CN116430244B - 一种基于电压电流特征的动力电池健康状态估计方法 - Google Patents
一种基于电压电流特征的动力电池健康状态估计方法 Download PDFInfo
- Publication number
- CN116430244B CN116430244B CN202310699065.9A CN202310699065A CN116430244B CN 116430244 B CN116430244 B CN 116430244B CN 202310699065 A CN202310699065 A CN 202310699065A CN 116430244 B CN116430244 B CN 116430244B
- Authority
- CN
- China
- Prior art keywords
- discharge
- battery
- working condition
- voltage
- current
- 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 52
- 230000004927 fusion Effects 0.000 claims abstract description 79
- 230000032683 aging Effects 0.000 claims abstract description 70
- 230000005484 gravity Effects 0.000 claims abstract description 26
- 238000012417 linear regression Methods 0.000 claims abstract description 23
- 230000010354 integration Effects 0.000 claims abstract description 4
- 238000007599 discharging Methods 0.000 claims description 17
- 230000001419 dependent effect Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 8
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 13
- 229910052744 lithium Inorganic materials 0.000 description 13
- 238000012360 testing method Methods 0.000 description 9
- 230000007423 decrease Effects 0.000 description 5
- 230000035882 stress Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012549 training 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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)
Abstract
本发明公开一种基于电压电流特征的动力电池健康状态估计方法，涉及动力电池技术安全领域，其特征在于，包括以下步骤：S1：采取动态工况放电过程中的电压积分、放电时间、净放电电能作为描述电池的老化特征；S2：采取动态工况放电过程中的电流均值、放电量比重作为描述动态工况的工况特征；S3：将老化特征与工况特征进行融合，得到融合特征；S4：建立融合特征与电池SOH之间的多元线性回归模型。本发明直接利用动态工况放电的电流、电压数据提取能够反应电池老化的健康特征，建立电池SOH估计模型。
Description
技术领域
本发明涉及动力电池技术安全领域，具体地讲，涉及一种基于电压电流特征的动力电池健康状态估计方法。
背景技术
随着汽车大规模普及和使用，汽车保有量越来越高。与此同时，燃油汽车尾气排放对大气的污染也越来越严重。同时，随着汽车工业技术发展，新能源汽车技术也不断成熟。新能源汽车不仅在环保方面有明显优势，在价格、成本、动力等方面也有独特的优势，越来越多的汽车消费者将新能源汽车作为重要的购车选择之一。
锂电池作为新能源汽车的核心关键，电池的健康状态的准确估计对电池的有效利用至关重要。
目前，新能源汽车锂电池的健康状态估计的方法主要分为三大类：数据驱动法、直接测量法和基于模型的方法。数据驱动法不需要辨识电池内部参数的变化，只需要分析电池外部监测数据与电池老化之间的内在联系，评估电池的健康状态，但该方法的缺点是需要大量的数据训练模型，工作量大。直接测量法的主要内容是通过测量电池的内部参数，然后根据内部数据的变化估计电池的健康状态，但由于该方法对实验条件要求较高，一些实验方法无法实现在线应用，因此直接测量法通常是为基于模型的方法提供离线的理论依据。基于模型的方法通常借助等效电路模型以及电化学模型等，然后辨识模型的参数结合滤波算法，实现电池的SOH估计，但方法需要采用有效的计算过程来平衡精度和计算复杂度，模型老化参数的准确辨识也是需要解决的难题。
