一种基于动态参数识别的电池健康状态估算方法

摘要

本发明公开了一种基于动态参数识别的电池健康状态估算方法，该方法包括：对电池进行循环寿命测试，得到开路电压谱；基于EKF‑RLS的参数识别方法，结合得到二阶RC等效电路模型和荷电状态；根据二阶RC等效电路模型和开路电压谱的参数提取RC参数并进行相关性分析，得到关键因子；结合开路电压谱、荷电状态、RC参数和关键因子，基于SVR算法构建电池健康状态估算模型；获取待测电池当前的SoC并输入到电池健康状态估算模型，得到电池的健康状态。通过使用本发明，能够实时估计电池的健康状态。本发明作为一种基于动态参数识别的电池健康状态估算方法，可广泛应用于电池健康状态估计领域。

说明书

技术领域

本发明涉及电池健康状态估计领域，尤其涉及一种基于动态参数识别的电池健康状态估算方法。

背景技术

电池健康状态估算是BMS的重要技术之一，其准确性会协同影响到电池管理系统其它管理功能，锂离子电池作为一个机理复杂的综合体系，其内部状态及参数无法直接测量。由于制造工艺的与使用条件造成的个体差异，电池的健康状态无法简单地以查表的方式进行估算。目前常用的是基于数据驱动的电池健康状态估算方法，从BMS直接获得数据作为模型输入，此法特征获取简单，但模型输入往往数量庞大且维度较多，时间和人力成本高。

发明内容

为了解决上述技术问题，本发明的目的是提供一种基于动态参数识别的电池健康状态估算方法，能够实时估计电池的健康状态。

本发明所采用的第一技术方案是：一种基于动态参数识别的电池健康状态估算方法，包括以下步骤：

对电池进行循环寿命测试，得到开路电压谱；

基于EKF-RLS的参数识别方法，结合得到二阶RC等效电路模型和荷电状态；

根据二阶RC等效电路模型和开路电压谱的参数提取RC参数并进行相关性分析，得到关键因子；

结合开路电压谱、荷电状态、RC参数和关键因子，基于SVR算法构建电池健康状态估算模型；

获取待测电池当前的荷电状态并输入到电池健康状态估算模型，得到电池的健康状态。

进一步，所述对锂离子电池进行循环寿命测试，得到开路电压谱这一在步骤，其具体包括：

对电池进行不间断循环充放电测试。

判断到充放电测试次数每达到预设次数，即对电池进行容量评测和开路电压测试，得到电池有效容量值、开路电压曲线和等效内阻曲线；

根据电池有效容量值与电池的标称容量，得到容量比率；

判断到电容量比率小于预设值，停止电池循环充放电测试；

根据多条开路电压曲线，生成开路电压谱。

进一步，所述预设次数设为50，所述预设值设为0.7，所述容量比率表达式具体为：

上式中，所述C

进一步，所述基于EKF-RLS的参数识别方法，结合得到二阶RC等效电路模型和荷电状态这一步骤，其具体包括：

基于RLS构建开路电压模型和二阶RC等效电路模型；

基于EKF算法构建荷电状态估计模型；

根据荷电状态估计模型得到荷电状态；

根据荷电状态对开路电压模型参数和二阶RC等效电路模型参数进行修正，得到修正后的开路电压模型和修正后的二阶RC等效电路模型。

进一步，所述根据荷电状态对开路电压模型参数和二阶RC等效电路模型参数进行修正，得到修正后的开路电压模型和修正后的二阶RC等效电路模型这一步骤，其具体包括：

通过配置估计器将荷电状态估计模型设为第一优先级、将二阶RC灯箱电路模型设有第二优先级、将开路电压模型设为第三优先级；

以荷电状态估计模型得到的荷电状态作为开路电压模型和二阶RC等效电路模型的输入量，对开路电压模型参数和二阶RC等效电路模型参数进行修，得到修正后的开路电压模型和修正后的二阶RC等效电路模型。

