CN112858918B - 基于优化多因子的动力锂离子电池健康状态在线估计方法 - Google Patents
基于优化多因子的动力锂离子电池健康状态在线估计方法 Download PDFInfo
- Publication number
- CN112858918B CN112858918B CN202110059118.1A CN202110059118A CN112858918B CN 112858918 B CN112858918 B CN 112858918B CN 202110059118 A CN202110059118 A CN 202110059118A CN 112858918 B CN112858918 B CN 112858918B
- Authority
- CN
- China
- Prior art keywords
- battery
- charging
- health state
- factor
- health
- 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
Images
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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明涉及了一种基于优化多因子的动力锂离子电池健康状态在线估计策略,解决目前电动汽车动力电池在充电过程中其健康状态在线估计精度不高的问题。主要包括以下步骤:1:设置不同因子下的约束条件,以最小估计误差为目标函数,通过遗传算法动态寻找优化充电电压片段UA ’‑UB ’;2:在优化充电片段UA ’‑UB ’的基础上,将充电电量、充电时间、电池内阻这三个因子对电池健康状态估计的影响作归一化处理,分别求出各因子对应的健康状态Hi1、Hi2、Hi3。3:基于最小二乘法优化权重系数,计算综合健康因子Hi。
Description
技术领域
本发明涉及了一种基于优化多因子的动力锂离子电池健康状态在线估计方法,属于电力技术领域。
背景技术
准确评估动力锂离子电池的健康状态对确保电池的安全性和可靠性至关重要。但是在电动汽车实际使用中,由于实际工作条件复杂,放电过程受用户行为影响较大,不确定性突出,不利于电池健康状态的准确评估。但是充电阶段是可控的,并且充电电压以及电流数据是可以保留的,因此在充电过程估计电池健康状态更为可靠。
目前的估计方法一般为分为数据驱动和等效电路模型这两类,其中数据驱动是基于经验模型、阿伦尼乌斯容量老化模型等,估计精度不高;而基于电池等效电路模型的估计方法大多依据欧姆内阻与电池健康状态之间的近似线性关系,将欧姆内阻作为评估电池健康状态的关键技术指标,但是在动力电池长期的健康评估中容易出现参数不匹配、估计误差较大的情况。此外,虽然极化电容和极化阻抗等参数可以帮助提高电池健康的估计精度,但是这类参数的精确机载测量需要在特定条件下进行额外的实验,这在电动汽车的实际推广中难以实现,而且这可能会对电池造成不必要的额外损坏。
发明内容
为提高电动汽车动力电池充电过程的估计精度,本发明提供了一种基于优化多因子的动力锂离子电池健康状态在线估计方法。
其基本步骤包括:
步骤S1:在电动汽车的实际使用过程中,充电很少出现满充满放的情况,考虑用户实际电池充电的范围,根据电池OCV-SOC曲线选择合适的电压片段,85%UN对应的SOC约为30%,95%UN对应的SOC约为90%,考虑所提策略的实用性,因此预先设置优化电压的边界为85%UN~95%UN。
又考虑到不同开路电压片段下电池内阻估计精准度不同,而SOC在60%~80%所对应的电压片段内的电池阻抗特性变化比较平缓,内阻估计的误差较小,可以提高电池健康状态的估计精度,而其他电压片段下的电池内部化学反应更为剧烈,阻抗特性变化更加不稳定,会导致电池健康状态的估计也不准确。
此外,若充电电压片段太窄,则对应所充入的电量过少,则该因子估计的电池实际容量的鲁棒性不高;若充电电压片段范围太宽,则该因子在实际用车条件下的适用性不强。综上所述,设置充电电压的边界条件如下:
在确定电压边界条件后,通过遗传算法寻找优化充电片段。首先排序训练集内电池序号i=1,2,3...,n,每一个电池在第k个充放电循环的实际容量为C1k,C2k,...,Cnk,充电电压片段对应的充电容量为由于两者之间具有很强的线性相关度,可以利用最小二乘法对两者进行线性拟合,拟合公式如下。
式中ki,bi分别表示线性拟合的斜率和截距。
取训练集中n个电池的平均斜率和平均截距,
计算训练集中每个电池的估计电池容量为
