基于人工智能的锂离子电池充电曲线重构及状态估计方法

摘要

本发明提供了一种基于人工智能的锂离子电池充电曲线重构的方法，由此可以实现电池多种状态的估计。该方法以充电片段数据作为输入，使用深度学习方法重构出完整的充电曲线，进而可从完整的充电曲线中提取电池的多种状态，包括电池的最大容量、最大能量、荷电状态、能量状态、功率状态、容量增量曲线等。所提出的电池状态估计方法可以随电池工作状态变化自适应更新。

说明书

技术领域

本发明涉及电池系统领域，尤其涉及锂离子电池的状态估计。

背景技术

锂离子电池在电池实际运行过程中，由于电池管理系统仅能采集到电池的电压、电流、温度等信号的片段，电池内部状态无法直接测量，因此其状态仅能依靠测得信号进行估计。现有的状态估计方法往往只能针对某几个特定状态，而假设其他状态已知，因此在估计的全局性上存在较大的局限性。例如，对电池容量的估计往往只关注容量与充电曲线特征之间的关系建立，而忽视了其他状态的估计。事实上，电池充电曲线(充电电压与充入电量的关系)反映了大量的电池状态信息，能够满足全面精确表征电池状态的要求。但实际应用中电池往往不会进行满充、满放操作，电池管理系统往往仅能采集到部分充电曲线。因此如果能基于获取的较为精确的部分充电曲线片段，通过必要技术手段重构出完整的充电曲线，则对于电池状态估计手段的改进以及电池管理功能的提升，具有十分重要的意义。

发明内容

有鉴于此，本发明提供了一种基于人工智能的锂离子电池充电曲线重构及状态估计方法，具体包括以下步骤：

步骤一、获取采用不同充电方式时，不同老化状态下电池完整的电压/电流充电曲线作为训练数据；

步骤二、通过适合的分割方式，将获取的充电曲线分割为数据片段，并将数据片段和充电曲线进行离散化处理；

步骤三、利用步骤二得到的离散化数据片段，对选择的深度学习算法进行训练，建立各数据片段与完整充电曲线的映射关系；

步骤四、将训练好的深度学习算法进行在线应用，将电池管理系统采集的实际充电片段数据输入所述深度学习算法，输出完整充电曲线；

步骤五、从完整充电曲线中提取欲估计的电池状态参数。

进一步地，所述方法还包括：

步骤六、在电池管理系统采集到一定数量的实际电池充电曲线后，对深度学习算法重新训练并更新。

进一步地，所述步骤一中获取采用不同充电方式时，不同老化状态下电池完整的电压/电流充电曲线，具体包括：采用常见如恒流充电、恒流恒压充电、多阶恒流充电、脉冲充电等的充电方案。通过电池试验、电池管理系统采样等方法，取得不同老化状态下的电池的日常充电曲线，包括给定充电方案下的电池充电电流、电压、温度等信号。

进一步地，所述步骤二具体包括：确定一个片段长度，将片段长度在充电曲线上滑动，由此将步骤一中的充电曲线划分为某长度的数据片段，每个片段包含每个时刻的采样信号，例如电压、电流、温度等。同时，将获得的数据片段采用固定时间间隔或电压间隔对片段进行采样，从而将完整充电曲线离散化处理。

进一步地，所述步骤三中深度学习算法具体采用卷积神经网络、密集连接网络、循环神经网络等。

上述本发明所提供的方法，通过部分充电片段即能够重构出电池完整的充电曲线，可以同时实现最大容量、最大能量、荷电状态、能量状态以及功率状态的估计，并可以通过导出的容量增量曲线、微分电压曲线等实现电池老化的分析。在长期的应用中，还可根据电池管理系统输出的数据对算法实现持续更新，进一步提高了充电曲线重构与状态估计的精确性。

附图说明

图1是本发明所提供方法的流程图；

图2是基于本发明的充电曲线重构优选实例；

图3是基于本发明的充电曲线重构结果进行状态估计的示意图；

图4是从重构充电曲线中导出的容量增量曲线。

具体实施方式

上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。

本发明所提供的充电曲线重构及状态估计方法如附图1所示，具体包括以下部分：

步骤一、获取电池的完整充电曲线作为训练数据，具体包括：采用常见的充电方案如恒流充电、恒流恒压充电、多阶恒流充电、脉冲充电等方式充电。通过电池试验、电池管理系统采样等方法，取得不同老化状态下的电池的日常充电曲线，包括给定充电方案下的电池充电电流、电压、温度等信号。

步骤二、将充电曲线分割为数据片段，并将数据片段和充电曲线进行离散化，具体包括：确定一个片段长度，将片段长度在充电曲线上滑动，由此将步骤一中的充电曲线划分为某长度的数据片段，每个片段包括每个时刻的采样信号，例如电压、电流、温度等。同时，将获得的数据片段采用固定时间间隔或电压间隔的采样，完成完整充电曲线进行离散化处理。

步骤三、使用深度学习算法建立数据片段与完整充电曲线的映射关系，具体包括：选取一种深度学习算法，其输入是步骤二中离散化的数据片段，输出则是离散化的完整充电曲线的离散化结果。

步骤四、在电池实际应用过程中，采集充电片段数据作为深度学习算法的输入，输出完整充电曲线，具体包括：在电池实际运行中，通过电池管理系统按步骤二中预设的片段分段规则采集充电片段，输入步骤三中训练好的深度学习算法，获得估计的完整充电曲线。本例中针对某款三元材料电池的恒流充电过程，采用200mV的电压窗口获得充电片段，并使用卷积神经网络估计完整充电曲线。图2示出了基于本发明重构出的充电曲线与实际曲线之间的对比，体现了该方法所能达到的较高精确性。

步骤五、从完整充电曲线中提取电池状态，具体包括：在如图3所示的恒流充电曲线中，其横轴为充入电量，纵轴为电池电压。在重构出完整充电曲线后，电池从下截止电压充电至上截止电压的完整充电过程所对应的电量值即为电池最大容量；该充电过程中电压对充入电量的积分即为电池最大能量(图中的浅色阴影与深色阴影之和)。此外，基于重构的完整充电曲线可以提取电池的荷电状态(State of charge,SOC)，即为当前电压所对应的电池电量与最大容量的比值。类似地，从下截止电压到当前电压对充入电量的积分即为当前电池能量(图中的深色阴影)，其与电池最大能量的比值即为能量状态(State ofenergy,SOE)。由于本方法可以重构出完整的充电曲线，在电池未充满的情况下可以预测电池在充电过程中的电压变化，由此可以评价电池的充电功率，即为功率状态(State ofpower,SOP)。同时，通过对重构的充电曲线进行微分，本方法可以重构出电池的容量增量曲线(电量对电压微分)，微分电压曲线(电压对电量微分)等，有助于对电池内部机理的分析，例如，本方法所获得的容量增量曲线案例如图4所示。

步骤六、在采集大量电池充电曲线后，对算法进行更新，具体包括：在电池运行一段时间后，通过数据平台汇总电池管理系统采集到的完整充电曲线，以此部分数据作为新的训练数据，对步骤三中的深度学习算法进行更新。可采用步骤一至三中的方法重新训练新的深度学习算法，或采用迁移学习等手段微调之前训练的算法的部分参数。由此可以实现深度学习算法随电池工作状态的自适应更新。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。