进一步，其特征在于，所述根据二阶RC等效电路模型和开路电压谱的参数提取RC参数并进行相关性分析，得到关键因子这一步骤，其具体包括：

根据二阶RC等效电路模型和开路电压谱的参数提取RC参数；

通过Spearman相关系数对RC参数做相关性分析，得到RC参数的重要程度排名；

根据RC参数的重要程度排名得到关键因子。

进一步，所述结合开路电压谱、荷电状态、RC参数和关键因子，基于SVR算法构建电池健康状态估算模型这一步骤，其具体包括：

根据关键因子确定关键荷电状态并获取关键荷电状态下的三组RC参数；

将三组RC参数作为输入量、容量比率作为输出量，通过SVR算法构建电池健康状态估算模型。

进一步，所述对不确定性变化矩阵作预处理具体为对不确定性变化矩阵中未能作为中心点构成模式块的边缘部分元素置1。

进一步，还包括：

对电池健康状态估算模型的超参数进行优化并使用K-fold交叉验证评估性能。

本发明方法及系统的有益效果是：预先通过循环寿命测试并构建电池健康状态估算模型，通过在线获取电池开路电压，动态辨识相应的二阶等效电路模型参数，取关键健康因子，以三组关键RC参数作为模型输入，从而实时估计电池的健康状态。

附图说明

图1是本发明一种基于动态参数识别的电池健康状态估算方法的步骤流程图；

图2是本发明具体实施例对电池健康状态估算模型的超参数进行优化的步骤流程图；

图3是本发明具体实施例中配置估计器设置模型优先级的执行框架图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

如图1所示，本发明提供了一种基于动态参数识别的电池健康状态估算方法，该方法包括以下步骤：

S1、对电池进行循环寿命测试，得到开路电压谱。

具体地，循环寿命测试选取环境温度和放电倍率作为控制变量，对电池进行不间断循环充放。充放电倍率设置有0.5C、1C、2C,温度条件设置有20℃、30℃、40℃，放电深度为100％。各测试条件下同类型锂离子电池设置多个样本。

S2、基于EKF-RLS的参数识别方法，结合得到二阶RC等效电路模型和荷电状态；

S3、根据二阶RC等效电路模型和开路电压谱的参数提取RC参数并进行相关性分析，得到关键因子；

S4、结合开路电压谱、荷电状态、RC参数和关键因子，基于SVR算法构建电池健康状态估算模型；

S5、获取待测电池当前的荷电状态并输入到电池健康状态估算模型，得到电池的健康状态。

具体地，下文所述的SoC即荷电状态。

进一步作为本方法的优选实施例，所述对锂离子电池进行循环寿命测试，得到开路电压谱这一在步骤，其具体包括：

对电池进行不间断循环充放电测试。

判断到充放电测试次数每达到预设次数，即对电池进行容量评测和开路电压测试，得到电池有效容量值、开路电压曲线和等效内阻曲线；

根据电池有效容量值与电池的标称容量，得到容量比率；

判断到电容量比率小于预设值，停止电池循环充放电测试；

根据多条开路电压曲线，生成开路电压谱。

具体地，单次循环寿命测试由50个完整的充放电循环构成，测试结束后将电池搁置2h至恢复稳定状态，随后电池进行综合评测，据此获得电池健康状态与等效电路模型各参数随循环工况的变化规律。综合评测设置统一环境温度为20℃，充、放电倍率分别为0.5C和1C，主要分为容量评测和开路电压测试。其中，直流等效内阻评测与开路电压测试同步进行。通过综合评测测试可获取电池在的最大可用电量C

