基于机器学习的锂电池健康状态及荷电状态联合估算方法

技术领域

本发明属于锂电池管理系统状态估算技术领域，具体涉及一种基于机器学习的锂电池健康状态及荷电状态联合估算方法。

背景技术

随着全球不可再生能源逐渐告急和全球温室效应逐渐加重，各国都在寻求可持续发展且节能环保的新能源技术。新能源汽车作为一种节能环保的交通工具，得到人们的关注，电动汽车上的动力电池对电池管理系统有着高能量密度、高安全性、充电快等特性等要求；风电光伏产业在发电市场中逐渐占有更高的比重，而由于其消纳问题较为突出，需要配置容量大、效率高的电池储能系统。以上两种锂电池的应用场景都对电池储能系统的管理系统性能提出较高的要求：不仅需要对电池组的电量进行及时精确的估算及均衡，避免电池单体过充过放现象出现，保证电池安全可靠地工作，还需要对达到报废标准的电池即时进行提示，帮助工作人员进行精准的更换工作而不是整组报废，使电池组的电池能力充分发挥并延长寿命。

电池管理系统是锂电池储能系统开发中最重要的环节。电池荷电状态用来表征电池的剩余电量，即剩余电量与额定容量的百分比，该变量不能直接从电池本身获得，只能通过测量电池的外特性参数(如电压、电流等)间接估计得到。但由于锂电池内部复杂的电化学反应导致电池特性呈现为非线性，使电池荷电状态的计算难度很大。电池的健康状态定义为当前最大可用容量与初始最大可用容量的比值。随着电池使用时间增加，电池会逐渐衰老，出现内阻增大、电池容量衰减等现象。电池容量衰减的原因复杂，涉及到的因素较多且变化缓慢。目前尚没有一个精确的衰退物理模型。

在现有方法中，扩展卡尔滤波、无迹卡尔曼滤波等用于处理非线性问题的非线性卡尔曼滤波被广泛使用。在使用这些算法时，会事先对同型号新电池进行测试实验，在每次以一定充放电速率对电池进行充电后静置半小时以上，然后测量其开路电压，以此得到SOC与开路电压的关系曲线；目前的方法中，在仅估算荷电状态时认为容量不变，而进行健康及荷电状态联合估算时认为其容量仅与等效内阻有关。但是实际上，随着电池的循环使用次数和环境因素的不同，电池容量与其内阻的关系会发生变化，电池的最大可用容量也在发生变化。如果不及时对这些变化作出参数的调整，电池荷电状态和健康状态的估算误差会变的越来越大。

发明内容

为解决现有技术中存在的问题，本发明的目的在于提供一种基于机器学习的锂电池健康状态及荷电状态联合估算方法。本发明对电池的荷电状态及电池健康状态进行联合估算，建立并训练BP神经网络，兼顾循环使用次数、环境温度、电池欧姆内阻、极化内阻等参数对电池容量的影响，并实时对电池荷电状态估算中的状态方程参数进行实时更新。该发明对于整个电池状态的全面、精确预测具有重大意义。

本发明采用以下技术方案，一种基于机器学习的锂电池健康状态及荷电状态联合估算方法，具体步骤如下：

(1)确定储能系统采用的电池型号及出厂参数，通过对该型号的全新电池进行循环充放电测试，得到充放电过程和老化过程的明细数据，并拟合其V-SOC曲线；

(2)根据步骤(1)得到的的V-SOC曲线建立合适的锂电池等效电路模型；

(3)用带有遗忘因子的递推最小二乘法(FFLS)对一个充放电周期内的电压回弹特性曲线进行参数辨识，得到欧姆电阻R

(4)在实际应用中，开机时首先进行一次初始化测试操作，记录其电压数据，对该周期内的电压回弹曲线进行拟合，用带有遗忘因子的递推最小二乘法(FFLS)辨识参数，得到当前电池欧姆电阻R

(5)以步骤(4)中计算得到的欧姆电阻R

(6)基于步骤(5)得到的当前锂电池的SOC，计算出上次初始化测试后首次估算的SOC到现在的电量变化ΔSOC；预先设定好剩余电量SOC变化的一个百分比值，该值根据精度要求和芯片计算能力来决定，一般取2％或5％，当变化量ΔSOC大于该值时，对当前电池进行一次初始化测试操作，执行步骤(4)、步骤(5)并更新储存芯片中记录的SOC值；如果ΔSOC不大于该值，则直接执行下一次SOC估算。

