CN110187281A

CN110187281A - 基于充电阶段健康特征的锂电池健康状态估算的方法

Info

Publication number: CN110187281A
Application number: CN201910426627.6A
Authority: CN
Inventors: 程泽; 郭珮瑶; 程思璐
Original assignee: Tianjin University
Current assignee: Tianjin University
Priority date: 2019-05-22
Filing date: 2019-05-22
Publication date: 2019-08-30
Anticipated expiration: 2039-05-22
Also published as: CN110187281B

Abstract

本发明涉及一种基于充电阶段健康特征的锂电池健康状态估算的方法，分建模和健康状态估算两个阶段：(一)建模阶段包括：步骤1.1：从不同充电阶段，即恒流充电和恒压充电的数据曲线采集充电健康特征；步骤1.2：计算所提取充电健康特征与健康状态的关联度，提取关联度高的特征构成健康特征矩阵；步骤1.3：对矩阵进行降维，得到健康特征序列；步骤1.4：将健康特征序列作为输入和健康状态序列作为输出训练回归模型，建立SOH估算模型。(二)SOH估算阶段包括：步骤2.1：采集步骤1.2中提取的充电健康特征，构造健康特征矩阵；步骤2.2：降维矩阵，得到健康特征序列；步骤2.3：用2.2中的健康特征输入1.4中建立的回归模型，得到SOH估计结果。其应用简便，效果非常显著。

Description

基于充电阶段健康特征的锂电池健康状态估算的方法

技术领域

本发明涉及一种锂电池健康状态估算的方法，特别涉及一种基于充电阶段健康特征的锂电池健康状态估算的方法。

背景技术

随着世界范围内环境和能源危机的加剧，锂电池以其能量密度高、使用寿命长、自放电率低、无记忆效应等优点，成为目前最具潜力的储能装置。锂电池的使用环境比较复杂，容易出现剧烈的电流变化和环境变化，导致电池性能下降、使用寿命缩短，甚至引发起火、***等安全事故，危及整个***的安全稳定运行。

锂电池的健康状态(state of health,SOH)估算是对电池进行有效管理的前提和关键。SOH是对使用中的电池相对于新电池存储和释放电能能力的变化的估算，本质反映了电池的老化和衰退情况。SOH参数常由电池的容量变化比值来定义,如式(1)所示，C_now表示电池现在的容量，C_rated表示电池的额定容量，即一块全新电池的容量。但锂电池带负载种类多，放电工况复杂多变，要实现放电容量的实时监测对传感器提出了很高的要求，难度较大。

SOH＝C_now/C_rated (1)

目前，常见的锂电池健康状态估算方法可以分为基于模型的方法和数据驱动类方法。数据驱动类方法有神经网络，支持向量机，贝叶斯网络，粒子滤波等算法。这类方法无须研究电池复杂的内部老化机理和模型参数辨识，就能建立起电池外部健康特征和内部老化过程间的关系模型，实现容量监测。健康特征一般从锂电池的充放电循环数据中的充/放电电流和电压曲线中提取，常见的有如开路电压，放电压降等。健康特征的选取对对估算结果的精度和方法的适用范围有很大影响。

为了实现对复杂工况下锂电池健康状态的估算，仅对放电阶段健康特征进行研究和依赖经验的选择方法还远远不够，还须进行进一步研究。

近年来，在对锂电池健康状态估算方法的研究中，外部健康特征的提取多从放电阶段的电压和电流曲线提取，往往存在测量难度大，适用范围窄的问题。如开路电压需要电池长时间静置才能获得，放电压降受限于恒流放电工况，不适用于脉冲放电或间断放电等情况。此外，环境温度对电池内部物理化学反应有较大影响，会严重影响电池的衰退趋势，但目前的健康特征提取工作对温度相关特征的研究较少。

因此，提供一种设计合理，应用简便，估算判断准确可靠，成本低，工作效率高的基于充电阶段健康特征的锂电池健康状态估算的方法，是该领域技术人员亟待解决的问题之一。

发明内容

本发明的目的在于克服现有技术上的不足，针对现有的健康特征测量难度大，适用范围窄，还有不涉及温度这一重要因素的问题，本发明拟从锂电池的充电阶段的电压，电流，温度曲线提取健康特征。相对于放电工况复杂多变的情况，锂电池的充电过程较为固定，且一般可以分为恒流(CC)和恒压(CV)充电两个阶段。充电阶段的健康特征提取，可有效避免放电工况变化的影响。

另一方面，健康特征一般依据经验直接给出，或只针对单一的健康特征进行与容量衰退之间的分析，缺少较为明确***的提取健康特征的方法。针对这个问题，本发明从锂电池的充电电流、电压和温度曲线中，选取易于测量的健康特征，提出了一套基于灰色关联度分析和局部线性嵌入的完整的，易遵循的健康特征提取方法，并在此基础上实现了SOH估算；即提供一种设计合理，应用简便，估算判断准确可靠，成本低，工作效率高的基于充电阶段健康特征的锂电池健康状态估算的方法。

