CN112379295B - 预测动力电池健康状态的方法、***及存储介质 - Google Patents
预测动力电池健康状态的方法、***及存储介质 Download PDFInfo
- Publication number
- CN112379295B CN112379295B CN202011050925.9A CN202011050925A CN112379295B CN 112379295 B CN112379295 B CN 112379295B CN 202011050925 A CN202011050925 A CN 202011050925A CN 112379295 B CN112379295 B CN 112379295B
- Authority
- CN
- China
- Prior art keywords
- power battery
- soh
- value
- kth
- round
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000003862 health status Effects 0.000 title description 2
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 238000007637 random forest analysis Methods 0.000 claims abstract description 26
- 230000036541 health Effects 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 125000004122 cyclic group Chemical group 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 239000003990 capacitor Substances 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 9
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 2
- 230000032683 aging Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明实施方式提供一种预测动力电池健康状态的方法、***及存储介质，属于动力电池的维护技术领域。所述方法包括：基于所述动力电池的工况搭建一阶Thevenin模型；对所述一阶Thevenin模型的内阻进行参数识别；采用卡尔曼滤波算法根据参数识别的结果估计所述动力电池的内阻；根据所述内阻确定所述动力电池的第一SOH；获取所述动力电池的充电电压数据；将所述充电电压数据输入训练好的随机森林算法模型以得到所述动力电池的第二SOH；对所述第一SOH和第二SOH进行加权以得到所述动力电池的SOH。该方法、***及存储介质能够准确地估计动力电池的健康状态。
Description
技术领域
本发明涉及动力电池的维护技术领域，具体地涉及一种预测动力电池健康状态的方法、***及存储介质。
背景技术
不断持续的能源危机和环境保护问题促使着电动汽车技术的更新迭代锂离子电池以其高能量密度、低自放电率和循环寿命长等优点作为动力电池为电动汽车提供动力。电池健康度(State of Health)，SOH这一指标来表示锂电池的老化程度，通过对SOH的实时估计和预测，可以保障整体电池包的充、放电性能以及安全性。
目前对电池健康状态(SOH)估算方法主要有两大类。一种是直接获取法，通过对电池参数的直接测量来进行处理得到的SOH的方法，具体有阻抗法、开路电压法等；第二种是数据驱动法，其不依赖于电池的模型，通过动力电池的测量数据来构造模型，具体有支持向量机，BP神经网络等。
发明内容
本发明实施方式的目的是提供一种预测动力电池健康状态的方法、***及存储介质，该方法、***及存储介质能够准确地估计动力电池的健康状态。
为了实现上述目的，本发明实施方式提供一种预测动力电池健康状态的方法，所述方法包括：
基于所述动力电池的工况搭建一阶Thevenin模型；
对所述一阶Thevenin模型的内阻进行参数识别；
