronig关系,测量存在问题,需要重新进行测量。
在本实施例中,针对电池对象,均方根误差的阈值可以设定为0.1(实部)、0.002(虚部)。
在本实施例中,可设置次数阈值,当重新测量次数大于次数阈值时的电化学阻抗谱数据依然未通过Kramers-Kronig关系的检验,则对该电池及其电化学阻抗谱数据在交流阻抗样本集内进行剔除处理。
在一些实施例中,采用Kramers-Kronig法对交流阻抗样本集内的每个电化学阻抗谱数据的质量进行检验时,是在去除电化学阻抗谱数据中的呈现电感性部分后进行。
S2,提取时频域特征:在交流阻抗样本集中,提取预设若干频率对应的阻抗实部,将若干阻抗实部作为第一老化特征,对交流阻抗样本集进行弛豫时间分布分析,提取预设若干时间常数范围内曲线的峰高度,将若干峰高度作为第二老化特征,提取预设若干时间常数范围内曲线的峰面积,将若干峰面积作为第三老化特征,第一老化特征、第二老化特征和第三老化特征形成特征量集合。
本发明并不是直接对交流阻抗样本集进行模型训练的,而是在交流阻抗样本集中,利用阻抗特征、弛豫时间曲线特征同时完成对不同老化阶段电池电化学阻抗谱特征提取,这种有针对性的提取方式,既丰富了时频域特征,又能去除大量的冗余数据,大大降低了模型训练时的维度问题。
本步骤中的预设若干频率、预设若干时间常数范围均可根据实际的数据需求和估计精度等情况进行预先设定。
在一些实施例中,在步骤S2中,对不同频率的电化学阻抗谱数据,只提取1kHz、100Hz、1Hz和0.1Hz频率对应的阻抗实部,作为第一老化特征。
在一些实施例中,在步骤S2中,对每个电化学阻抗谱数据进行弛豫时间分布分析,只提取时间常数为0.001s~0.05s、0.05s~0.5s、0.5s~5s范围内曲线的峰高度,作为第二老化特征。
在一些实施例中,在步骤S2中,对每个电化学阻抗谱数据进行弛豫时间分布分析,只提取时间常数为0.001s~0.05s、0.05s~0.5s、0.5s~5s范围内曲线的峰面积,作为第三老化特征。
在一些实施例中,在步骤S2中,在对交流阻抗样本集进行弛豫时间分布分析时,采用高斯径向基函数,同时使用实部和虚部数据,且正则化阶数范围为1~3,形态控制参数范围为0.4~0.8。
在一些实施例中,步骤S2还包括:
采用主成分分析对特征量集合进行降维,形成降维数据集。通过主成分分析可大大降低后续模型训练的复杂度。
致使在步骤S3中在构建电池容量非线性预测模型时,采用了降维数据集代替特征量集合,利用真实容量样本集和降维数据集构建模型。
S3,构建模型:采用预设的机器学习算法,利用真实容量样本集和特征量集合构建电池容量非线性预测模型。
本步骤通过机器学习的应用可以更加准确的提取电化学阻抗谱和容量之间的非线性关系,使得容量估计方法更加准确。
在一些实施例中,在步骤S3中,在构建电池容量非线性预测模型时,将采集电池的电化学阻抗谱数据时所采用的温度和荷电状态作为额外特征输入预设的机器学习算法中。
在步骤S1对电池采集电化学阻抗谱数据时,还同时记录对应的温度和荷电状态(可采用开路电压等效替换),以作为温度特征和荷电状态特征输入模型中进行训练。
在一些实施例中,在步骤S3中,在构建电池容量非线性预测模型时,以模型拟合优度R2和均方根误差RMSE评价各交流阻抗样本集效果,选择R2最大和RMSE最小交流阻抗样本集及其样本特征构建最终电池容量非线性预测模型。
在一些实施例中,机器学习算法采用XGBoost模型、支持向量机(SVM)模型、高斯过程回归(GPR)模型或神经网络模型中的一种。
S4,电池容量估计:获取与步骤S1同类型的待测电池,采集待测电池的电化学阻抗谱数据,采用与步骤S2相同的方法分别提取特征量集合,将待测电池的特征量集合输入至步骤S3构建完成的电池容量非线性预测模型中进行电池容量估计。
本步骤中的待测电池是需要与训练模型所用的电池相同类型的电池,以得到较为准确的电池容量估计结果。同样的,需要对待测电池采集数据,只需采集电化学阻抗谱数据,形成待估计数据集。对待估计数据集采用与步骤S2相同的方法分别提取第一老化特征、第二老化特征和第三老化特征作为特征量集合,以特征量集合为输入数据输入到电池容量非线性预测模型中进行电池容量估计。
在采集时无需将待测电池采用标准充电式进行满充电,无需经过充放电过程,只需对当前状态下的待测电池获取当前温度和荷电状态下,预设频率范围内的电化学阻抗谱数据。同样的,优选测量电池在0.01Hz~10000Hz频率范围内的电化学阻抗谱数据,优选测量频率设定为每十倍频程取十个频率。
这种方法在测量电化学阻抗谱数据的时间在分钟级,相比于传统的容量测量方法,大大节省了时间,更利于现场应用时的容量快速估计需求。
在一些实施例中,在待测电池采集电化学阻抗谱数据时,还可以同时记录对应的温度和荷电状态,以作为温度特征和荷电状态特征输入模型中进行电池容量估计。
实施例1:
选取不同容量的某圆柱形电池为对象,标称容量为2.75Ah。
