CN106772064A - 一种锂离子电池健康状态预测方法及装置 - Google Patents

一种锂离子电池健康状态预测方法及装置 Download PDF

Info

Publication number
CN106772064A
CN106772064A CN201611052735.4A CN201611052735A CN106772064A CN 106772064 A CN106772064 A CN 106772064A CN 201611052735 A CN201611052735 A CN 201611052735A CN 106772064 A CN106772064 A CN 106772064A
Authority
CN
China
Prior art keywords
lithium ion
constant
ion battery
voltage curve
similarity indices
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
Application number
CN201611052735.4A
Other languages
English (en)
Other versions
CN106772064B (zh
Inventor
钟国彬
贺益君
苏伟
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.)
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Original Assignee
Shanghai Jiaotong University
Electric Power Research Institute of Guangdong Power Grid Co Ltd
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 Shanghai Jiaotong University, Electric Power Research Institute of Guangdong Power Grid Co Ltd filed Critical Shanghai Jiaotong University
Priority to CN201611052735.4A priority Critical patent/CN106772064B/zh
Publication of CN106772064A publication Critical patent/CN106772064A/zh
Application granted granted Critical
Publication of CN106772064B publication Critical patent/CN106772064B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明实施例公开了一种锂离子电池健康状态预测方法及装置。本发明实施例通过对具有不同样本个数的时间序列进行相似性指标计算，建立相似性指标与可用容量的SOH预测模型从而实现了对锂离子电池健康状态的预测。具体地，本发明实施例还通过对最优规整窗口参数进行选取，保证了最大限度地挖掘相似性指标与健康状态的相关性，并以非参数化的高斯回归模型为基础，建立相似性指标与可用容量的定量关系模型，可给出锂离子电池SOH预测的均值和置信度。