采用卡尔曼滤波算法根据参数识别的结果估计所述动力电池的内阻；
根据所述内阻确定所述动力电池的第一SOH；
获取所述动力电池的充电电压数据；
将所述充电电压数据输入训练好的随机森林算法模型以得到所述动力电池的第二SOH；
对所述第一SOH和第二SOH进行加权以得到所述动力电池的SOH。
可选地，所述一阶Thevenin模型包括：
电压源，所述电压源的负极用于输出所述动力电池的输出电压的负极；
第一电阻，所述第一电阻的一端与所述电压源的正极连接；
电容，所述电容的一端与所述第一电阻的一端连接，所述电容的另一端与所述第一电阻的另一端连接；以及
第二电阻，所述第二电阻的一端与所述第一电阻的另一端连接，所述第二电阻的另一端用于输出所述动力电池的输出电压的正极；
所述基于所述动力电池的工况搭建一阶Thevenin模型具体包括：
根据所述一阶Thevenin模型建立方程(1)，
Ut＝UOC-IPRP-I0R0，(1)
其中，Ut为所述输出电压，UOC为所述电压源，IP为通过第一电阻RP的电流，I0为通过第二电阻R0的电流。
可选地，所述对所述一阶Thevenin模型的内阻进行参数识别包括：
采用直流放电法利用所述动力电池两端脉冲放电得到的电压特性曲线进行参数辨识。
可选地，所述采用卡尔曼滤波算法根据参数识别的结果估计所述动力电池的内阻具体包括：
根据公式(2)对初始化所述卡尔曼滤波算法，
其中，为状态变量估计值的初值，x0为状态变量，D0为状态误差协方差的初值，E为期望的计算算子；
根据公式(3)和公式(4)进行时间更新操作，
其中，为第k轮的状态预测值，Ak为第k轮的状态转移矩阵，/>为第k-1轮的状态变量估计值，Bk为第k轮的输入矩阵，uk-1为第k-1轮的输入变量；
其中，Pk|k-1为第k轮的误差协方差的预测值，Ak-1为第k-1轮的状态转移矩阵，Pk-1为第k-1轮的状态误差协方差，为状态转移矩阵Ak-1的转置，Q为过程噪声的协方差；
根据公式(5)至公式(7)进行量测更新，
Pk＝(I-KkCk)Pk|k-1，(7)
其中，Kk为第k轮的增益，Ck为第k轮的观测矩阵，为观测矩阵Ck的转置，R为量测噪声的协方差，/>为第k轮的状态变量估计值，yk为第k轮的观测变量，Dk为前馈矩阵，uk为第k轮的输入变量，Pk为第k轮的状态误差协方差，I为单位矩阵；
根据方程(8)确定所述卡尔曼滤波算法的状态方程，
其中，R0(k)、R0(k-1)分别为第k轮、第k-1轮的第二电阻R0的值，Rp(k)、Rp(k-1)分别为第k轮、第k-1轮的第一电阻Rp的值，τp(k)为第k轮、第k-1轮的τp的值，Cp＝τp/Rp，Cp为所述电容的电容值，ω(k)为过程噪声；
将方程(8)输入卡尔曼滤波算法中以得到所述动力电池的内阻。
可选的，所述根据所述内阻确定所述动力电池的第一SOH包括：
根据公式(9)估计所述第一SOH，
其中，SOH1为所述第一SOH，REOL为所述动力电池的寿命截止的欧姆内阻值，Rnow为当前的所述动力电池的内阻，Rnew为所述动力电池出厂时的欧姆内阻值。
可选地，所述方法包括：
获取所述动力电池的循环充电电压数据；
将所述循环充电电压数据中每个循环电压区间分成多个电压值；
分别针对每个所述电压值获取对应的所述动力电池的容量值；
针对每个循环，将多个容量值和对应的最大容量组合以构成单个数据样本；
组合多个所述单个数据样本以构成用于训练所述随机森林算法模型的数据集。
可选地，所述方法包括：
以预设的概率值划分所述数据集以构成训练集和测试集；
采用所述训练集训练所述随机森林算法模型；
采用所述测试集测试所述随机森林算法模型；
采用均方根误差的方法计算所述随机森林算法模型的精确度。
可选地，所述对所述第一SOH和第二SOH进行加权以得到所述动力电池的SOH具体包括：
根据公式(10)计算动力电池的SOH，
SOH实＝x1SOH1+x2SOH2，(10)
其中，SOH实为动力电池的SOH(真实值)，SOH1为第一SOH，SOH2为第二SOH，x1、x2分别为对应的加权系数且x1+x2＝1。
另一方面，本发明还提供一种预测动力电池健康状态的***，所述***包括处理器，所述处理器用于执行如上述任一所述的方法。
再一方面，本发明还提供一种存储介质，所述存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如上述任一所述的方法。