为了实现上述目的本发明采用技术方案是：一种基于充电阶段健康特征的锂电池健康状态估算的方法，其特征在于该方法实施步骤如下：首先分为建模和健康状态估算两个阶段：

(一)建模阶段的具体步骤包括：

步骤1.1：在锂电池循环充电数据的基础上，从不同充电阶段，即包括恒流充电和恒压充电两个阶段的数据曲线采集以下4类共14个充电健康特征：

(1)不同阶段所用的时间及其比值：L₁为恒压充电阶段的时间，L₂为恒流充电阶段的时间，比值L₁/L₂；

(2)电流和温度不同阶段的曲线与x轴构成区域的面积：A₁为恒流充电阶段的电流曲线，A₂为恒压充电阶段的电流曲线，A为整个充电阶段的电流曲线；T₁为恒流充电阶段的温度曲线，T₂为恒压充电阶段的温度曲线，T为整个充电阶段的温度曲线；

(3)电压曲线的最大斜率K₁和电流曲线的最大斜率K₂；

(4)第(2)类中相应温度曲线面积与电流曲线面积的比值：T₁/A₁，T₂/A₂和T/A；

步骤1.2：计算14个健康特征与SOH的灰色关联度，并提取出关联度较高的n个充电特征，n根据电池数据的实际情况取值，构造出m×n的健康特征矩阵HF＝[HF₁,HF₂,…,HF_i,…,HF_n]^T，其中HF_i为m维的健康特征数据序列，这里m为电池数据集中的样本数；

步骤1.3：所述步骤1.2中构造的健康特征矩阵因受n的影响维数多，数据量大，加重计算负担；所以用一种降维算法主成分分析法(principal component analysis，PCA)将特征矩阵在保留大部分原始信息的情况下，由m×n矩阵降为1×m的健康特征序列HI，减小计算量；

步骤1.4：采用相关向量机(relevance vector machine,RVM)作为回归模型算法，将所述步骤1.3中得到的健康特征序列HI作为RVM模型输入，SOH作为RVM模型输出，训练得到回归模型；

(二)SOH估算阶段的具体步骤包括：

步骤2.1：采集所述步骤1.2中提取的锂电池充电健康特征，构造健康特征矩阵HF＝[HF₁,HF₂,…,HF_i,…,HF_n]^T；其中HF_i为m维的健康特征数据序列，这里m为电池数据集中的样本数；

步骤2.2：用PCA将步骤2.1中的特征矩阵HF降维，得到1×m的健康特征序列HI；

步骤2.3：用所述步骤2.2中的健康特征HI输入所述步骤1.4中建立的RVM模型，得到SOH估算结果。

本发明的有益效果是：

(1)采用了充电阶段的健康特征，可适用于所有放电工况的电池；

(2)所提出的健康特征易于采集，无须额外的采集实验；

(3)引入了温度这一影响电池老化的重要环境因素；

(4)提出了一套完整清晰，易于遵循的健康特征提取方法。

总之，本发明方法设计合理，应用简便，估算判断准确可靠；该方法可大大提高工作效率，应用效果非常显著，且应用前景非常广阔。

附图说明

图1是本发明建模阶段的流程方框图；

图2是本发明为实现锂电池健康状态估算的流程方框图；

图3是本发明基于充电阶段健康特征的锂电池健康状态估算结果曲线示意图。

具体实施方式

以下结合附图和较佳实施例，对依据本发明提供的具体实施方式、结构、特征详述如下：

如图1-图3所示，一种基于充电阶段健康特征的锂电池健康状态估算的方法；该方法在以下实施例中的锂电池健康状态估算对象为美国国家航空航天局(NASA)的开源数据库中的#30～#32锂离子电池；其中，#30、#31电池作为训练集建立模型，#32作为测试集进行SOH估算。

该方法具体实施步骤首先分为建模和健康状态估算两个阶段：

(一)建模阶段的具体步骤包括：

参见图1，步骤1.1：在锂电池循环充电数据的基础上，从不同充电阶段(包括恒流充电和恒压充电两个阶段)的数据曲线采集以下4类共14个充电健康特征：

(3)电压曲线的最大斜率K₁和电流曲线的最大斜率K₂；

(4)第(2)类中相应温度曲线面积与电流曲线面积的比值：T₁/A₁，T₂/A₂和T/A。

步骤1.2：灰色关联度分析的基本思想是研究不同因素的序列曲线的相似程度，即曲线的几何形状越相似，因素之间的关联程度越大；反之因素之间的关联程度越小；当两条曲线完全相同时，灰色关联度等于1。参考序列X₀＝{x₀(k)},k＝1,2,...,m，和比较序列X_i＝{x_i(k)},k＝1,2,...,m,i＝1,2,...,n可以根据公式(2)计算参考序列与比较序列之间的关联系数，其中ρ为分辨系数，这里取0.5。