Description

一种锂离子电池健康状态预测方法及装置
技术领域
本发明涉及锂离子电池领域，尤其涉及一种锂离子电池健康状态预测方法及装置。
背景技术
具有能量密度大、输出功率高、充放电寿命长等优点的锂离子电池，在电动汽车和大规模储能等领域的应用越来越广泛。开发可靠的电池管理***(Battery ManagementSystem，BMS)，是确保锂电池高效、安全、长寿命运行的关键。健康状态(State of Health，SOH)预测作为BMS的核心功能之一，是荷电状态(State of Charge，SOC)估计、一致性评测、均衡控制、充放电控制、安全监控的基础。电池SOH常定义为实际可用容量与额定容量之比，是衡量老化程度的一个重要指标。随着电池的不断运行，电池实际可用容量会逐渐降低，但其衰减规律极为复杂，与电流、温度等运行工况相关，精确预测电池健康状态，对合理实现电池运行维护至关重要。电池SOH预测可分为短期预测与长期预测，前者通常是SOH的单步预测，即预测下次充放电循环的可用容量，是精确实施SOC估计的基础；后者则预测电池整个生命周期的SOH变化规律，是获得电池剩余可用寿命的基础。从SOC估计的定义式可知，SOC估计需要用到当前可用容量信息；反之，若能精确估计SOC，则可以用于当前可用容量的估计。
若知道任意两个时间点的精确SOC，并根据电流积分，则可计算出当前的可用容量。但是，因为SOC的精度依赖于可用容量值，并存在电流检测误差，直接用此公式计算，难以获得精确的可用容量值。因此，对SOC和SOH实施不同尺度下的联合估计，是一种较为合理的策略，但是计算较为耗时，且仅能推算当前可用容量；若需要对SOH实施长期预测，仍需要结合预测模型予以确定，以获得可用剩余寿命。
现有SOH预测方法可大致分为三类：(1)通过从充放电曲线中提取健康特征参数，建立其与SOH的定量模型，进而实施预测；(2)直接从电池SOH时间序列数据出发，建立时间序列预测模型；(3)与SOC估计进行联合，通过建立电池模型，采用卡尔曼滤波类方法进行SOH预测。前两类方法通常可以同时实现SOH的短期和长期预测，而第三类方法往往仅关注SOH的短期预测，特别的是一步预测。第二类方法需要以每次充放电循环的可用容量值为基础，实际操作中往往难以精确获得。第三类方法一般需要建立电池模型，代价较高，且计算相对耗时。对第一类SOH预测方法，现有技术的健康特征提取方法，通常要求每条充电或放电曲线的数据点个数一致，即具有相同的维度，电池实际操作常常是局部充放电，通常难以满足相同的曲线点数，导致现有技术的实用性和适用性往往较差。另一方面，第一类方法，现有技术常采用经验方法从充放电曲线中提取若干特征，缺乏一种***的解决方案，适应性较差。因此，针对第一类SOH预测方法对局部充放电过程适用性差的缺陷，本发明提出了一种锂离子电池健康状态预测方法及装置。
发明内容
本发明实施例提供了一种锂离子电池健康状态预测方法及装置，通过对具有不同样本个数的时间序列进行相似性指标计算，建立相似性指标与可用容量的SOH预测模型从而实现了对锂离子电池健康状态的预测。
本发明实施例提供了一种锂离子电池健康状态预测方法，包括：
S1：对锂离子电池进行离线SOH数据测试操作，得到所述锂离子电池进行多次充放电循环后的恒流充电阶段电压曲线与充放电循环的可用容量；
S2：建立所述恒流充电阶段电压曲线与基准测试曲线之间的相似性指标计算模型；
S3：对所述相似性指标计算模型进行求解，得到所述恒流充电阶段电压曲线与基准测试曲线之间的相似性指标；
S4：根据所述相似性指标与所述充放电循环的可用容量建立SOH预测模型；
S5：将所述SOH预测模型加载进预置电池管理***中，使得所述电池管理***能对电池健康状态进行基于动态时间规整的预测操作。
优选地，所述建立所述恒流充电阶段电压曲线与基准测试曲线之间的相似性指标计算模型具体包括：
以第一次充放电循环的恒流充电阶段电压曲线为基准测试曲线，并建立所述恒流充电阶段电压曲线与基准测试曲线之间的相似性指标计算模型。
优选地，所述对所述相似性指标计算模型进行求解，得到所述恒流充电阶段电压曲线与基准测试曲线之间的相似性指标具体包括：
在预置单调性约束、预置连续性约束、预置边界条件约束和预置规整窗口约束下通过动态规则方法对所述相似性指标计算模型进行求解，得到在不同规整窗口值条件下的所述恒流充电阶段电压曲线与基准测试曲线之间的相似性指标。
优选地，所述根据所述相似性指标与所述充放电循环的可用容量建立SOH预测模型具体包括：