将电池采用标准充电制式充满电后,依据额定容量对电池进行分阶段放电,每阶段放电为1/5的额定容量,以阶段性调整电池的荷电状态,并记录每阶段放电电量,直至电池放完电,将每阶段所放电量之和记为电池真实容量。每一阶段放电后将电池充分静置1.5小时,随后获取不同容量的电池在不同开路电压、温度下的0.01Hz~10000Hz频率范围内的电化学阻抗谱数据,测量频率设定为每十倍频程取十个频率,阻抗测量结果记为[Z1,Z2,…,Zn]。
采用Kramers-Kronig法对阻抗测量结果进行检验,均方根误差的阈值设定为0.1(实部)、0.002(虚部)。若不通过检验,认为测量存在问题,需要重新进行测量。
提取1kHz、100Hz、1Hz和0.1Hz阻抗实部,作为第一老化特征Re(Zi),i=1,2,3,4;对电化学阻抗谱数据进行弛豫时间分布分析,提取时间常数为0.001s~0.05s、0.05s~0.5s、0.05s~0.5s、0.5s~5s范围内曲线的峰高度,作为第二老化特征Phj,j=1,2,3;(3)对电化学阻抗谱数据进行弛豫时间分布分析,提取时间常数为0.001s~0.05s、0.05s~0.5s、0.05s~0.5s、0.5s~5s范围内曲线的峰面积,作为第三老化特征Psj,j=1,2,3。
将以上12个维度的特征量集合,采用主成分分析法进行降维,形成降维数据集。
选用XGBoost模型进行训练,得到输出的电池容量估计结果见下表:
可见,即使数据维度降至8个维度时,均方根误差依然具有小于0.4%的容量估计效果。
利用训练好的XGBoost模型,可对同类型待测电池进行电化学阻抗谱数据的采集后,输入XGBoost模型,得到电池容量估计结果。
以上结合附图实施例对本发明进行了详细说明,本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而,实施例中的某些细节不应构成对本发明的限定,本发明将以所附权利要求书界定的范围作为保护范围。
Claims (10)
1.一种考虑时频域多维数据特征的电池容量快速估计方法,其特征在于,包括:
S1,对同类型不同容量的电池采集电池真实容量和电化学阻抗谱数据,形成真实容量样本集和交流阻抗样本集;
S2,在所述交流阻抗样本集中,提取预设若干频率对应的阻抗实部,将若干所述阻抗实部作为第一老化特征,对所述交流阻抗样本集进行弛豫时间分布分析,提取预设若干时间常数范围内曲线的峰高度,将若干所述峰高度作为第二老化特征,提取预设若干时间常数范围内曲线的峰面积,将若干所述峰面积作为第三老化特征,所述第一老化特征、所述第二老化特征和所述第三老化特征形成特征量集合;
S3,采用预设的机器学习算法,利用所述真实容量样本集和所述特征量集合构建电池容量非线性预测模型;
S4,获取与步骤S1同类型的待测电池,采集所述待测电池的电化学阻抗谱数据,采用与步骤S2相同的方法分别提取特征量集合,将所述待测电池的所述特征量集合输入至步骤S3构建完成的所述电池容量非线性预测模型中进行电池容量估计。
2.如权利要求1所述的考虑时频域多维数据特征的电池容量快速估计方法,其特征在于,步骤S1,包括:
采用标准充电式对电池进行满充电,依据额定容量对电池进行分阶段放电,以阶段性调整所述电池的荷电状态,记录每阶段放电电量,在每阶段放电并静置预设时间后,获取不同容量的所述电池在不同开路电压、温度下的预设频率范围内的电化学阻抗谱数据,直至所述电池放完电,将每阶段所放电量之和记为电池真实容量;
将若干电池采集到的电池真实容量集合成真实容量样本集,将若干电池采集到的电化学阻抗谱数据集合成交流阻抗样本集。
3.如权利要求2所述的考虑时频域多维数据特征的电池容量快速估计方法,其特征在于,在获取所述电池的电化学阻抗谱数据时,测量所述电池在0.01Hz~10000Hz频率范围内的电化学阻抗谱数据,优选测量频率设定为每十倍频程取十个频率。
4.如权利要求1、2或3所述的考虑时频域多维数据特征的电池容量快速估计方法,其特征在于,步骤S1还包括:
采用Kramers-Kronig法对所述交流阻抗样本集内的每个所述电化学阻抗谱数据的质量进行检验,若不通过检验,则对该电池重新采集电池真实容量和电化学阻抗谱数据,直至所有的电化学阻抗谱数据均通过检验,得到经检验的交流阻抗样本集。
5.如权利要求1所述的考虑时频域多维数据特征的电池容量快速估计方法,其特征在于,步骤S2中,对每个所述电化学阻抗谱数据,提取1kHz、100Hz、1Hz和0.1Hz频率对应的阻抗实部,作为第一老化特征;
步骤S2中,优选的,对每个所述电化学阻抗谱数据进行弛豫时间分布分析,提取时间常数为0.001s~0.05s、0.05s~0.5s、0.5s~5s范围内曲线的峰高度,作为第二老化特征;
步骤S2中,优选的,对每个所述电化学阻抗谱数据进行弛豫时间分布分析,提取时间常数为0.001s~0.05s、0.05s~0.5s、0.5s~5s范围内曲线的峰面积,作为第三老化特征。