本发明中，步骤(1)中，循环充放电实验步骤为：在设定温度的环境下采用周期性等倍率电流对全新的锂电池单体进行间歇性放电测试，为获得较为完整的特性曲线和高测试效率，电池由满电状态开始特性测试，直到电量完全放光。每周期放电量为容量的5％，然后静置30min；再以1C恒流放电10s，静置40s，再以1C恒流充电10s，静置40s；如此放电5％-静置-放电10s-静置-充电10s-静置-放电5％的流程循环，直至电池容量完全放出；再次恒压-恒流充满电，充电循环次数变量加一，执行下一循环的间歇性放电测试。如此重复进行实验，直到可用容量为原容量的80％时停止。

本发明中，步骤(1)中，所述电池的出厂参数包括标称容量C、充电截止电压V

本发明中，步骤(1)中，所述充放电和老化过程的明细数据为每次充放电循环的已循环次数n、最大可用容量C

本发明中，步骤(1)中，测量锂电池当前最大容量C

本发明中，步骤(1)中，拟合V-SOC曲线采用三段拟合方法，以10％和90％为分界点进行拟合：

式中，g

拟合计算完成后，即可得到电压稳定后的情况下，开路电压V与电池剩余电量SOC的函数关系。

本发明中，步骤(2)中，选用的锂电池等效电路模型为二阶RC等效电路模型，二阶RC等效电路模型的电路结构中，电源的正极所在的一端依次连接欧姆电阻R

本发明中，步骤(3)中，提取其中一个放电周期内的输出电压数据，用带有遗忘因子的递推最小二乘法(FFLS)电压回弹曲线进行参数辨识，获得欧姆电阻R

(3.1)选择二阶RC模型等效电路模型为锂电池的等效电路模型，建立其传递函数为：

其中，E(s)为锂电池电芯电压，V(s)为锂电池等效电路模型的输出电压，i(s)为等效电路模型的电流；

(3.2)采用双线性变换法将s平面的方程映射到z平面，即：

式中，Vt为系统采样间隔时间；C

将式(4)转换至离散时域，即：

式中，V

(3.3)建立锂电池等效电路模型的数据矩阵和参数变量矩阵：

则有：V

其中：Φ

(3.4)在公式(7)的基础上采用带有遗忘因子的最小二乘法进行迭代：

导入实验数据，并对参数变量矩阵θ

(3.5)按以下迭代公式进行递推,得出：

式中，μ为遗忘因子，设为0.75；P为迭代协方差矩阵，K为迭代增益，I为与协方差矩阵同型的单位矩阵；迭代至遍历一周期内所有采样点后，得出辨识出来的参数变量矩阵θ。

本发明中，步骤(3)中，为避免由于输入输出数据的量纲不统一带来的影响，需要根据下式对欧姆电阻R

上式中，

本发明中，步骤(3)中，进行神经网络的训练前需要对以下参数进行初始化：输入层和隐藏层的连接权值ω

本发明中，步骤(4)中，所述初始化测试操作为：对电池进行1C倍率恒流放电10s，静置40s后进行1C倍率充电10s，对这期间的开路电压V和剩余电量SOC

本发明中，步骤(4)中，所述存储芯片为硬件电路中MCU的外接EEPROM芯片，系统启动时，MCU读取芯片中存储的上次运行结束时存储的数据；系统关闭前，MCU自动将数据存储在芯片中以备下次开机使用。

本发明的有益效果是：

(1)本发明提出的基于机器学习的锂离子动力电池健康状态估算与基于非线性卡尔曼滤波的电池荷电状态估算方法相结合，可以实时更新采用模型法估算荷电状态时状态方程中的参数和当前电池的最大可用容量C

(2)由于锂电池最大可用容量受到温度、欧姆内阻、极化内阻、循环次数等因素共同影响，且各因素之间高度非线性耦合，本发明通过神经网络算法建立了各因素与最大可用容量C

(3)在联合估算时，更新估算SOC中的状态方程参数的同时，将更新的参数作为SOH估算的输入，SOC估算、SOH估算共用同一组参数，减少了计算量；

(4)以锂电池荷电状态变化量ΔSOC为判定标准，周期性更新C

附图说明

图1是本发明基于机器学习的锂电池健康状态及荷电状态联合估算方法的流程图。

图2是本发明实施例中锂电池二阶RC模型等效电路图。

图3是本发明实施例中训练并采用BP神经网络获得最大可用容量C

具体实施方式

下面结合附图通过对实施例的描述给出本发明的具体技术方案作进一步的说明，但本发明的保护范围并不限于此。

实施例1：如图1-图3所示，基于机器学习的锂电池健康状态及荷电状态联合估算方法主要执行步骤如下：

(1)选定所采用的电池型号，获取其出厂参数：标称容量C、充电截止电压V

(2)通过对同型号电池进行循环充放电实验，步骤如下：

(2.1)温度范围为-40℃～120℃，每5℃做一次循环测试实验，实验期间保持温度恒定；

(2.2)在标准电流下，以恒流方式、电流为1C向全新的锂电池充电直到电池开路电压为充电截止电压4.2V，转为以恒压方式充电、电压为4.2V至充电电流低于0.05A，停止充电，并静置30min；