在不同规整窗口值下建立所述相似性指标与所述充放电循环的可用容量之间的高斯回归模型，以所述高斯回归模型精度最小为指标，通过最大似然估计法和共轭梯度法对所述高斯回归模型进行求解得到最优规整窗口值，并以根据所述最优规整窗口值建立的高斯回归模型作为SOH预测模型。
优选地，所述将所述SOH预测模型并入预置电池管理***，使得所述电池管理***能对电池健康状态进行动态预测操作具体包括：
T1：电池管理***实时记录锂离子电池恒流充电阶段的电压值，得到锂离子进行充放电循环后的实时恒流充电阶段电压曲线；
T2：电池管理***根据所述最优规整窗口值并通过动态规则方法对所述相似性指标计算模型进行求解，得到所述恒流充电阶段电压曲线与所述基准电压曲线的相似性指标；
T3：电池管理***将所述恒流充电阶段电压曲线与所述基准电压曲线的相似性指标导入所述SOH预测模型，得到锂离子电池的当前可用容量均值和锂离子电池的置信度；
T4：电池管理***循环执行T1至T3，使得所述电池管理***能对电池健康状态进行基于动态时间规整的预测操作。
优选地，所述恒流充电阶段电压曲线为：
式中，P为循环测试次数，np为恒流充电数据点个数，第p次充放电循环的可用容量记为Cp，p＝1，…，P。
优选地，所述相似性指标计算模型为：
式中，D(s(p),s(1))为s(p)与s(1)之间的相似性指标，qt＝(it，jt)，d(qt)为和间的欧拉距离，wt为权重系数。
优选地，所述预置单调性约束为：
it-1≤it，jt-1≤jt；
所述预置连续性约束为：
it-it-1≤1，jt-jt-1≤1；
所述预置边界条件约束为：
i1＝1,iT＝np，j1＝1,jT＝n1；
所述预置规整窗口约束为：
|it-jt|≤r
式中，r为规整窗口值。
优选地，本发明实施例还提供了一种锂离子电池健康状态预测装置，其特征在于，包括：
测试单元，用于对锂离子电池进行离线SOH数据测试操作，得到所述锂离子电池进行多次充放电循环后的恒流充电阶段电压曲线与充放电循环的可用容量；
第一建立单元，用于建立所述恒流充电阶段电压曲线与基准测试曲线之间的相似性指标计算模型；
求解单元，用于对所述相似性指标计算模型进行求解，得到所述恒流充电阶段电压曲线与基准测试曲线之间的相似性指标；
第二建立单元，用于根据所述相似性指标与所述充放电循环的可用容量建立SOH预测模型；
加载单元，用于将所述SOH预测模型加载进预置电池管理***中，使得所述电池管理***能对电池健康状态进行基于动态时间规整的预测操作；
优选地，所述加载单元包括：
记录子单元，用于电池管理***实时记录锂离子电池恒流充电阶段的电压值，得到锂离子进行充放电循环后的实时恒流充电阶段电压曲线；
求解子单元，用于电池管理***根据所述最优规整窗口值并通过动态规则方法对所述相似性指标计算模型进行求解，得到所述恒流充电阶段电压曲线与所述基准电压曲线的相似性指标；
导入子单元，用于电池管理***将所述恒流充电阶段电压曲线与所述基准电压曲线的相似性指标导入所述SOH预测模型，得到锂离子电池的当前可用容量均值和锂离子电池的置信度；
循环子单元，用于电池管理***循环触发记录子单元、求解子单元和导入子单元，使得所述电池管理***能对电池健康状态进行基于动态时间规整的预测操作。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例提供了一种锂离子电池健康状态预测方法及装置，其中，该锂离子电池健康状态预测方法包括：S1：对锂离子电池进行离线SOH数据测试操作，得到所述锂离子电池进行多次充放电循环后的恒流充电阶段电压曲线与充放电循环的可用容量；S2：建立所述恒流充电阶段电压曲线与基准测试曲线之间的相似性指标计算模型；S3：对所述相似性指标计算模型进行求解，得到所述恒流充电阶段电压曲线与基准测试曲线之间的相似性指标；S4：根据所述相似性指标与所述充放电循环的可用容量建立SOH预测模型；S5：将所述SOH预测模型加载进预置电池管理***中，使得所述电池管理***能对电池健康状态进行基于动态时间规整的预测操作。本发明实施例通过对具有不同样本个数的时间序列进行相似性指标计算，建立相似性指标与可用容量的SOH预测模型从而实现了对锂离子电池健康状态的预测。
具体地，本发明实施例还通过对最优规整窗口参数进行选取，保证了最大限度地挖掘相似性指标与健康状态的相关性，并以非参数化的高斯回归模型为基础，建立相似性指标与可用容量的定量关系模型，可给出锂离子电池SOH预测的均值和置信度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种锂离子电池健康状态预测方法的流程示意图；