电动汽车在实际行驶过程中，电池在同一老化点下会经历多种动态放电工况，由于放电工况的不同，其放电时间可能会不同，放电过程电压剧烈波动，对于稳定工况适用的等放电时间压降以及电压平台斜率等都无法适用于动态工况放电过程的健康特征提取。因此，从不同的动态放电工况的数据中提取能够反映当前电池SOH的统一特征就显得尤为重要了。
发明内容
本发明要解决的技术问题是提供一种基于电压电流特征的动力电池健康状态估计方法，直接利用动态工况放电的电流、电压数据提取能够反应电池老化的健康特征，建立电池SOH估计模型。首先利用锂电池动态工况放电测试数据提取老化特征和工况特征，将二者进行融合得到三个融合特征，分析融合特征与电池健康状态的相关性，然后将融合特征作为输入建立电池SOH估计模型，最后利用容恒流工况数据验证了提取融合特征的有效性，并用三元锂电池数据集验证了所提出的SOH估计方法的通用性。
本发明采用如下技术方案实现发明目的：
一种基于电压电流特征的动力电池健康状态估计方法，其特征在于，包括以下步骤：
S1：采取动态工况放电过程中的电压积分、放电时间、净放电电能作为描述电池的老化特征；
S2：采取动态工况放电过程中的电流均值、放电量比重作为描述动态工况的工况特征；
S3：将老化特征与工况特征进行融合，得到融合特征；
S4：建立融合特征与电池SOH之间的多元线性回归模型。
作为本技术方案的进一步限定，所述S1中，电池放电电压积分代表电池在一定时间内放电所引起的电势差的累积变化，计算公式如（1）所示：
（1）
其中：为放电电压积分；
为放电电压；
为放电时间。
作为本技术方案的进一步限定，所述S1中，电池净放电电能指的是电池在实际使用过程中放电所释放的能量，计算公式如（2）所示：
（2）
其中：为电池动态工况放电过程中的净放电电能；
为放电电流对应的电压；
为放电电流；
为放电部分时间；
为充电电流对应的电压；
为充电电流；
为充电部分时间。
作为本技术方案的进一步限定，所述S2中，放电量比重是指电池在动态工况放电过程中，放电量与充电量和放电量之和的比值，如式（3）所示：
（3）
其中：为放电量比重；
为动态工况放电过程中的放电量；
为动态工况放电过程中的充电量。
作为本技术方案的进一步限定，所述S3中具体的融合方式如下所示：
S31：为了描述放电电压积分与放电电流均值之间的相关关系，用三次多项式对初始老化点放电电压积分与放电电流均值进行拟合，拟合关系式如式（4）所示：
（4）
其中：为初始老化点四种动态工况的放电电压积分；
为四种不同的动态工况；
为初始老化点四种动态工况的放电电流均值；
为三次多项式系数；
对放电电压积分与放电电流均值按照式（5）进行特征融合；
（5）
其中：为融合特征；
为放电电压积分；
为放电电流均值；
为循环数；
S32：为了描述放电时间与放电电流均值之间的相关关系，用三次多项式对初始老化点的放电时间与放电电流均值进行拟合，拟合关系式如式（6）所示：
（6）
其中：为初始老化点四种动态工况的放电时间；
为三次多项式系数；
对放电电压积分与放电电流均值按照式（7）进行特征融合；
（7）
其中：为融合特征；
为放电时间；
S33：用一次多项式对初始老化点的净放电电能与放电量比重进行拟合，拟合关系式如式（8）所示：
（8）
其中：为初始老化点四种动态工况的净放电电能；
为初始老化点四种动态工况的放电量比重；
为一次多项式系数；
对净放电电能与放电量比重按照式（9）进行特征融合；
（9）
其中：为融合特征；
为净放电电能；
为放电量比重。
作为本技术方案的进一步限定，所述S4中，融合特征、/>及/>为三个自变量，电池SOH为因变量，构建多元线性回归模型，在多元线性回归模型中，假设因变量/>和/>个自变量/>之间存在线性关系，即：
（10）
其中：是模型的回归系数；/>是误差项，表示因变量/>不能完全由自变量/>,/> , ...,/>解释的部分。
与现有技术相比，本发明的优点和积极效果是：
本方法能够直接利用动态工况放电的电流、电压数据提取反应电池老化的健康特征，建立的动力电池SOH估计模型具有良好的精度和泛化性能。
本方法提出的三个融合特征解决了不同工况在同一老化点下提取健康特征存在差异的问题。
本方法实现了利用不同动态工况对动力电池健康状态进行评估。
本方法所提出的SOH估计方法对不同材料体系的锂电池同样适用。
附图说明
图1为本发明的流程图。
图2为本发明的BJDST工况放电电压曲线。
图3为本发明的BJDST工况放电电压曲线。
图4为本发明的四种动态工况净放电电能。
图5 为本发明的四种动态工况放电电压积分。
图6 为本发明的四种动态工况放电电流均值。
图7 为本发明的四种动态工况放电时间。
图8 为本发明的四种动态工况放电量比重。
图9 为本发明的融合特征F1随电池老化变化曲线；（a）表示BJDST工况下融合特征F1随电池老化变化曲线；
（b)表示DST工况下融合特征F1随电池老化变化曲线；