(2.3)开始特性测试，以1C电流恒流连续放电3min，停止放电间歇时间为30min，此时放出电池5％的标称容量；

(2.4)以1C恒流放电10s，静置40s，再以1C恒流充电10s，静置40s；

(2.5)重复进行步骤(2.3)-(2.4)，直至电池容量完全放出，即开路电压为2.75V；

(2.6)重复进行(2.2)-(2.5)，直到在该温度条件下，实验电池的可用容量变为原容量的80％时停止，记录其开路电压V、剩余电量SOC、电流i、温度T及对应的充电循环次数n；

(2.7)绘制V-SOC曲线，采用三段拟合方法，以10％和90％为分界点进行拟合：

(3)如图2所示，选择二阶RC模型等效电路模型为锂电池的等效电路模型，建立其传递函数为：

其中，E(s)为锂电池电芯电压，V(s)为锂电池等效电路模型的输出电压，i(s)为等效电路模型的电流；

(3.1)采用双线性变换法将s平面的方程映射到z平面，即：

式中，Vt为系统采样间隔时间；c

(3.2)将上式转换至离散时域，即：

式中，V

(3.3)建立锂电池等效电路模型的数据矩阵和参数变量矩阵：

则有：V

其中：Φ

(3.4)在公式(7)的基础上采用带有遗忘因子的最小二乘法进行迭代：

(3.4.1)导入实验数据，并对参数变量矩阵θ

(3.4.2)按以下迭代公式进行递推,得出：

式中，μ为遗忘因子，设为0.75；P为迭代协方差矩阵，K为迭代增益，I为与协方差矩阵同型的单位矩阵；迭代至遍历一周期内所有采样点后，得出辨识出来的参数变量矩阵θ；

(3.5)通过θ中的c

(4)如图3所示，训练BP神经网络模型，步骤如下：

(4.1)对以下参数进行初始化：输入层和隐藏层的连接权值ω

(4.2)对步骤(2)、步骤(3)中记录的数据进行归一化处理作为训练数据样本，对欧姆电阻R

上式中，

(4.3)对建立的BP神经网络进行误差计算、权值更新和阈值更新，进而将BP神经网络的预测误差控制在预设范围内，本事实例中预设范围设置为4％。训练完BP神经网络模型后即可投入使用。

(5)实际应用中，开机时首先进行一次初始化测试操作：对电池进行1C倍率放电10s，静置40s后进行1C倍率充电10s，对这期间的开路电压Uoc和剩余电量SOC

(6)估算SOC，按以下步骤进行：

(6.1)由于选定的电池等效电路模型为二阶RC等效电路，由基尔霍夫定律：

对上式作离散化处理，可得：

(6.2)本实施例中选用扩展卡尔曼滤波EKF估算SOC：

(6.2.1)初始化状态变量矩阵和协方差矩阵：

(6.2.2)确定观测方程：

(6.2.3)由步骤(5)初始化测试拟合所得参数更新状态方程参数，欧姆电阻R

式中η为充放电效率，Vt为取样时间；

(6.2.4)为得到较为精确的估计值，需要利用观测变量

状态变量的修正值由观测变量的实际观测值与递推值之差

式中，R

式中，Q

按以上步骤进行计算即可得到k时刻SOC的估算值，每次完成初始化测试并更新参数矩阵之后的首次SOC估算值记录在存储芯片中；

(7)重复执行步骤(6)，每次估算SOC后，计算出上次初始化测试后首次估算的SOC到现在的电量变化ΔSOC，当变化量ΔSOC大于5％时，对当前电池进行一次初始化测试操作，执行步骤(4)、步骤(5)并更新储存芯片中记录的初始化测试后首次计算的SOC值；如果ΔSOC不大于5％，则继续执行步骤(6)。

以上所述仅为本发明在锂电池健康状态及荷电状态联合估算中应用的一个实例，对于本技术领域的技术人员来说，本发明可以有各种更改和变化。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。