图2为本发明实施例提供的一种锂离子电池健康状态预测方法的另一流程示意图；
图3为本发明实施例提供的一种锂离子电池健康状态预测装置的结构示意图。
具体实施方式
本发明实施例提供了一种锂离子电池健康状态预测方法及装置，通过对具有不同样本个数的时间序列进行相似性指标计算，建立相似性指标与可用容量的SOH预测模型从而实现了对锂离子电池健康状态的预测。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例提供的一种锂离子电池健康状态预测方法的一个实施例，包括：
101、对锂离子电池进行离线SOH数据测试操作，得到锂离子电池进行多次充放电循环后的恒流充电阶段电压曲线与充放电循环的可用容量；
102、建立恒流充电阶段电压曲线与基准测试曲线之间的相似性指标计算模型；
103、对相似性指标计算模型进行求解，得到恒流充电阶段电压曲线与基准测试曲线之间的相似性指标；
104、根据相似性指标与充放电循环的可用容量建立SOH预测模型；
105、将SOH预测模型加载进预置电池管理***中，使得电池管理***能对电池健康状态进行基于动态时间规整的预测操作。
请参阅图2，本发明实施例提供的一种锂离子电池健康状态预测方法的另一个实施例，包括：
201、对锂离子电池进行离线SOH数据测试操作，得到锂离子电池进行多次充放电循环后的恒流充电阶段电压曲线与充放电循环的可用容量；
202、以第一次充放电循环的恒流充电阶段电压曲线为基准测试曲线，并建立恒流充电阶段电压曲线与基准测试曲线之间的相似性指标计算模型；
203、在预置单调性约束、预置连续性约束、预置边界条件约束和预置规整窗口约束下通过动态规则方法对相似性指标计算模型进行求解，得到在不同规整窗口值条件下的恒流充电阶段电压曲线与基准测试曲线之间的相似性指标；
204、在不同规整窗口值下建立相似性指标与充放电循环的可用容量之间的高斯回归模型，以高斯回归模型精度最小为指标，通过最大似然估计法和共轭梯度法对高斯回归模型进行求解得到最优规整窗口值，并以根据最优规整窗口值建立的高斯回归模型作为SOH预测模型；
205、将SOH预测模型加载进预置电池管理***中，使得电池管理***能对电池健康状态进行基于动态时间规整的预测操作。
在本实施例中，将SOH预测模型并入预置电池管理***，使得电池管理***能对电池健康状态进行动态预测操作具体包括：
T1：电池管理***实时记录锂离子电池恒流充电阶段的电压值，得到锂离子进行充放电循环后的实时恒流充电阶段电压曲线；
T2：电池管理***根据最优规整窗口值并通过动态规则方法对相似性指标计算模型进行求解，得到恒流充电阶段电压曲线与基准电压曲线的相似性指标；
T3：电池管理***将恒流充电阶段电压曲线与基准电压曲线的相似性指标导入SOH预测模型，得到锂离子电池的当前可用容量均值和锂离子电池的置信度；
T4：电池管理***循环执行T1至T3，使得电池管理***能对电池健康状态进行基于动态时间规整的预测操作。
下面以一应用实施例对本发明实施例提供的一种锂离子电池健康状态预测方法进行具体描述：
(1)对新出厂锂离子电池实施恒定温度下的充放电循环测试P次，每次均采用恒流恒压的充放电模式，其中恒流阶段的充放电倍率是1/3C，恒压阶段的截止电流为0.05C。根据恒流恒压放电曲线，采用安时积分法计算每次充放电循环时的可用容量；记录每条恒流充电曲线数据，作为用于相似性指标提取的原始数据。离线的充放电循环测试次数为P，第p次充放电循环的恒流充电阶段电压曲线为
其中np为恒流充电数据点个数，第p次充放电循环的可用容量记为Cp，p＝1，…，P。
(2)以第1次的恒流充电阶段电压曲线作为基准测试曲线，采用动态时间规整方法，逐个计算不同充放电循环下的恒流充电阶段电压曲线s^((p))与基准测试曲线s^((1))之间的相似性指标，通过采用动态规划方法求解下述模型获得：
式中，D(s(p),s(1))为s(p)与s(1)之间的相似性指标，qt＝(it，jt)，d(qt)为和间的欧拉距离，wt为权重系数。求解上述模型需要满足单调性约束、连续性约束、边界条件约束和规整窗口约束。
预置单调性约束为：
it-1≤it，jt-1≤jt；
所述预置连续性约束为：
it-it-1≤1，jt-jt-1≤1；
所述预置边界条件约束为：
i1＝1,iT＝np，j1＝1,jT＝n1；
所述预置规整窗口约束为：
|it-jt|≤r
式中，r为规整窗口值。本发明中采用对称形式的动态时间规整方法，则权重wt＝(it-it-1)+(jt-jt-1)，那么
