基于机器学习的三元锂离子电池早期加速老化诊断方法

技术领域

本发明涉及三元电池健康状态管理技术领域，特别涉及一种机器学习的三元锂离子电池早期加速老化诊断方法。

背景技术

锂离子电池在运行过程中可能会经历加速老化。锂离子电池的加速老化会降低电池性能并导致安全问题。因此锂离子电池早期的加速老化诊断对于锂离子电池健康状态管理十分重要。锂离子电池容量加速衰退会伴随着容量快速衰减，以及内部锂离子和正负极材料的大量损失。锂离子电池目前加速老化诊断相关的方法有基于逻辑回归的方法。各国研究人员现在越来越关注锂离子电池的加速老化现象，并从锂离子电池加速老化机理和拐点识别等方面开展研究，但是加速老化提前诊断方法依然欠缺。传统的机器学习模型可以进行各种故障的诊断，但是三元锂离子电池的衰退机理复杂多变，因此机器学习模型应用到三元锂离子电池的加速老化诊断需要结合电池的相关知识。

发明内容

针对现有技术中存在的缺陷，本发明的目的在于提供一种基于机器学习的三元锂离子电池早期加速老化诊断方法，从放电容量-电压曲线，放电IC曲线和放电DV曲线上提取表征三元锂离子电池的健康状态参数，然后利用机器学习算法对三元锂离子电池进行早期加速老化诊断。

为达到以上目的，本发明采取的技术方案是：

一种基于机器学习的三元锂离子电池早期加速老化诊断方法，包括以下步骤：

步骤S1、选取三元锂离子电池样本，对不同三元锂离子电池样本在不同温度和不同放电倍率条件下进行电池循环衰退试验，得到三元锂离子电池样本在不同循环时期的放电容量-电压曲线、放电IC曲线和放电DV曲线；

步骤S2、利用第n次循环的放电容量-电压曲线、放电IC曲线和放电DV曲线分别与第15次的放电容量-电压曲线、放电IC曲线和放电DV曲线做差，得到放电容量-电压曲线、放电IC曲线和放电DV曲线的早期变化曲线；

步骤S3、分别提取放电容量-电压曲线、放电IC曲线和放电DV曲线的早期变化曲线在电压区间2.9V-4V上的最大值，最小值，平均值，标准差，偏度以及第n次循环相对于第15次循环的放电容量变化和放电时间变化，一共提取出17个老化特征参数；

步骤S4、对提取的17个老化特征参数进行标准化，得到三元锂离子电池样本的特征矩阵；

步骤S5、通过随机森林算法评估17个老化特征参数的重要性，筛选对加速老化诊断重要的老化特征参数，作为重要特征，然后通过线性相关性分析，降低重要特征之间的相关性，选择出的重要特征的重要性系数总和＞70％，重要特征之间的标准差膨胀因子(VIF)＜10；

步骤S6、利用步骤S5得到的重要特征训练逻辑回归模型，并用训练好的逻辑回归模型进行三元锂离子电池加速老化判断。

在上述方案的基础上，步骤S3中分别提取放电容量-电压曲线、放电IC曲线和放电DV曲线的早期变化曲线在电压区间2.9V-4V上的最大值、最小值、平均值、标准差、偏度以及第n次循环相对于第15次循环的放电容量变化和放电时间变化的具体过程为：

ΔQ

ΔdV/dt

ΔdQ/dV

feature2＝ln(|max(ΔQ

feature3＝ln(|min(ΔQ

feature7＝ln(|max(ΔdQ/dV

feature8＝ln(|min(ΔdQ/dV

feature12＝ln(|max(ΔdV/dt

feature13＝ln(|min(ΔdV/dt

feature16＝t

feature17＝Q

其中，Q

在上述方案的基础上，所述三元锂离子电池样本的特征矩阵具体如下式所示：

其中，

在上述方案的基础上，所述重要特征包括：feature1、feature3、feature6、feature7、feature10、feature12和feature17。