其中i=1,2,3...,n。
计算训练集中第i个电池的估算电池容量的均方根误差为
遗传算法的目标函数为
其中,rp表示Pearson指数,rs表示Spearman指数,分别由下式得到。
x表示输入的充电时间t,y表示电池健康状态Hi2。rp’,rs’表示优化电压片段下的相关性指数,两个指数越接近于1,表明两变量间的关联性越强,反之则越小。
基于数据驱动方法训练的高斯回归(GPR)模型,选定均值核函数与协方差核函数,初始化设置后,以优化充电片段UA’-UB’对应的充电时间ti为输入,其相关性指数rp和rs更接近于1,通过高斯过程回归得到回归值即电池健康状态Hi2的精度也更高,目前较多文献有GPR模型详细说明,这里不再细述具体的回归算法,而是直接基于优化参数利用模型得到优化后的电池健康状态Hi2。
由于优化电压片段内的电池阻抗特性变化比较平缓,内阻估计的误差更小,可以通过读取车载BMS***数据得到优化电压片段下对应的内阻r0i,从而提高电池健康状态的估计精度。计算电池健康状态Hi3如下式所示。
式中:rnew为全新电池的内阻;r0i为当前电池的内阻;rold为退役时电池的内阻。
由此将优化电压片段下所充入电量、充电时间以及电池内阻这三个因子对估计电池健康状态的影响作归一化处理,分别得到了各因子对应的健康状态Hi1、Hi2、Hi3。
步骤S3:基于最小二乘法,通过优化权重系数的设置,计算电池综合健康状态。由于在步骤S2已将各因子对电池健康状态的影响归一化处理,假设综合健康状态Hi是自变量Hi1、Hi2、Hi3的线性函数。
Hi=α1Hi1+α2Hi2+α3Hi3
其中,Hi1为优化电压片段内充入的电量Ci'估计的电池健康状态,Hi2为优化电压片段所需的充电时间ti估计的电池健康状态,Hi3为优化电压片段下对应的内阻r0i估计的电池健康状态。α1、α2、α3为权重系数。则计算i个电池健康状态的多因子模型可以表示为
转化为矩阵式,
再化简为向量式,
Hii·α=H
以最小估计误差为目标,设置目标函数如下
基于最小二乘法原理,加入拉格朗日乘子约束条件,
其中,μj、λ为拉格朗日乘子,c为惩罚因子。化简得到乘子迭代公式为
设置计算精度,则迭代结束条件为
其中,ε为计算精度,在估计误差达到最小时,得到权重系数α1、α2、α3的最优解。
有益效果
与现有充电过程中动力电池健康状态估计方法相比,本发明以估计误差最小为目标函数,设置多因子约束条件,通过遗传算法优化充电电压片段,在此基础上,改善充电电量、充电时间以及电池内阻这个三个因子对电池健康状态准确估计的影响,并作归一化处理,最后通过最小二乘法综合估计电池健康状态,可以提升整体的估计精度。并且整个估计过程在电动汽车充电结束时就已经完成,实用性强,容易在各个电动汽车充电站中推广实现。
附图说明
图1是本发明提供的策略流程图
图2是优化电压片段寻优原理图
具体实施方式
为了方便理解本发明方案的内容,下面结合结合附图及实施例对本发明进行阐述。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
步骤S1:设置电压边界以及不同因子约束条件,以最小估计误差为目标函数,通过遗传算法动态寻优充电电压片段UA’-UB’,具体寻优流程如图2所示。
设置边界条件
确定目标函数
由此得到优化充电电压片段UA’-UB’。
步骤S2:在优化充电片段UA’-UB’的基础上,将充电电量、充电时间、电池内阻这三个因子对电池健康状态估计的影响作归一化处理,分别求出各因子对应的健康状态Hi1、Hi2、Hi3。简要过程如下。
基于数据驱动方法训练的高斯回归(GPR)模型,以优化充电片段UA’-UB’对应的充电时间ti为输入,通过高斯过程回归得到回归值即电池健康状态Hi2。
步骤S3:假设综合健康状态Hi是自变量Hi1、Hi2、Hi3的线性函数。
Hi=α1Hi1+α2Hi2+α3Hi3
转化为矩阵形式
Hii·α=H
则基于最小二乘法,目标函数如下
加入拉格朗日乘子约束条件,
其中,μj、λ为拉格朗日乘子,c为惩罚因子。化简得到乘子迭代公式为
迭代结束条件为
其中,ε为计算精度,在估计误差达到最小时,得到权重系数α1、α2、α3的最优解。
最后将权重系数α1、α2、α3的最优解回代至下式
Hi=α1Hi1+α2Hi2+α3Hi3
最后得到优化充电片段下的动力电池综合健康状态Hi。基于优化多因子的电池健康状态在线估计策略的整体流程图如图1所示。
以上所述仅为本发明的实施例而已,并不用以限制本发明,凡在本发明的思想之内,所做的任何修改、等同替换、改进等,均应该包含在本发明的权利要求范围之内。
Claims (1)
