一种通过采集动力电池电芯多点温度对电池容量衰减评估进行强化学习的方法
文献发布时间:2024-04-18 19:58:26
技术领域
本发明涉及动力电池安全领域,尤其是针对动力电池容量衰减评估领域具有重要的参考价值。
背景技术
随着电动汽车在中国的推广和车联网技术的应用,越来越多的电动汽车进入了消费者市场并且根据国家标准(GBT32960)实时采集了行车数据。动力电池作为电动汽车的动力来源,随着充放电次数和行驶里程的增加,电池的容量不断衰减,这个反应是典型的动态非线性的电化学系统,在线应用时内部参数是难以测量的,其退化状态识别和状态估计仍存在巨大挑战。因此急需要一种相对精确的SOH预测算法。
目前SOH普遍存在的一些预测算法包括开路电压法、内阻法、卡尔曼滤波等,但是这些算法都有一些共同的问题,都需要在实验室完成预测,需要的是精准的SOC和稳定的电流数据,这就导致在实际工况下的车辆数据很难应用,所以需要的算法是能够适应真实工况下的车辆数据的SOH预测。
电池的健康度(SOH,State ofHealth),是指在一定条件下,电池使用一段时间后某些直接可测或间接计算得到的性能参数的实际值与标称值的比值,用来判断电池健康状况。本文采用电池所能充入或放出电量与电池标称容量的百分比来表示电池的SOH,以百分比的形式表现如下:
SOH=C÷C
SOH——电池健康度指标,电池包放电容量占电池初始容量的百分比;
C——当前条件下,电池包以标准电流进行满充电后放电至截至电压所释放出来的容量;
C
新电池的SOH值一般是大于100%的,随着电池的使用,电池在不断老化,SOH逐渐降低,在IEEE标准1188-1996中有明确规定,当动力电池的容量能力下降到80%时,即SOH小于80%时,就需要对电池进行更换。
从应用方向看SOH是车辆满电续驶里程、电池衰减监控、电池质保、二手车评估、电池梯次利用等的重要参数。
发明内容
为了克服现有技术的不足,本发明提出了一种通过结合汽车动力电池的每个电池单体的多点温度数据、基础状态数据和过程数据对电池容量衰减评估进行强化学习的方法,其包括以下步骤:
1)对电池包的每个电池单体进行多个光纤部署,从而采集每个电池单体的多点实时温度以得到温度数据;
2)获取电池单体的基础状态数据,其中,所述基础状态数据包括电压和电流;
3)基于温度数据、基础状态数据和/或运行设定,得到过程数据;
4)基于所述过程数据,建立电池衰减预测模型。
其中,电池衰减预测模型的建立包括对模型内的特征数据,即模型内考虑的参数的选择。
优选地,利用机器学习的方法对电池SOH进行预测。
优选地,电池衰减预测模型中的特征数据通过模型构建,即在与真实SOH进行拟合时确定各特征的贡献度来进行选取。
优选地,在电动汽车采集的长周期数据的情况下,从电池的额定信息和状态监测数据(电压、电流、温度、SOC等)可获取多个过程数据,而在模型构建中所选取特征时所需要的数据基础可以包括这些过程数据,经筛选后得到的特征数据可以更真实地体现隐含的电池健康状态信息及其演变规律,实现电池SOH的更准确预测。
借此,能够更准确地将SOH预测应用到车辆续驶里程、电池衰减监控、电池质保、二手车评估、电池梯次利用中,如图1所示。
优选地,本发明的方法可以包括以下步骤,其中,这些步骤在没有明确前后关系的情况下并不必然以序号进行排序:
1.传感器部署:通过对电池包测温点进行光纤部署,以用于对每个电池模组进行实时测温数据采集,优选地,可以对动力电池包内的每个电池单体进行光纤部署。由于本发明采用了光纤传感器,鉴于光纤在电池内的较大的部署灵活性和较小的空间占用性,在本发明中更为有利的是,对每个电池单体进行多光纤部署,从而可以对单个电池单体内的不同位置、尤其占据显著不同的位置的温度等数据进行多点采集。
2.充放电循环测试:对选取的例如10块电池包进行充放电循环测试,通过不同充电倍率组合,进行例如在20%SOC-100%SOC区间内的充放电循环,直至电池容量衰减达到80%为止。
3.数据获取:在数据获取过程中可以获取电池单体的温度数据以及基础状态数据,其中,所述基础状态数据优选包括电压和电流,这些数据中的一种或多种都可用于对电池的容量衰减进行精准评估。
4.容量提取:在例如每次进行的充放电循环中,提取出对应的充电过程的数据,使用例如安时积分法进行容量的计算,考虑到真实工况下放电工况较为复杂,所以优选地使用充电工况。安时积分法计算得到的容量数据存在一定的不稳定性,进行相应的转换措施,从而得到所需要的数据。
优选地,可以采取如下转换措施:
a)提取的原始数据
b)使用0.02—0.98分位数进行去噪
c)每20个数据点进行b)过程的去噪
d)按照一定大小的窗口进行滑动平均。