在上述方案的基础上，逻辑回归模型可以输出加速老化的发生概率，能够很好的契合加速老化的不确定性。

三元锂离子电池加速老化的不确定性来源于生产工艺的误差。

在上述方案的基础上，本发明所述方法先通过随机森林选择重要特征，然后再通过线性相关分析降低重要特征之间的线性相关性，最后通过逻辑回归模型判断加速老化。

在上述方案的基础上，采用网格搜索的方法寻找训练好的逻辑回归模型的参数值。

本发明所达到的有益效果为：

本发明从三元锂离子电池放电容量-电压曲线，放电IC曲线，放电DV曲线的早期变化曲线上提取了表征三元锂离子电池的健康状态的17个老化特征。这17个老化特征能反映三元电池在不同温度区间衰退的锂离子损失和内部的正负极材料损失。基于随机森林算法以及线性相关性分析，提取了相关性较低，重要的7个老化特征。本发明提出了一种新的组合方法，组合方法流程是先通过RF(随机森林)选择重要特征，然后再通过线性相关分析降低重要特征线性相关性，最后通过LR(逻辑回归模型)判断加速老化。本发明能够实现三元锂离子电池的加速老化早期准确诊断，从而在早期判断三元锂离子电池是否会发生加速老化。

附图说明

本发明有如下附图：

图1为一种基于机器学习的三元锂离子电池早期加速老化诊断方法流程图；

图2为100次循环的17个老化特征重要性示意图；

图3为200次循环的17个老化特征重要性示意图；

图4为其他老化时期的17个老化特征重要性示意图；

图5为200次循环的17个老化特征的VIF示意图；

图6为去除高VIF特征后，200次循环的重要特征示意图。

具体实施方式

以下结合附图1-6对本发明作进一步详细说明。

机器学习用于各种分类以及模式识别问题，因此机器学习算法适合进行三元电池加速老化早期诊断，在已有大量关于锂离子电池加速老化和正常老化的历史数据的前提下，利用历史数据训练机器学习模型实现三元锂离子电池的早期加速老化诊断。

基于此，本发明提供一种基于机器学习的三元锂离子电池早期加速老化诊断方法，参见图1，包括如下步骤：

步骤1：选取三元锂离子电池样本，对不同三元锂离子电池样本在不同温度和不同放电倍率条件下进行电池循环衰退试验，得到三元锂离子电池样本在不同循环时期的放电容量-电压曲线、放电IC曲线和放电DV曲线；

IC曲线可以表示为dQ/dV关于电压V的函数，IC曲线各个峰以及对应面积的变化对应了三元电池内部不同的衰退模式。

DV曲线可以表示为dV/dQ关于容量Q的函数，DV曲线各个谷以及对应面积的变化对应了三元电池内部不同的衰退模式。

放电曲线反映了电池的电化学过程。

常见的三元锂离子电池内部衰退模式包括锂离子损失，正极材料损失以及负极材料损失。

步骤2、利用第n次循环的放电容量-电压曲线、放电IC曲线和放电DV曲线分别与第15次的放电容量-电压曲线、放电IC曲线和放电DV曲线做差，得到放电容量-电压曲线、放电IC曲线和放电DV曲线的早期变化曲线；

步骤3、分别提取三元锂离子电池的放电容量-电压曲线，放电IC曲线和放电DV曲线的早期变化曲线在电压区间2.9V-4V上的老化特征参数，一共提取出17个老化特征参数，老化特征参数能够反映三元电池内部老化机理；

步骤4、对提取完的老化特征参数进行标准化，得到三元锂离子电池样本的特征矩阵。

步骤5：通过随机森林算法评估17个老化特征参数的重要性，筛选对加速老化诊断重要的老化特征参数，作为重要特征，然后通过线性相关性分析，降低重要特征之间的相关性。选择的重要特征的重要性系数总和>70％，重要特征之间的标准差膨胀因子(VIF)<10；

步骤6：利用步骤5得到的重要特征训练逻辑回归模型，并用训练好的逻辑回归模型进行三元锂离子电池加速老化判断。

进一步的，由于放电曲线，DV曲线和IC曲线的主要反应区间可以反映三元电池的内部衰退情况，因此提取放电容量-电压曲线，放电DV曲线和放电IC曲线的早期变化曲线在电压区间2.9V-4V上的老化特征参数，具体公式如下所示：

