一种对电池的健康状态进行估计的方法

技术领域

本发明涉及电池管理系统领域，特别涉及一种对电池的健康状态进行估 计的方法。

背景技术

面对全球环境的日趋加剧以及可再生能源的枯竭问题，各国政府提倡研 发新能源汽车来替代传统燃油车来解决这两大难题。其中电动汽车作为新能 源汽车的主力已经受到了广泛的关注。由于锂电池具有能量密度和功率承受 力高、标称电压高、自放电率低、周期长和没有记忆效应等特点，现在已经 被广泛应用在电动自行车、纯电动或混合动力汽车、卫星和飞机等电力辅助 系统。随着充放电次数的增加和工作条件的不断变化，电池内部的化学反应 会变得非常缓慢，最终会造成电池老化，使得电池的实际容量远远低于其额定容量，从而导致其性能下降。老化的电池会直接导致汽车或者卫星电力系 统出现故障，影响整个机器的正常使用。因此，电池健康状况(state ofhealth， SOH)和剩余使用寿命(remaining useful life，RUL)的预测是电池监控系统 的一项主要任务，可以减少由电池老化而引起的一些重大灾难事故。近些年， 电池SOH和RUL的预测已经成为故障预测和健康管理工程领域的一个热点 和挑战性问题，引起了研究人员的广泛关注与研究，并取得了一些出色的效 果。这些研究的方法主要分为基于模型的方法和数据驱动的方法两大类。

基于模型的方法主要是利用一些经验数学公式来描述电池历史容量衰减 的趋势，然后利用粒子滤波(particle filter，PF)相关的技术来预测电池的SOH 和RUL。虽然基于模型的方法在电池RUL的预测方面取得了一些成功，但是 没有一个通用和精确的数学模型来描述不同型号电池的退化现象。此外，一 些改进的PF算法并不能完全消除粒子退化现象，而且在仿真过程中受到噪声 值的影响较大，仿真结果容易出现较大的偏差。和基于模型的方法相比，数 据驱动的方法不需要一个确定的数学模型来描述电池退化现象，更适用于不 同型号的电池数据预测。其主要是从电池退化数据中提取典型特征(如容量、 电流、电压、阻抗和温度等)，然后利用机器学习和深度学习的方法将这些 历史特征和当前的SOH建立某种映射关系，通过训练大量的数据得到一个模 型来预测电池的SOH和RUL。这些方法主要包括人工神经网络(artificial neural network,ANN)、支持向量回归(supportvector regression,SVR)、相 关向量机(relevance vector machine，RVM)、高斯过程回归(Gaussian process regression，GPR)、长短时记忆神经网络(long short-term memorynetwork， LSTM)等。为了提高SVR算法的预测精度，一些优化算法，如粒子群优化 算法、人工蜂群优化算法和差分进化算法等被提出用于寻找SVR算法中最佳 惩罚系数c和核函数半径g。随着计算机硬件设备的发展，一些复杂网络的深 度学习技术，如LSTM算法和卷积神经网络(Convolution neural network，CNN) 算法被应用在电池数据领域的估算上。但是在工作过程中，电池容易受到自 身的物理特性和外部工作环境的影响，电池寿命的退化是一个复杂的非线性 过程，容易出现短暂的容量再生现象，且伴随着大量的噪声。为了减少这种 随机的噪声干扰，一些信号处理的方法，如小波分解技术和带有自适应噪声 的互补集合经验模态分解算法(Complete Ensemble Empirical Mode Decomposition withAdaptive Noise，CEEMDAN)被提出。

通过以上分析可知，数据驱动的方法都能够实现对电池的SOH和RUL 精确估算，但是每种算法也都有一些自身的缺点。如一些元启发式优化算法 在寻优过程中容易陷入局部最优，从而找不到最优值。一些结构复杂的深度 学习网络将耗费巨大的计算量，而且网络中的一些参数不一定为最佳值。 CEEMDAN信号处理方法存在噪声残留和分解早期出现的假模式的问题。