(3)运用动态规划方法求解步骤二中建立的相似性指标计算模型，需要确定规整窗口值r大小，定义其优化范围为
[1，min(np，n1)/2]
由于r是一个整数变量，因此，以1为步长，逐个求解不同规整窗口下的相似性指标计算模型，获得不同r值下，不同充放电循环下恒流充电电压曲线与基准恒流充电电压曲线的相似性指标值，记为Dp(rk),p＝2，…，P。
(4)运用基于谱方法的混合高斯回归模型方法，采用最大似然估计方法获得高斯回归模型的超参数值，其中超参数初始值均设定为1，采用共轭梯度法获得最大似然估计模型的优化值。在每个规整窗口下，建立Dp(rk)与Cp之间的模型；以模型精度最小为指标，确定最优的规整窗口值，并以此规整窗口建立的回归模型作为SOH预测模型，可用于电池健康状态的动态预测。
(5)将离线建立的SOH预测模型，嵌入至电池管理***，实现电池健康状态的动态预测功能，它将在每次充电结束后进行，包括如下步骤：
a.通过电流、电压传感器，电池管理***实时记录恒流充电阶段的电压值；
b.根据步骤(4)确定的规整窗口值，运用动态规划方法求解步骤(2)建立的相似性指标计算模型，获得当前电压曲线与基准电压曲线的相似性指标值；
c.将上述步骤b计算得到的相似性指标值，导入步骤(4)建立的SOH预测模型，获得电池的当前可用容量均值和置信度；
d.循环步骤a至c，可实现电池可用容量的动态预测。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
请参阅图3，本发明实施例提供的一种锂离子电池健康状态预测装置的一个实施例，包括：
测试单元301，用于对锂离子电池进行离线SOH数据测试操作，得到锂离子电池进行多次充放电循环后的恒流充电阶段电压曲线与充放电循环的可用容量；
第一建立单元302，用于建立恒流充电阶段电压曲线与基准测试曲线之间的相似性指标计算模型；
求解单元303，用于对相似性指标计算模型进行求解，得到恒流充电阶段电压曲线与基准测试曲线之间的相似性指标；
第二建立单元304，用于根据相似性指标与充放电循环的可用容量建立SOH预测模型；
加载单元305，用于将SOH预测模型加载进预置电池管理***中，使得电池管理***能对电池健康状态进行基于动态时间规整的预测操作；
加载单元305包括：
记录子单元3051，用于电池管理***实时记录锂离子电池恒流充电阶段的电压值，得到锂离子进行充放电循环后的实时恒流充电阶段电压曲线；
求解子单元3052，用于电池管理***根据最优规整窗口值并通过动态规则方法对相似性指标计算模型进行求解，得到恒流充电阶段电压曲线与基准电压曲线的相似性指标；
导入子单元3053，用于电池管理***将恒流充电阶段电压曲线与基准电压曲线的相似性指标导入SOH预测模型，得到锂离子电池的当前可用容量均值和锂离子电池的置信度；
循环子单元3054，用于电池管理***循环触发记录子单元、求解子单元和导入子单元，使得电池管理***能对电池健康状态进行基于动态时间规整的预测操作。
在本申请所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种锂离子电池健康状态预测方法，其特征在于，包括：
S1：对锂离子电池进行离线SOH数据测试操作，得到所述锂离子电池进行多次充放电循环后的恒流充电阶段电压曲线与充放电循环的可用容量；
S2：建立所述恒流充电阶段电压曲线与基准测试曲线之间的相似性指标计算模型；
S3：对所述相似性指标计算模型进行求解，得到所述恒流充电阶段电压曲线与基准测试曲线之间的相似性指标；
S4：根据所述相似性指标与所述充放电循环的可用容量建立SOH预测模型；
S5：将所述SOH预测模型加载进预置电池管理***中，使得所述电池管理***能对电池健康状态进行基于动态时间规整的预测操作。
2.根据权利要求1所述的锂离子电池健康状态预测方法，其特征在于，所述建立所述恒流充电阶段电压曲线与基准测试曲线之间的相似性指标计算模型具体包括：
以第一次充放电循环的恒流充电阶段电压曲线为基准测试曲线，并建立所述恒流充电阶段电压曲线与基准测试曲线之间的相似性指标计算模型。
3.根据权利要求2所述的锂离子电池健康状态预测方法，其特征在于，所述对所述相似性指标计算模型进行求解，得到所述恒流充电阶段电压曲线与基准测试曲线之间的相似性指标具体包括：
在预置单调性约束、预置连续性约束、预置边界条件约束和预置规整窗口约束下通过动态规则方法对所述相似性指标计算模型进行求解，得到在不同规整窗口值条件下的所述恒流充电阶段电压曲线与基准测试曲线之间的相似性指标。