计算关联系数的平均值，可得参考序列与比较序列的灰色关联度：

例如，将SOH值作为参考序列，健康特征值作为比较序列，计算电池#30和#31的14个健康特征分别与SOH的灰色关联度，结果如表1所示，并选取出关联度值高的8个特征A₁,A,L₁,L₁/L₂,T,T₁,T₂/A₂,K₂构造健康特征矩阵HF_x＝[A₁,A,L₁,L₁/L₂,T,T₁,T₂/A₂,K₂]^T。

所述步骤1.2中提取出关联度较高的n个充电健康特征值的较佳范围是4个～10个，可根据锂电池健康状态估算中4类14个充电健康特征的关联及全面性、估算数值运算的简捷以及其精确度的需要进行选择。

表1健康特征的灰色关联度

步骤1.3：采用一种降维算法：主成分分析法(principal component analysis，PCA)将特征矩阵HF_x降维，得到健康特征序列HI_x。先将健康特征矩阵HF_x标准化为X^*，计算其协方差矩阵S：

可由公式(5)计算得X^*的特征向量u_i和X^*的特征值λ_i，i＝1,...,x由此用公式(6)计算得到降维后的矩阵Z：

Su_i＝λ_iu_i (5)

Z＝X^*×S (6)

为了确定Z中选取的主成分个数，根据公式(7)可以计算降维后各主成分的贡献率：

各主成分的贡献率计算结果如表2所示；从中可以看出，主成分1对原始数据的贡献率已经达到了99％以上，保留了原始矩阵的绝大部分信息；可以将主成分1作为降维结果，即健康特征序列HI_x。

表2主成分贡献率

	主成分1	主成分2	主成分3
				#30	99.94873％	0.044322％	0.005443％
#31	99.88438％	0.109917％	0.005049％

步骤1.4：采用相关向量机(relevance vector machine,RVM)作为回归模型算法，将所述步骤1.3中得到的健康特征序列HI_x作为RVM模型输入，SOH作为RVM模型输出，训练得到回归模型。

(二)SOH估算阶段的具体步骤包括：

参见图2，步骤2.1：采集所述步骤1.2中例如提取8个充电健康特征A₁,A,L₁,L₁/L₂,T,T₁,T₂/A₂,K₂，构造健康特征矩阵HF_t＝[A₁,A,L₁,L₁/L₂,T,T₁,T₂/A₂,K₂]^T。

步骤2.2：用PCA将步骤2.1中得到的特征矩阵HF_t降维，将PCA降维得到的主成分1作为健康特征序列HI_t。

所述降维算法也可采用局部线性嵌入或多维缩放降维算法。

步骤2.3：用所述步骤2.2中的健康特征HI_t输入所述步骤1.4中建立的RVM回归模型，得到SOH估算结果，如图3所示。

所述步骤1.4或步骤2.3中建立的回归模型算法也可采用支持向量机或神经网络算法。

本发明方法的主要特点及原理：

本发明方法首先确定了4类充电阶段的健康特征，在对这些健康特征与SOH进行灰色关联度分析的基础上，选取关联度高的特征构成矩阵。对健康特征矩阵用PCA算法进行降维处理，根据主成分贡献率验证降维效果，得到最终的健康特征序列。用提取的健康特征序列作为输入建立RVM回归模型，实现对锂电池SOH的估算。通过上述分析运算等过程，本发明实施方法有效避免了电池放电过程变化对健康特征选取的影响，并且提出了一种易于遵循的健康特征选取和优化的流程，为锂电池SOH估算的健康特征选取提供了一种应用效果非常显著的新思路。

上述参照实施例对该基于充电阶段健康特征的锂电池健康状态估算的方法进行的详细描述，是说明性的而不是限定性的；因此在不脱离本发明总体构思下的变化和修改，应属本发明的保护范围之内。

Claims

1.一种基于充电阶段健康特征的锂电池健康状态估算的方法，其特征在于该方法实施步骤如下：首先分为建模和健康状态估算两个阶段：

(一)建模阶段的具体步骤包括：

(3)电压曲线的最大斜率K₁和电流曲线的最大斜率K₂；

(二)SOH估算阶段的具体步骤包括：

2.根据权利要求1所述的基于充电阶段健康特征的锂电池健康状态估算的方法，其特征在于所述步骤1.2中提取出关联度较高的n个充电健康特征值的较佳范围是4个～10个。

3.根据权利要求1所述的基于充电阶段健康特征的锂电池健康状态估算的方法，其特征在于所述步骤1.3或步骤2.2中的特征矩阵HF降维算法：采用主成分分析法(principalcomponent analysis，PCA)将特征矩阵降至1维，得到健康特征序列HI_x。

4.根据权利要求3所述的基于充电阶段健康特征的锂电池健康状态估算的方法，其特征在于所述降维算法采用局部线性嵌入或多维缩放降维算法。

5.根据权利要求1所述的基于充电阶段健康特征的锂电池健康状态估算的方法，其特征在于所述步骤1.4或步骤2.3中建立的回归模型算法采用支持向量机或神经网络算法。