1.一种基于优化多因子的动力锂离子电池健康状态在线估计方法,其特征包括:
步骤S1:设置电压边界以及不同因子约束条件,以最小估计误差为目标函数,通过遗传算法动态寻找优化充电电压片段UA’-UB’,设置充电电压的边界条件如下;
在确定电压边界条件后,通过遗传算法寻找优化充电片段,首先排序训练集内电池序号i=1,2,3...,n,每一个电池在第k个充放电循环的实际容量为C1k,C2k,...,Cnk,充电电压片段对应的充电容量为由于两者之间具有很强的线性相关度,可以利用最小二乘法对两者进行线性拟合,拟合公式如下,
式中ki,bi分别表示线性拟合的斜率和截距;
取训练集中n个电池的平均斜率和平均截距,其中i=1,2,3...,n,
计算训练集中每个电池在第k个充放电循环的估计电池容量为
计算训练集中第i个电池的估算电池容量的均方根误差为
遗传算法的目标函数为
其中,rp表示Pearson指数,rs表示Spearman指数,分别由下式得到,
x表示输入的充电时间t,y表示电池健康状态Hi2,rp’,rs’表示优化电压片段下的相关性指数,两个指数越接近于1,表明两变量间的关联性越强,反之则越小,
步骤S2:在优化充电片段UA’-UB’的基础上,将充电电量、充电时间、电池内阻这三个因子对电池健康状态估计的影响作归一化处理,分别求出各因子对应的健康状态Hi1、Hi2、Hi3,
步骤S3:基于最小二乘法优化权重系数,计算综合健康因子Hi。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110059118.1A CN112858918B (zh) | 2021-01-15 | 2021-01-15 | 基于优化多因子的动力锂离子电池健康状态在线估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110059118.1A CN112858918B (zh) | 2021-01-15 | 2021-01-15 | 基于优化多因子的动力锂离子电池健康状态在线估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112858918A CN112858918A (zh) | 2021-05-28 |
CN112858918B true CN112858918B (zh) | 2022-10-28 |
Family
ID=76005990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110059118.1A Active CN112858918B (zh) | 2021-01-15 | 2021-01-15 | 基于优化多因子的动力锂离子电池健康状态在线估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112858918B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113820615B (zh) * | 2021-09-30 | 2024-05-07 | 国网福建省电力有限公司龙岩供电公司 | 一种电池健康度检测方法与装置 |
CN114236413A (zh) * | 2021-12-15 | 2022-03-25 | 湖北德普电气股份有限公司 | 电动汽车动力电池健康状态评估方法 |
CN115825743A (zh) * | 2022-03-07 | 2023-03-21 | 宁德时代新能源科技股份有限公司 | 一种电池soh值计算方法、控制装置和电池管理*** |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101459925B1 (ko) * | 2013-07-05 | 2014-11-07 | 현대자동차주식회사 | 전기차용 저전압직류변환기의 제어방법 및 이를 이용한 저전압직류변환기 제어시스템 |
CN107024664B (zh) * | 2017-04-01 | 2019-04-12 | 湖南银杏数据科技有限公司 | 基于恒流充电片段的锂电池剩余寿命快速预测法 |
CN107121643B (zh) * | 2017-07-11 | 2019-10-11 | 山东大学 | 锂离子电池健康状态联合估计方法 |
CN107329094A (zh) * | 2017-08-23 | 2017-11-07 | 北京新能源汽车股份有限公司 | 动力电池健康状态估算方法及装置 |