发明内容

本发明要解决的技术问题是克服现有技术的缺陷，提供一种对电池的健 康状态进行估计的方法。

为了解决上述技术问题，本发明提供了如下的技术方案：

本发明一种对电池的健康状态进行估计的方法，具体步骤如下：

步骤一，在25℃温度下，对锂离子电池进行三种不同的测试方案，即恒 流恒压(constant current constant voltage，CC-CV)充电实验、恒流 (constant current，CC)放电实验和阻抗测量实验，在充电阶段，开始以 CC模式充电，其电流大小为1.5A，直到电压达到充电截止电压4.2V，然后将 充电模式转化成CV模式对电池进行充电，即电压保持在4.2V，直到电流下降 到充电截止电流20mA，在放电阶段，以CC的模式放电，其电流大小为2A， 直到达到放电截止电压2.7V；

得到电池容量数据时，首先利用ICEEMDAN信号分解算法将其分解成若 干个高频信号和一个低频部分，并将容量数据进行分解；

步骤二，利用SVR算法对分解后高频信号进行预测，然后利用LSTM算法 对低频信号进行预测，在模型预测过程中，引入SSA优化算法对SVR算法的 两个参数寻找SVR的最佳惩罚系数c和核函数半径g，达到SVR算法的最佳预 测性能，将容量数据或分解后的各分量设定为训练集，剩余的容量数据或分 解后的各分量设定为测试集，通过对各个分量的预测，得出预测结果IMF1*、 IMF2*、IMF3*、IMF4*和Residual*以及相对应的各个分量预测误差；

步骤三，重构步骤二中每一个分量信号的预测结果，最终的容量预测结 果为各个分量预测相加之合，即C

作为本发明的一种优选技术方案，所述步骤一当中，在ICEEMDAN分解 技术中，E

作为本发明的一种优选技术方案，所述ICEEMDAN信号分解算法步骤如 下：

(1)对原始容量信号C

式中，β

(2)通过EMD算法对加入噪声的信号进行分解，获得第一个IMF

R

IMF

(3)计算R

IMF

(4)当k＝3,…,K时，依次计算第k个残余分量

R

(5)计算第k个IMF

IMF

(6)重复步骤(4)和(5)，将原始信号分解成若干个IMFs分量和一 个残余分量。

(7)原始容量数据分解后的分量如图2所示，图中Cn为原始容量数据。

作为本发明的一种优选技术方案，所述步骤二算法包括以下三种：麻雀 搜索算法、支持向量机(Support Vector Machine，SVM)和长短时记忆神经 网络(Long Short-term Memory Networks，LSTM)。

作为本发明的一种优选技术方案，所述该LSTM网络模型主要由输入层、LSTM层和全连接输出层组成，其重要参数如下：最大迭代次数Iter

与现有技术相比，本发明的有益效果如下：

本发明的混合模型可以对电池的SOH和RUL进行实时的精确预测，避 免因电池过度使用引发的事故灾难，利用改进的带有自适应噪声的互补集合 经验模态分解算法对容量数据进行分解，可以避免数据中噪声的干扰；然后 再利用SVR算法对分解的高频信号进行预测，同时利用麻雀优化算法出色的 优化能力对SVR算法的重要参数进行寻优，来提高预测精度，利用LSTM算 法对分解的低频信号进行预测；最后将各种分解的信号进行重组构成最终的 容量预测值，通过与单个算法预测性能进行对比，利用这种组合模型可以大 大提高了电池SOH和RUL的预测精度。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本 发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是混合预测模型的详细流程图；

图2是电池历史容量数据分解示意图；

图3是分解后各分量的预测结果；

图4是三种模型的容量预测结果；

图5是三种模型的容量及寿命预测结果；

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述 的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