4.根据权利要求3所述的锂离子电池健康状态预测方法，其特征在于，所述根据所述相似性指标与所述充放电循环的可用容量建立SOH预测模型具体包括：
在不同规整窗口值下建立所述相似性指标与所述充放电循环的可用容量之间的高斯回归模型，以所述高斯回归模型精度最小为指标，通过最大似然估计法和共轭梯度法对所述高斯回归模型进行求解得到最优规整窗口值，并以根据所述最优规整窗口值建立的高斯回归模型作为SOH预测模型。
5.根据权利要求4所述的锂离子电池健康状态预测方法，其特征在于，所述将所述SOH预测模型加载进预置电池管理***中，使得所述电池管理***能对电池健康状态进行基于动态时间规整的预测操作具体包括：
T1：电池管理***实时记录锂离子电池恒流充电阶段的电压值，得到锂离子进行充放电循环后的实时恒流充电阶段电压曲线；
T2：电池管理***根据所述最优规整窗口值并通过动态规则方法对所述相似性指标计算模型进行求解，得到所述恒流充电阶段电压曲线与所述基准电压曲线的相似性指标；
T3：电池管理***将所述恒流充电阶段电压曲线与所述基准电压曲线的相似性指标导入所述SOH预测模型，得到锂离子电池的当前可用容量均值和锂离子电池的置信度；
T4：电池管理***循环执行T1至T3，使得所述电池管理***能对电池健康状态进行基于动态时间规整的预测操作。
6.根据权利要求1所述的锂离子电池健康状态预测方法，其特征在于，所述恒流充电阶段电压曲线为：
式中，P为循环测试次数，np为恒流充电数据点个数，第p次充放电循环的可用容量记为Cp，p＝1，…，P。
7.根据权利要求3所述的锂离子电池健康状态预测方法，其特征在于，所述相似性指标计算模型为：
式中，D(s(p),s(1))为s(p)与s(1)之间的相似性指标，qt＝(it，jt)，d(qt)为和间的欧拉距离，wt为权重系数。
8.根据权利要求7所述的锂离子电池健康状态预测方法，其特征在于，所述预置单调性约束为：
it-1≤it，jt-1≤jt；
所述预置连续性约束为：
it-it-1≤1，jt-jt-1≤1；
所述预置边界条件约束为：
i1＝1,iT＝np，j1＝1,jT＝n1；
所述预置规整窗口约束为：
|it-jt|≤r
式中，r为规整窗口值。
9.一种锂离子电池健康状态预测装置，其特征在于，包括：
测试单元，用于对锂离子电池进行离线SOH数据测试操作，得到所述锂离子电池进行多次充放电循环后的恒流充电阶段电压曲线与充放电循环的可用容量；
第一建立单元，用于建立所述恒流充电阶段电压曲线与基准测试曲线之间的相似性指标计算模型；
求解单元，用于对所述相似性指标计算模型进行求解，得到所述恒流充电阶段电压曲线与基准测试曲线之间的相似性指标；
第二建立单元，用于根据所述相似性指标与所述充放电循环的可用容量建立SOH预测模型；
加载单元，用于将所述SOH预测模型加载进预置电池管理***中，使得所述电池管理***能对电池健康状态进行基于动态时间规整的预测操作。
10.根据权利要求9所述的锂离子电池健康状态预测装置，其特征在于，所述加载单元包括：
记录子单元，用于电池管理***实时记录锂离子电池恒流充电阶段的电压值，得到锂离子进行充放电循环后的实时恒流充电阶段电压曲线；
求解子单元，用于电池管理***根据所述最优规整窗口值并通过动态规则方法对所述相似性指标计算模型进行求解，得到所述恒流充电阶段电压曲线与所述基准电压曲线的相似性指标；
导入子单元，用于电池管理***将所述恒流充电阶段电压曲线与所述基准电压曲线的相似性指标导入所述SOH预测模型，得到锂离子电池的当前可用容量均值和锂离子电池的置信度；
循环子单元，用于电池管理***循环触发记录子单元、求解子单元和导入子单元，使得所述电池管理***能对电池健康状态进行基于动态时间规整的预测操作。
CN201611052735.4A 2016-11-25 2016-11-25 一种锂离子电池健康状态预测方法及装置 Active CN106772064B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611052735.4A CN106772064B (zh) 2016-11-25 2016-11-25 一种锂离子电池健康状态预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611052735.4A CN106772064B (zh) 2016-11-25 2016-11-25 一种锂离子电池健康状态预测方法及装置