（c)表示UDDS工况下融合特征F1随电池老化变化曲线;
（d)表示FUDS工况下融合特征F1随电池老化变化曲线。
图10 为本发明的融合特征F2随电池老化变化曲线；（a）表示BJDST工况下融合特征F2随电池老化变化曲线；
（b)表示FUDS工况下融合特征F2随电池老化变化曲线；
（c)表示DST工况下融合特征F2随电池老化变化曲线;
（d)表示UDDS工况下融合特征F2随电池老化变化曲线。
图11 为本发明的融合特征F3随电池老化变化曲线；（a）表示BJDST工况下融合特征F3随电池老化变化曲线；
（b)表示FUDS工况下融合特征F3随电池老化变化曲线；
（c)表示DST工况下融合特征F3随电池老化变化曲线;
（d)表示UDDS工况下融合特征F3随电池老化变化曲线。
图12 为本发明的融合特征与电池SOH变化关系。
图13 为本发明的多元线性回归模型四种动态工况SOH估计结果和误差图。
图14 为本发明的恒流工况与动态工况融合特征对比。(a) 表示恒流工况工况下SOH随电池融合特征F1变化曲线;(b) 表示UDDS工况工况下SOH随电池融合特征F1变化曲线;(c) 表示DST工况工况下SOH随电池融合特征F1变化曲线 ;(d) 表示FUDS工况工况下SOH随电池融合特征F1变化曲线;(e) 表示BJDST工况工况下SOH随电池融合特征F1变化曲线。
图15 为本发明的恒流工况SOH估计结果和估计误差。
图16为本发明的三元锂电池数据集SOH估计结果和估计误差。
具体实施方式
下面结合附图，对本发明的一个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
下面以磷酸铁锂和三元锂电池单体的测试数据为样本，对本发明作进一步说明。
本发明包括以下步骤：
S1：采取动态工况放电过程中的电压积分、放电时间、净放电电能作为描述电池的老化特征。
所述S1中，电池放电电压积分代表电池在一定时间内放电所引起的电势差的累积变化，如图2所示为BJDST工况在不同老化点下放电电压数据，其放电电压积分相当于电压曲线与时间轴围成的面积，由图中可以看出，随着老化的进行，放电电压积分逐渐减小。因此，可以将放电电压积分作为同一动态工况下的电池老化特征，计算公式如（1）所示：
（1）
其中：为放电电压积分；
为放电电压；
为放电时间。
如图3所示，随着电池老化的进行，动态工况的放电时间逐渐缩短，这是由于电池内部化学反应逐渐减缓，电化学反应速率下降，同时电池内部产生的副反应增加，这些因素导致电池的容量下降，电池放电时间变短。因此，可以将放电时间作为同一动态工况下的电池老化特征。
所述S1中，电池净放电电能指的是电池在实际使用过程中放电所释放的能量，即电池存储电能的能力。由于电池在动态工况放电过程中存在“制动能量回收”，因此在动态放电整个过程中存在放电和充电两部分电能，其中放电放出的电能中除了电池正常情况下的充电能量，还包含“制动能量回收”过程给电池充的电能，在计算净放电电能时，用放电电能去除充电电能。由图4中可以看出，随着老化的进行，净放电电能逐渐减小。因此，可以将净放电电能作为同一动态工况下的电池老化特征，计算公式如（2）所示：
（2）
其中：为电池动态工况放电过程中的净放电电能；
为放电电流对应的电压；
为放电电流；
为放电部分时间；
为充电电流对应的电压；
为充电电流；
为充电部分时间。
所述S2中，如图5所示，每个动态工况下的放电电压积分随着电池的老化逐渐减小，但同一老化点下不同动态放电工况的电压积分值是不同的。这是受到了工况电流的影响，随着电流增加，由于电池内阻和极化现象，电池的电压会下降，较高的电流对应较大的压降，因此当放电电流整体较大时，放电电压积分较小。为了衡量每种工况下电流的整体大小，计算了放电电流均值作为工况特征，如图6所示。
如图7所示为四种动态工况的放电时间随电池老化的变化曲线，每个动态工况下的放电时间随着电池老化逐渐减小，但与电压积分相同，在同一老化点下不同动态放电工况时间是不同的。显然，当电池的容量一定时，放电电流越大时会使放电时间缩短。因此，同样以放电电流均值衡量每种工况下电流的整体大小，如图6所示。
如图4所示。每个动态工况下的净放电电能随电池老化逐渐减小，但同一老化点下的净放电电能因工况差异而不同。如图8所示，计算出不同工况的放电量比重，放电量比重是指电池在动态工况放电过程中，放电量与充电量和放电量之和的比值，如式（3）所示：
（3）
其中：为放电量比重；
为动态工况放电过程中的放电量；
为动态工况放电过程中的充电量。
电池的电量越大，意味着电池能够提供更多的电能，二者之间存在着紧密的联系。因此，放电量比重也可以作为一种工况特征。
如图6所示，不同动态工况的放电电流均值是不同的。因此，可以将电流均值作为工况特征之一。如图8所示，四种动态工况的放电电量比重有着明显的区分。因此，放电电量比重也可以作为工况特征。
S3：将老化特征与工况特征进行融合，得到融合特征。
所述S3中具体的融合方式如下所示：
S31：为了描述放电电压积分与放电电流均值之间的相关关系，用三次多项式对初始老化点放电电压积分与放电电流均值进行拟合，拟合关系式如式（4）所示:
（4）
其中：为初始老化点四种动态工况的放电电压积分；
为四种不同的动态工况；
为初始老化点四种动态工况的放电电流均值；
为三次多项式系数；
对放电电压积分与放电电流均值按照式（5）进行特征融合；
（5）
其中：为融合特征；
为放电电压积分；
为放电电流均值；
为循环数；
融合之后的特征如图9所示，不同动态工况在同一老化点下的融合特征基本一致，由此便可以得到融合特征与电池SOH之间的映射关系。
S32：为了描述放电时间与放电电流均值之间的相关关系，用三次多项式对初始老化点的放电时间与放电电流均值进行拟合，拟合关系式如式（6）所示：
（6）
其中：为初始老化点四种动态工况的放电时间；
为三次多项式系数；
对放电电压积分与放电电流均值按照式（7）进行特征融合；
（7）
其中：为融合特征；
为放电时间；
融合之后的特征如图10所示，不同动态工况在同一老化点下的融合特征基本一致，可以构建融合特征与电池SOH之间的映射关系。
S33：用一次多项式对初始老化点的净放电电能与放电量比重进行拟合，拟合关系式如式（8）所示：
（8）
其中：为初始老化点四种动态工况的净放电电能；
为初始老化点四种动态工况的放电量比重；
为一次多项式系数；
对净放电电能与放电量比重按照式（9）进行特征融合；
（9）
其中：为融合特征；
为净放电电能；
为放电量比重。
融合之后的特征如图11所示，不同动态工况在同一老化点下的融合特征基本一致。
图12展示了四种动态工况的融合特征与电池SOH之间的变化关系，将四种动态工况下的融合特征/>分别看做整体，计算与电池SOH之间的皮尔逊相关系数和斯皮尔曼相关系数，结果如表1所示。三个融合特征与电池SOH的皮尔逊相关系数和斯皮尔曼相关系数均在0.99以上，表明融合特征与电池SOH线性相关性极高，具有极强的单调关系。
表1 融合特征与电池SOH相关系数
。
四种动态工况包括BJDST、DST、FUDS及UDDS，BJDST为北京动态应力工况（BeijingDynamic Stress Test, BJDST）；DST为动态应力工况(Dynamic Stress Test, DST)；FUDS为联邦城市和高速公路循环工况 (Federal Urban Driving Schedule, FUDS)；UDDS为城市动态驾驶循环工况 (Urban Dynamometer Driving Schedule, UDDS)，四种极具代表性的动态工况测试。
S4：建立融合特征与电池SOH之间的多元线性回归模型。
多元线性回归模型是一种统计模型，用于分析多个自变量（或者特征）和一个因变量之间的关系。它基于线性回归模型，通过引入多个自变量来扩展线性回归模型。在多元线性回归模型中，假设因变量和自变量之间存在线性关系，模型的参数表示自变量对因变量的影响，参数的估计可以通过最小化误差平方和来实现。多元线性回归可以用于预测、控制或者解释因变量。
所述S4中，融合特征、/>及/>为三个自变量，电池SOH为因变量，构建多元线性回归模型，在多元线性回归模型中，假设因变量/>和/>个自变量/>之间存在线性关系，即：
（10）
其中：是模型的回归系数；
是误差项，表示因变量/>不能完全由自变量/>,/> , ...,/>解释的部分。
以融合特征、/>及/>为三个自变量，电池SOH为因变量，构建多元线性回归模型，在四种动态工况下的估计结果和估计误差如图13所示。
从电池SOH估计结果和误差图中可以看出，在四种动态工况下相对误差大多在0.6%以内，最大估计误差为0.993%，出现在UDDS工况中，除此之外，四种动态工况的估计误差分布的比较均匀，表明模型对不同工况的适用性较好。可见，利用多元线性回归模型构建以融合特征作为输入的电池SOH估计模型，能够获得很好的SOH估计结果。
得到多元线性回归模型后，利用恒流工况与三元锂电池数据验证模型精度与泛化性。具体步骤如下所示：
1、恒流工况模型验证，恒流工况作为一种特殊的“动态工况”，其整个放电过程中电流大小不变，为了验证提出的三个融合特征对未知动态工况的有效性，采用容量测试放电过程的数据提取了三个融合特征，融合特征随电池SOH的变化如图14所示，其中还包含了与动态工况融合特征之间的对比。结果表明，将恒流工况视为“动态工况”后，按照提出的方法提取的融合特征，与“真实”的动态工况提取的融合特征差异不大，三个融合特征与电池SOH的皮尔逊相关系数和斯皮尔曼相关系数均接近于1。
随后，将恒流工况的融合特征输入到利用四种动态工况建立的电池SOH估计模型中，得到SOH估计结果和估计误差如图15所示，RMSE、MAE和MRE结果统计在表2中。模型的相对误差大多在0.5%以内，具有很高的估计精度。因此，验证了所提出的融合特征的有效性。
表2 误差结果
| RMSE | MAE | MRE | |
| 多元线性回归模型 | 0.248% | 0.237% | 0.392% |
2、三元锂电池数据集验证，为进一步验证所提出的特征对不同材料体系锂电池的通用性，采用三元锂电池Cell01和Cell04的动态工况测试数据进行电池SOH估计建模。对三元锂电池四个数据样本进行了验证，分别为Cell01在10°C、20°C下的测试数据，Cell04在30°C、40°C下的测试数据。将提取的融合特征作为输入，构建了多元线性回归模型，得到SOH估计结果和估计误差如图16所示，RMSE、MAE和MRE结果统计在表3中。整体来看，多元线性回归模型具有很好的估计精度。因此，所提出的健康特征对三元锂电池同样适用。
表3 多元线性回归模型在不同温度下的估计误差
| 温度 | RMSE | MAE | MRE |
| T10 | 0.512% | 0.416% | 0.891% |
| T20 | 0.276% | 0.241% | 0.627% |
| T30 | 0.343% | 0.301% | 0.669% |
| T40 | 0.302% | 0.251% | 0.889% |
以上公开的仅为本发明的具体实施例，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (2)
1.一种基于电压电流特征的动力电池健康状态估计方法，其特征在于，包括以下步骤：
S1：采取动态工况放电过程中的电压积分、放电时间、净放电电能作为描述电池的老化特征；
S2：采取动态工况放电过程中的电流均值、放电量比重作为描述动态工况的工况特征；
S3：将老化特征与工况特征进行融合，得到融合特征；
S4：建立融合特征与电池SOH之间的多元线性回归模型；
所述S1中，电池放电电压积分代表电池在一定时间内放电所引起的电势差的累积变化，计算公式如（1）所示：
（1）
其中：为放电电压积分；
为放电电压；
为放电时间；
所述S1中，电池净放电电能指的是电池在实际使用过程中放电所释放的能量，计算公式如（2）所示：
（2）
其中：为电池动态工况放电过程中的净放电电能；
为放电电流对应的电压；
为放电电流；
为放电部分时间；
为充电电流对应的电压；
为充电电流；
为充电部分时间；
所述S2中，放电量比重是指电池在动态工况放电过程中，放电量与充电量和放电量之和的比值，如式（3）所示：
（3）
其中：为放电量比重；
为动态工况放电过程中的放电量；
为动态工况放电过程中的充电量；
所述S3中具体的融合方式如下所示：
S31：为了描述放电电压积分与放电电流均值之间的相关关系，用三次多项式对初始老化点放电电压积分与放电电流均值进行拟合，拟合关系式如式（4）所示：
（4）
其中：为初始老化点四种动态工况的放电电压积分；
为四种不同的动态工况；
为初始老化点四种动态工况的放电电流均值；
为三次多项式系数；
对放电电压积分与放电电流均值按照式（5）进行特征融合；
（5）
其中：为融合特征；
为放电电压积分；
为放电电流均值；
为循环数；
S32：为了描述放电时间与放电电流均值之间的相关关系，用三次多项式对初始老化点的放电时间与放电电流均值进行拟合，拟合关系式如式（6）所示：
（6）
其中：为初始老化点四种动态工况的放电时间；
为三次多项式系数；
对放电电压积分与放电电流均值按照式（7）进行特征融合；
（7）
其中：为融合特征；
为放电时间；
S33：用一次多项式对初始老化点的净放电电能与放电量比重进行拟合，拟合关系式如式（8）所示：
（8）
其中：为初始老化点四种动态工况的净放电电能；
为初始老化点四种动态工况的放电量比重；
为一次多项式系数；
对净放电电能与放电量比重按照式（9）进行特征融合；
（9）
其中：为融合特征；
为净放电电能；
为放电量比重。
2.根据权利要求1所述的基于电压电流特征的动力电池健康状态估计方法，其特征在于：所述S4中，融合特征、/>及/>为三个自变量，电池SOH为因变量，构建多元线性回归模型，在多元线性回归模型中，假设因变量/>和/>个自变量/>之间存在线性关系，即：
（10）
其中：是模型的回归系数；/>是误差项，表示因变量/>不能完全由自变量/>, />, ...,/>解释的部分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310699065.9A CN116430244B (zh) | 2023-06-14 | 2023-06-14 | 一种基于电压电流特征的动力电池健康状态估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310699065.9A CN116430244B (zh) | 2023-06-14 | 2023-06-14 | 一种基于电压电流特征的动力电池健康状态估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116430244A CN116430244A (zh) | 2023-07-14 |
| CN116430244B true CN116430244B (zh) | 2023-08-15 |
Family
ID=87083680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310699065.9A Active CN116430244B (zh) | 2023-06-14 | 2023-06-14 | 一种基于电压电流特征的动力电池健康状态估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116430244B (zh) |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108398652A (zh) * | 2017-05-26 | 2018-08-14 | 北京航空航天大学 | 一种基于多层特征融合深度学习的锂电池健康状态评估方法 |
| CN109633477A (zh) * | 2019-01-04 | 2019-04-16 | 深圳市计量质量检测研究院 | 基于ekf-gpr和日常片段数据的电池组健康状态的实时监控方法 |
| CN111398837A (zh) * | 2020-04-01 | 2020-07-10 | 重庆大学 | 一种基于数据驱动的车用电池健康状态估计方法 |
| CN111965560A (zh) * | 2020-08-24 | 2020-11-20 | 重庆大学 | 一种面向通用放电工况的电池健康状态估计方法 |
| CN113030744A (zh) * | 2021-02-24 | 2021-06-25 | 上海交通大学 | 基于健康因子提取的电池健康状况预测方法、***及介质 |
| CN113158947A (zh) * | 2021-04-29 | 2021-07-23 | 重庆长安新能源汽车科技有限公司 | 一种动力电池健康评分方法、***及存储介质 |
| CN113960476A (zh) * | 2021-09-23 | 2022-01-21 | 北京理工大学 | 基于信息物理融合技术的动力电池故障监测方法及*** |
| CN114035098A (zh) * | 2021-12-14 | 2022-02-11 | 北京航空航天大学 | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 |
| CN114035072A (zh) * | 2021-11-11 | 2022-02-11 | 重庆大学 | 一种基于云边协同的电池组多状态联合估计方法 |
| JP2022050354A (ja) * | 2020-09-17 | 2022-03-30 | 株式会社日立製作所 | 特徴量選別方法及び健康状態評価方法 |
| CN114859252A (zh) * | 2022-04-13 | 2022-08-05 | 泉州装备制造研究所 | 一种多特征的锂电池健康状态在线估计方法及装置 |
| DE102021203865A1 (de) * | 2021-04-19 | 2022-10-20 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Bewerten eines relativen Alterungszustands einer Gerätebatterie auf Basis einer Gerätegruppen-basierenden Serienstreuung der Gerätebatterien |
| CN115219937A (zh) * | 2022-07-20 | 2022-10-21 | 重庆理工大学 | 基于深度学习的不同老化路径储能电池健康状态估计方法 |
| WO2022222433A1 (zh) * | 2021-04-19 | 2022-10-27 | 北京理工大学 | 基于加速老化试验与实车工况的车用动力电池soh评估方法 |
| CN115308603A (zh) * | 2022-07-13 | 2022-11-08 | 中国长江三峡集团有限公司 | 基于多维度特征和机器学习的电池寿命预测方法 |
| WO2023284453A1 (zh) * | 2021-07-15 | 2023-01-19 | 崔跃芹 | 一种基于累计耗损量的充电电池寿命预测方法、装置、电子设备及可读存储介质 |
| CN115656857A (zh) * | 2022-09-15 | 2023-01-31 | 广州大学 | 一种锂离子电池剩余使用寿命的多尺度融合预测方法 |
| CN115754724A (zh) * | 2022-09-03 | 2023-03-07 | 哈尔滨工业大学（威海） | 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 |
| CN115963409A (zh) * | 2023-01-09 | 2023-04-14 | 烟台大学 | 一种基于多特征融合的锂电池检测数据预处理方法 |
| CN115980584A (zh) * | 2023-02-08 | 2023-04-18 | 合肥工业大学 | 基于多特征融合lstm网络的锂电池rul估计方法 |
| CN116243172A (zh) * | 2022-12-21 | 2023-06-09 | 湖南银杏可靠性技术研究所有限公司 | 一种锂电池可靠性状态快速检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030184307A1 (en) * | 2002-02-19 | 2003-10-02 | Kozlowski James D. | Model-based predictive diagnostic tool for primary and secondary batteries |
| US10209314B2 (en) * | 2016-11-21 | 2019-02-19 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
-
2023
- 2023-06-14 CN CN202310699065.9A patent/CN116430244B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108398652A (zh) * | 2017-05-26 | 2018-08-14 | 北京航空航天大学 | 一种基于多层特征融合深度学习的锂电池健康状态评估方法 |
| CN109633477A (zh) * | 2019-01-04 | 2019-04-16 | 深圳市计量质量检测研究院 | 基于ekf-gpr和日常片段数据的电池组健康状态的实时监控方法 |
| CN111398837A (zh) * | 2020-04-01 | 2020-07-10 | 重庆大学 | 一种基于数据驱动的车用电池健康状态估计方法 |
| CN111965560A (zh) * | 2020-08-24 | 2020-11-20 | 重庆大学 | 一种面向通用放电工况的电池健康状态估计方法 |
| JP2022050354A (ja) * | 2020-09-17 | 2022-03-30 | 株式会社日立製作所 | 特徴量選別方法及び健康状態評価方法 |
| CN113030744A (zh) * | 2021-02-24 | 2021-06-25 | 上海交通大学 | 基于健康因子提取的电池健康状况预测方法、***及介质 |
| WO2022222433A1 (zh) * | 2021-04-19 | 2022-10-27 | 北京理工大学 | 基于加速老化试验与实车工况的车用动力电池soh评估方法 |
| DE102021203865A1 (de) * | 2021-04-19 | 2022-10-20 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Bewerten eines relativen Alterungszustands einer Gerätebatterie auf Basis einer Gerätegruppen-basierenden Serienstreuung der Gerätebatterien |
| CN113158947A (zh) * | 2021-04-29 | 2021-07-23 | 重庆长安新能源汽车科技有限公司 | 一种动力电池健康评分方法、***及存储介质 |
| WO2023284453A1 (zh) * | 2021-07-15 | 2023-01-19 | 崔跃芹 | 一种基于累计耗损量的充电电池寿命预测方法、装置、电子设备及可读存储介质 |
| CN113960476A (zh) * | 2021-09-23 | 2022-01-21 | 北京理工大学 | 基于信息物理融合技术的动力电池故障监测方法及*** |
| CN114035072A (zh) * | 2021-11-11 | 2022-02-11 | 重庆大学 | 一种基于云边协同的电池组多状态联合估计方法 |
| CN114035098A (zh) * | 2021-12-14 | 2022-02-11 | 北京航空航天大学 | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 |
| CN114859252A (zh) * | 2022-04-13 | 2022-08-05 | 泉州装备制造研究所 | 一种多特征的锂电池健康状态在线估计方法及装置 |
| CN115308603A (zh) * | 2022-07-13 | 2022-11-08 | 中国长江三峡集团有限公司 | 基于多维度特征和机器学习的电池寿命预测方法 |
| CN115219937A (zh) * | 2022-07-20 | 2022-10-21 | 重庆理工大学 | 基于深度学习的不同老化路径储能电池健康状态估计方法 |
| CN115754724A (zh) * | 2022-09-03 | 2023-03-07 | 哈尔滨工业大学（威海） | 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 |
| CN115656857A (zh) * | 2022-09-15 | 2023-01-31 | 广州大学 | 一种锂离子电池剩余使用寿命的多尺度融合预测方法 |
| CN116243172A (zh) * | 2022-12-21 | 2023-06-09 | 湖南银杏可靠性技术研究所有限公司 | 一种锂电池可靠性状态快速检测方法 |
| CN115963409A (zh) * | 2023-01-09 | 2023-04-14 | 烟台大学 | 一种基于多特征融合的锂电池检测数据预处理方法 |
| CN115980584A (zh) * | 2023-02-08 | 2023-04-18 | 合肥工业大学 | 基于多特征融合lstm网络的锂电池rul估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| The state of health estimation of lithi...on data-driven and model fusion method;peng huang等;《Journal of Cleaner Production》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116430244A (zh) | 2023-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | A fractional-order model-based battery external short circuit fault diagnosis approach for all-climate electric vehicles application | |
| Chen et al. | A new state-of-health estimation method for lithium-ion batteries through the intrinsic relationship between ohmic internal resistance and capacity | |
| CN107785624B (zh) | 一种评估锂电池性能的方法 | |
| CN112433169B (zh) | 一种云端动力电池健康度评估***及方法 | |
| CN109828220B (zh) | 一种锂离子电池健康状态线性评估方法 | |
| CN108732508B (zh) | 一种锂离子电池容量的实时估计方法 | |
| CN104535932A (zh) | 一种锂离子电池荷电状态估计方法 | |
| CN110795851A (zh) | 一种考虑环境温度影响的锂离子电池建模方法 | |
| CN110703112A (zh) | 一种基于局部充电数据的电池组状态的在线估计方法 | |
| CN113109729B (zh) | 基于加速老化试验与实车工况的车用动力电池soh评估方法 | |
| CN112710955B (zh) | 一种用于提高电池容量估计精度的算法 | |
| CN110673037B (zh) | 基于改进模拟退火算法的电池soc估算方法及*** | |
| CN106154164A (zh) | 一种电池健康状态评估方法 | |
| CN113093017A (zh) | 一种锂离子电池等效电路模型在线构建方法 | |
| CN113933714B (zh) | 基于简化电化学模型和灰色预测联合的电池容量预测方法 | |
| CN115494400B (zh) | 一种基于集成学习的锂电池析锂状态在线监控方法 | |
| CN113484771A (zh) | 一种锂离子电池宽温度全寿命soc及容量估计的方法 | |
| 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 | |
| Liu et al. | Capacity evaluation and degradation analysis of lithium-ion battery packs for on-road electric vehicles | |
| CN116125289A (zh) | 基于局部电压片段和集成学习的锂电池健康状态估计方法 | |
| 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 | |
| CN116430244B (zh) | 一种基于电压电流特征的动力电池健康状态估计方法 | |
| CN116466250A (zh) | 基于动态工况模型误差特征的动力电池健康状态估计方法 | |
| CN117269768A (zh) | 基于容量增量曲线的并联电池组短路故障诊断方法及装置 | |
| CN113075560B (zh) | 一种动力锂离子电池健康状态在线预估方法 |
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 |