基于电化学阻抗谱的退役电池健康状态评估方法及系统

摘要

本发明公开了基于电化学阻抗谱的退役电池健康状态评估方法及系统，该方法包括：对退役电池进行循环老化测试与容量标定，将容量标定后的退役电池进行EIS测试，得到退役电池的EIS数据，通过ARD算法对退役电池的EIS数据进行选择，得到电池健康状态的特征频率，构建贝叶斯网络模型并进行训练，得到退役电池的SOH估计模型，对退役电池的SOH估计模型进行优化并输入退役电池的EIS数据，得到退役电池SOH。通过使用本发明，能够对退役电池的健康状态进行深入的检测并准确地评估退役电池梯次利用下的健康状态。本发明作为基于电化学阻抗谱的退役电池健康状态评估方法及系统，可广泛应用于退役电池健康状态评估技术领域。

说明书

技术领域

本发明涉及退役电池健康状态评估技术领域，尤其涉及基于电化学阻抗谱的退役电池健康状态评估方法及系统。

背景技术

退役动力电池第一寿命阶段的不可逆老化及第二寿命阶段运行工况、乃至组件和架构的转变增加了其再利用时老化模式和预期寿命的不确定性。退役动力电池第二寿命阶段高度可变的使用条件和增大的电池间差异，导致精准的电池健康状态估计极具挑战性；由于复杂的电化学动力学和多物理耦合，当前，仅感知电压、电流和表面温度的简单的电池监测系统显然无法实现高精度的电池健康估计及寿命预测。如何准确、稳健地估计和监控关键内部状态是保障退役动力电池安全、高效运行的关键技术之一；显然迫切需要能够准确、深入监测健康状态的工具；因此，许多基于EIS的SOH估计方法被提出。然而，将EIS部署到预测性电池诊断中会受到频谱高维性的阻碍，这是由于EIS测量频率会记录跨越几个数量级，虽然EIS随电池老化的变化是明显的，但是要找出与电池老化相关的定量特征是很有挑战性的；现有的方法大多采用复杂的电化学过程分析和等效电路模型(ECM)构建来提取健康特征，然而，电池间差异、老化工况和测试条件对现有方法的适用性以及参数辨识的有效性提出了挑战，这是目前EIS实用化的阻碍之一。

发明内容

为了解决上述技术问题，本发明的目的是提供基于电化学阻抗谱的退役电池健康状态评估方法及系统，能够对退役电池的健康状态进行深入的检测并准确地评估退役电池梯次利用下的健康状态。