Publications (2)

Publication Number Publication Date
CN106772064A true CN106772064A (zh) 2017-05-31
CN106772064B CN106772064B (zh) 2019-05-28

Family

ID=58912378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611052735.4A Active CN106772064B (zh) 2016-11-25 2016-11-25 一种锂离子电池健康状态预测方法及装置

Country Status (1)

Country Link
CN (1) CN106772064B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107843845A (zh) * 2017-10-23 2018-03-27 合肥国轩高科动力能源有限公司 一种动力锂离子电池soh在线估算方法
CN108169680A (zh) * 2017-12-08 2018-06-15 北京普莱德新能源电池科技有限公司 动力电池健康状态评估方法、***及电动车辆
CN109031153A (zh) * 2018-10-16 2018-12-18 北京交通大学 一种锂离子电池的健康状态在线估计方法
CN109670196A (zh) * 2017-10-17 2019-04-23 小利兰·斯坦福大学托管委员会 电池形成和循环程序的自动筛选和优化
CN109799463A (zh) * 2019-01-18 2019-05-24 上海卡鲁自动化科技有限公司 基于大数据方法的实际运行工况下动力电池soc/soh/sop的估计与预测方法
CN110188920A (zh) * 2019-04-26 2019-08-30 华中科技大学 一种锂电池剩余寿命预测方法
CN110398697A (zh) * 2019-07-23 2019-11-01 北京工业大学 一种基于充电过程的锂离子健康状态估计方法
CN110673049A (zh) * 2018-07-03 2020-01-10 法国电力公司 评估电池健康状态的方法
CN110824375A (zh) * 2019-10-18 2020-02-21 广东电网有限责任公司 一种退役蓄电池实际容量计算方法
CN111308354A (zh) * 2020-03-11 2020-06-19 深圳易马达科技有限公司 电池健康度状态的检测方法、装置、电子设备及存储介质
CN111448467A (zh) * 2017-07-24 2020-07-24 罗伯特·博世有限公司 用于对电池容量进行建模和估计的方法及***
CN111983492A (zh) * 2019-05-21 2020-11-24 彩虹无线（北京）新技术有限公司 电池健康分析方法、装置和设备
CN112098845A (zh) * 2020-08-17 2020-12-18 四川大学 一种用于分布式储能***的锂电池状态估计方法
CN112098873A (zh) * 2020-08-17 2020-12-18 四川大学 基于充电电压曲线几何特征的锂电池健康状态估计方法
CN112433170A (zh) * 2020-10-13 2021-03-02 北京交通大学 一种串联电池组单体参数差异辨识方法
CN112526378A (zh) * 2019-09-18 2021-03-19 中车时代电动汽车股份有限公司 一种电池不一致性故障预警方法及设备
CN112910064A (zh) * 2021-05-10 2021-06-04 恒银金融科技股份有限公司 一种应用于电池充放电的安全***
CN113805064A (zh) * 2021-09-18 2021-12-17 北京航空航天大学 基于深度学习的锂离子电池组健康状态预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778280A (zh) * 2014-01-08 2014-05-07 上海交通大学 具有模型主动更新策略的锂离子电池剩余寿命预测方法
JP2015105875A (ja) * 2013-11-29 2015-06-08 富士通株式会社 近似関数作成プログラム、近似関数作成方法、近似関数作成装置および充電率推定プログラム
CN104749533A (zh) * 2015-03-25 2015-07-01 上海应用技术学院 一种锂离子电池健康状态在线估算方法
CN106004481A (zh) * 2016-05-20 2016-10-12 安徽江淮汽车股份有限公司 一种混合动力汽车电池组soh值估算方法
CN106033113A (zh) * 2015-03-19 2016-10-19 国家电网公司 一种储能电池组健康状态评估方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015105875A (ja) * 2013-11-29 2015-06-08 富士通株式会社 近似関数作成プログラム、近似関数作成方法、近似関数作成装置および充電率推定プログラム
CN103778280A (zh) * 2014-01-08 2014-05-07 上海交通大学 具有模型主动更新策略的锂离子电池剩余寿命预测方法
CN106033113A (zh) * 2015-03-19 2016-10-19 国家电网公司 一种储能电池组健康状态评估方法
CN104749533A (zh) * 2015-03-25 2015-07-01 上海应用技术学院 一种锂离子电池健康状态在线估算方法
CN106004481A (zh) * 2016-05-20 2016-10-12 安徽江淮汽车股份有限公司 一种混合动力汽车电池组soh值估算方法