通过上述技术方案，本发明提供的预测动力电池健康状态的方法、***及存储介质一方面通过建立一阶Thevenin模型，采用改进的卡尔曼滤波方法估算动力电池的第一SOH；另一方面采用随机森林算法模型对基于动力电池充电电压变化情况估算动力电池的第二SOH；最后以对第一SOH和第二SOH加权的方法来估算出动力电池的SOH的真实值。克服了现有技术中两种方法在单独估计时容易受到测试条件的影响的缺陷，提高了SOH的估计精度。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：
图1是根据本发明的一个实施方式的预测动力电池的方法的流程图；
图2是根据本发明的一个实施方式的一阶Thevenin模型的电路图；
图3是根据本发明的一个实施方式的基于一阶Thevenin模型的两端电压的曲线图；
图4是根据本发明的一个实施方式的基于卡尔曼滤波算法计算内阻的方法的流程图；
图5是根据本发明的一个实施方式的生成数据集的流程图；
图6是根据本发明的一个实施方式的随机森林算法模型的工作流程的示意图；以及
图7是根据本发明的一个实施方式的确定x1、x2的方法的流程图。
具体实施方式
以下结合附图对本发明实施方式的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施方式，并不用于限制本发明实施方式。
在本发明实施方式中，在未作相反说明的情况下，使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的或者是针对竖直、垂直或重力方向上而言的各部件相互位置关系描述用词。
另外，若本发明实施方式中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施方式之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
如图1所示是根据本发明的一个实施方式的预测动力电池健康状态的方法的流程图。在图1中，该方法可以包括：
在步骤S10中，基于动力电池的工况搭建一阶Thevenin模型。在设计该一阶Thevenin模型时，发明人发现动力电池随着工作时间的增长，其内阻会逐渐增大，原本近似于0内阻的电压源会逐渐演变成电压源串联一个电阻的电路结构，而由于动力电池内部的极化特性，在该串联的电阻和电压源之间，等效于连接有一个RC并联电路。据此，发明人设计了如图2中所示出的电路结构。在图2中，该一阶Thevenin模型可以包括电压源UOC、第一电阻Rp、第二电阻R0以及电容Cp。其中，电压源UOC的负极可以用于输出动力电池的输出电压的负极。第一电阻Rp的一端可以与电压源UOC的正极连接。电容Cp的一端可以与第一电阻Rp的一端连接，电容Cp的另一端可以与第一电阻Rp的另一端连接。第二电阻R0的一端可以与第一电阻Rp的另一端连接，第二电阻R0的另一端可以用于输出动力电池的输出电压的正极。那么，基于该图2中的电路，在搭建该一阶Thevenin模型时，可以基于该模型建立方程(1)，
Ut＝UOC-IpRp-I0R0，(1)
其中，Ut为输出电压，UOC为电压源，Ip为通过第一电阻Rp的电流，I0为通过第二电阻R0的电流。
在步骤S11中，对一阶Thevenin模型的内阻进行参数识别。在该实施方式中，该参数识别的方式可以是本领域人员所知的多种形式。在本发明的一个优选示例中，考虑到操作的简便性，可以采用直流放电法，利用动力电池两端脉冲放电得到的电压特性曲线进行参数辨识。具体地，可以是先对该动力电池进行放电，并在放电的过程中实时记录该动力电池两端的电压特性曲线，该电压特性曲线如图3所示。
进一步地，基于该如图3所示出的电压特性曲线，可以选取ab段建立方程(2)，
其中，ΔU为ab段的电压差；再选取bc段通过最小二乘法求得τp和Rp，即方程(3)，
其中，Cp＝τp/Rp。Cp为极化电容，即图2中的电容。Rp为极化电阻，即图2中的第一电阻。
在步骤S12中，采用卡尔曼滤波算法根据参数识别的结果估计动力电池的内阻。具体地，估计该动力电池的内阻的过程可以包括如图4中示出的步骤。在图4中，该过程可以包括：
在步骤S20中，根据公式(2)对初始化卡尔曼滤波算法，
其中，为状态变量估计值的初值，x0为状态变量，D0为状态误差协方差的初值，E为期望的计算算子。
在步骤S21中，根据公式(3)和公式(4)进行时间更新操作，