本发明所采用的第一技术方案是：基于电化学阻抗谱的退役电池健康状态评估方法，包括以下步骤：

对退役电池进行循环老化测试与容量标定；

将容量标定后的退役电池进行EIS测试，得到退役电池的EIS数据；

通过ARD算法对退役电池的EIS数据进行选择，得到电池健康状态的特征频率；

构建贝叶斯网络模型并进行训练，得到退役电池的SOH估计模型；

对退役电池的SOH估计模型进行优化并输入退役电池的EIS数据，得到退役电池SOH。

进一步，所述退役电池循环老化测试与容量标定包括以下过程：

恒流恒压充电过程，将电池恒流恒压充满至4.2V，截止电流为0.02C并搁置30分钟后进行容量标定；

恒流放电过程，以1C恒流放电至截止电压2.75V，搁置10分钟后以0.05C恒流放电至截止电压2.75V后进行容量标定。

进一步，所述对退役电池进行EIS测试还包括：

在不同的电池SOC和不同的温度条件下，通过恒电流模式对退役电池进行EIS测试。

进一步，所述通过ARD算法对退役电池的EIS数据进行选择，得到电池健康状态的特征频率这一步骤，具体还包括：

基于ARD高斯先验特征权重，通过零均值函数和平方指数协方差函数对退役电池的EIS数据的高频区间进行分析，得到ARD的高频特征权重系数；

基于参数辨识获得阻抗，对退役电池的EIS数据的低频区间进行拟合计算，得到基于电极过程的低频扩散系数；

整合ARD的高频特征权重系数和基于电极过程的低频扩散系数，得到电池健康状态的特征频率。

进一步，所述ARD高斯先验特征权重表示如下：

上式中，α表示超参数向量，p(w|α)表示超参数α下特征权重w的概率，w表示特征权重，w

进一步，所述拟合计算过程表示为：

上式中，ω表示角频率，W

进一步，所述构建贝叶斯网络模型并进行训练，得到退役电池的SOH估计模型这一步骤，具体还包括：

设置激活函数并输入参数，构建贝叶斯神经网络，所述输入参数为特征频率下的EIS数据；

基于贝叶斯神经网络，将先验分布用于表示权重参数，得到后验分布；

基于后验分布，输入数据，通过变分推理方法，得到输入数据对应的预测分布；

通过KL散度衡量后验分布与预测分布之间的相似度；

选取相似度最高时对应的预测分布作为最优变分分布，构建退役电池的SOH估计模型。

进一步，所述后验分布如下所示：

上式中，p(w|D)表示后验分布，p(D|w)表示为概率，显示了数据分布，p(w)表示先验概率，p(D)表示证据，p(y

进一步，所述对退役电池的SOH估计模型进行优化包括：

通过贝叶斯超参数优化调整神经网络的隐藏层数量、第一层神经元百分比和层之间的神经元缩放系数，其中，贝叶斯超参数优化表达式如下：

x

上式中，f(x)表示模型在验证集上的均方根误差RMSE，D表示所有的超参数集合，x

本发明所采用的第二技术方案是：基于电化学阻抗谱的退役电池健康状态评估系统，包括：

标定模块，用于对退役电池进行循环老化测试与容量标定；

测试模块，用于将容量标定后的退役电池进行EIS测试，得到退役电池的EIS数据；

选择模块，用于通过ARD算法对退役电池的EIS数据进行选择，得到电池健康状态的特征频率；

构建模块，用于构建贝叶斯网络模型并进行训练，得到退役电池的SOH估计模型；

评估模块，用于对退役电池的SOH估计模型进行优化并输入退役电池的EIS数据，得到退役电池SOH。

本发明方法及系统的有益效果是：本发明通过对退役电池进行循环老化测试与容量标定，解决现有退役电池梯次利用过程中的状态监测不深入及不够准确的问题，将自动相关决策(ARD)算法与构建贝叶斯网络模型对退役电池的EIS数据进行分析，能够在保留有效信息的同时将EIS数据部署到预测性电池诊断中会受到频谱高维性阻碍的问题，有利于准确地评估退役电池梯次利用下的健康状态。

附图说明

图1是本发明基于电化学阻抗谱的退役电池健康状态评估方法的步骤流程图；

图2是本发明基于电化学阻抗谱的退役电池健康状态评估系统的结构框图；

图3是本发明具体实施例中ARD算法选取的特征频率在阻抗谱上的位置示意图；

图4是本发明具体实施例中贝叶斯神经网络模型结构示意图。

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。

参照图1，本发明提供了基于电化学阻抗谱的退役电池健康状态评估方法，该方法包括以下步骤：

S1、对退役电池进行循环老化测试与容量标定；

S11、进行退役电池在梯次利用工况下的循环老化测试；

具体地，本实施例中实验室阶段的循环老化测试采用18650的退役锂离子(NCM523)动力电池(最大可用容量为70％-80％初始容量)，也可采用软包或方形的锂电池，材料方面常规的动力电池(三元锂和磷酸铁锂电池)都可以适用本方法；循环老化采用的运行工况用于模拟退役电池梯次利用场景下的充放电情况；循环老化到电池最大可用容量为初始容量的40％以下，认为退役电池梯次利用阶段寿命终止；

S12、在不同老化阶段进行容量标定；

具体地，本实施例中每50次老化循环间隔对退役电池的最大可用容量进行标定，容量标定采用两段恒流放电和恒流恒压充电，首先需要将电池恒流恒压充满至4.2V，截止电流为0.02C，搁置30分钟后以1C恒流放电至截止电压2.75V，搁置10分钟后以0.05C恒流放电至截止电压2.75V，将两段放电的放电容量之和记为当前电池的最大可用容量；电池的SOH(充电倍率)定义如下所示：