ΔQ

ΔdV/dt

ΔdQ/dV

feature2＝ln(|max(ΔQ

feature3＝ln(|min(ΔQ

feature7＝ln(|max(ΔdQ/dV

feature8＝ln(|min(ΔdQ/dV

feature12＝ln(|max(ΔdV/dt

feature13＝ln(|min(ΔdV/dt

feature16＝t

feature17＝Q

其中，Q

进一步的，三元锂离子电池样本的特征矩阵具体如下式所示：

其中，

进一步的，重要特征包括：feature1、feature3、feature6、feature7、feature10、feature12和feature17。

实施例

现对国内某厂家额定116Ah和38Ah的三元锂离子电池进行试验并进行早期加速老化判断，具体实施步骤如下：

步骤1：开展三元锂离子电池在不同温度、不同放电倍率下的电池循环衰退试验，一共36块电池。温度范围是10℃-55℃，放电倍率是0.5C-2C。

步骤2：从三元锂离子电池的放电容量-电压曲线，放电IC曲线和放电DV曲线的早期变化曲线上提取老化特征参数，老化特征参数能够反映三元电池内部老化机理，放电容量-电压曲线，放电IC曲线和放电DV曲线的早期变化曲线具体为：第n次循环的放电容量-电压曲线，放电IC曲线和放电DV曲线与第15次的放电容量-电压曲线，放电IC曲线和放电DV曲线的做差后得到放电容量-电压曲线，放电IC曲线和放电DV曲线的早期变化曲线。

老化特征参数包括放电容量-电压曲线、放电IC曲线和放电DV曲线的早期变化曲线的最大值、最小值、平均值、方差、偏度以及第n次循环相对于第15次循环的放电容量变化和放电时间变化。一共有17个老化特征参数反映电池老化机理。

其中，选取放电容量-电压曲线，放电IC曲线和放电DV曲线的早期变化曲线在电压区间2.9V-4V上的老化特征参数。

进一步标准化后得到36块三元电池在不同循环次数n下的特征矩阵：

式中，w为电池编号。

步骤3：利用随机森林算法评估17个老化特征参数的重要性，利用线性相关性分析去除高度共线性的重要特征，feature1(在横坐标轴用1表示)、feature2(在横坐标轴用2表示)、feature3(在横坐标轴用3表示)、feature4(在横坐标轴用4表示)、feature5(在横坐标轴用5表示)、feature6(在横坐标轴用6表示)、feature7(在横坐标轴用7表示)、feature8(在横坐标轴用8表示)、feature9(在横坐标轴用9表示)、feature10(在横坐标轴用10表示)、feature11(在横坐标轴用11表示)、feature12(在横坐标轴用12表示)、feature13(在横坐标轴用13表示)、feature14(在横坐标轴用14表示)、feature15(在横坐标轴用15表示)、feature16(在横坐标轴用16表示)和feature17(在横坐标轴用17表示)，如图2-图4所示，特征1,2,3,4,6,7,8,9,10,12,17具有一定的重要性。如图5-图6所示，特征3，6，10，12和17的VIF都较小，特征2，4，8和9的VIF都大于100。因此综合考虑特征重要性以及特征的多重共线性，我们选择特征1,3,6,7,10,12,17作为最终的重要特征。

步骤4：基于逻辑回归模型，将步骤3中选取的对加速老化诊断重要且线性相关性较低的重要特征作为逻辑回归模型的输入。

将36块电池200次循环的特征矩阵分为两个部分，80％特征矩阵作为训练集，用于训练逻辑回归模型，采用网格搜索的方法寻找合适的参数值。20％特征矩阵作为验证集，用于验证逻辑回归模型，进行加速老化早期诊断的准确度。

本发明所述的老化诊断方法中逻辑回归模型在80％的训练样本上的准确度为100％。在20％的验证样本上的加速老化判断准确度为100％。本发明所述方法加速老化诊断结果展示在表1中。同时作为对比逻辑回归模型结合主成分分析的加速老化诊断结果也展示在表1中作为对比，主成分分析提取解释度为80％的4个主成分。结合主成分分析的逻辑回归模型在训练集上的准确度为100％，但是在验证集上的准确度只有86％。

表1基于组合算法和逻辑回归的加速老化早期诊断结果

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。