完成容量转换后,进行SOH的计算,使用初次的容量作为初始容量,每个数据的容量除以第一个容量(初始容量)得到每个容量数据对应的SOH数值。通过这种基于在线测量的方法所提取的容量所计算出的该SOH数值被定义为“计算SOH”,其作为过程数据的一部分或者进一步说是状态特征数据的一种被应用于步骤5的特征工程和步骤6的模型构建中。
另外,采用专门的充电柜对电池进行离线测试,例如在稳定的温度环境下以满充满放的方式进行离线充放电,并将由此测得的SOH值作为真实SOH值。
5.特征工程:一方面,该计算SOH与真实SOH值之间仍然存在较大偏差;另一方面,上述真实SOH值的获取依赖于离线测量,需要电池完整的生命周期数据,计算要求较高,实际难以应用。因此优选使用多种充放电过程中的特征对该真实SOH进行拟合,得到拟合模型后,只需要提取每次充放电过程中的这些特征,即可对真实SOH进行预估,由此获取相比于计算SOH更接近真实SOH的值。具体的特征包括过程数据中的光纤温度测温点数据、单体电压过程数据、状态特征数据等。
6.模型构建:
1)特征选择:由于所选取的特征都是主观因素占比较大,故并不一定每个特征都对拟合SOH具有正向作用。因此,对所述特征、例如获取的10个特征进行特征重要性计算并选取具有较高贡献度例如前98%贡献度的特征;
2)数据归一化:因为所选取的数据量纲不一致,故对选取的数据归一化处理;
3)模型构建:考虑到本次使用的特征都是数值型特征,且自变量和因变量之间是非线性关系,优选地使用神经网络作为基础模型来基于所选的数据对真实SOH进行拟合。
本发明还涉及对汽车动力电池容量衰减进行评估的方法,根据本发明的方法对待评估的汽车动力电池的电芯的温度数据和基础状态数据进行检测,并将检测的数据导入到应用根据本发明的强化学习方法所获得的模型中从而确定当前待评估电池容量衰减的状态。
附图说明
可参考附图通过实施例更加具体地描述本发明。在附图中:
图1示出了电池SOH容量衰减的应用;
图2示出了温度传感器安装图;
图3示出了三元电池结构图;
图4示出了电池SOH容量数据提取图;
图5示出了电池SOH拟合特征贡献度;
图6示出了数据模型训练结果图;
图7示出了示例性实施例中电池包真实值和预测值对比图;
图8示出了根据本发明的方法的示意性流程图。
具体实施方式
容易理解,根据本发明的技术方案,在不变更本发明实质精神下,本领域的一般技术人员可以提出可相互替换的多种运行方式以及实现方式。因此,以下具体实施方式以及附图仅是对本发明的技术方案的示例性说明,而不应当视为本发明的全部或者视为对本发明技术方案的限定或限制。
在根据本发明的示例性方法中,为了准确获取对SOH的衰减评估模型,该方法主要包括如图8所示的步骤,其中应当了解的是,所述记载的步骤的顺序在技术可行的场景下是可以进行互换,所记载的步骤并非限制于上述步骤顺序。具体地,所述步骤可以包括:
1.传感器部署
在本发明的示例性实施例中,电池例如由6个3并3串的单体和12个3并6串的单体组成,即共90个单体。具体结构图例如可如图2所示。
其中,光纤部署的测温点可如图3所示进行布置,每个电池模组上会部署多根、优选4根光纤进行温度采集,也就是每个单体都会采集4x n个温度点。其中,n代表每根光纤上所设置的测温点数量,n可以为1个、2个、或更多个。这明显区别于现有技术中,对于多个单体仅采集一个测温点的情况。通过在每个单体中设置测温点,可以更详细且更全面地获取电池模块的状态。
2.充放电循环测试
选取例如10块电池包进行充放电循环测试,示例性且非限制性地可以分别使用如下充放电循环条件的组合。
充/放电倍率组1:0.5C(20-90SOC)+0.1C(90-100SOC),放电倍率0.5C;
充/放电倍率组2:2C(20-90SOC)+0.1C(90-100SOC),放电倍率2C;
环境温度组1:0℃;
环境温度组2:10℃;
环境温度组3:20℃;
环境温度组4:30℃;
环境温度组5:40℃。
因为条件有限,由充/放电的2种条件和环境温度的5种条件,组成10组条件组合中,每组条件组合只对应一个电池包进行循环测试。
进行20%SOC-100%SOC区间内的充放电循环。
进行充放电循环,直至电池容量衰减达到80%为止。当选取的10块电池包都达到80%SOH时,分别进行的循环次数如表1所示:
表1选取的10块电池包进行循环次数数据表
在进行充放电循环的过程中,每次循环,都会记录电池包当前的实际容量衰减情况,也就是记录下电池包的SOH。
3.数据获取
根据前述关于测温点的部署,在存在90个单体的情况下,共可以采集到360个温度点的数据。根据这些光纤温度测温点数据和电池本身的基础状态数据和/或过程数据,对电池的容量衰减进行精准评估。在该具体实施例中,使用的数据如表2所示:
表2获取的数据
4.容量提取
在每次进行的充放电循环中,提取对应的充电过程的数据,使用安时积分法进行容量的计算(因为考虑到真实工况下放电工况较为复杂,所以使用充电工况)。
因为安时积分法计算得到的容量数据存在一定的不稳定性,故需要做一些转换措施,具体如下:
a)提取的原始数据;
b)使用0.02—0.98分位数进行去噪;
c)每20个数据点进行b)过程的去噪;
d)按照一定大小的窗口进行滑动平均。
在完成容量转换后,进行SOH的计算,使用初次的容量作为初始容量,每个数据的容量除以第一个容量(初始容量)得到每个容量数据对应的SOH数值。通过这种基于在线测量的方法所提取的容量所计算出的该SOH数值被定义为计算SOH,其被应用于步骤5的特征工程和步骤6的模型构建中。具体容量提取结果图如图4所示。
另外,采用专门的充电柜对电池进行离线测试,例如在稳定的温度环境下以满充满放的方式进行离线充放电,并将由此测得的SOH值作为真实SOH值。
5.特征工程
选取特征去拟合真实SOH,目前核心特征之一是计算SOH。通过计算,直接SOH和真实SOH的绝对偏差如表3所示:
表3计算SOH和真实SOH的绝对偏差数据表
由此得出,直接使用计算SOH的结果偏差还是较大,故还需选取一些特征进行真实SOH的拟合。
这些被选取用于拟合的数据或者特征被称为过程数据,所述过程数据基于温度数据、基础状态数据(包括电压和电流等)和/或相应的运行设定来获取。其中,过程数据的获取的方式包括基于温度数据、基础状态数据、运行设定的计算和/或它们的直接转用。过程数据,即用于模型构建所需的特征数据示例性地包括三部分:第一部分是光纤温度测温点特征数据;第二部分是单体电压特征数据;第三部分是状态特征数据。
其中,示例性地,光纤温度测温点特征包括如下中的一种或多种:
1)所有单体的平均温度的极差
2)所有单体平均温度的上升速率的最大值
3)所有单体平均温度的上升速率的极差
4)满电单体平均温度极差
其中,示例性地,单体电压特征包括如下中的一种或多种:
1)满电单体电压极差
2)满电单体电压标准差
其中,示例性地,状态特征包括如下中的一种或多种:
1)充电倍率
2)放电倍率
3)环境温度
4)计算SOH。
应当了解,最后选定的这些特征数据是示例性的而非限制性的,其它被认为可用于推定和拟合SOH的数据或参数也可被包括在上述特征数据中。
6.模型构建
6.1特征选择
因为选取的特征都是主观的因素占比较大,故并不一定每个特征都对拟合SOH具有正向作用。因此,在实施例中,对上述10个特征或其子集进行特征重要性计算并选取贡献度靠前的,例如前98%贡献度的特征。
使用信息贡献度来衡量每个特征对拟合SOH的重要性,经过标准化后对拟合SOH的信息贡献度如图5所示。
选择前98%的特征,在该示例性的实施例中,特征中所有单体平均温度的上升速率的最大值和满电单体电压标准差被剔除,它们的信息贡献度分别是0.9%和0.7%。故最终使用剩余8个特征进行SOH的拟合。
6.2数据归一化
因为本次选取的特征种类较多,数据之间的量纲都不唯一,故选择对数据进行归一化处理,将数据映射到(0,1]之间。
具体做法如式1所示:
6.3模型搭建
考虑到本次使用的特征都是数值型特征,且是自变量和因变量之间是非线性关系,使用神经网络作为基础模型来对真实SOH进行拟合。
(1)参数设置。
(2)数据集转化,有利于训练。
(3)模型搭建,例如可以采用传统神经网络搭配的方式来搭建。
(4)模型训练,对训练模型进行迭代训练,在拟合程度和训练损失达到设定条件后停止。
6.4结果测试
使用上述构建好的模型在原始的10个电池充放电循环数据上进行测试,和真实的SOH进行比对,得到的结果如表4所示。
表4电池SOH模型测试平均绝对偏差
得到的测试结果是平均绝对误差为0.563%,相较于安时积分法直接计算的计算SOH的4.82%要提升很多。
图7是示例性实施例即上述编号01中的电池包实际SOH和模型计算的SOH之间的对比情况,从图中可以清晰看出,电池包实际SOH和模型计算的SOH拟合度很高,曲线基本一致,进一步验证了本专利所采取的电池电芯容量衰减预测具有较好的实际应用性。
在根据本发明的进一步实施例中,上述电池SOH模型可以被用于对待评估的汽车动力电池的电池电芯中,通过对其温度数据和基础状态数据进行检测,并将检测到的数据导入到上述电池SOH模型中从而确定当前待评估电池容量衰减的状态。
- 一种通过采集储能电池电芯多点温度对电池容量衰减评估进行强化学习的方法
- 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法