上式中，Q

S2、将容量标定后的退役电池进行EIS测试，得到退役电池的EIS数据；

具体地，在容量测评之后对电池进行EIS(电化学阻抗谱)测试，本实施例中，测量时电池应处于非工作平衡态，使用恒电流模式测量EIS，设置测量频率范围为0.01Hz-5000Hz，扰动信号的电位正弦波的幅度设置10mV；考虑到电池的EIS受到SOC(荷电状态)和温度的影响，应该不同的电池SOC和温度下进行测试以获取足够丰富的数据；

S3、通过ARD算法对退役电池的EIS数据进行选择，得到电池健康状态的特征频率；

具体地，参照图3，通过ARD算法从限定的高频区间内自动化选择与电池SOH高度相关的特征频率，ARD的基本思想是给出独立于高斯先验的特征权重，具体表示如下：

上式中，α表示超参数向量，p(w|α)表示超参数α下特征权重w的概率，w表示特征权重，w

进一步，α＝{α

ARD算法的输入是给定高频率区间的EIS数据和对应的电池SOH，输出为每个频率点的权重系数，算法的实现基于高斯过程(GP)机器学习，使用具有零均值函数和带ARD的平方指数协方差函数，具体表示如下：

上式中，σ

进一步的，σ

从限定的EIS低频区间中提取出基于电极过程的扩散系数特征。通过参数辨识获得Z

上式中，ω表示角频率，W

S4、构建贝叶斯网络模型并进行训练，得到退役电池的SOH估计模型；

具体地，参照图4，贝叶斯神经网络的激活函数为Relu，优化器Adam。考虑具有输入x、输出y和包括权重和偏差的所有参数W的确定性神经网络y＝f(x，w)，贝叶斯神经网络将参数W视为随机变量w，而不是确定性未知数，以解释由于缺乏训练数据而导致的认知不确定性，贝叶斯神经网络将先验分布p(w)用于表示权重参数w∈Ω，得出后验分布为：

上式中，p(w|D)表示后验分布，p(D|w)表示为概率，显示了数据分布，p(w)表示先验概率，p(D)表示证据，p(y

其中所述输入量即为EIS数据，所述输出量为电池健康状态的SOH；

对于新的输入数据x

p(y

上式中，p(y

采用变分推理(Variational Inference)的方法对贝叶斯神经网络进行训练，通过一个可处理的变分分布来近似后验分布q

S5、对退役电池的SOH估计模型进行优化并输入退役电池的EIS数据，得到退役电池SOH。

具体地，通过贝叶斯超参数优化调整神经网络的隐藏层数量、第一层神经元百分比和层之间的神经元缩放系数，在保持神经网络模型小巧的情况下，使模型更好地拟合测试集的SOH，超参数的优化目标表示为：

x

上式中，f(x)表示模型在验证集上的均方根误差RMSE，D表示所有的超参数集合，x

进一步的需要集成阻抗谱时域测量系统硬件到电池系统中，时域测量方法通过对激励信号进行一定的设计，使其包含特征选择的频率成分，再对激励和响应信号分别进行数学变换(傅里叶变换、小波变换、拉普拉斯变换等方法)，结合相关的优化算法，最终得到系统的阻抗谱。该系统硬件部分还包括存储器和处理器，存储器用于存储上述模型，再由处理器执行如上基于电化学阻抗谱的退役电池SOH估计模型。

参照图2，基于电化学阻抗谱的退役电池健康状态评估系统，包括：

标定模块，用于对退役电池进行循环老化测试与容量标定；

测试模块，用于将容量标定后的退役电池进行EIS测试，得到退役电池的EIS数据；

选择模块，用于通过ARD算法对退役电池的EIS数据进行选择，得到电池健康状态的特征频率；

构建模块，用于构建贝叶斯网络模型并进行训练，得到退役电池的SOH估计模型；

评估模块，用于对退役电池的SOH估计模型进行优化并输入退役电池的EIS数据，得到退役电池SOH。

上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

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。