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111448467A (zh) * 2017-07-24 2020-07-24 罗伯特·博世有限公司 用于对电池容量进行建模和估计的方法及***
CN109670196A (zh) * 2017-10-17 2019-04-23 小利兰·斯坦福大学托管委员会 电池形成和循环程序的自动筛选和优化
CN107843845A (zh) * 2017-10-23 2018-03-27 合肥国轩高科动力能源有限公司 一种动力锂离子电池soh在线估算方法
CN108169680A (zh) * 2017-12-08 2018-06-15 北京普莱德新能源电池科技有限公司 动力电池健康状态评估方法、***及电动车辆
CN110673049A (zh) * 2018-07-03 2020-01-10 法国电力公司 评估电池健康状态的方法
CN109031153A (zh) * 2018-10-16 2018-12-18 北京交通大学 一种锂离子电池的健康状态在线估计方法
CN109799463A (zh) * 2019-01-18 2019-05-24 上海卡鲁自动化科技有限公司 基于大数据方法的实际运行工况下动力电池soc/soh/sop的估计与预测方法
CN110188920A (zh) * 2019-04-26 2019-08-30 华中科技大学 一种锂电池剩余寿命预测方法
CN111983492A (zh) * 2019-05-21 2020-11-24 彩虹无线（北京）新技术有限公司 电池健康分析方法、装置和设备
CN110398697A (zh) * 2019-07-23 2019-11-01 北京工业大学 一种基于充电过程的锂离子健康状态估计方法
CN112526378A (zh) * 2019-09-18 2021-03-19 中车时代电动汽车股份有限公司 一种电池不一致性故障预警方法及设备
CN110824375A (zh) * 2019-10-18 2020-02-21 广东电网有限责任公司 一种退役蓄电池实际容量计算方法
CN111308354A (zh) * 2020-03-11 2020-06-19 深圳易马达科技有限公司 电池健康度状态的检测方法、装置、电子设备及存储介质
CN112098873B (zh) * 2020-08-17 2021-06-01 四川大学 基于充电电压曲线几何特征的锂电池健康状态估计方法
CN112098845A (zh) * 2020-08-17 2020-12-18 四川大学 一种用于分布式储能***的锂电池状态估计方法
CN112098873A (zh) * 2020-08-17 2020-12-18 四川大学 基于充电电压曲线几何特征的锂电池健康状态估计方法
CN112433170A (zh) * 2020-10-13 2021-03-02 北京交通大学 一种串联电池组单体参数差异辨识方法
CN112433170B (zh) * 2020-10-13 2021-08-10 北京交通大学 一种串联电池组单体参数差异辨识方法
CN112910064A (zh) * 2021-05-10 2021-06-04 恒银金融科技股份有限公司 一种应用于电池充放电的安全***
CN113805064A (zh) * 2021-09-18 2021-12-17 北京航空航天大学 基于深度学习的锂离子电池组健康状态预测方法
CN113805064B (zh) * 2021-09-18 2022-09-20 北京航空航天大学 基于深度学习的锂离子电池组健康状态预测方法

Also Published As

Publication number Publication date
CN106772064B (zh) 2019-05-28

Similar Documents

Publication Publication Date Title
CN106772064B (zh) 一种锂离子电池健康状态预测方法及装置
Ding et al. An improved Thevenin model of lithium-ion battery with high accuracy for electric vehicles
CN103926538B (zh) 基于aic准则的变阶数rc等效电路模型及实现方法
CN105807226B (zh) 基于等效电路模型的锂离子电池soc预测方法及装置
CN111448467B (zh) 用于对电池容量进行建模和估计的方法及***
CN107728072A (zh) 一种锂离子电池循环寿命的快速预测方法
CN107329094A (zh) 动力电池健康状态估算方法及装置
CN108594135A (zh) 一种用于锂电池均衡充放电控制的soc估算方法
CN110068772A (zh) 基于改进分数阶模型的锂离子电池荷电状态估计方法
CN105319515A (zh) 锂离子电池荷电状态和健康状态联合估算方法
CN105445671A (zh) 一种基于无迹粒子滤波的锂离子电池寿命预测方法
CN107690585A (zh) 用于确定锂硫电池组的健康状况和充电状态的方法和装置
CN107037374A (zh) 一种锂离子电池的soc和soh联合估计方法
CN105334462A (zh) 电池容量损失在线估算方法
CN110568359A (zh) 一种锂电池剩余寿命预测方法
CN107167743A (zh) 基于电动车辆的荷电状态估算方法和装置
CN103941195A (zh) 基于小模型误差准则扩展卡尔曼滤波的电池soc估计方法
CN112083346B (zh) 基于lstm的并联电池组内部电流分布估计方法及***
CN108896924A (zh) 基于深度置信网络和卡尔曼滤波融合的锂离子电池荷电状态估计方法
CN106772065A (zh) 基于最小二乘支持向量机的微电网储能soc估算方法和***
CN106055775A (zh) 一种粒子滤波与机理模型相结合的二次电池寿命预测方法
CN109991545A (zh) 一种电池包电量检测方法、装置及终端设备
CN107340476A (zh) 电池的电气状态监测***和电气状态监测方法
CN107167741A (zh) 一种基于神经网络的锂电池soc观测方法
CN103760495A (zh) 一种用于bms检测的soc源产生方法及soc估计精度测试方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20171107

Address after: 510080 Dongfeng East Road, Dongfeng, Guangdong, Guangzhou, Zhejiang Province, No. 8

Applicant after: ELECTRIC POWER RESEARCH INSTITUTE, GUANGDONG POWER GRID CO., LTD.

Address before: 510080 Dongfeng East Road, Dongfeng, Guangdong, Guangzhou, Zhejiang Province, No. 8

Applicant before: ELECTRIC POWER RESEARCH INSTITUTE, GUANGDONG POWER GRID CO., LTD.

Applicant before: Shanghai Jiao Tong University

GR01 Patent grant
GR01 Patent grant