其中，为第k轮的状态预测值，Ak为第k轮的状态转移矩阵，/>为第k-1轮的状态变量估计值，Bk为第k轮的输入矩阵，uk-1为第k-1轮的输入变量；
其中，Pk|k-1为第k轮的误差协方差的预测值，Ak-1为第k-1轮的状态转移矩阵，Pk-1为第k-1轮的状态误差协方差，为状态转移矩阵Ak-1的转置，Q为过程噪声的协方差；
在步骤S22中，根据公式(5)至公式(7)进行量测更新，
Pk＝(I-KkCk)Pk|k-1，(7)
其中，Kk为第k轮的增益，Ck为第k轮的观测矩阵，为观测矩阵Ck的转置，R为量测噪声的协方差，/>为第k轮的状态变量估计值，yk为第k轮的观测变量，Dk为前馈矩阵，uk为第k轮的输入变量，Pk为第k轮的状态误差协方差，I为单位矩阵。
在步骤S23中，根据方程(8)确定卡尔曼滤波算法的状态方程，
其中，R0(k)、R0(k-1)分别为第k轮、第k-1轮的第二电阻R0的值，Rp(k)、Rp(k-1)分别为第k轮、第k-1轮的第一电阻Rp的值，τp(k)为第k轮、第k-1轮的τp的值，Cp＝τp/Rp，Cp为电容的电容值，ω(k)为过程噪声。
在该步骤S23中，由于流过第一电阻Rp的电流Ip可以采用公式(9)来表示，
其中，Up为第一电阻Rp两端的电压；
将该公式(9)代入方程(1)中，可以得到如下所示的方程(10)，
其中，SOC为动力电池的SOC值，t表示当前的时间；
对该公式(9)进行离散化处理，从而得到方程(11)，
其中，UT(k)、Ut(k-1)分别为第k轮、第k-1轮的输出电压Ut的值，Uoc(k)、Uoc(k-1)分别为第k轮、第k-1轮的电压源Uoc的值，I0(k)、I0(k-1)分别为第k轮、第k-1轮的电流I0的值，T为采样时间(周期)，v(k)为测量噪声；
另外，发明人考虑到该动力电池的模型参数(SOC、最大容量等)在短时间内可以认为是不变的，因此可以得到方程(8)。
在步骤S24中，将方程(8)输入卡尔曼滤波算法中以得到动力电池的内阻。
在步骤S13中，根据内阻确定动力电池的第一SOH。具体地，可以是根据公式(12)估计该第一SOH，
其中，SOH1为第一SOH，REOL为动力电池的寿命截止的欧姆内阻值，Rnow为当前的动力电池的内阻，Rnew为动力电池出厂时的欧姆内阻值。
在步骤S14中，获取动力电池的充电电压数据。
在步骤S15中，将充电电压数据输入训练好的随机森林算法模型以得到动力电池的第二SOH。在该实施方式中，该随机森林算法模型可以是由预设的数据集进行训练得到，而该训练过程可以具体包括如图5中所示出的步骤。在图5中，该过程可以包括：
在步骤S30中，获取动力电池的循环充电电压数据。
在步骤S31中，将循环充电电压数据中每个循环电压区间分成多个电压值。
在步骤S32中，分别针对每个电压值获取对应的动力电池的容量值。
在步骤S33中，针对每个循环，将多个容量值和对应的最大容量组合以构成单个数据样本。
在步骤S34中，组合多个单个数据样本以构成用于训练随机森林算法模型的数据集。
在步骤S30至步骤S34中，该循环充电电压数据可以是不同最大容量的动力电池在充电过程中两端电压的变化曲线。而循环电压区间可以是能够反映该动力电池在充电过程中，两端电压变化特征的区间。在该实施方式中，可以先将该循环电压区间划分成多个电压值ΔV。其中，该电压值ΔV可以是点值，也可以是由两个点值确定的子区间。然后针对每个电压值ΔV，分别确定其对应的动力电池当前的容量，可以记为Q1、Q2……Qm。再将该当前的容量和动力电池的最大容量进行组合，从而构成该数据集，记为Sn＝{(X1，Y1)，(X2,Y2)，……，(Xn,Yn)}。其中，X1、X2…Xn中的任意者均表示一个动力电池的Q1、Q2……Qm，Y1、Y2…Yn表示对应的最大容量。
在确定完数据集，可以以预设的概率值(例如7:3)划分该数据集以构成训练集和测试集，然后采用训练集训练随机森林算法模型，再采用测试集测试随机森林算法模型。最后采用均方根误差的方法计算随机森林算法模型的精确度。在其精确度达到预设条件的情况下，确定该随机森林算法模型的训练完成。
