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

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U_A ^’‑U_B ^’；2：在优化充电片段U_A ^’‑U_B ^’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H_i1、H_i2、H_i3。3：基于最小二乘法优化权重系数，计算综合健康因子H_i。

Description

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

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％U_N对应的SOC约为30％，95％U_N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％U_N～95％U_N。

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C_1k,C_2k,...,C_nk，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k_i,b_i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，r_p表示Pearson指数，r_s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H_i2。r_p’,r_s’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：在优化电压片段内，充入电量

与电池容量C_i'有很强的齐次线性关系，可以通过充入电量计算电池容量后进一步估计电池健康状态H_i1。

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U_A’-U_B’对应的充电时间t_i为输入，其相关性指数r_p和r_s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H_i2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H_i2。

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r_0i，从而提高电池健康状态的估计精度。计算电池健康状态H_i3如下式所示。

式中：r_new为全新电池的内阻；r_0i为当前电池的内阻；r_old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H_i1、H_i2、H_i3。

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H_i是自变量H_i1、H_i2、H_i3的线性函数。

H_i＝α₁H_i1+α₂H_i2+α₃H_i3

其中，H_i1为优化电压片段内充入的电量C_i'估计的电池健康状态，H_i2为优化电压片段所需的充电时间t_i估计的电池健康状态，H_i3为优化电压片段下对应的内阻r_0i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，

H_ii·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，μ_j、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U_A’-U_B’，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U_A’-U_B’。

步骤S2：在优化充电片段U_A’-U_B’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H_i1、H_i2、H_i3。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U_A’-U_B’对应的充电时间t_i为输入，通过高斯过程回归得到回归值即电池健康状态H_i2。

步骤S3：假设综合健康状态H_i是自变量H_i1、H_i2、H_i3的线性函数。

H_i＝α₁H_i1+α₂H_i2+α₃H_i3

转化为矩阵形式

H_ii·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，μ_j、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

H_i＝α₁H_i1+α₂H_i2+α₃H_i3

最后得到优化充电片段下的动力电池综合健康状态H_i。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U_A’-U_B’，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C_1k,C_2k,...,C_nk，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k_i，b_i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，r_p表示Pearson指数，r_s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H_i2，r_p’,r_s’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U_A’-U_B’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H_i1、H_i2、H_i3，

步骤S3：基于最小二乘法优化权重系数，计算综合健康因子H_i。

Images