CN107831444B (zh) * | 2017-10-26 | 2019-12-03 | 哈尔滨工业大学 | 一种锂离子电池健康状态估计方法 |
KR102660502B1 (ko) * | 2019-04-18 | 2024-04-24 | 현대모비스 주식회사 | 자동차용 배터리 관리 방법 및 장치 |
-
2021
- 2021-01-15 CN CN202110059118.1A patent/CN112858918B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112858918A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112858918B (zh) | 基于优化多因子的动力锂离子电池健康状态在线估计方法 | |
Lai et al. | Co-estimation of state of charge and state of power for lithium-ion batteries based on fractional variable-order model | |
CN110596593B (zh) | 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法 | |
US7768233B2 (en) | Dynamically adaptive method for determining the state of charge of a battery | |
CN111679199B (zh) | 一种锂离子电池soc估计方法及装置 | |
CN107741568B (zh) | 一种基于状态转移优化rbf神经网络的锂电池soc估算方法 | |
CN110824363B (zh) | 一种基于改进ckf的锂电池soc和soe联合估算方法 | |
Huang et al. | Soc estimation of li-ion battery based on improved ekf algorithm | |
CN108872873A (zh) | 一种基于ga-aukf的磷酸铁锂动力电池荷电状态联合估算方法 | |
CN111856178B (zh) | 一种基于锂离子电容器电化学特征的soc分区估计方法 | |
US20150057957A1 (en) | Degradation estimation method for high voltage battery | |
CN104569835A (zh) | 一种估计电动汽车的动力电池的荷电状态的方法 | |
CN111308356A (zh) | 一种带加权的安时积分的soc估算方法 | |
Shi et al. | Estimation of battery state-of-charge using ν-support vector regression algorithm | |
CN113740736A (zh) | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 | |
CN112327168A (zh) | 一种基于XGBoost的电动汽车电池消耗预测方法 | |
CN103135066A (zh) | 一种分段磷酸铁锂电池电量的测量方法 | |
CN113125967A (zh) | 一种基于温升预测的锂电池soe计算方法 | |
CN112462282A (zh) | 基于机理模型的用于确定电池组实时荷电状态的方法 | |
CN114861545A (zh) | 基于rnn神经网络与多参数约束的锂电池sop在线估算方法 | |
Takyi-Aninakwa et al. | An ASTSEKF optimizer with nonlinear condition adaptability for accurate SOC estimation of lithium-ion batteries | |
CN112213644B (zh) | 电池荷电状态估算方法及电池管理*** | |
CN106707181A (zh) | 一种锂离子的电池参数与荷电状态估计方法 | |
CN112415408A (zh) | 一种动力电池soc估算方法 | |
WO2021035500A1 (zh) | 用于48v轻混汽车锂离子电池的荷电状态在线估算*** |
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 |