另外，在该随机森林算法的过程中，首先从Sn中随机选取n个观测值，并替换得到Bootstrap样本，其中每个观测值有1/n被选择的概率，并构造q棵决策树，Bootstrap样本为在训练过程中，该算法在每个节点上对输入数据进行分割，同时要使得所有变量都能进行最佳分割，这个分割过程从根节点开始，每个节点对新的输入X应用对应的分割函数。这个过程会递归重复，直到最后一个节点不能再分割。当达到最大节点深度时；或当节点包含的观测值少于预定数量时，树就会停止生长。在这个训练过程的最后，在Sn上构造一个预测函数/>每棵树对应的输出值分别为最后通过平均所有树的输出，即：
其中是对应的第i棵树的输出值，i＝1,2,……,q。相应的流程图如图6所示。
在步骤S16中，对第一SOH和第二SOH进行加权以得到动力电池的SOH。具体地，可以是根据公式(13)执行该加权操作，
SOH实＝x1SOH1+x2SOH2，(13)
其中，SOH实为动力电池的SOH(真实值)，SOH1为第一SOH，SOH2为第二SOH，x1、x2分别为对应的加权系数且x1+x2＝1。
另外，对于该x1、x2具体数值的确定，可以是本领域人员所知的多种方法。但是，考虑到如果对x1、x2数值的确定不恰当，会导致对第一SOH和第二SOH确定的不准确，进而导致SOH实的准确度降低。因此，在本发明的一个实施方式中，发明人设计了如图7所示的方法。在图7中，确定x1、x2数值的具体过程可以包括：
在步骤S40中，定义x1、x2的初始数值；
在步骤S41中，将x1、x2代入公式(13)中以得到SOH实的值；
在步骤S42中，以动力电池容量老化曲线和内阻老化曲线为基准，计算SOH实分别与动力电池容量老化曲线和内阻老化曲线的平均误差；
在步骤S43中，计算两个平均误差的总和；
在步骤S44中，判断该总和是否小于或等于预设的阈值；
在步骤S45中，在判断该总和大于该阈值的情况下，根据公式(14)和公式(15)更新x1和x2，并返回执行步骤S41，
x1 1＝x1+Δt，(14)
x2 1＝x2-Δt，(15)
其中，x1 1、x2 1为更新后的x1、x2的值，Δt为预设的递推因子；
在步骤S46中，在判断该总和小于或等于阈值的情况下，确定当前的x1和x2为最优解。
通过如图7所示出的步骤，针对x1、x2进行分别地进行增量和减量，并在增量和减量的过程中，实时地计算与动力电池容量老化曲线和内阻老化曲线的平均误差的总和，使得基于x1、x2所得到的SOH实更加准确。
此外，值得注意的是，就实际的工况而言，该平均误差的总和表示为SOH实与该动力电池的其他的任意曲线。但是，在本发明的实施方式中，发明人考虑到动力电池的SOH值主要受动力电池的最大容量和内阻的影响，因此，以该动力电池的动力电池容量老化曲线和内阻老化曲线作为评价基准能够更加准确地确定出合理的x1、x2的值，从而最终得到更加准确地SOH的真实值。
另一方面，本发明还提供一种预测动力电池健康状态的***，该***可以包括处理器，该处理器用于执行如上述任一所述的方法。
再一方面，本发明还提供一种存储介质，该存储介质可以存储有指令，该指令可以用于被机器读取以使得该机器执行如上述任一所述的方法。
通过上述技术方案，本发明提供的预测动力电池健康状态的方法、***及存储介质一方面通过建立一阶Thevenin模型，采用改进的卡尔曼滤波方法估算动力电池的第一SOH；另一方面采用随机森林算法模型对基于动力电池充电电压变化情况估算动力电池的第二SOH；最后以对第一SOH和第二SOH加权的方法来估算出动力电池的SOH的真实值。克服了现有技术中两种方法在单独估计时容易受到测试条件的影响的缺陷，提高了SOH的估计精度。
以上结合附图详细描述了本发明例的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施方式方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施方式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。
此外，本发明实施方式的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公开的内容。
Claims (6)
1.一种预测动力电池健康状态的方法，其特征在于，所述方法包括：
基于所述动力电池的工况搭建一阶Thevenin模型；
对所述一阶Thevenin模型的内阻进行参数识别；
采用卡尔曼滤波算法根据参数识别的结果估计所述动力电池的内阻；
根据所述动力电池的内阻确定所述动力电池的第一SOH；
获取所述动力电池的充电电压数据；
将所述充电电压数据输入训练好的随机森林算法模型以得到所述动力电池的第二SOH；
对所述第一SOH和第二SOH进行加权以得到所述动力电池的SOH；
所述采用卡尔曼滤波算法根据参数识别的结果估计所述动力电池的内阻具体包括：
根据公式(2)初始化所述卡尔曼滤波算法，
其中，为状态变量估计值的初值，x0为状态变量，D0为状态误差协方差的初值，E为期望的计算算子；
根据公式(3)和公式(4)进行时间更新操作，
其中，为第k轮的状态预测值，Ak为第k轮的状态转移矩阵，/>为第k-1轮的状态变量估计值，Bk为第k轮的输入矩阵，uk-1为第k-1轮的输入变量；
其中，Pk|k-1为第k轮的误差协方差的预测值，Ak-1为第k-1轮的状态转移矩阵，Pk-1为第k-1轮的状态误差协方差，为状态转移矩阵Ak-1的转置，Q为过程噪声的协方差；
根据公式(5)至公式(7)进行量测更新，
Pk＝(I-KkCk)Pk|k-1， (7)
其中，Kk为第k轮的增益，Ck为第k轮的观测矩阵，为观测矩阵Ck的转置，R为量测噪声的协方差，/>为第k轮的状态变量估计值，yk为第k轮的观测变量，Dk为前馈矩阵，uk为第k轮的输入变量，Pk为第k轮的状态误差协方差，I为单位矩阵；
根据方程(8)确定所述卡尔曼滤波算法的状态方程，
其中，R0(k)、R0(k-1)分别为第k轮、第k-1轮的第二电阻R0的值，Rp(k)、Rp(k-1)分别为第k轮、第k-1轮的第一电阻Rp的值，τp(k)、τp(k-1)为第k轮、第k-1轮的τp的值，Cp＝τp/Rk，Cp为电容的电容值，ω(p)为过程噪声；
将方程(8)输入卡尔曼滤波算法中以得到所述动力电池的内阻；
所述随机森林算法模型是由随机森林算法模型的数据集训练得到，获得所述随机森林算法模型的数据集的方法包括：
获取所述动力电池的循环充电电压数据；
将所述循环充电电压数据中每个循环电压区间分成多个电压值；
分别针对每个所述电压值获取对应的所述动力电池的容量值；
针对每个循环，将多个容量值和对应的最大容量组合以构成单个数据样本；
组合多个所述单个数据样本以构成用于训练所述随机森林算法模型的数据集；
对所述随机森林算法模型进行训练的方法包括：
以预设的概率值划分所述数据集以构成训练集和测试集；
采用所述训练集训练所述随机森林算法模型；
采用所述测试集测试所述随机森林算法模型；
采用均方根误差的方法计算所述随机森林算法模型的精确度；
在所述精确度达到预设条件的情况下，确定所述随机森林算法模型的训练完成；
所述一阶Thevenin模型包括：
电压源，所述电压源的负极用于输出所述动力电池的输出电压的负极；
第一电阻，所述第一电阻的一端与所述电压源的正极连接；
电容，所述电容的一端与所述第一电阻的一端连接，所述电容的另一端与所述第一电阻的另一端连接；以及
第二电阻，所述第二电阻的一端与所述第一电阻的另一端连接，所述第二电阻的另一端用于输出所述动力电池的输出电压的正极；
所述基于所述动力电池的工况搭建一阶Thevenin模型具体包括：
根据所述一阶Thevenin模型建立方程(1)，
Ut＝UOC-IPRP-I0R0， (1)
其中，Ut为所述输出电压，UOC为所述电压源的电压，IP为通过第一电阻RP的电流，I0为通过第二电阻R0的电流。
2.根据权利要求1所述的方法，其特征在于，所述对所述一阶Thevenin模型的内阻进行参数识别包括：
采用直流放电法利用所述动力电池两端脉冲放电得到的电压特性曲线进行参数辨识。
3.根据权利要求1所述的方法，其特征在于，所述根据所述动力电池的内阻确定所述动力电池的第一SOH包括：
根据公式(9)估计所述第一SOH，
其中，SOH1为所述第一SOH，REOL为所述动力电池的寿命截止的欧姆内阻值，Rnow为当前的所述动力电池的内阻，Rnew为所述动力电池出厂时的欧姆内阻值。
4.根据权利要求1所述的方法，其特征在于，所述对所述第一SOH和第二SOH进行加权以得到所述动力电池的SOH具体包括：
根据公式(10)计算动力电池的SOH，
SOH实＝x1SOH1+x2SOH2， (10)
其中，SOH实为动力电池的SOH，SOH1为第一SOH，SOH2为第二SOH，x1、x2分别为对应的加权系数且x1+x2＝1。
5.一种预测动力电池健康状态的***，其特征在于，所述***包括处理器，所述处理器用于执行如权利要求1至4任一所述的方法。
6.一种存储介质，其特征在于，所述存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如权利要求1至4任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011050925.9A CN112379295B (zh) | 2020-09-29 | 2020-09-29 | 预测动力电池健康状态的方法、***及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011050925.9A CN112379295B (zh) | 2020-09-29 | 2020-09-29 | 预测动力电池健康状态的方法、***及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112379295A CN112379295A (zh) | 2021-02-19 |
| CN112379295B true CN112379295B (zh) | 2023-08-04 |
Family
ID=74580609
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011050925.9A Active CN112379295B (zh) | 2020-09-29 | 2020-09-29 | 预测动力电池健康状态的方法、***及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112379295B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114035049A (zh) * | 2021-11-08 | 2022-02-11 | 东软睿驰汽车技术（沈阳）有限公司 | Soh精度的计算方法、装置和电子设备 |
| CN115219912A (zh) * | 2022-04-24 | 2022-10-21 | 山东大学 | 一种储能电池早期故障诊断与安全超前预警方法及*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018096953A (ja) * | 2016-12-16 | 2018-06-21 | 三菱自動車工業株式会社 | 電池状態推定装置 |
| CN108846227A (zh) * | 2017-12-05 | 2018-11-20 | 北京航空航天大学 | 一种基于随机森林及容量自恢复效应分析的锂离子电池容量退化预测评估方法 |
| CN108896926A (zh) * | 2018-07-18 | 2018-11-27 | 湖南宏迅亿安新能源科技有限公司 | 一种锂电池健康状态的评估方法、评估***及相关组件 |
| CN110888058A (zh) * | 2019-12-02 | 2020-03-17 | 西安科技大学 | 一种基于动力电池soc和soh联合估计的算法 |
| CN111044928A (zh) * | 2019-12-31 | 2020-04-21 | 福州大学 | 一种锂电池健康状态估计方法 |
| CN111060834A (zh) * | 2019-12-19 | 2020-04-24 | 中国汽车技术研究中心有限公司 | 一种动力电池健康状态估算方法 |
| CN111337832A (zh) * | 2019-12-30 | 2020-06-26 | 南京航空航天大学 | 一种动力电池多维度融合soc和soh在线联合估算的方法 |
-
2020
- 2020-09-29 CN CN202011050925.9A patent/CN112379295B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018096953A (ja) * | 2016-12-16 | 2018-06-21 | 三菱自動車工業株式会社 | 電池状態推定装置 |
| CN108846227A (zh) * | 2017-12-05 | 2018-11-20 | 北京航空航天大学 | 一种基于随机森林及容量自恢复效应分析的锂离子电池容量退化预测评估方法 |