实施例

如图1-5所示，本发明提供一种对电池的健康状态进行估计的方法，具 体步骤如下：

步骤1：在25℃温度下，对锂离子电池(优选常用的18650型号锂电池) 进行三种不同的测试方案，即恒流恒压(constant current constant voltage， CC-CV)充电实验、恒流(constant current，CC)放电实验和阻抗测量实验， 在充电阶段，开始以CC模式充电，其电流大小为1.5A，直到电压达到充电 截止电压4.2V；然后将充电模式转化成CV模式对电池进行充电，即电压保 持在4.2V，直到电流下降到充电截止电流20mA，在放电阶段，以CC的模式 放电，其电流大小为2A，直到达到放电截止电压2.7V，历史电池容量数据是 在每次放电时通过对电流进行时间积分得到的。

当得到电池容量数据时，首先利用ICEEMDAN信号分解算法将其分解成 若干个高频信号(称为固有模式函数IMFs)和一个低频部分(称为残差)。

在ICEEMDAN分解技术中，E

详细的ICEEMDAN信号分解算法步骤如下：

(1)对原始容量信号C

式中，β

(2)通过EMD算法对加入噪声的信号进行分解，获得第一个IMF

R

IMF

(3)计算R

IMF

(4)当k＝3,…,K时，依次计算第k个残余分量

R

(5)计算第k个IMF

IMF

(6)重复步骤(4)和(5)，将原始信号分解成若干个IMFs分量和一 个残余分量。

(7)原始容量数据分解后的分量如图2所示，图中Cn为原始容量数据， IMF1-IMF4为分解后的高频信号，Residual为分解后的低频部分。

步骤2：利用SVR算法在小样本数据集上出色的预测性能对分解后高频 信号进行预测，然后利用LSTM算法对低频信号进行预测，在模型预测过程 中，为了寻找SVR的最佳惩罚系数c和核函数半径g，引入SSA优化算法对 SVR算法的两个参数进行寻优，以达到SVR算法的最佳预测性能；

算法一：麻雀搜索算法

麻雀搜索算法是一种新型的群智能优化算法，麻雀搜索算法SSA主要是 根据麻雀种群觅食和反捕食行为的启发而提出的，并在一些测试函数上进行 了仿真实验。在麻雀觅食的过程中，整个麻雀种群分为探索者(Explorer)和 追随者(Scroungers)，探索者负责寻找食物并为整个麻雀种群提供觅食区域 和方向，而追随者主要是通过探索者来获取食物，种群中的每个个体都会监 视群体中其它个体的行为，并且会与高摄取量的同伴争夺食物资源，以提高 自己的捕食率，此外，当麻雀种群意识到危险时会做出反捕食行为，麻雀搜索算法用数学模型表示如下：

(1)为了模拟麻雀觅食和反捕食行为，在整个麻雀种群中，麻雀的位置 可以用下面的矩阵表示：

其中N是麻雀的数量，d为要优化变量的维数。

种群中所有麻雀的适应度值可以用以下向量表示：

其中F

(2)在SSA算法中，因为探索者具有更好的适应度值，可以获得比追随 者更大的觅食搜索范围，因此，他可以优先获取搜索过程中的食物，并为整 个种群提供食物的位置和方向，麻雀种群中探索者的数量占整个种群的20％， 在每次迭代的过程中，探索者的位置更新描述如下：

式中t表示当前迭代次数；j＝1,2,...N；

(3)追随者的位置更新描述如下：

式中，t表示当前迭代次数；

(4)当意识到危险时，麻雀种群会做出反捕食行为，其数学表达式如下：

式中，

算法二：支持向量机(Support Vector Machine，SVM)

支持向量机(Support Vector Machine，SVM)分为支持向量分类(support vectorclassification，SVC)和支持向量回归(support vector regression，SVR)， 由于SVR是一种有坚实理论基础的小样本机器学习方法，在高维特征的回归 问题中有突出的表现，该方法不但具有高效简单的特点，而且具有良好的鲁 棒性，因此可以用来解决一些样本数量较少的分类回归问题，给定一组数据

f(x)＝w

式中，f(x)表示输出值，φ(x)是一个非线性映射函数，w为权重向量，b是 可调因子

SVR假设我们能容忍f(x)与y之间最多有ε的误差，仅当两者之间的绝对 值误差大于ε时才计算损失，通过引入松弛变量ξ

式中，ξ

引入拉格朗日乘子α

上述过程需要满足KKT条件，其中的互补松弛条件为：

引入核函数K(x

选择高斯径向基核函数，其表达式为:

式中，σ

算法三：长短时记忆神经网络(Long Short-term Memory Networks，LSTM)

长短时记忆神经网络(Long Short-term Memory Networks，LSTM)是由 标准的循环神经网络改进而来的一种网络结构，可以有效地解决简单循环神 经网络的梯度爆炸或消失问题，LSTM适用于处理和预测时间间隔和延迟较 长的序列问题，并在机器翻译、语音识别和视频分析等领域得到了广泛的应 用，相比于传统的RNN结构，LSTM引入了三个控制门单元，遗忘门I

长短期记忆门的输入均为当前时间步输入X

I

F

O

式中，σ

然后利用tanh函数作为激活函数来计算候选记忆细胞

式中

根据元素值域在[0,1]的输入门、遗忘门和输出门来控制隐藏状态中信息 的流动，遗忘门控制上一时间步的记忆细胞C

式中，

当得到记忆细胞之后，通过输出门来控制从记忆细胞到隐藏状态

式中，H

该LSTM网络模型主要由输入层、LSTM层和全连接输出层组成，其重 要参数如下：最大迭代次数Iter

该SSA-SVR模型中最大迭代次数Iter

SOH是电池老化程度的关键指标，在每个充放电循环测试中可以直接反 映出电池的寿命状况，可以有效判断电池是否达到寿命终止条件，并及时更 换电池，降低系统故障的概率，目前，SOH可以用容量、电池内阻、电流和 电压等参数来表示，因为电池容量数据更容易直接反映出电池的老化程度， 因此本文应用电池容量比来定义SOH。

式中，C

通过式(24)可以将预测电池SOH的问题转化为预测充放电循环中电池 容量的问题，在利用SSA-SVR和LSTM算法来预测电池实际容量时，将第n 次之前观测到的电池实际容量作为预测模型的输入，第n次循环中的电池容 量作为预测模型的输出；

式中，C

当电池实际容量C

RUL＝N

式中，RUL表示电池剩余循环次数，N

利用SSA-SVR预测模型对分解的4个高频部分IMF1-IMF4进行预测， 利用LSTM模型对低频部分Residual进行预测，实验中混合模型的参数d

将前80次循环的容量数据或分解后的各分量设定为训练集剩余的容量数 据或分解后的各分量设定为测试集。该混合模型的预测原理是在测试集上进 行离线训练得出一个预测模型，然后再利用这个预测模型对测试集进行在线 预测。通过对各个分量的预测，得出预测结果IMF1

步骤3：重构步骤2中每一个分量信号的预测结果，最终的容量预测结果 为各个分量预测相加之合，即C

式中，M为测试集中样本的数量，C

对于电池RUL而言，使用相对误差(relative error，RE)来评估模型的 准确性。

RE＝RUL

为了验证该模型的可行性和预测效果，现引入未加入ICEEMDAN信号分 解算法的SSA-SVR和LSTM预测模型进行对比，图4为三种模型的预测结果 和误差结果。

从图4可以看出，该混合模型的预测精度远远高于其他两种模型。其各 项评估结果MAE、RMSE和MAPE分别为0.3279％、0.4617％和0.2301％。

为了进一步验证所提出算法在预测性能上的鲁棒性和有效性，在第64个 循环点处来实现电池的容量和RUL预测。图5为从第64次循环处开始对容 量和RUL的预测结果。当开始的循环点为64的情况下，其MAE、RMSE、 MAPE和RUL的结果分别为0.2842％、0.4113％、0.1982％和+1，这表明所提 出的混合模型可以提高电池容量和RUL的预测精度，并使得电池健康状况预 测具备更好的精确性和鲁棒性。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限 制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的 技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或 者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作 的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。