6.如权利要求1所述的考虑时频域多维数据特征的电池容量快速估计方法,其特征在于,步骤S2中,在对所述交流阻抗样本集进行弛豫时间分布分析时,采用高斯径向基函数,同时使用实部和虚部数据,且正则化阶数范围为1~3,形态控制参数范围为0.4~0.8。
7.如权利要求1、5或6所述的考虑时频域多维数据特征的电池容量快速估计方法,其特征在于,步骤S2还包括:
采用主成分分析对特征量集合进行降维,形成降维数据集;
步骤S3中,采用预设的机器学习算法,利用所述真实容量样本集和所述降维数据集构建电池容量非线性预测模型。
8.如权利要求1所述的考虑时频域多维数据特征的电池容量快速估计方法,其特征在于,步骤S3中,在构建电池容量非线性预测模型时,将采集电池的电化学阻抗谱数据时所采用的温度和荷电状态作为额外特征输入预设的机器学习算法中。
9.如权利要求1所述的考虑时频域多维数据特征的电池容量快速估计方法,其特征在于,步骤S3中,在构建电池容量非线性预测模型时,以模型拟合优度R2和均方根误差RMSE评价各交流阻抗样本集效果,选择R2最大和RMSE最小交流阻抗样本集及其样本特征构建最终电池容量非线性预测模型。
10.如权利要求1、8或9所述的考虑时频域多维数据特征的电池容量快速估计方法,其特征在于,步骤S3中,所述机器学习算法采用XGBoost模型、支持向量机模型、高斯过程回归模型或神经网络模型中的一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310779951.2A CN116774051B (zh) | 2023-06-28 | 2023-06-28 | 考虑时频域多维数据特征的电池容量快速估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310779951.2A CN116774051B (zh) | 2023-06-28 | 2023-06-28 | 考虑时频域多维数据特征的电池容量快速估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116774051A true CN116774051A (zh) | 2023-09-19 |
CN116774051B CN116774051B (zh) | 2024-02-02 |
Family
ID=88009669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310779951.2A Active CN116774051B (zh) | 2023-06-28 | 2023-06-28 | 考虑时频域多维数据特征的电池容量快速估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116774051B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112051504A (zh) * | 2020-08-13 | 2020-12-08 | 联合汽车电子有限公司 | 电池容量的预测方法、装置、终端及计算机可读存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018055402A (ja) * | 2016-09-29 | 2018-04-05 | 国立研究開発法人物質・材料研究機構 | 等価回路推定方法 |
CN112327172A (zh) * | 2020-11-30 | 2021-02-05 | 同济大学 | 一种基于弛豫时间分布的锂离子电池建模方法 |
CN112327171A (zh) * | 2020-11-30 | 2021-02-05 | 同济大学 | 一种基于弛豫时间分布的锂离子电池寿命估计方法 |
CN112540316A (zh) * | 2020-11-03 | 2021-03-23 | 华中科技大学 | 一种复杂电池阻抗谱解析方法 |
CN113138340A (zh) * | 2020-01-17 | 2021-07-20 | 华为技术有限公司 | 电池等效电路模型的建立方法、健康状态估算方法及装置 |
CN113484787A (zh) * | 2021-07-27 | 2021-10-08 | 上海理工大学 | 基于电化学阻抗谱的退役锂离子电池快速分选重组方法 |
CN113884935A (zh) * | 2021-11-02 | 2022-01-04 | 桂林电子科技大学 | 基于锂电池在线电化学阻抗谱测量的soh估算系统和方法 |
CN114114047A (zh) * | 2020-08-25 | 2022-03-01 | 华为技术有限公司 | 电池故障检测方法和装置 |
CN114280479A (zh) * | 2021-12-23 | 2022-04-05 | 中山大学·深圳 | 一种基于电化学阻抗谱的退役电池快速分选方法 |
CN114325403A (zh) * | 2021-12-03 | 2022-04-12 | 北京航空航天大学 | 基于电化学阻抗谱测试的锂离子电池寿命检测方法和系统 |
CN114487846A (zh) * | 2022-01-14 | 2022-05-13 | 中国人民解放军国防科技大学 | 电池电化学阻抗谱在线估计方法及装置 |
US20230021402A1 (en) * | 2021-07-17 | 2023-01-26 | Purdue Research Foundation | System and methods for rechargeable battery analysis, monitoring, and diagnostics |
CN116224112A (zh) * | 2023-02-14 | 2023-06-06 | 上海乐驾智慧能源科技有限公司 | 一种基于XGBoost模型的电池阻抗谱频率重要性分析方法 |
CN116224109A (zh) * | 2023-03-07 | 2023-06-06 | 同济大学 | 一种锂离子电池容量快速测量方法 |
CN116243176A (zh) * | 2023-03-07 | 2023-06-09 | 合肥工业大学 | 一种基于电化学阻抗谱的锂电池建模与参数辨识方法 |
-
2023
- 2023-06-28 CN CN202310779951.2A patent/CN116774051B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018055402A (ja) * | 2016-09-29 | 2018-04-05 | 国立研究開発法人物質・材料研究機構 | 等価回路推定方法 |
CN113138340A (zh) * | 2020-01-17 | 2021-07-20 | 华为技术有限公司 | 电池等效电路模型的建立方法、健康状态估算方法及装置 |
CN114114047A (zh) * | 2020-08-25 | 2022-03-01 | 华为技术有限公司 | 电池故障检测方法和装置 |
CN112540316A (zh) * | 2020-11-03 | 2021-03-23 | 华中科技大学 | 一种复杂电池阻抗谱解析方法 |
CN112327172A (zh) * | 2020-11-30 | 2021-02-05 | 同济大学 | 一种基于弛豫时间分布的锂离子电池建模方法 |
CN112327171A (zh) * | 2020-11-30 | 2021-02-05 | 同济大学 | 一种基于弛豫时间分布的锂离子电池寿命估计方法 |
US20230021402A1 (en) * | 2021-07-17 | 2023-01-26 | Purdue Research Foundation | System and methods for rechargeable battery analysis, monitoring, and diagnostics |
CN113484787A (zh) * | 2021-07-27 | 2021-10-08 | 上海理工大学 | 基于电化学阻抗谱的退役锂离子电池快速分选重组方法 |
CN113884935A (zh) * | 2021-11-02 | 2022-01-04 | 桂林电子科技大学 | 基于锂电池在线电化学阻抗谱测量的soh估算系统和方法 |
CN114325403A (zh) * | 2021-12-03 | 2022-04-12 | 北京航空航天大学 | 基于电化学阻抗谱测试的锂离子电池寿命检测方法和系统 |
CN114280479A (zh) * | 2021-12-23 | 2022-04-05 | 中山大学·深圳 | 一种基于电化学阻抗谱的退役电池快速分选方法 |
CN114487846A (zh) * | 2022-01-14 | 2022-05-13 | 中国人民解放军国防科技大学 | 电池电化学阻抗谱在线估计方法及装置 |
CN116224112A (zh) * | 2023-02-14 | 2023-06-06 | 上海乐驾智慧能源科技有限公司 | 一种基于XGBoost模型的电池阻抗谱频率重要性分析方法 |
CN116224109A (zh) * | 2023-03-07 | 2023-06-06 | 同济大学 | 一种锂离子电池容量快速测量方法 |
CN116243176A (zh) * | 2023-03-07 | 2023-06-09 | 合肥工业大学 | 一种基于电化学阻抗谱的锂电池建模与参数辨识方法 |
Non-Patent Citations (2)
Title |
---|
庄全超等: "锂离子电池的电化学阻抗谱分析研究进展", 化学进展, vol. 32, no. 06, pages 761 - 791 * |
施王影等: "固体氧化物燃料电池电化学阻抗谱差异化研究方法和分解", 物理化学学报, vol. 35, no. 05, pages 509 - 516 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112051504A (zh) * | 2020-08-13 | 2020-12-08 | 联合汽车电子有限公司 | 电池容量的预测方法、装置、终端及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116774051B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lai et al. | Co-estimation of state of charge and state of power for lithium-ion batteries based on fractional variable-order model | |
CN110031770B (zh) | 一种快速得到电池包中所有单体电池容量的方法 | |
US11422194B2 (en) | Battery diagnosis apparatus and battery diagnosis method based on current pulse method | |
CN106716158B (zh) | 电池荷电状态估算方法和装置 | |
JP5674783B2 (ja) | 電池を特徴付ける方法 | |
CN112069739B (zh) | 电池分数阶模型参数辨识方法 | |
CN111679199B (zh) | 一种锂离子电池soc估计方法及装置 | |
Lyu et al. | SOH estimation of lithium-ion batteries based on fast time domain impedance spectroscopy | |
CN104391159B (zh) | 电池的单电极电位的检测方法及系统 | |
CN113138340B (zh) | 电池等效电路模型的建立方法、健康状态估算方法及装置 | |
Wang et al. | Adaptive state-of-charge estimation method for an aeronautical lithium-ion battery pack based on a reduced particle-unscented kalman filter | |
CN116774051B (zh) | 考虑时频域多维数据特征的电池容量快速估计方法 | |
CN107037375B (zh) | 电池直流内阻测量方法及装置 | |
WO2016106501A1 (zh) | 一种电池等效电路模型 | |
CN109613446A (zh) | 一种基于时间序列分析的锂电池老化检测方法 | |
CN112986848A (zh) | 一种估算动力电池soh的方法 | |
CN115754724A (zh) | 一种适用于未来不确定性动态工况放电的动力电池健康状态估计方法 | |
CN113466728B (zh) | 一种两阶段电池模型参数在线辨识的方法与系统 | |
CN115327415A (zh) | 基于限定记忆递推最小二乘算法的锂电池soc估算方法 | |
Cai et al. | D-ukf based state of health estimation for 18650 type lithium battery | |
CN114035095A (zh) | 基于电压曲线拐点识别的锂电池soh估计方法、介质及设备 | |
Feizi et al. | Analysis of characteristics for the identification of lead-acid battery technologies used in micro-hybrid vehicles | |
CN112649735A (zh) | 一种快速得到电池包总容量的方法 | |
Kim et al. | Development of a Matlab/Simulink Model for Monitoring Cell State-of-Health and State-of-Charge via Impedance of Lithium-Ion Battery Cells. Batteries 2022, 8, 8 | |
Xi et al. | SOC estimation for lithium-ion batteries based on electrochemical impedance spectroscopy and equivalent circuit model |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |