一种基于递归图分析的锂电池健康状态评估预测方法

技术领域

本发明涉及电池状态评估技术领域，具体为一种基于递归图分析的锂电池健康状态评估预测方法。

背景技术

锂离子电池因其能量密度高、循环寿命长、环境污染低而被应用于储能系统和电动汽车等多个领域。

现有技术中，锂电池在长期频繁使用过程中会逐渐退化，其性能和安全性也会恶化。为了降低维护运营成本，电池管理系统(BMS)使用可测量的信号来在线监测电池健康状态(SOH)，这对提升锂电池系统安全性和使用寿命上至关重要；电池容量的直接获取可以通过放电/充电实验得到，然而这一过程是耗时且十分严苛，因此并不适用于实际应用。此外，电池的SOH受负载和环境条件的影响很大，这给锂离子电池整个生命周期的非线性容量退化准确估计带来了挑战；近年来，许多电池SOH预测模型得到了长足的发展，大致划分为基于模型的方法和基于数据驱动的方法两种类型。基于模型的方法利用电池内部反应机理的先验知识构建一个数学模型用于模拟电池的退化行为。这种方法对参数确定和模型精度非常敏感，电池退化率很难预测，难以构建一个高保真度模型来描述各种动态操作下的电池退化过程。

并且，数据驱动的方法能够从老化历史数据中挖掘指示退化程度的兴趣特征(FOI)进行SOH预测，具有灵活性和无复杂物理模型的优势，因此受到了广泛关注；使用机器学习、深度学习模型建立FOIs与SOH预测之间的关联。虽然这些方法具有很强大的灵活性和非线性匹配能力，但在实际应用中存在着模型复杂、计算开销大、健康指标种类多、高度依赖数据集质量等问题。此外，一些基于容量增量分析、差分电压分析等表征锂电池老化机理的方法十分流行。

但是，上述方法的准确度受到滤波器参数的选择和拟合函数类型的强烈影响。不当的滤波器设置不仅会可能无法消除原始充电曲线的噪声，还可能会导致曲线上的关键特征丢失。最后但同样重要地是，这些方法对工作倍率要求特别低(通常选择C/20或C/25)，从而确保所测得的是开路电压下的充电数据，这在实践中是很难获得的。

发明内容

本发明的目的在于提供一种基于递归图分析的锂电池健康状态评估预测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于递归图分析的锂电池健康状态评估预测方法，所述方法包括以下步骤：

数据预处理；

递归算法分析；

特征提取；

建立锂电池SOH评估预测。

优选的，数据预处理的具体操作步骤包括：

需要通过电池管理系统BMS采集到一次较为完整的充电电压曲线，覆盖到至少80％区域，工作倍率最高支持2C，将完整充电电压曲线抽取为连续的电压轨迹向量集合。

优选的，递归算法分析的具体操作步骤包括：

使用递归算法生成递归矩阵，并进一步处理为递归图像，对图像进行特征分析。

优选的，特征提取的具体操作步骤包括：

对图像进行特征分析后，提取与电池老化相关的特征值FOI，以及相应循环的锂电池容量，获取同一批次下某标定电池完整退化趋势，选取与容量退化相关系数最高的特征，并建立该特征与容量退化之间的联系。

与现有技术相比，本发明的有益效果是：

本发明提出的基于递归图分析的锂电池健康状态评估预测方法，基于模型的方法利用电池内部反应机理的先验知识构建一个数学模型用于模拟电池的退化行为，构建过程中需要许多优化算法和过滤器，用于识别各项参数和电池健康状态；基于递归图分析的方法能够用于多种倍率下的电池健康状态(SOH)的精确预测，即使是在2C倍率下。对电压状态轨迹进行递归分析，能够将充放电过程中相变表现为可观察到的FOI，而这些FOI能够为电池SOH预测提供与电池老化机理密切关联的物理信息。

附图说明

图1为本发明经过电压轨迹处理后的不同老化状态锂电池充电曲线示意图；

图2为本发明电池SOH为99.26％的RP矩阵和阈值二值化后的RP图像；

图3为本发明基于递归图分析的FOIs提取与识别示意图；

图4为本发明不同老化程度下恒流充电过程中FOIs的动态变化示意图；

图5为本发明方法流程图；

图6为本发明测试电池完整寿命周期衰减图；

图7为本发明对锂电池健康状态的预测效果示意图。

具体实施方式

为了使本发明的目的、技术方案进行清楚、完整地描述，及优点更加清楚明白，以下结合附图对本发明实施例进行进一步详细说明。应当理解，此处所描述的具体实施例是本发明一部分实施例，而不是全部的实施例，仅仅用以解释本发明实施例，并不用于限定本发明实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

请参阅图1至图5，本发明提供一种技术方案：一种基于递归图分析的锂电池健康状态评估预测方法，所述方法包括以下步骤：

本部分首先阐述将电压轨迹用于锂电池健康状态(SOH)评估的可行性分析，随后详细介绍了递归分析算法原理，最后叙述了使用基于递归图分析如何提取锂电池老化特征，并用于锂电池SOH评估和预测。

本部分首先

1电压轨迹用于锂电池健康状态评估的可行性分析

不同老化程度的锂电池在充放电过程中，其电压在时间尺度上的瞬时变化是不同的，这为使用时间序列分析方法探究电池SOH提供了可能。在研究锂电池电化学老化机理中，充电电压曲线(即充电容量与充电电压，V-Q)可以转换为差分电压(即，dV/dQ-Q)曲线，转换公式如式1。

其中V(t)和Q(t)分别是t时刻瞬时的测量电压和容量状态值,k是离散时间索引，与t有关。根据公式，DV是用N个时间步长的有限差分计算而来。

差分放大曲线斜率的变化与锂离子嵌入和脱嵌入过程中的相位密切匹配，在这一过程中可以提取一些图像特征来估计电池SOH，如峰谷的位置变化、振幅高度和包络面积大小。受差分电压分析方法启发，我们将锂电池内部极化反应视作为递归分析中的动力学系统，研究锂电池充放电过程中电压随着时间推移的变化。图1展示了经过电压轨迹处理后的不同老化状态锂电池充电曲线，可以从图中观察到不同容量下电压轨迹向量状态有所差异。

2递归分析算法原理

递归分析(RP分析)是一种时间序列分析方法，通过统计空间轨迹在时间序列上的接近程度，从而挖掘出对象系统潜在的变化特征。RP分析能够对某点电压状态与历史、未来状态信息进行建模。从充放电过程中提取完整的时间序列电压数据(v

其中N是时间序列数据点的数量，ε是阈值距离，θ(g)为阶跃函数，而||g||是欧氏距离函数。

如果R

3基于递归图分析的锂电池老化特征提取与SOH评估预测原理

根据公式(2)可知形成的递归矩阵是反对角线对称的，因此只需要对反对角线其中一侧进行特征提取即可。基于锂电池老化数据，利用公式(2)得到处理后的半值递归图像如图3所示，分别代表了在高SOH和低SOH下的两种不同状态。从图3可以发现，锂电池电压变化被转换为RP图像上能被清晰识别的潜在退化特征(FOIs)，其中这些FOIs被详细总结在了表1中。此外，图4展示了不同老化程度下恒流充电过程中FOIs的动态变化。图4显示，随着锂电池的老化，FOIs整体趋势向着容量降低的方向移动，例如峰值相对于对角线的高度降低，峰值的位置也向容量较低的方向移动。

表1可识别FOIs的描述

方法流程示意图如图5所示。所提出的方法整体上分为数据预处理、递归算法分析与特征提取、建立锂电池SOH评估预测四大部分。

在数据预处理阶段，首先需要通过电池管理系统(BMS)采集到一次较为完整的充电电压曲线(覆盖到至少80％区域)，工作倍率最高支持2C。随后，将完整充电电压曲线抽取为连续的电压轨迹向量集合。在接下来的阶段，使用递归算法生成递归矩阵，并进一步处理为递归图像，对图像进行特征分析，并提取与电池老化相关的特征值(FOI)，以及相应循环的锂电池容量。基于以上步骤，获取同一批次下某标定电池完整退化趋势，选取与容量退化相关系数最高的特征，并建立该特征与容量退化之间的联系。

通过以上标定实验，能够对同一规格下的锂电池进行精确的健康状态(SOH)评估。类似地，只需通过递归算法提取某电池的递归特征，将相应特征值输入进已标定函数，就能够实现对该电池SOH进行评估预测。

实施例二

参照附图6至图7，在实施例一的基础上，实验数据来自一个三元锂电池老化实验数据集，可简称为NCM电池数据集。从中选取了不同工况条件下的共3块电池从健康运行至寿命终止(即，电池SOH为80％)的数据，其中每组电池运行时会面临不同的温度和充放电倍率。图6展示了这些锂电池完整寿命周期的容量变化；

所有电池循环工作下的充电数据是RP分析的研究对象，依次对所有测试电池充电数据进行递归分析，根据公式(2)计算得到递归图像。按照表1和图3的特征点位置，提取与当前老化相关的所有FOI值。随后，使用皮尔森相关性计算，得到各FOI与电池容量的相关性，其中皮尔森相关性计算公式如下：

其中，相关系数ρ等于完整寿命下所提取的FOI和容量的协方差Cov(X,Y)除以各自标准差的乘积。

当确定每个测试电池上所有FOI与电池容量衰退的相关性后，就能进一步利用FOI进行电池SOH预测。以案例中NCM电池为例，其相关系数结果如下表所示：

表2 NCM电池候选FOI与电池容量的相关系数

从上表得知FOI1和FOI2(具体描述可见表1)无法胜任循环工况下的SOH预测工作，这可以归因于Peak A特征点的消失。Peak A的位置移动只能够在极低倍率下关联到电池的SOH变化。与此同时，余下的FOIs展现出了与SOH之间具有很强的关联性，能够被用来估计电池SOH。例如，从表2上能够观察到在这三块NCM电池上各自的皮尔森相关系数(r)分别达到了0.9616,0.9976,0.9800。值得注意的是，FOI4(Peak B关于对角线的高度)在所有电池容量关联分析中均取得了非常高的分数，能够胜任于锂电池SOH的准确预测。

可以确认的是，关联程度越高，说明电池老化过程中FOI的变化与SOH衰减是一致的，SOH预测值与真值之间的偏差也是越小的。表3列出所有预测误差结果，进一步验证了所提FOI能够用于锂电池容量退化的准确估计，并达到平均预测误差0.8％的高精度。正如图6所示，在0.5C和1.5C倍率下(即分别为Cell-1-1和Cell-1-4)所有预测曲线几乎能够与真值SOH衰减曲线保持重合，除了1.5C倍率末期，由于电池处于一种严重老化状态，其预测曲线出现了有一些跳动。此外，如图7(c)所示，虽然高倍率放电导致容量恢复现象明显，但基于FOI4和FOI5两种RP特征，其预测曲线依然能够有效贴合真值SOH曲线的变化，达到令人满意的预测结果，即平均预测绝对误差分别为0.2207％和0.1647％。基于以上结果，所提专利方法锂电池老化循环数据集上得到了验证，满足低倍率和高倍率下的电池容量预测任务需求，能够准确地评估和预测锂电池健康状态。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。