进一步作为本方法的优选实施例，其特征在于，所述预设次数设为50，所述预设值设为0.7，所述容量比率表达式具体为：

上式中，所述C

具体地，当锂离子电池存储容量损失的容量比率

进一步作为本方法的优选实施例，所述基于EKF-RLS的参数识别方法，结合得到二阶RC等效电路模型和荷电状态这一步骤，其具体包括：

基于RLS构建开路电压模型和二阶RC等效电路模型；

基于EKF算法构建荷电状态估计模型；

根据荷电状态估计模型得到荷电状态；

根据荷电状态对开路电压模型参数和二阶RC等效电路模型参数进行修正，得到修正后的开路电压模型和修正后的二阶RC等效电路模型。

具体地，基于OCV与SoC之间的经验函数关系建立OCV估算模型：

U

其中，状态变量为：

根据二阶RC等效电路模型建立电压电流关系，选取一阶向后差分变换法处理得：

U

令E

利用RLS迭代获得直接参数k

基于模型可以确定对应的状态变量

估计的参数θ越准，则模型的预测值

目标函数对θ求导，得到：

根据递推最小二乘法(RLS)，基于上一时刻的模型参数以及当前时刻的数据进行修正来更新下一时刻的模型参数，即：

其中，γ表示修正量，f(y

最终得到

根据RLS迭代更新时，依次计算K

在一定时间尺度下，利用RLS迭代更新可直接获得待定参数{p}和{k}，由{k}和反向求解可得R

利用EKF算法对电荷状态进行估计，电荷状态估计的状态空间方程为：

进一步作为本方法的优选实施例，所述根据荷电状态对开路电压模型参数和二阶RC等效电路模型参数进行修正，得到修正后的开路电压模型和修正后的二阶RC等效电路模型这一步骤，其具体包括：

通过配置估计器将荷电状态估计模型设为第一优先级、将二阶RC灯箱电路模型设有第二优先级、将开路电压模型设为第三优先级；

以荷电状态估计模型得到的荷电状态作为开路电压模型和二阶RC等效电路模型的输入量，对开路电压模型参数和二阶RC等效电路模型参数进行修，得到修正后的开路电压模型和修正后的二阶RC等效电路模型。

具体地，以上改进算法包含的三个模型估计的优先级及参数变化速度并不一致，荷电状态是其余两个模型输入的基础和依据，因此相对其他参数具有最高的更新优先级，为其配置估计器Est

进一步作为本方法的优选实施例，所述根据二阶RC等效电路模型和开路电压谱的参数提取RC参数并进行相关性分析，得到关键因子这一步骤，其具体包括：

根据二阶RC等效电路模型和开路电压谱的参数提取RC参数；

通过Spearman相关系数对RC参数做相关性分析，得到RC参数的重要程度排名；

根据RC参数的重要程度排名得到关键因子。

具体地，获取电池模型参数在不同电荷状态及电池健康状态下的变化规律。设置模型参数的SoC的选取范围为20％～90％，以10％SoC为步长提取不同劣化状态下电池样本的RC参数，获得8组(共40个)RC参数作为健康因子。

利用Spearman相关系数对40个健康因子与电池健康状态的关系做相关性分析，根据各个健康因子的重要程度排名得到关键因子。

进一步作为本方法的优选实施例，所述结合开路电压谱、荷电状态、RC参数和关键因子，基于SVR算法构建电池健康状态估算模型这一步骤，其具体包括：

根据关键因子确定关键荷电状态并获取关键荷电状态下的三组RC参数；

将三组RC参数作为输入量、容量比率作为输出量，通过SVR算法构建电池健康状态估算模型。

具体地，确定关键因子对应的三组荷电状态SoC，以此荷电状态SoC下的三组RC参数作为SVR算法的输入量，以容量比率作为模型输出作为输出量，采用支持向量回归算法构建容量估计的非线性回归模型，得到电池健康状态估算模型。

进一步作为本方法的优选实施例，其特征在于：

对电池健康状态估算模型的超参数进行优化并使用K-fold交叉验证评估性能。

具体地，K折交叉验证是将训练数据划分K份，轮流用其中K-1组的数据作为训练集，剩下的另一组数据作为验证集，测试训练得到的模型，最后得到K个训练好的模型，通过K个模型的评价指标平均值来衡量模型的效果，最终得到超参数的最优结果，具体步骤参照图2。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。