| CN108896926A (zh) * | 2018-07-18 | 2018-11-27 | 湖南宏迅亿安新能源科技有限公司 | 一种锂电池健康状态的评估方法、评估***及相关组件 |
| CN110888058A (zh) * | 2019-12-02 | 2020-03-17 | 西安科技大学 | 一种基于动力电池soc和soh联合估计的算法 |
| CN111060834A (zh) * | 2019-12-19 | 2020-04-24 | 中国汽车技术研究中心有限公司 | 一种动力电池健康状态估算方法 |
| CN111337832A (zh) * | 2019-12-30 | 2020-06-26 | 南京航空航天大学 | 一种动力电池多维度融合soc和soh在线联合估算的方法 |
| CN111044928A (zh) * | 2019-12-31 | 2020-04-21 | 福州大学 | 一种锂电池健康状态估计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112379295A (zh) | 2021-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108896914B (zh) | 一种锂电池健康状况的梯度提升树建模与预测方法 | |
| CN110261779B (zh) | 一种三元锂电池荷电状态与健康状态在线协同估计方法 | |
| CN112034349B (zh) | 锂电池健康状态在线预估方法 | |
| CN111007400A (zh) | 基于自适应双扩展卡尔曼滤波法的锂电池soc估算方法 | |
| CN111060834A (zh) | 一种动力电池健康状态估算方法 | |
| CN112379295B (zh) | 预测动力电池健康状态的方法、***及存储介质 | |
| CN108846227B (zh) | 一种基于随机森林及容量自恢复效应分析的锂离子电池容量退化预测评估方法 | |
| CN108490365B (zh) | 一种估计电动汽车的动力电池的剩余寿命的方法 | |
| Wei et al. | Lyapunov-based state of charge diagnosis and health prognosis for lithium-ion batteries | |
| CN114970332B (zh) | 基于混沌量子麻雀搜索算法的锂电池模型参数辨识方法 | |
| CN114609524A (zh) | 运行提供电储能器的预测老化状态的***的方法和装置 | |
| CN114114038A (zh) | 一种全寿命全温度下锂电池soc及可用容量联合估计方法 | |
| CN113777510A (zh) | 一种锂电池荷电状态估计方法及装置 | |
| CN113138344B (zh) | 一种基于分数阶扩展卡尔曼滤波算法的soc估计方法 | |
| CN114325440A (zh) | 借助于机器学习方法运行用于为设备提供电能量存储器的预测老化状态的***的方法和装置 | |
| CN110196395A (zh) | 蓄电池soc估算方法 | |
| CN115754741A (zh) | 储能***的soc估算方法及装置、设备及存储介质 | |
| CN113608126A (zh) | 一种不同温度下的锂电池soc在线预估方法 | |
| CN116973756A (zh) | 用于估计电池的健康状态的方法及设备以及计算机程序 | |
| CN115754724A (zh) | 一种适用于未来不确定性动态工况放电的动力电池健康状态估计方法 | |
| CN114779089A (zh) | 一种基于储能锂电池等效电路模型计算电池荷电状态方法 | |
| CN113125965B (zh) | 电池析锂检测方法、装置、设备及存储介质 | |
| CN110531281B (zh) | 用于估计动力蓄电池单元的健康状态的方法及*** | |
| CN117031315A (zh) | 锂电池的剩余荷电状态确定方法、装置及电子设备 | |
| CN116908691A (zh) | 一种锂电池模型参数辨识方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |